Caminos Profesionales de la Inteligencia Artificialclinares/download/talks/2006-10-11.pdfPasado...

PasadoPresente

Futuro

Caminos Profesionales de la InteligenciaArtificial

Carlos Linares López

Planning and Learning GroupDepartamento de InformáticaAvenida de la Universidad, 30

28911 - LeganésMadrid (España)

[email protected]

11 de Octubre de 2006

Carlos Linares López Caminos Profesionales de la Inteligencia Artificial

PasadoPresente

Futuro

Contenidos

1 PasadoHistoria de la Inteligencia Artificial

2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional

3 Futuro


PasadoPresente

FuturoHistoria de la Inteligencia Artificial

Contenidos



3 Futuro


PasadoPresente


Historia de la Inteligencia Artificial

1950

Turing’s paper on machine intelligence

195658

Dartmouth Conf.& McCarthy’s Advice Taker

Newell,Shaw, & Simon’s GPS

Heuristic Programmngat MIT

‘60s 196874

Feigenbaum, et al. s’ DENDRAL

SRI’s Shakey, STRIPS, A*

HierarchicalPlanners(SIPE, OPLAN)

1980’s

Lenat’sCYC

Brooks’sBehaviorBasedRobots

198590Pearl’sBelief Nets

Neural Net BackpropAlgorithm

1997

IBM’s Deep Blue

1999

NASA’sRemoteAgent (RAX)

Courtesy: Nils Nilsson, AAAI 2000


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Alan Turing

1936: The Turing machine,computability, universal machine1950: The Turing Test for machineintelligence

Claude Shannon

1950: Claude Shannon publisheddetailed analysis of chess playingas search


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Darmouth Conference

1956: John McCarthy coined theterm Artificial Intelligence as thetopic of the DartmouthConference, the first conferencedevoted to the subject

Arthur Samuel (IBM)

1952–1962: wrote the firstgame-playing program, forcheckers (draughts), to achievesufficient skill to challenge a worldchampion. His firstcheckers-playing program waswritten in 1952, and in 1955 hecreated a version that learned toplay (Samuel 1959)


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



General Problem Solver

1957: GPS was a computerprogram created by Herbert Simonand Allen Newell to provetheorems and solve geometic,word and chess problems1959: Newell, A.; Shaw, J.C.;Simon, H.A. Report on a generalproblem-solving program.Proceedings of the InternationalConference on InformationProcessing. pp. 256–264.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Heuristic Programming

1958: Teddington Conference onthe Mechanization of ThoughtProcesses was held in the UK andamong the papers presented wereJohn McCarthy’s "Programs withCommon Sense"OliverSelfridge’s "Pandemonium.andMarvin Minsky’s "Some Methodsof Heuristic Programming andArtificial Intelligence"


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



DENDRAL

1967: Dendral program (EdwardFeigenbaum et al. at StanfordUniversity) demonstrated tointerpret mass spectra on organicchemical compounds. Firstsuccessful knowledge-basedprogram for scientific reasoning


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Stanford Research Institute (SRI)

1969: Shakey the Robot,demonstrated combining animallocomotion, perception andproblem solving


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



A∗

1968: P. E. Hart, N. J.Nilsson,B. Raphael. A formal basis for theheuristic determination ofminimum cost paths. IEEE Trans.Syst. Sci. Cybernet., volume 4,number 2, pp 100–107.1972: P. E. Hart, N. J.Nilsson,B. Raphael. Correction to aformed basis for the heuristicdetermination of minimum costpaths. SIGART Newsletter,volume 37, number 28, p. 9.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



STRIPS

1971: STRIPS (STanfordResearch Institute ProblemSolver) is an automated plannerinvented by Richard Fikes and NilsNilsson1974: Earl Sacerdoti developedone of the first planning programs,ABSTRIPS, and developedtechniques of hierarchicalplanning.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Hierarchical Planning

1983: O-PLAN has been used fora range of practical and researchtasks. It was developed in 1983and still runs as a planning serviceover the web (www.aiai.ed.-ac.uk/project/oplan/)


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Cycorp

1984: Cycorp, Inc., based inAustin, Texas was founded bycomputer science professor atStanford Douglas Lenat(www.cyc.com)“Once you have a truly massiveamount of information integratedas knowledge, then thehuman-software system will besuperhuman, in the same sensethat mankind with writing issuperhuman compared tomankind before writing.”Doug Lenat, June 21, 2001


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Neural Networks

1969: Marvin Minsky andSeymour Papert publishPerceptrons, demonstratingpreviously unrecognized limits of asimple form of neural netsMid 80’s: Neural Networksbecome widely used with theBackpropagation algorithm —firstdescribed by Paul Werbos in 1974.1989: Dean Pomerleau at CMUcreates ALVINN: an AutonomousLand Vehicle in a Neural Network.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Robotics

1987: Rodney Brooks introducedthe subsumption architecture andbehavior-based robotics as a moreminimalist modular model ofnatural intelligence.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Belief Networks

1988: Judea Pearl introducedbelief networks, which are causalnetworks whose links are labeledwith probabilities. The word beliefis an important qualifier becauseall the representations used in AIrepresent somebody’s best guessor belief about causal influencesrather than the ultimate facts ofcausation


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



Deep Blue (IBM)

1997: The Deep Blue chessprogram (IBM) beats the worldchess champion, Garry Kasparov,in a widely followed match.


PasadoPresente



1950


195658




‘60s 196874




1980’s

Lenat’sCYC




1997

IBM’s Deep Blue

1999



RAX

1999: Kanna Rajan was one of theprincipals of the Remote AgentExperiment (RAX) whichdesigned, built, tested and flew thefirst AI based closed-loop controlsystem on a spacecraft. The RAXwas the co-winner of NASA’s 1999Software of the Year, the agency’shighest technical award.


PasadoPresente

Futuro

Sistemas Inteligentes en las OrganizacionesExperiencia Profesional

Contenidos



3 Futuro


PasadoPresente

Futuro


La Inteligencia Artificial en el Mercado

Artis Auriferae quamChemiam vocant

(Basilea, 1593)

Cortesía del Prof. Dr. D. Agapito Ledezma


PasadoPresente

Futuro


Alquimia Moderna

1 Profesionales de todas las áreas de la industria y losnegocio buscan su particular piedra filosofal

Practican su particular alquimia:

Montañas de datos → ORO

2 Los alquimistas fracasaron, mientras que los alquimistasmodernos, hasta hace poco, encontraban ciertaslimitaciones


PasadoPresente

Futuro


IA en Negocios

1 Los Sistemas Inteligentes permiten encontrar patrones ydescubrir relaciones entre grandes cantidades de datos

2 Los sistemas inteligentes agrupan a gran cantidad detécnicas entre las que destacan las redes de neuronas,algoritmos genéticos y la lógica difusa


PasadoPresente

Futuro


IA en Negocios

1 Los profesionales de negocios utilizan sistemasinteligentes en busca de patrones no-lineales

2 Estos sistemas han sido utilizados para:

Predicción del comportamiento del consumidorDetección de transacciones fraudulentasCaptura del conocimiento corporativo dentro de un sistema


PasadoPresente

Futuro


Algunos ejemplos

Banca al por menorEvaluación de hipotecasPredicción de demanda de productos

SegurosEvaluación de riesgosCálculo de primas

MarketingPerfiles de clienteCruce de ventas

Sistemas Inteligentes

Banca de inversionesPredicción de activosGestión de cartera de valores

VigilanciaDetección de robosDetección de fraudes

PlanificaciónLocalización de outlet de minoristasDistribución de productos


PasadoPresente

Futuro


Motivación

1 La motivación de las empresas es común:

Aumentar la calidad de sus serviciosReducir los costes

Ejemplo

Visa se ahorró 40 millones de US$ en los 6 primeros meses deaplicación de su sistema de RNs para detectar fraudes

2 Calidad de servicios: permite adaptar los productos alusuario


PasadoPresente

Futuro


¿Cuáles son?

1 Las características de los sistemas de IA que los hacenadecuados para resolver problemas de finanzas ynegocios son:

AprendizajeAdaptaciónFlexibilidadExplicaciónDescubrimiento


PasadoPresente

Futuro


Aprendizaje

1 La característica más importante de los sistemasinteligentes es la capacidad de aprender las decisiones olas tareas que realizan a partir de los datos

2 Se trata de un conocimiento que antes sólo poseíanpersonal de la organización con muchos años deexperiencia en la empresa

3 Las nuevas técnicas de IA contrastan con los sistemasexpertos en donde los conocimiento necesarios pararesolver una tarea deben ser especificados manualmentepor un experto


PasadoPresente

Futuro


Adaptación

1 Los negocios y las empresas cambian continuamente. Losprocesos quedan obsoletos: cambios en la economía,presiones de la competencia, nuevas leyes, etc.

2 No es suficiente con que un sistema pueda aprenderdesde el principio, se requiere que el sistema monitoricesu propio comportamiento y revise su conocimiento deacuerdo con los cambios que se producen en el entorno

3 En algunos dominios la habilidad de adaptación a loscambios rápidos es más importante que cualquier otra


PasadoPresente

Futuro


Flexibilidad

1 Las decisiones humanas se caracterizan por unainherente flexibilidad. Se pueden tomar ante informaciónincompleta e imprecisa

2 Los sistemas clásicos funcionan con lógica si/no. Por estarazón no son robustos

3 Las RNs y los sistemas difusos tienen la capacidad detomar decisiones de manera flexible


PasadoPresente

Futuro


Explicación

1 No basta solo con automatizar la toma de decisiones (p.ej.SoL)

2 En el área de evaluación de créditos, en muchos paísesempieza a exigirse que a la toma de decisiones, leacompañe una detallada explicación del proceso

3 En determinadas aplicaciones que implican mucho dinero(p.ej. gestión de carteras de valores) no se admite la tomaautomática de decisiones sin una supervisión de éstas porun experto, o responsable

4 La transparencia permite la interacción con los expertos,pudiendo éstos mejorar sus propias decisiones basándoseen las propuestas de un sistema inteligente


PasadoPresente

Futuro


Descubrimiento

1 No solo son sistemas capaces de automatizar tareasrealizadas por los humanos sino que son capaces dedescubrir procesos o relaciones nuevas que no eranconocidas previamente. Es lo que se conoce pordescubrimiento de conocimiento o minería de datos

2 Los AGs han sido utilizados para encontrar patrones enventas en supermercados

3 Los patrones descubiertos deben ser validados por unexperto humano


PasadoPresente

Futuro


Más ejemplos

Redes de Neuronas

Sistemas borrosos

Sistemas expertos

Sistemas híbridos

Agentes


PasadoPresente

Futuro


¿Qué está pasando?

1 Los sistemas inteligentes ofrecen alternativas a losmétodos tradicionales de análisis de datos

2 Algunos sistemas inteligentes producen salidas quepueden ser entendidas por los que toman las decisiones

3 Una tendencia actual es incorporar los sistemasinteligentes dentro de otras aplicaciones de negocios


PasadoPresente

Futuro


¿Qué está pasando?

1 La utilización de sistemas híbridos es un área enexpansión

2 La integración de los sistemas inteligentes con otrasaplicaciones se ve facilitada con la programación orientadaa objetos y las BBDD orientada a objetos

3 Utilización en negocios al por menor


PasadoPresente

Futuro


Hoy por hoy

State of CIO 2006:www.cio.com/state


PasadoPresente

Futuro


Contenidos



3 Futuro


PasadoPresente

Futuro


Presente

Experiencia Profesional

Cresus Sistemas expertos de tesorería empre-sarial

1995

Autopal Sistema de diagnóstico de visión artifi-cial en tiempo real

1997

ALSA Planificación de operaciones y Optimi-zación de recursos

1998

ROBER Diseño de algoritmos on-line y off-linepara la explotación de líneas de autobús

1998

Gantt MMS Sistema automático de control de los pla-nes de operaciones del satélite ENVISAT

2001

GAST Scheduling de integridad y navegaciónde la constelación Galileo

2002


PasadoPresente

Futuro


Cresus (Unión Fenosa y Carnegie-Mellon University)

1 Sistema experto de tesorería empresarial:

Alta incertidumbreAlto riesgo

2 El sistema, programado en Lisp (CLOS junto con otrasextensiones), estaba compuesto fundamentalmente por:

Un módulo de representación del conocimientoUn módulo de propagación de incertidumbreUn algoritmo de búsqueda heurística

3 El sistema fue implantado en Unión Fenosa, Telefónica yel DeutscheBank

4 Software Factory aún desarrolla software para Cresus yotros sistemas expertos como él


PasadoPresente

Futuro


Cresus (Unión Fenosa y Carnegie-Mellon University)


PasadoPresente

Futuro


Autopal (Chep Spain)

1 Sistema de visión para el diagnóstico en tiempo real: 1000paletas/hora

2 El sistema de visión consistía en una cabina dividida endos áreas:

5 cámaras en el área ATablas superioresTacos

3 cámaras y un sistema láser en el área BTablas inferiores


PasadoPresente

Futuro


Autopal (Chep Spain)

1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:

Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet

2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes

3 El sistema está en explotación y otros países en Europa


PasadoPresente

Futuro


ALSA (Intelligent Advisors)

1 ALSA es la compañía de autobuses más grande de todaEspaña

2 Dos proyectos:

Scheduling de conductores y vehículosSheduling de las operaciones de taller y optimización derecursos

3 Problema: minimizar los costes de operacionesempleando el mínimo de recursos y atendiendo tantasoperaciones como sea posible

4 Se emplearon técnicas incrementales (largo plazo, cortoplazo y tiempo real), permitiendo siempre ajustesmanuales


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a largo plazo

1 Asignación de tareas a autobuses teniendo en cuenta:

La disponibilidad de autobusesLa disponibilidad media de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos (campañas, movimientos, . . . )

2 Para cualquier horizonte de planificación/scheduling:3 Resolución en tres fases:

Asignación de turnos a autobusesCálculo de ventanas de oportunidadAsignación de tareas de mantenimiento


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de turnos a autobuses

1 Caracterización:

70 turnos diarios a asignar durante períodos típicos de 30días77 vehículos disponiblesHasta 7 categorías diferentes de turnos: regional, urbano,escolar, etc.

2 Objetivos:

Minimizar la varianza de las asignaciones de turnos aautobusesMaximizar la utilidad de cada bus en los turnos asignadosMinimizar el número de cambios de un autobús a unservicio diferente


PasadoPresente

Futuro



Problema de asignación múltiple

Función objetivo:m∑

i=1

nd∑j=1

xdij (c

dij + ek

ij )

sujeto a:nd∑

j=1xd

ij = 1,m∑

i=1xd

ij = 1, i , j = 1, n

donde: ekij = e0

ij + ek−1ij , k = 0, 1, . . . , it


PasadoPresente

Futuro



Implementación


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a largo plazo Cálculo de ventanas de oportunidad

1 Caracterización

' 300 trabajos de mantenimiento ordinario' 50 campañas' 30 trabajos pendientes

2 Objetivos:

Predicción del número de kilómetros recorridos porautobús, así como horas y días de servicioCálculo de las tareas de mantenimiento que se debenaplicarObservación de restricciones legales


PasadoPresente

Futuro



Resolución1 Puramente determinista2 Las ventanas de oportunidad se crean para:

Tareas de mantenimiento ordinarioTrabajos pendientes con límiteCampañas


PasadoPresente

Futuro



Implementación


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de tareas de mantenimiento

1 Caracterización

Resolución de ' 390 ventanas de oportunidadHasta 7 tipos diferentes de operadoresCálculo de capacidades máxima/grupo de cada base, paratodos los operadores y fosas

2 Objetivos:

Minimizar la carga de trabajo para todos los días delhorizonteMinimizar los servicios extraordinariosMinimizar el impacto en turnos de tráfico


PasadoPresente

Futuro



Capacidades volumétricas y reparto de trabajoCálculo de capacidades volumétricas HT× TG = HG,HG∗

3 × 8

Objetivo: m«ın∑k

∑(i,j)

eij∑t=1

sujeto a:∑

k∈V(i,j)

xk(i,j) = 1,∀(i , j),

∑(i,j)

e(i,j)∑t=1

xk−t+1(i,j) d r

(i,j)t(sgh) ≤ crk (sgh) ,

∑h

∑(i,j)

e(i,j)∑t=1

xk−t+1(i,j) d r

(i,j)t(sgh) ≤ crk , xk

(i,j) ∈ {0, 1}


PasadoPresente

Futuro



Implementación


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a corto plazo

1 Scheduling de tareas de mantenimiento prioritarioteniendo en cuenta:

La disponibilidad real de los autobusesLa disponibilidad real de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos: trabajo externo, inconclusos, etc.

2 . . . para cualquier período de tiempo (típicamente igual a 1día)

3 . . . y dos tipos diferentes de tareas:

Asociados a los autobusesAsociados a la base


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Planificación a corto plazo

Implementación


PasadoPresente

Futuro


ALSA (Intelligent Advisors)Tratamiento de incidencias

1 Tratamiento en tiempo real de eventos asíncronos como:

Un operador no está disponible de prontoUn autobús necesita una atención urgenteUn autobús no puede llegar a la baseUn recurso deja de estar disponible. . . ¡y tantos otros!

2 Completamente integrado con el módulo anterior


PasadoPresente

Futuro


ALSA (Intelligent Advisors)

1 Tecnologías empleadas:

Programación basada en restricciones (ILOG Solver)Programación lineal (ILOG Planner/CPlex)Algoritmos de búsqueda heurística (Depth-FirstBranch-and-Bound)

2 Otras características:

GUIs amigables (ILOG Views)Acceso a datos muti-plataforma (ILOG dbLink)

Premio de la Región de Asturias al proyecto más innovador, 2000


PasadoPresente

Futuro


Gantt-MMSESA - Payload Data Segment, ENVISAT (Roma)

1 ENVISAT fue lanzado el 28 de Febrero de 2002,después de más de 15 años de investigación ydesarrollo, realizado por más de 10 países

2 FOS y PDS planifican las operaciones del satéliteen pasos diferentes

3 No había ningún Product Quality Facility en elPDS:

El Gantt Tool proporcionaba un medioeficaz para mostrar las operaciones yeventos de cualquier tipoEl Mission Monitoring Systemmanipulaba una gran cantidad de eventosde la misión


PasadoPresente

Futuro


Galileo Analysis and Scheduling ToolDeimos Space

1 GALILEO será un sistema de navegación europeoglobal e independiente

2 Consistirá de 27 satélites operacionales en órbitaMEO (más 3 en espera)

3 Distribuirá señales de navegación de alta fiabilidad—SoL apps.

4 La información de navegación está cualificada por laseñal SISA

5 Las señales de navegación se monitorizan paradetectar desviaciones o errores

6 GALILEO proporcionará un parámetro SISMA atodos los usuarios, para minimizar los errores


PasadoPresente

Futuro


Galileo Analysis and Scheduling ToolDeimos Space

1 Planificar y analizar la disponibilidad de ULSs2 Planificar los contactos con los spacecrafts3 Analizar el número y localización de las ULSs, así como

asesorar sobre el impacto de cualquier cambio—localización, número de antenas, o parámetros como elmasking angle

4 Determinar el mejor subconjunto de la constelación para elenvío de señales de integridad cuando se ha determinadola red ULS

5 Analizar la localización de las GSS que minimicen SISMA


PasadoPresente

Futuro


Definición de recursos

SatélitesParámetros de la constelación WalkerNúmero Ns de satélitesProject requirements:

tC : duración de los contactos[tS

min, tSmax]

(es posible simular indisponibilidades o satélites perdidos)


PasadoPresente

Futuro



Up-Link Stations (ULS)Número Nu de satélitesParámetros geográficos: latitud, longitud y alturaParámetros de antena: masking angleCada ULS tiene entre 0 y 10 antenas instaladasDiferentes prioridades por ULS denotadas por p(Ui)(sirve asimismo para distinguir ESA y non-ESA)


PasadoPresente

Futuro



AntenasNúmero Na de antenasParámetros geográficos: latitud, longitud y alturaParámetros de antena: masking angle y elevación/azimuthLas antenas son sometidas a tareas de mantenimiento, di :duty cycle


PasadoPresente

Futuro


Resolución

Definición del objetivo

m«ın P =Nu∑i=1

p(Ui)


PasadoPresente

Futuro


Resolución

Definición de coste[c0, c1, . . . , c10]: ci son los contactos con antenas deprioridad iEn vez de un problema multiobjetivo es posible estableceruna relación de orden completo:

[c0, c1, . . . , c10] ≺ [c′0, c′1, . . . , c′10]

si y sólo si:

ci = c′i and ck ≤ c′k∀i , 0 ≤ i < k ≤ 10


PasadoPresente

Futuro


Resolución

Función heurística

Es una relación del número máximo de contactos de una antena:

di ×»1 +

T1 − ttC

–y el número mínimo de antenas requerido

NsXi=1

T1 − titSmax

Añade antenas con la mayor prioridad

Tiene en cuenta el duty cycle

Elige sucesores con menor makespan restante

¡Es admisible!


PasadoPresente

Futuro


Restricciones de navegación

RestriccionesEventos AOS/LOS gracias a Selection ruleCálculo de intervalos [ta, tb] de contacto con AssociationruleNingún satélite es asociado con una antena en uso:Forward propagation rule , Backward propagation ruleLas antenas están disponibles durante el contacto:Vertical feasibility ruleRefinamiento direccional con Horizontal propagationrule y Bound effects


PasadoPresente

Futuro


Restricciones de integridad

RestriccionesTres satélites, como mínimo, deben cubrir cada zona paragarantizar la calidad de servicio


PasadoPresente

Futuro


Algoritmo de búsqueda

Búsqueda heurísticaDepth-First Branch-and-Bound (DFBnB):

Es admisibleEs cercano a la categoría any-time


PasadoPresente

Futuro

Contenidos



3 Futuro


PasadoPresente

Futuro

Futuro

El futuro sois vosotros


Caminos Profesionales de la Inteligencia Artificialclinares/download/talks/2006-10-11.pdfPasado...

Documents

Transcript of Caminos Profesionales de la Inteligencia Artificialclinares/download/talks/2006-10-11.pdfPasado...