Universidad Tecnolgica Metropolitana

Trabajo de Investigacin Nuevas Tecnologas

Nombres: Felipe Seron Gonzalez Ronald Muoz Pia Fecha : 29 de Junio del 2007 Seccin : 5

ndice
Pgina Resumen..4 Introduccin5 Inteligencia Artificial 1. 2. 3. 4. 5. 6. 7. 8. 9. Definicin general..6 El padre de la IA........ 6 Evolucin de la IA. 6 Tipos de Inteligencia..7 4.1. Inteligencia Artificial convencional7 4.2. Inteligencia Artificial computacional..7 Agentes Inteligentes7 Estructura de los agentes.9 Tipos de agentes..9 Ambientes 10 Ventajas y Desventajas 10

Lgica Difusa o Borrosa 1. 2. 3. 4. Definicin e Historia11 Desarrollos notables de la Lgica Difusa 13 Diagrama de bloques de un sistema de Lgica Difusa 15 Conjuntos Difusos... 15

Redes Neuronales 1. 2. 3. 4. Variadas Definiciones. 18 Definicin General.. 18 Fundamentos de las Redes Neuronales18 Modo de funcionamiento de una Red Neuronal.. 19 4.1. Composicin 4.2. Diseo y programacin 4.3. Estructura 4.4. Ventajas. 20 5. Clasificacin de las RNA 5.1. Modelos 5.2. Topologa 5.3. Aprendizaje 5.4. Tipo de entrada 6. Aplicaciones Data Mining 1. Definicin 2

2. 3. 4. 5. 6. 7. 8.

Fundamentos Tcnicas Recolectadas Capacidades Tcnicas mas usadas Modo de Funcionamiento Pasos para la creacin de un DM Tendencias

Visin Artificial 1. 2. 3. 4. Definicin Aplicaciones de la Visin Artificial Historia Descripcin de un sistema de Visin Artificial

Algoritmos Genticos 1. 2. 3. 4. 5. 6. 7. Orgenes Definicin Funcionamiento de un Algoritmo Gentico Tipos de Algoritmos Genticos Ventajas del uso de Algoritmos Genticos Limitaciones de los Algoritmos Genticos Algoritmos Genticos aplicado a diversas reas

RESUMEN

Durante su historia, el hombre se ha propuesto resolver los desafos que la naturaleza le depara, logrando hacer cosas realmente sorprendentes. Por ejemplo, la rueda de palo que conocieron los hombres de la antigedad ha sido perfeccionada a tal punto que ya esta fuera del alcance de las tecnologas de ese entonces. A lo largo de este texto hemos abordado desde la polmica inteligencia artificial que busca crear seres similares al hombre, la visin artificial que hoy en da es aplicada a diversas reas como la fotografa ,la informtica, etc., las redes neuronales y algoritmos genticos, ambas estructuras basadas en un modelo biolgico, la lgica difusa que permite abordar situaciones inexactas mediante un razonamiento cercano al del hombre hasta data mining, que a travs de analogas entre dos problemas ,logra encontrar soluciones concretas a partir de un solo problema resuelto. Adems todos los temas a tratar tienen un tipo de relacin, o sea uno forma parte de otro, y algunos en conjunto forman otro, etc. Esto se debe a que estas tecnologas surgieron una tras otra y los cientficos mediante investigaciones y experimentos han logrado dar vida a estas nuevas tecnologas. Si bien, estos temas son mucho ms extensos y complejos, este trabajo logra reunir la informacin necesaria para entenderlos fcilmente

Introduccin

El siguiente trabajo de investigacin pretende abarcar de una manera sencilla, pero a la vez practica 6 temas que son muy importantes en el mundo de la informtica; inteligencia artificial, redes neuronales, data mining, lgica difusa, visin artificial y algoritmos genticos. La informacin que presentamos es una compilacin de datos provenientes de distintas fuentes .Esta compilacin tiene como objetivo principal, explicar cada tema de una forma clara .Para lograr esto hemos ledo y analizado cada tema de forma detenida , rescatando en lo posible los puntos mas importantes. Se debe tener en cuenta que aunque no es primordial ser un experto en la materia para entender lo redactado en este informe, si es necesario que la persona que lo lea tenga un cierto grado de conocimiento que le permita entender el lenguaje usado. De forma complementaria a la exposicin de cada tema, se ha redactado una pequea conclusin con el fin de mostrar nuestro punto de vista frente a los temas expuestos. El lector debe tener claro que nuestras opiniones no tienen que concordar necesariamente con la apreciacin final que el tenga. La mayor parte de los temas tratados siguen el siguiente esquema: Introduccin al tema, reseas histricas, definiciones, estructuras y aplicaciones. Si bien el orden de cada segmento varia, no es de gran relevancia puesto que los temas se detallan de forma clara. Si el lector desea profundizar de forma ms exhaustiva los temas estudiados en este trabajo de investigacin, podr encontrar la bibliografa correspondiente en las paginas finales.

Inteligencia Artificial
1. Definicin general Es una ciencia que busca programas para mquinas en las que estas deben reflejar el mismo comportamiento y manera de racionar de un ser humano. La caracterstica principal de la Inteligencia Artificial (IA) es la fabricacin de mquinas o aparatos te contengan inteligencia, en el cual ellos puedan desenvolverse en el objetivo por el cual fueron creados. De esta manera los cientficos buscan la perfeccin para las maquinas, tratando de superar las capacidades de un ser humano; un ejemplo es la computadora, la cual puede realizar miles de operaciones a la vez superando a un ser humano, pero lo que no tiene la computadora es la capacidad de actuar por s sola. 2. El padre de la IA En el ao 1950 aprox el matemtico Britnico Alan Turing hizo un experimento, el cual trataba de ubicar en una sala una maquina y en otra una persona. Fuera de las salas se ubicara otra persona formulando preguntas a la mquina y a la persona (sin saber quien o que cosa esta dentro) de la sala mediante un dispositivo por cdigos para no identificar la voz. Si la persona que formul las preguntas luego no distingue quien es la persona o cual es la mquina, se habra fabricado una mquina inteligente. La finalidad de este experimento es para comprender si una mquina lgica es inteligente o no. El matemtico seal que una maquina as podra ser creada dentro de 50 aos. 3. Evolucin de la IA En 1903 Lee De Forest inventa la vlvula de vaco. Se puede decir que la primera mquina inteligente fue el computador ENIAC, compuesto por 18.000 vlvulas de vaco. En 1937 Alan Turing publica un artculo sobre los "Nmeros Calculables", que se considera como el origen oficial de la informtica terica. En este artculo hacia mencin a la Mquina de Turing, una estructura matemtica que es mayormente conocida como algoritmo y result la base de las computadoras digitales. Con la mquina, Turing pudo demostrar que existen problemas irresolubles, de los que ningn ordenador ser capaz de obtener su solucin. En 1951 William Shockley inventa el transistor de unin, compuesto por elementos como el silicio o germanio. El invento optimiz las computadoras para que fueran mucho ms rpidas y pequeas reemplazando as al triodo. En 1956 nace el trmino "inteligencia artificial" en Dartmouth durante una conferencia convocada por McCarthy. En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente.

4. Tipos de Inteligencia 4.1) Inteligencia Artificial Convencional: Se refiere a mtodos que se conocen como mquinas de aprendizaje, sus caractersticas principales son el formalismo y el anlisis estadstico. Algunos mtodos son: Sistemas expertos: Aplican capacidad de razonamiento para lograr una conclusin. Un sistema experto puede procesar una gran cantidad de informacin conocida y proveer conclusiones basadas en sta. Razonamiento basado en casos: Es una parte de la inteligencia artificial que se ocupa del estudio de los mecanismos mentales necesarios para repetir lo que se ha hecho o vivido con anterioridad, ya sea por experiencia propia o por casos concretos recopilados en la bibliografa o en la sabidura popular. Red bayesiana: Un modelo de representacin del conocimiento basado en teora de la probabilidad. Inteligencia artificial basada en comportamientos: Mtodo modular para construir sistemas de IA manualmente.

4.2) Inteligencia Artificial Computacional Tambin se conoce como Inteligencia Artificial Subsimblica, trata sobre el desarrollo o aprendizaje reiterativo. Este aprendizaje se realiza mediante datos que son fruto de la experiencia y hechos concretos. Algunos mtodos son: Redes neuronales: Sistemas con grandes capacidades de reconocimiento de patrones. Sistemas difusos: Es una tcnica para llegar a un razonamiento mediante la incertidumbre (incertidumbre apunta a incerteza). Computacin evolutiva: Esta centrada en conceptos usados en biologa como mutacin, poblacin, supervivencia del ms apto y de este modo producir soluciones sucesivamente mejores a un problema. Los mtodos usados son algoritmos evolutivos (como algoritmos genticos) e inteligencia colectiva (como algoritmos hormiga) 5. Agentes Inteligentes Un agente inteligente es cualquier dispositivo que puede percibir alguna accin en el ambiente mediante sensores y a la vez manda una respuesta (dependiendo cual sea la seal percibida) por sus efectores. Estos agentes poseen algunas caractersticas similares a un ser humano como odos, ojos y otros rganos que le sirven de sensores, como tambin posee brazos, piernas y otras partes del cuerpo que le sirven de efectores. Si es un agente robtico, los sensores se intercambian por cmaras infrarrojas y los efectores son cambiados por motores.

Si es un agente de software sus acciones y percepciones son una cadena de bits codificados.

Agente Racional: Es el agente que realiza lo correcto. Este puede medir su propio desempeo. El trmino medicin de desempeo sirve para evaluar que tan exitoso ha sido un agente, pero no existe un parmetro en general para aplicarlo a cualquier agente ya que sus respuestas sern subjetivas, por lo tanto la medicin se realiza mediante observadores externos. Agente Omnisciente: Este agente es capaz de percibir todo lo de su entorno y su actuar va de acuerdo a ello. No es lo mismo que un agente racional, ya que este acta mediante una situacin del ambiente esperado y el agente omnisciente siempre analiza antes de actuar pero ello ya no seria una accin racional.

La idea es entender la racionalidad de los agentes inteligentes, por lo que se desprenden cuatro factores de la racionalidad:

De acuerdo con esto, un agente inteligente es capaz de autoevaluarse, autoaprender y cambiar sus acciones dependiendo el ambiente en que se encuentre. Por ejemplo un regulador de temperatura de una oficina, si hace demasiado calor el regulador funcionar como aire acondicionado, por el contrario si hace demasiado fro el regulador funcionar como un calefactor. De este modo el regulador es racional porque siempre hace lo correcto. Mapeo ideal de la secuencia de percepciones para acciones El mapeo es un ordenamiento de percepciones-acciones que caracterizan a un agente, dependiendo de una secuencia de percepciones, este realizara alguna accin la cual se puede representar en una matriz de percepciones-acciones. Un mapeo ideal caracterizan a un agente ideal. Al especificar la accin que deber realizar el agente dependiendo de la secuencia de percepciones, forma parte de lo llamado Diseo de un agente ideal. El mapeo ideal se realiza cuando se percibe un nmero positivo (de acuerdo a la tabla) y la accin consiste en mostrar un nmero positivo Z tal que Z2x con una precisin de 15 cifras decimales.

6. Estructura de los agentes La base de la IA es el diseo de un programa para un agente, en otras palabras es una funcin que permita insertar el mapeo del agente para que las percepciones se hagan acciones. El programa se ejecutara en un dispositivo de cmputo que se le llamar arquitectura. La arquitectura puede ser una computadora sencilla o un hardware especial.

Elementos bsicos en la eleccin de un agente: Un agente que se basa en una tabla especificada, realiza sus acciones dependiendo de su secuencia de percepciones y no busca la mejor accin. No tienen autonoma pero son vlidos. Al disear un programa de agente, se necesita mucha precisin y acatar todas las posibles percepciones y acciones que estarn presentes en el ambiente que se desenvolver, como tambin sus metas que llevar a cabo. 7. Tipos de Agentes Agentes de reflejo simple: Este agente no contiene estados, sus acciones que realiza son respuestas directas a la entrada de percepciones, a esto se le denomina como las reglas de condicin-accin. Por ejemplo: Si el objeto esta en frente entonces detngase. Agentes informados de todo lo que sucede: Este agente guarda estados internamente lo que sirve para ejecutar una accin. No existe todo tipo de sensor que pueda informar sobre lo que pasa en un ambiente, por este motivo el agente debe actualizar informacin interna. Esto le permite distinguir entre estados del ambiente que activan una misma entrada de percepciones, pero para cada uno de los estados se necesitan acciones distintas. Agentes basados en metas: Aparte de los estados, los agentes necesitan incorporar informacin acerca de sus metas, las cuales van a detallar a la situacin que se desea llegar. Para esto el programa de agente compara las metas con la informacin de los resultados o acciones y de esta forma podr elegir acciones que sean las ms adecuadas para cumplir el objetivo. Agentes basados en utilidad: Una meta garantiza un resultado de calidad, pero an as el conjunto de metas no distingue entre estados felices o infelices. Por lo que esto se realiza mediante una medida de desempeo se podra establecer una comparacin entre los diversos estados del mundo (ambientes) para 9

encontrar el estado de felicidad del agente. Con esto se logra mayor utilidad por parte del agente. 8. Ambientes Accesibles y no accesibles: Si los sensores de un agente tienen acceso a todos los estados de un ambiente, se dice que el ambiente es accesible al agente. Un agente es muy accesible a un ambiente cuando detectan todos los aspectos relevantes para ejecutar una accin. Deterministas y no deterministas: Es cuando un agente puede determinar el estado siguiente de un ambiente mediante el ambiente en que se encuentra actualmente, as como tambin las acciones escogidas por el agente. Episdicos y no episdicos: La experiencia del agente en este ambiente se divide en episodios. Un episodio tiene un agente que percibe y acta. La calidad de su reaccin depende del episodio dado y no depender de episodios anteriores. Discretos y continuos: En este caso si existe una determinada cantidad de percepciones y acciones distintas, y a la vez, que se puedan distinguir, el ambiente ser discreto, sino, es continuo. Estticos y Dinmicos: Si un agente se encuentra de forma adecuada en un ambiente y actuando de forma optima ser un ambiente esttico, de lo contrario, si el ambiente sufre cambios este ser dinmico.

9. Ventajas y Desventajas Con respecto a las ventajas de un agente se pueden nombrar: Es permanente y es constante, no se cansa Es fcil de crear Fcil insercin de la informacin o documentarlo Es accesible, o sea no es costoso Difcilmente se equivocar

Con respecto a sus desventajas se tienen: No razona, por lo tanto, no es creativo No podra adaptarse a variadas circunstancias o a otros medios Comprende su entorno solo mediante smbolos Se apega a un conocimiento tcnico

10

Lgica Difusa o Borrosa

(FUZZY LOGIC) 1. Definicin e historia La Lgica Difusa es una nueva forma de ver la lgica , en la que ya las cosas no son vistas en dos extremos como verdadero y falso como lo es en la lgica clsica , sino que entre ellas hay matices ,degradaciones , como probablemente falso o probablemente verdadero , etc. Esta nos permite procesar y manejar informacin con datos imprecisos , inexactos o subjetivos( tales como das fros, meses calurosos, personas altas, salarios bajos, guisos con mucho condimento, profesores poco valorados, etc.), para ordenar un razonamiento basado en estas reglas imprecisas de una manera parecida a como lo hace nuestro cerebro (todo ello relacionado estrechamente con las matemticas), el cual es el tipo de razonamiento mas parecido al comportamiento humano .En otras palabras trata de crear aproximaciones matemticas en la resolucin de ciertos tipos de problemas. Pretende producir resultados exactos a partir de estos datos imprecisos, los cual son particularmente tiles en aplicaciones electrnicas o computacionales, lo que a conllevado indudablemente al desarrollo de la tan nombrada inteligencia artificial. La lgica difusa, es un tipo de lgica que se enmarca dentro de las llamadas lgicas multivaluadas las cuales van mas all de lo que lo hacen las lgicas clsicas, las cuales imponen a sus razonamientos dos valores reconocidos como nicos tales como verdadero o falso. Las lgicas clsicas han modelado satisfactoriamente a una gran parte del razonamiento ``natural'', sin embargo debe reconocerse como cierto que el razonamiento humano utiliza valores de verdad que no necesariamente deben ser ``deterministas''. Por ejemplo, cuando degustamos algn tipo de fruta estamos obligados de decidir que sabor tiene, ya sea amargo, agrio, etc., sin embargo tambin es cierto que podemos decir que tan dulce o agrio esta su sabor en diferentes grados , en efecto, e igualmente, si ``un ciclista se mueve rpido'', tambin se est obligado a considerar qu tan rpido va el ciclista , aunque esto ltimo no implique necesariamente cuantificar la velocidad de la bicicleta. La lgica difusa se caracteriza por lo tanto, por su flexibilidad, su tolerancia con la imprecisin, su capacidad para modelar problemas no lineales y su base en el lenguaje natural. Quizs ya sea tiempo de que vallamos cambiando el concepto de verdad y falsedad, por el concepto de vaguedad o borrosidad, dentro de los cuales la verdad y/o falsedad no son ms que casos extremos, y entre los cuales podemos encontrar diversos tipos de imparcialidades. Por lo tanto borrosidad quedara definida como el hecho de que una proposicin pueda ser parcialmente verdadera y parcialmente falsa de forma simultnea es decir, que todo esta en cuestin de grados. Todas las proposiciones adquieren un valor veritativo comprendido entre el uno (verdad) y el cero (falsedad), ambos incluidos. La asignacin de estos valores extremos slo se dar en el caso de verdades o falsedades lgicas o de inducciones fuertes :"Todos los hombres son mortales" puede ser un ejemplo de induccin fuerte (si las modernas biotecnologas no lo cambian) 11

puesto que no existe ningn contraejemplo .Como un tipo de ejemplo clsico, una persona no ser simplemente alta o baja, sino que se encontrara en ambas caractersticas parcialmente, de tal forma que slo por encima y debajo de determinadas alturas la calificaremos de forzosamente alta o baja, mientras que en la zona intermedia de ambas alturas existir una graduacin por la que va dejando de ser alta. Podra decirse entonces, que el concepto de borrosidad est enraizado en la mayor parte de nuestros modos de pensar y hablar en una forma ms bien innata. Hay que tomar en cuenta que un individuo puede tener distintos tipos de juicios con respecto a la borrosidad, ya que vindolo en un ejemplo, este puede decir que un vaso puede estar medio lleno o medio vaco, lo cual es un tipo de criterio psicolgico de muy difcil evaluacin. Los orgenes de la lgica difusa se remontan hasta 2500 aos atrs, cuando los filsofos griegos, entre ellos Aristteles, ya consideraban que exista un cierto grado de veracidad y falsedad en sus razonamientos lgicos, y Platn ya trabajo con grados de pertenencia en estos mismos. Es decir ya haban rasgos de la lgica multivaluada en esos tiempos. Es discutible, sin embargo, saber a ciencia cierta si estos indicios de lgica multivaluada existieron realmente en Aristteles (futuros contingentes) o en otros personajes posteriores, como Guillermo de Ockham (conocimiento distinto / conocimiento confuso), pero el hecho cierto es que la primera lgica multivaluada fue desarrollada por Vasilev en 1909 eliminando el principio del tercio excluso de la lgica aristotlica. No obstante se reconoce como primer creador de la lgica multivaluada a Luckasiewicz, quien en 1920 propuso tres valores veritativos para las proposiciones: verdadero, falso e indeterminado. El propio Lukasiewicz y Tarski elaboran lgicas infinitovalentes con posterioridad. Pero la lgica difusa no ha podido ser plenamente axiomatizada hasta que no se ha contado con el concepto de conjunto borroso propuesto por el ingeniero Lotfy A. Zadeh en 1970 en la Universisdad de Berkeley, California. Este al darse cuenta de que exista un principio de de incompatibilidad en la lgica clsica , introdujo entonces el concepto de conjunto borroso (fuzzy set) bajo el que reside la idea de que los elementos sobre los que se construye el pensamiento humano no son nmeros sino etiquetas lingsticas. La lgica difusa permite representas el conocimiento comn, que es mayoritariamente del tipo lingstico cualitativo y no necesariamente cuantitativo; es un leguaje matemtico a travs del lenguaje de conjuntos difusos y funciones caractersticas asociadas a ellos .La idea es simple: para cualquier elemento de un conjunto, su condicin de pertenencia est dada por una funcin m(x). Cuando m(x) toma slo dos valores, 1 (pertenece) y 0 (no pertenece), entonces estamos ante un conjunto ordinario; cuando m(x) puede tomar cualquier valor dentro del intervalo discreto [1,0], entonces estamos ante un conjunto borroso Los conjuntos borrosos pueden ser considerados como una generalizacin de los conjuntos clsicos: la teora clsica de conjuntos slo contempla la pertenencia o no pertenencia de un elemento a un conjunto, sin embargo la teora de conjuntos borrosos contempla la pertenencia parcial de un elemento a un conjunto, es decir, cada elemento presenta un grado de pertenencia a un conjunto difuso que puede tomar cualquier valor entre 0 y 1. Este grado de pertenencia se define mediante la funcin caracterstica asociada al conjunto difuso.

12

La lgica difusa ,a pesar de ser de gran valor para el desarrollo de nuevas tecnologas ,principalmente la inteligencia artificial, en sus inicios encontr una fuerte resistencia entre la comunidad cientfica, sin embargo y como lo es hasta nuestros das, algunos investigadores se convirtieron en seguidores de las teoras de Zadeh y mientras l sigui ampliando y asentando los fundamentos de la teora de conjuntos difusos estos investigadores exploraron estas nuevas teoras durante la dcada posterior a su nacimiento. Adems de las contribuciones del propio Zadeh, hubieron otros autores contemporneos a l como Bellman, Lakoff, Goguen, Kohout, Smith, Sugeno, Chang, Dunn, Bezdek, Negoita, Mizumoto, Tanaka, Kandel, Zimmermann, etc. los cuales hicieron grandes aportes al desarrollo de las bases de esta teora. Durante esta primera dcada, gran parte de estructuras lgicas y matemticas son generalizadas en trminos de lgica difusa: relaciones lgicas, funciones, grupos, operaciones, operadores, algoritmos, etclo que abrira paso posteriormente a la aplicacin practica de esta. Las aplicaciones que esta tiene son bsicamente el control mediante lgica difusa ,la cual consiste en reemplazar a un operador humano por un sistema de difuso basado en reglas y el anlisis de decisin mediante esta misma , en la en la que un operador humano es reemplazado por un sistema experto basado en lgica difusa.(sistemas expertos difusos) Una de las primeras aplicaciones que fueron echas por la lgica difusa fue establecida por Assilian y Mamdani en 1974 en el Reino Unido al desarrollar el primer controlador difuso diseado para una mquina de vapor, pero la primera implantacin real de un controlador de este tipo fue realizada en 1980 por F.L. Smidth & Co. en una planta cementera en Dinamarca. En 1983 Fuji aplica la lgica difusa para el control de inyeccin qumica en plantas depuradoras de agua por primera vez en Japn. En 1987 Hitachi pone en marcha un controlador fuzzy para el control del tren-metro de Sendai, y la empresa Omron desarrolla los primeros controladores difusos comerciales. Algunas de las fechas importantes para la aplicacin de la lgica difusa la podemos resumir de la siguiente forma: 2. Desarrollos notables de la lgica difusa: 1965 fuzzy set( prof. Lotti .A . Zadeh, UCB) 1966 Fuzzy logic(Dr. Peter N. Marinos , Bell Labs) 1972 Fuzzy Measure(Prof.Michino Sugeno, TIT) 1974 Fuzzy logic Controller for Stream Engine((Prof . M.H. Mamdani, Queen Mary College, London Univ.) 1980 Controller of Cement Kiln with Monitor Capability (F.L. Smidth, Denmark) 1987 Automatic Train Operation for Sendal Subway(Hitachi) 1988Stock Trading Expert Sistem(Yamaichi Sequrity) 1989Life(Laboratory for International Fuzzy Engineering)

13

Uno de los factores que contribuye a seguir con la investigacin en el campo de la lgica difusa es el creciente inters en las redes neuronales y su similitud con los sistemas fuzzy; los neuro-.fuzzy-sistems son sistemas fuzzy que usan mtodos de aprendizaje basados en redes neuronales para identificar y optimizar sus parmetros, los cientficos de hoy en da buscan establecer mas relaciones entre estas dos tcnicas para poder seguir as, aumentando el espectro de aplicaciones de la lgica difusa. B. Kosko es conocido por su contribucin a los sistemas neuro- fuzzy y con sus publicaciones introdujo en la lgica difusa a muchos lectores interesados en las redes neuronales. Otro factor que han permitido el desarrollo de la lgica difusa, es la aparicin de los algoritmos genticos en la poca del noventa. Estas tres tcnicas computacionales, que pueden combinarse de mltiple maneras y se pueden considerar complementarias, son herramientas de trabajo muy potentes en el campo de los sistemas de control en la ltima dcada. A pesar de que la lgica difusa esta ampliamente aplicada en el campo del control automtico de procesos, la verdad es que originalmente esta fue creada por Zadeh con la intencin de crear un formalismo para manipular de forma ms eficiente la imprecisin y la vaguedad del razonamiento humano expresado lingsticamente. El xito que esta tuvo en los procesos de control automtico se debi entonces bsicamente al boom que ella misma caus en Japn, iniciado en 1987 y que alcanz su mximo apogeo a principios de los noventa. Desde ese momento, los productos lanzados al mercado que usan tecnologa borrosa, se han fabricado por grandes cantidades, muchos de los cuales han utilizando la etiqueta fuzzy como smbolo de calidad y prestaciones avanzadas. Las lgicas difusas se han desarrollado rpidamente debido a sus potencialidades de aplicacin, entre otras muchas reas, en el diseo de controladores electrnicos ,el cual ha sido aplicado con xito en muy diversas ramas tecnolgicas, por ejemplo: la metalurgia, robots para la fabricacin, controles de maniobras de aviones, sensores de imagen y sonido (sistema de estabilizacin de la imagen en cmaras fotogrficas y de video Sony, Sanyo y Cannon), lavadoras (Panasonic y Bosch) que son capaces de autorregular la cantidad de jabn que requiere un lavado dependiendo del grado de suciedad de la ropa, aire acondicionado (Mitsubishi) en el que el sistema fuzzy evita las oscilaciones entre el exceso y el defecto de temperatura, rice-cooker capaces de elaborar diversas variedades de arroz regulando la cantidad de agua y la temperatura en cada caso para que el grano quede cocido y suelto, en automocin, sistemas de frenado ABS (Mazda y Nissan), cambio automtico de Renault, control automtico de velocidad que controla la frenada en casos peligrosos y selecciona la relacin de marchas a partir del rendimiento del motor, climatizadores, fotocopiadoras (ajusta el voltaje del tambor a partir de la densidad de la imagen, la temperatura y la humedad), lavaplatos (ajusta el ciclo de lavado y enjuague a partir del nmero de platos y cantidad de comida adherida), ascensores (reduce el tiempo de espera a partir del nmero de personas), humidificadores (ajusta el contenido de humedad a las condiciones de la habitacin), mejoras en imgenes mdicas (ajustando el contraste en los bordes), sistemas de

14

reconocimiento de escritura, hornos microondas (establece y afina el programa de energa y coccin), neveras (establece los tiempos de descongelacin y enfriamiento en funcin del uso que se haga), televisores (ajusta el color de la pantalla y la textura de cada imagen), mecanismos de atraque automtico de naves espaciales, sistemas automticos de regulacin de la cantidad de anestesia que se suministra a los pacientes en un quirfano -aunque bajo supervisin mdica, por supuesto-, sistemas de concesin -o denegacin- automtica de crditos segn el perfil econmico del solicitante, etc Estas son algunas de las muchsimas aplicaciones de la lgica difusa, que ya estn funcionando en el campo de los llamados sistemas expertos. Todos estos sistemas utilizan informacin, esencialmente, imprecisa con el fin de lograr sus cometidos Sin embargo, se estn buscando nuevos campos de aplicacin de esta tcnica. Se investiga en reas como el reconocimiento de patrones visuales o la identificacin de segmentos de ADN, por mencionar dos ejemplos. Adems, segn algunos de los ms prestigiosos investigadores en Internet, parece que el futuro para abordar la ingente cantidad de datos, recuperar la informacin, controlar y gestionar la red, pasa por el uso de las tecnologas borrosas. Tambin ha sido el mismo Zadeh el que concuerda con esta teora, segn el cual, debe seguir la lgica borrosa. Para esto fue que se realizo la celebracin del primer encuentro sobre lgica borrosa e internet en el ao 2001 (FLINT 2001) en la universidad de Berkeley organizado por el propio Zadeh. 3. Diagrama de bloques de un sistema basado en tcnicas de Lgica Difusa Este es el esquema de un sistema basado en tcnicas de lgica difusa Est compuesto por los siguientes bloques:

- Bloque Difusor: Bloque en el que a cada variable de entrada se le asigna un grado de pertenencia a cada uno de los conjuntos difusos que se ha considerado, mediante las funciones caractersticas asociadas a estos conjuntos difusos. Las entradas a este bloque son valores concretos de las variables de entrada y las salidas son grados de pertenencia a los conjuntos difusos considerados. - Bloque de inferencia: Bloque que, mediante los mecanismos de inferencia que veremos ms adelante, relaciona conjuntos difusos de entrada y de salida y que representa a las reglas que definen el sistema. Las entradas a este bloque son conjuntos difusos (grados de pertenencia) y las salidas son tambin conjuntos difusos, asociados a la variable de salida - Desdifusor: Bloque a partir del cual en el conjunto difuso obtenido a partir del conjunto de inferencia y mediante los mecanismos matemticos de desdifusin, se obtiene un valor concreto a la variable de salida, es decir el resultado

4. Conjuntos Difusos: Predicados Vagos y Conjuntos Difusos

15

En los conjuntos clsicos el conjunto Universo se divide en los valores "Verdadero" y "Falso". Sin embargo, en nuestro modo de pensar se utilizan frecuentemente predicados que no se pueden reducir a este tipo de divisin; estos son los denominados predicados vagos. Estos encierran la solucin de los problemas, a los que se aplica la lgica difusa, en considerar que la pertenencia o no pertenencia de un elemento x al conjunto A no es absoluta sino gradual. En definitiva, definiremos A como un Conjunto Difuso. Su funcin de pertenencia ya no adoptar valores en el conjunto discreto {0,1} (lgica booleana), sino en el intervalo cerrado [0,1]. La funcin de pertenencia se establece de una manera arbitraria, lo cual es uno de los aspectos ms flexibles de los Conjuntos Difusos. Por ejemplo, se puede convenir que el grado de pertenencia de una temperatura de "45C" al conjunto A es 1, el de "25C" es 0.4 , el de "6C" es 0, etc.: cuanto mayor es el valor de una temperatura, mayor es su grado de pertenencia al conjunto B. Para operar en la prctica con los Conjuntos Difusos se suelen emplear funciones de pertenencia del tipo representado en la figura: Tipos de funciones de pertenencia En la figura se pueden observar dos tipos de funciones de pertenencia de todos los posibles: el tipo triangular, que puede ser un caso concreto del trapezoidal en el que los dos valores centrales son iguales, y el de forma de campana gaussiana. Tmese ahora el Universo de Discurso de la edad. El Conjunto Difuso "Joven" representa el grado de pertenencia respecto al parmetro juventud que tendran los individuos de cada edad. Es decir, el conjunto expresa la posibilidad de que un individuo sea considerado joven. Un Conjunto Difuso podra ser considerado como una distribucin de posibilidad, que es diferente a una distribucin de probabilidad. Se puede observar que los Conjuntos Difusos de la figura 3 se superponen, por lo que un individuo xl podra tener distintos grados de pertenencia en dos conjuntos al mismo tiempo: "Joven" y "Maduro". Esto indica que posee cualidades asociadas con ambos conjuntos. El grado de pertenencia de x en A, como ya se ha sealado anteriormente, se representa por A(x). El Conjunto Difuso A es la unin de los grados de pertenencia para todos los puntos en el Universo de Discurso X, que tambin puede expresarse como: Bajo la notacin de los Conjuntos Difusos, A(x)/x es un elemento del conjunto A. La operacin x representa la unin de los elementos difusos A(x)/x. Los Universos de Discurso con elementos discretos " para representar la operacin unin.utilizan los smbolos "+" y " Veamos un ejemplo: Ejemplo de Conjuntos Difusos en el universo de la edad. Tmese un individuo x cuya edad sea de 20 aos. Como se puede observar en la figura, pertenece al Conjunto Difuso "Joven" y al Conjunto Difuso "Maduro". Se puede observar que posee un grado de pertenencia A(x) de 0.6 para el Conjunto Difuso "Joven" y un grado de 0.4 para el Conjunto Difuso "Maduro"; tambin posee un grado de 0 para "Viejo". De este ejemplo se puede deducir que un elemento puede pertenecer a varios Conjuntos Difusos a la vez aunque con distinto grado. As, nuestro individuo x

16

tiene un grado de pertenencia mayor al conjunto "Joven " que al conjunto "Maduro"(0.6 > 0.4), pero no se puede decir, tratndose de Conjuntos Difusos, que x es joven o que x es maduro de manera rotunda. Operaciones entre Conjuntos Difusos Variables Lingsticas La Teora de Conjuntos Difusos puede utilizarse para representar expresiones lingsticas que se utilizan para describir conjuntos o algoritmos. Los Conjuntos Difusos son capaces de captar por s mismos la vaguedad lingstica de palabras y frases comnmente aceptadas, como "gato pardo" o "ligero cambio". La habilidad humana de comunicarse mediante definiciones vagas o inciertas es un atributo importante de la inteligencia. Una Variable Lingstica es aquella variable cuyos valores son palabras o sentencias que van a enmarcarse en un lenguaje predeterminado. Para estas variables lingsticas se utilizar un nombre y un valor lingstico sobre un Universo de Discurso. Adems, podrn dar lugar a sentencias generadas por reglas sintcticas, a las que se les podr dar un significado mediante distintas reglas semnticas. Los Conjuntos Difusos pueden utilizarse para representar expresiones tales como:
o o o

X es PEQUEO. La velocidad es RPIDA. El ganso es CLARO.

Las expresiones anteriores pueden dar lugar a expresiones lingsticas ms complejas como: o X no es PEQUEO. o La velocidad es RPIDA pero no muy RPIDA. o El ganso es CLARO y muy ALEGRE. As, se pueden ir complicando las expresiones. _no_PEQUEA (x) = 1- _PEQUEO (x) Tratando de esta forma los distintos modificadores lingsticos (muy, poco, rpido, lento, etc.) pueden ir calculndose todas las expresiones anteriores

17

Redes Neuronales
1. Variadas Definiciones Existen variadas formas de definir una Red Neuronal, las cuales pueden ser cortas y genricas o mucho ms detalladas: a) Es un modelo matemtico que se compone principalmente por elementos capaces de ser procesados y organizados por niveles. b) Es un nuevo modelo de computacin, que toma como referencia modelos biolgicos. c) Sistema de computacin compuesto por muchos elementos simples que estn interconectados, de esta forma procesan informacin mediante su estado dinmico. 2. Definicin General Las redes neuronales tienen como funcin imitar las caractersticas de un ser humano, como la capacidad de memorizar y asociar hechos. Como el ser humano es capaz de resolver problemas mediante la experiencia, las redes neuronales se aproximan a ello, tratando de fabricar sistemas que emulen esta caracterstica humana. En el fondo las redes neuronales son un modelo artificial y simplificado del cerebro humano y su base viene siendo la neurona. La neurona resulta ser una clula muy simple, pero si hay millares de ellas son muy poderosas. Entonces las Redes Neuronales consisten en unidades de procesamiento que intercambian datos o informacin; son utilizadas para reconocer patrones de variados tipos Ej: secuencias de tiempo, tenencias financieras, etc; y son capaces de aprender y mejorarse a si mismo. 3. Fundamentos de las Redes Neuronales El modelo biolgico El cerebro humano posee aprox. cien mil millones de neuronas. Se estima que cada neurona realiza ms de 1000 sinpsis en su entrada y salida. La conexin entre neuronas es el puntapi para el procesado de la informacin. Para comprender ms sobre una neurona se deben destacar sus partes principales: La va de entrada de las seales de la neurona se denominan Dendritas. De alguna forma la neurona fabrica una seal de salida a partir de la seal de entrada. El axn es la va de salida de la seal generada. La sinpsis es la liberacin de neurotransmisor, la cual es una sustancia que transmite impulsos nerviosos. 18

Bsicamente, lo que sucede en una neurona es que esta es estimulada por sus entradas (inputs) y cuando alcanza un lmite la neurona se activa, enviando una seal al axn (output). En otras palabras, es como un dispositivo de entrada y salida. 4. Modo de funcionamiento de una Red Neuronal El objetivo de una red neuronal es simular el comportamiento en los sistemas neuronales biolgicos mediante modelos matemticos vueltos a la vida como mecanismos artificiales. Su finalidad es que los mecanismos den respuestas similares a las del cerebro. Para comprender mejor su modo de funcionamiento se debe conocer su composicin, su diseo y programacin, estructura y sus ventajas: 4.1)Composicin La unidad de una red neuronal, son las neuronas y cada una de ellas tiene una gran cantidad de entradas y emite una sola salida. De la salida se desprenden 3 funciones: Funcin de propagacin (excitacin): Consiste en la sumatoria de todas las entradas y multiplicadas por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin es exitatoria, si es negativo es inhibitoria. Funcin de activacin: Esta modifica la anterior. En el caso de que no exista, la salida ser la misma de la funcin de propagacin. Funcin de transferencia: Se aplica al valor resultante de la funcin de activacin. Es utilizada para limitar la salida y en la mayora de los casos la salida se ve controlada por una interpretacin que se le desea dar.

4.2)Diseo y programacin Para fabricar una red neuronal artificial se debe modelar matemticamente el problema y luego formar una solucin o programa por medio de un algoritmo. Por otro lado se necesita una gran cantidad de datos en las entradas, con la finalidad de que la red aprenda las propiedades requeridas. El diseo consta principalmente en la eleccin del modelo de red, las variables a ocupar y el procesamiento previo de la informacin, esto formar el denominado Conjunto de entrenamiento. Este conjunto de entrenamiento tiene como objetivo, dar una segura respuesta a un eventual problema. En otras palabras se le entrega informacin a la red de variados tipos, indicndole cuales son distintas y cuales son idnticas. Posteriormente, al poner a prueba la red, esta entregara resultados muy fidedignos a los que se le exponga. 4.3)Estructura Hablando en trminos de estructura, una res neuronal artificial (RNA) es muy distinta a la de un cerebro animal. Una caracterstica en comn es que ambas estn compuestas por un enorme conjunto paralelo de unidades de proceso (neuronas) y este conjunto es

19

en donde se almacena toda la inteligencia. An as, el cerebro es muy superior a cualquier RNA y las neuronas artificiales son muy simples comparadas a las neuronas animales. Un cerebro por medio de su reorganizacin de las conexiones sinpticas es capaz de aprender. Algo similar ocurre con la RNA, ya que estas contienen una gran cantidad de procesadores interconectados que imitan el comportamiento del cerebro. En esta imitacin, la reorganizacin se realiza por un mecanismo de pesos, los cuales son calibrados en la fase de aprendizaje. En una RNA ya entrenada se le denomina conocimiento al conjunto de pesos, este tiene la capacidad de resolver problemas de los cuales el RNA fue entrenado. 4.4)Ventajas Las redes neuronales artificiales, por lo ya nombrado, poseen una gran cantidad de similitudes a la de un cerebro, como por ejemplo: tienen la capacidad de aprender por la experiencia obtenida, de aplicar situaciones de otros casos a casos actuales para resolucin de problemas, obtener informacin y caractersticas de datos irrelevantes, etc. A partir de esto, son muy ventajosos a la hora de aplicarlos en diferentes reas. Dentro de las ventajas se puede encontrar: Aprendizaje adaptativo: Las RNA pueden desarrollar tareas solo con un entrenamiento previo ilustrativo. Las RNA tienen la capacidad (si se les ensea) de diferenciar patrones por medio de entrenamientos y ejemplos. Por tanto las redes neuronales artificiales son dinmicas, o sea son capaces de adaptarse a nuevas condiciones que se den en el transcurso del tiempo. Tambin son adaptables, esto es posible gracias a las neuronas o elementos de procesamiento en este caso. Una RNA no es dependiente de algoritmos para llevar a cabo un problema, ya que esta puede generar una distribucin de pesos en sus enlaces mediante el aprendizaje. Tambin hay redes que aprenden incluso despus de su periodo de entrenamiento. Auto _ organizacin: Las RNA por medio del aprendizaje adaptativo son capaces de auto organizar la informacin que recibe. La auto organizacin es modificar completamente la red neuronal para poder desarrollar un problema. Cuando las RNA son utilizadas para reconocer patrones, estas auto organizan la informacin usada. La auto organizacin tambin generaliza, o sea se refiere a que pueden dar respuesta cuando posee datos que nunca antes haba analizado, por lo que el sistema puede generalizar las entradas para obtener dicha respuesta. Esto es muy til cuando la informacin de entrada no es clara o esta incompleta. Tolerancia a Fallos: Si se compara un sistema computacional con una red neuronal, se puede notar que el sistema computacional al tener un fallo mnimo en su memoria esta deja de funcionar. Pero la red neuronal al tener un fallo que no sea catastrfico esta no se ve afectada. Hay dos cualidades respecto a la tolerancia a fallos:

20

 Las redes pueden reconocer patrones con ruidos, estos pueden estar deteriorados (tolerancia a fallos en relacin a datos). Una red aunque fuese destruida parte de ella puede continuar con su funcionalidad siempre y cuando no sea destruida masivamente. El motivo del porque las redes neuronales son tolerantes a fallos es porque su informacin no se encuentra precisamente en la neurona, si no que se encuentra en las conexiones que hay entre neurona. Las RNA almacenan informacin que no esta localizada, es por esto que la gran mayora de conexiones entre los puntos de unin de neuronas de la red obtienen sus valores en funcin del estimulo que reciban. Operacin en tiempo real: En todas las reas de aplicacin de las RNA es prioritario la rapidez de procesamiento de datos. Las RNA son especialistas en ese aspecto ya que tienen una conexin paralela. Fcil insercin en la tecnologa existente: Una red neuronal puede ser entrenada para hacer tareas nicas. Como hoy en da existen las herramientas computacionales, esta red puede ser entrenada en muy corto tiempo y a su vez verificada, comprobada e implementada a un hardware. De acuerdo con lo anterior no hay dificultades para la aplicacin de las RNA en los sistemas existentes y adems su costo no es elevado.

5. Clasificacin de las RNA 5.1) Modelos Estos son diferentes modelos que hay de Redes Neuronales Artificiales, varan tanto en su modo de conexin como en sus variados modos de funcionamiento y utilidad: Perceptrn Adaline Perceptrn multicapa Mquina de Bolzman Memorias Asociativas Mquina de Cauchy Redes de Hopfield Redes de Elman Redes de neuronas de base radial Red de contrapropagacin Redes de Kohonen o mapas auto organizados Redes de neuronas de aprendizaje competitivo Gas neuronal creciente Crecimiento dinmico de clulas Redes ART

21

5.2) Topologa Una clasificacin puede ser en funcin del patrn de conexiones. De esta se desprenden tres tipos de redes: Hay dos tipos de redes que son siempre hacia delante, o sea todas las seales de la capa de entrada van hacia la salida sin ciclos y sin conexiones entre capas. Estas son Monocapa (Adaline) y Multicapa (perceptrn multicapa). Redes que tienen como mnimo un ciclo de activacin neuronal Ej: Mquina de Bolzman, Hopfield.

5.3) Aprendizaje Otra clasificacin se hace sobre el tipo de aprendizaje que es capaz una RNA, o sea si esta necesita o no un entrenamiento. Aqu se desprenden varios modelos: Aprendizaje supervisado: Se necesita una agrupacin de datos en la entrada que ya este clasificado o que la respuesta al objetivo se conozca. Aprendizaje no supervisado: En este tipo de aprendizaje no se necesita una agrupacin de datos.

5.4) Tipo de entrada Por ltimo las RNA se pueden clasificar por su capacidad de procesamiento de informacin de distinto tipo: Redes analgicas: Estas son capaces de procesar datos de la entrada con valores continuos los cuales generalmente los limitan. Redes discretas: Estas procesan datos de entrada los cuales son valores discretos o sea atiende a valores lgicos como 0 y 1.

6. Aplicaciones Hoy en da las aplicaciones son muchas y van ligadas con otras tecnologas. Se puede encontrar una RNA en problemas de reconocimiento de voz, seales, imgenes, etc. Tambin estn situadas en un plano mayor como hacer predicciones en el mercado de finanzas, predicciones en el clima, etc. Adems es muy utilizada en problemas algortmicos que simplemente no se pueden realizar mediante estos ya que la complejidad es muy alta para expresarlo o simplemente no tiene solucin algortmica. Por otro lado, tambin se le ha dado uso junto con algoritmos genticos para la creacin de controladores para robots de toda ndole, esta disciplina es mayormente conocida como Robtica Evolutiva.

22

Data Mining
1. Definicin Es un conjunto de tcnicas centradas a la extraccin de informacin oculta y predecible de grandes bases de datos. Las bases del Data Mining o Minera de Datos estn en la inteligencia artificial y el anlisis estadstico. Con el DM se le puede dar solucin a problemas de clasificacin, segmentacin y prediccin. El modo de operacin del data mining esta en la seleccin de conjuntos de datos, variables dependientes, variables objetivo y el muestreo de registros disponibles. Despus se analizan las propiedades de los datos presentes en diagramas de dispersin, histogramas, valores atpicos e irnicamente, ausencia de datos. A los datos de entrada se les aplican varias transformaciones para poder insertar la minera de datos que vaya de acuerdo con el problema presentado. Despus se selecciona la tcnica de minera, se crea un modelo predictorio ya sea de clasificacin o segmentacin, los resultados se contrastan con el conjunto de datos de la misma tcnica de minera y as se puede comprobar si es vlido. Estas tcnicas de minera pueden dar respuestas a interrogantes del mercado, o futuras problemticas en una empresa, etc. 2. Fundamentos Esta tcnica naci cuando se utiliz cuando los negocios fueron guardados en computadoras por primera vez, luego se fueron mejorando los accesos a los datos y posteriormente le dan la facilidad al usuario de navegar por estos datos. El data mining entrega informacin prospectiva y proactiva, o sea con los datos presentes puede predecir posibilidades futuras. El data mining se ve muy aplicado en los negocios y de esta se desprenden 3 tecnologas: Recoleccin masiva de datos Computadoras potentes con multiprocesadores Algoritmos de Data Mining

3. Tcnicas recolectadas El data mining toma tcnicas variadas de diferentes disciplinas como por ejemplo la estadstica y la inteligencia artificial (o, en este caso, informtica). De la estadstica toma las siguientes tcnicas: Anlisis de la Varianza: En esta se compara la existencia de diferencias entre las medidas de una o ms variables continuas. Regresin: Esta define la relacin entre una o ms variables y un grupo de variables predictorias. Ji cuadrado: Con esta tcnica se realiza el contraste de la hiptesis de dependencia entre las variables. 23

Anlisis cluster: Puede clasificar una poblacin en grupos, definindolos por sus semejanzas o diferencias. Anlisis discriminante: Clasifica individuos en grupos establecidos, facilita encontrar su regla de clasificacin y como consecuencia identifica mas fcilmente las variables que definen el grupo. Series temporales: Con esta tcnica se puede visualizar la evolucin o cambios de una variable en el tiempo y a partir de esta base hacer posibles predicciones, pero con la condicin de que no hubieran cambios en la estructura.

De la informtica usa las siguientes tcnicas: Algoritmos genticos: Son mtodos numricos en donde una variable o variables forman parte de un segmento de informacin. La mejor configuracin para estas variables, indica el mejor resultado para la variable de salida y sern segmentos con mayor capacidad reproductiva. Por medio de la reproduccin los segmentos ms adecuados se mantienen y su proporcin crecer. Con un cierto nmero de iteraciones o repeticiones la poblacin estar compuesta por las mejores soluciones. Inteligencia artificial: Con un sistema informtico, simulador de un sistema inteligente, analiza los datos que dispone. Sistemas expertos: Son sistemas que fueron fabricados por el conocimiento de expertos. Se basa por la causa y efecto. Sistemas inteligentes: Muy similares al anterior pero mas objetivo ante casos desconocidos por un experto. Redes neuronales: Es un mtodo de proceso numrico en paralelo en donde las variables de entrada son procesadas para obtener una salida. Estas se comparan con un patrn que contienen y con algunos datos, para as obtener una solucin adecuada.

4. Capacidades El data mining busca valiosa informacin en grandes bases de datos. Este proceso necesita analizar una gran cantidad de informacin o investigar de forma inteligente hasta encontrar donde estn los valores. El data mining puede generar variadas soluciones muy oportunas, por esto contiene estas capacidades: Prediccin automatizada de tendencias y comportamientos: El DM es capaz de automatizar el proceso de bsqueda de informacin predecible en las bases de datos. Con esto, las preguntas que antes necesitaban de un anlisis tedioso y manual para ser respondidas, ahora son contestadas rpida y directamente. Descubrimiento automatizado de modelos desconocidos: Las herramientas del DM hacen un barrido de la base de datos e identifican modelos en 1 paso. Otro problema de descubrimiento de modelos es identificar datos anormales en bases de datos.

Nota: Un modelo es una estructura y proceso para analizar un grupo de datos.

24

Las tcnicas del Data Mining dan beneficios en el momento de automatizar plataformas de software y hardware. Como tambin, puede ser aplicada a sistemas nuevos, siempre y cuando las plataformas se actualicen y se desarrollen productos nuevos. 5. Tcnicas mas usadas Las tcnicas mas usadas son: Redes neuronales artificiales: Son modelo predecibles que aprenden con un entrenamiento previo, comparan situaciones, dando una solucin ideal a problemas. rboles de decisin: Son estructuras ramificadas que contienen un grupo de decisiones. A partir de estas decisiones generan reglas para clasificar un conjunto de datos. Algoritmos genticos: Es una tcnica utilizada para la optimizacin. El algoritmo gentico emplea procesos como mutaciones, combinaciones genticas, etc. Regla de induccin: Utilizacin de reglas if-then de datos. Tienen un significado estadstico.

6. Modo de funcionamiento La tcnica general utilizada en el data mining es el modelado. Esto es, construir un modelo en una situacin en donde se conoce la respuesta, pero luego se aplica el mismo modelo en una situacin donde se desconoce la respuesta. Hablando en trminos de computadora, a estas se les ingresa una gran cantidad de datos con variedades de situaciones en donde se conoce una respuesta, despus el software de data mining debe leer todos los datos y distinguirlos. Cuando esto concluya el sistema podr generar un modelo que sea aplicable en situaciones donde no se conoce una respuesta. Por ejemplo, si se busca una persona muerta en un determinado desierto, previamente debe analizar a otras personas que han muerto en el desierto. A partir de eso se puede crear un modelo, incluyendo toda la informacin acerca de sus decesos, o sea el como, por qu, dnde, cuando murieron. Entonces al aplicar el modelo y si esta bien hecho, posiblemente se puede dar con el paradero de esa persona. 7. Pasos para la creacin de un DM Los pasos necesarios y esenciales son: Comprensin del medio y del problema a resolver Seleccin y limpieza de los datos tiles Fabricacin de modelos matemticos Coherencia, validez de los resultados obtenidos

Esto es lo ms bsico con respecto a una estructura de DM, porque en la realidad es mucho ms complicada y con muchas fases. Con la experiencia de las DM creadas, se

25

han desarrollado otras que pueden resolver problemas de mayor complejidad y verla de una forma ms cmoda. 8. Tendencias El data mining ha sufrido una gran cantidad de transformaciones en el transcurso del tiempo y esto se debe a los cambios tecnolgicos. Unos de los ms importantes cambios son: Mayor importancia de los datos no estructurados (pginas de internet, texto, etc.) La implementacin de algoritmos y resultados en sistemas operacionales, paginas de internet, etc. La necesidad de que todos los procesos funcionen va internet.

26

Visin Artificial
1. Definicin La Visin artificial, es una rama de la inteligencia artificial en donde tambin es conocida como visin por computadora o visin tcnica. Esta puede considerarse como el conjunto de todas aquellas tcnicas y modelos que nos permitan el procesamiento, anlisis y explicacin de cualquier tipo de informacin especial obtenida a travs de imgenes digitales tanto de manera automtica como asistidas por un operador. La visin artificial tiene por objetivo modelar matemticamente los procesos de percepcin visual en los seres vivos y generar programas que permitan simular estas capacidades visuales por computadora computador para que "entienda" una escena o las caractersticas de una imagen. Este conjunto heterogneo de tcnicas incluye iluminacin, captacin de imagen, digitalizacin de la misma, preprocesamiento o acondicionamiento, procesamiento y comunicacin de los resultados. La Visin Artificial es una herramienta para establecer la relacin entre el mundo tridimensional y las vistas bidimensionales tomadas de l. Por medio de esta teora se puede hacer, por una parte, una reconstruccin del espacio tridimensional a partir de sus vistas y, por otra parte, llevar a cabo una simulacin de una proyeccin bidimensional de una escena tridimensional en la posicin deseada. Algunos de los algoritmos ocupados en ciertos procesamientos de la informacin son asimilables a la Inteligencia Artificial (redes neuronales, sistemas basados en reglas, clasificadores, etc) pero son minoritarios frente a procesamientos especficos que van desde la medida de distancia en pxeles o el contaje de los mismos hasta tratamientos en el dominio de la frecuencia. Desde sus inicios la Visin por Computadora ha inspirado sus desarrollos en el estudio del sistema visual humano el cual sugiere la existencia de diferentes tipos de tratamiento de la informacin visual dependiendo de metas u objetivos especficos, es decir, la informacin visual percibida es procesada en distintas formas con base en las caractersticas particulares de la tarea a realizar, por lo que la Visin por Computadora propone varias tcnicas que permiten obtener una representacin del mundo a partir del anlisis de imgenes obtenidas desde cmaras de video. Estas tcnicas pueden subdivirse en seis reas principales: a) Sensado: Es el proceso que nos lleva a la obtencin de una imagen visual b) Preprocesamiento: Trata de las tcnicas de reduccin de ruido y enriquecimiento de detalles en la imagen c) Segmentacin: Es el proceso que particiona una imagen en objetos de inters. d) Descripcin: Trata con el cmputo de caractersticas tiles para diferenciar un tipo de objeto de otro. e) Reconocimiento: Es el proceso que identifica esos objetos

27

f) Interpretacin: Asigna un significado a un conjunto de objetos reconocidos El implementar una computadora con el sentido de la visin a permitido junto con otros, mecanismos como el aprendizaje principal de la Visin por Computadora, hacer de esta una herramienta capaz de detectar y ubicar objetos en el mundo real ,de una forma objetiva, ya que la informacin visual es una de las principales fuentes de datos de l mundo que percivimos. 2. Aplicaciones de la vision artificial A continuacin se muestran algunos ejemplos en los que se puede apreciar el campo de aplicaciones de la Visin Articial. - Fotogrametra: Busca conocer la dimensin y la posicin de un objeto en el espacio, a travs de las medidas realizadas sobre una o varias fotografas. Estas mediciones del espacio son del tipo 3 D. De esta manera es posible medir superficies, construcciones, objetos, etc. As mismo se puede llevar acabo una topologa de un terreno. - Rectificacin Mtrica: Mediante esta tcnica es posible hacer correcciones de perspectiva y correcciones de distorsin de lente. - Reconstruccin 3D: A partir de las vistas, mediante la tcnica de triangulacin, es posible obtener un modelo 3D del objeto proyectado en las vistas. - Matching y Tracking: Por medio del Matching y Tracking es posible encontrar la correspondencia entre puntos de varias imgenes. Los puntos correspondientes son aquellos que representan una proyeccin del mismo punto fsico en el espacio 3D. - Computacin Grfica: Si se tiene un modelo de la formacin de la imagen f: 3D 2D, es posible entonces simular grficamente las vistas bidimensionales que se obtendran de un objeto tridimensional. Las aplicaciones de realidad virtual emplean esta teora.

28

- Estimacin de Movimiento: Mediante una cmara que toma imgenes de un objeto en movimiento es posible estimar el movimiento del objeto a partir de los puntos de correspondencia en la secuencia de imgenes. Se puede considerar un caso de un argentino, y slo uno, que ve la luz al final del tnel, como un ejemplo de la visin artificial aplicada. Este es una de las ocho personas operadas en Portugal con un sistema que usa cmaras y electrodos conectados al cerebro. Se trata de Edmundo, de 51 aos de edad y ciego desde hace 29, quien se convirti en uno de los ocho primeros pacientes en recibir un implante de ojos artificiales, que incluyen minicmaras de TV, computadora para procesar las imgenes y electrodos conectados directamente en el cerebro. La tecnologa fue desarrollada por un equipo norteamericano y las operaciones se efectuaron en Portugal. Algunas de las aplicaciones generales de la visin artificial a modo de resumen podran ser: - Control de calidad - Ordenacin por calidades (grading) - Manipulacin de materiales - Test y calibracin de aparatos - Monitorizacin de procesos Sin embargo las aplicaciones de esta tcnica se encuentra en los ms diversos usos, como: Aplicaciones Militares: - deteccin de seguimiento de objetivos - anlisis del terreno - armas inteligentes En Robtica: - guiado de robots industriales - navegacin de robots mviles Agricultura: - Anlisis de imgenes tomadas por satlites - Anlisis de plantaciones :crecimiento enfermedades

29

Control de trfico: - Identificacin de matriculas de vehculos - Control de trafico diario Biomedicina: - Anlisis de imgenes tomadas por rayos X - Anlisis de imgenes tomadas por ultrasonido - Anlisis de sangre Seguridad: - Vigilancia de edificio - Deteccin de explosivos por rayos x Identificacin: - Identificacin automtica de huellas dactilares - Reconocimiento de caras Control de calidad: - Verificacin e etiquetas - Inspeccin de motores - Inspeccin de contenedores - Inspeccin de cristales - Control de calidad de alimentos - Inspeccin de soldaduras - Inspeccin de circuitos impresos - Inspeccin madera, tela, fundiciones, papel Estos objetivos se consiguen por medio de reconocimiento de patrones, aprendizaje estadstico, geometra de proyeccin, procesado de imgenes, teora de grficos y otros campos. La visin artificial cognitiva est muy relacionada con la psicologa cognitiva y la computacin biolgica. 3. Historia Larry Roberts, fue uno de los cuales inicio la visin artificial, Desde el punto de vista prctico, este fue marcado en 1961 por la creacin de un programa que poda "ver" una estructura de bloques, analizar su contenido y reproducirla desde otra perspectiva, demostrando as a los espectadores que esa informacin visual que haba sido mandada al ordenador por una cmara, haba sido procesada adecuadamente por el. El programa buscaba transiciones bruscas entre valores de grises, lo que correspondera a los bordes de los objetos, a continuacin encajaba las lneas rectas con los puntos identificados como esquinas, las cuales utilizaba para delimitar las caras de los bloques, despus determinaba que caras se juntaban para formar cada bloque, correga sus perspectiva para mostrar la figura desde otro enfoque y calculaba la distancia a la cmara. Pero,

30

claro, si el programa buscaba "transiciones bruscas entre los valores de grises", este programa no solo no valdra con los cubos negros, sino que no valdra con casi ningn cubo, solo, con los que se fabricasen para la experimentacin de este proceso, es decir, era la visin del micromundo por excelencia. Gerald Sussman, estudiante de primer ao del MIT hacia 1966, fue contratado por Marvin Minsky para que solucionara el problema de la visin artificial.. El enunciado segn Minsky, es sencillo: "Conectar una cmara de televisin a un ordenador y hacer que este describiera lo que la cmara captaba", lo que ahora cualquier investigador de inteligencia artificial describira como casi nada Pero este tipo de experimentos eran, justamente, en los que se embarcaban todos los cientficos de. esas pocas, Al final este proyecto se tubo que paralizar, y Minsky cre otro proyecto asociado, llamado "micromundo de bloques". Una cmara produce imgenes planas de un mundo fsico percibido como tridimensional. Antes de la invencin de la fotografa exista un gran inters en representar este mundo 3D en imgenes planas 2D, como es el caso de la pintura. Los griegos llegaron a conocer muchas de las propiedades geomtricas de la proyeccin. Como es el caso de Thales de Mileto (640 AC - 548? AC) que con sus conocimientos de la geometra pudo predecir un eclipse solar y tambin pudo medir la altura de una pirmide a partir de su sombra proyectada. Sin embargo, los griegos pensaban que la visin era activa, es decir que los ojos emitan partculas al mundo 3D en vez de considerar a los ojos como dispositivos pasivos receptores de luz. Cabe mencionar dentro de los matemticos griegos a Euclides, quien en el siglo IV AC ideo la geometra plana. Para Euclides la geometra era concebida como un conjunto de lneas y puntos, independientes de un sistema de coordenadas. Posteriormente, los pintores italianos del Renacimiento fueron los primeros en entender la formacin de las imgenes y fueron los primeros en estudiar la Geometra para reproducir correctamente los efectos de la perspectiva en las imgenes del mundo que observaban. La pintura anterior a esta poca era plana, es decir no mostraba la diferencia de profundidad en los objetos representados. La perspectiva fue inventada por Filippo Brunelleschi (1377-1446) alrededor de 1413. Sus principales obras se encuentran en Florencia, como por ejemplo la Catedral Santa Mara de Fiore, cuya cpula es la ms grande del mundo con ms de 50m de dimetro. Artistas como Piero della Francesca (1415-1492), Leonardo da Vinci (14521519) y Albrecht Durer (1471-1528), los dos primeros italianos y el tercero alemn que viaja a Italia para llevar el Renacimiento a Alemania, realizan serios estudios geomtricos que se usan hasta el da de hoy. A partir de esta poca se empieza a considerar el punto de fuga, en el que lneas paralelas que se alejan del observador convergen en un punto. A manera de ejemplo, En el siglo XVI se desarrolla la teora de la perspectiva. Se introducen las

31

Maquinas de Perspectiva para ayudar a los pintores a reproducir exactamente la perspectiva sin tener que hacer clculos matemticos. Una de estas mquinas es fabricada por Albrecht Durer. En esta el ojo del dibujante es mantenido jo y un dispositivo es utilizado para materializar la interseccin de cada rayo visual con el plano de la imagen. Las maquinas de la perspectiva pueden ser consideradas como el primer intento de una cmara del dibujante. En el ao 1545 el astrnomo Germina Frisius publica un estudio donde presenta la cmara oscura. La cmara oscura sirvi a algunos pintores como a Vermeer (16321675) para representar la manera mas precisa posible la realidad. A partir de la teora del plano cartesiano introducida por Descartes (15961650) se empieza a concebir la geometra desde un punto de vista algebraico. As, las entidades geomtricas son descritas como coordenadas y entidades algebraicas. En el ano 1826 el qumico francs Niepce (1765-1833) llevo a cabo la primera fotografa, colocando una superficie fotosensible dentro de una cmara oscura para jar la imagen. Posteriormente, en 1838 el qumico francs Daguerre (1787-1851) hizo el primer proceso fotogrfico practico. Daguerre utilizo una placa fotogrfica que era revelada con vapor de mercurio y jada con trisulfato de sodio. En la actualidad se utilizan cmaras reex y CCD que emplean lentes para incrementar la potencia de la luz y mejorar el enfoque de la imagen. 4. Descripcin de un Sistema de Visin Artificial(como funciona) En esta seccin se describir cuales son los principales componentes de un sistema de Visin Artificial. Estos componentes son: el manipulador, la fuente de energa, el sensor, el conversor anlogo-digital y el computador. El Manipulador El manipulador es un aparato que mueve y ubica el objeto de estudio a una posicin deseada sin ser tocado por el ser humano. Un manipulador posee grados de libertad que indican los posibles movimientos que puede hacer para mover el objeto. Los grados de libertad pueden ser de traslacin y/o rotacin. Muchas veces el manipulador se acciona mediante joysticks, otras veces por medio de una interfaz con un PLC o computador. El manipulador consta de elementos deslizantes y de giro con los que se lleva a cabo la traslacin y rotacin del objeto respectivamente. Hay conguraciones en los que el manipulador no mueve al objeto sino a la(s) cmara(s), esto es muy ventajoso cuando se trata de analizar objetos muy pesados, ya que mover la(s) cmara(s) requiere de una mecnica mas sencilla y econmica. 32

Fuente de Energa Dependiendo del tipo de anlisis que se desea hacer del objeto de estudio se debe escoger la energa necesaria para poder tomar una imagen de el. Los tipos de energa utilizados son: luz (visible) para la fotografa, rayos X y rayos para la radiofotografa y tambin para tomografa, ultrasonido para la ecografa, campos magnticos para la magneto-resonancia, calor para la termografa, etc. En la gran mayora de casos se utilizan ltros para restringir el espectro de frecuencias de la energa. En el caso de iluminacin es importante analizar si se prefiere luz difusa o directa y tambin su color (espectro).

33

Algoritmos Genticos
1. Orgenes De que forma la naturaleza hace evolucionar a las especies?. Esta es la pregunta que desde nio se cuestiono john holland, lgicamente no tenia una respuesta, no obstante sabia el rumbo que deba seguir para encontrarla. Comenzo a realizar pequeos modelos que tuvieran caractersticas similares a la naturaleza, para estudiarlos y as poder ver su funcionamiento. A principios de los aos 60 ,en la universidad de michigan, se integro al grupo Logics of computers ,donde desarrollo muchas de sus ideas .Sin embargo hubo algo que ilumino a john. Un libro escrito por un bilogo evolucionista de apellido Fisher, titulado LA TEORIA GENETICA DE LA SELECCIN NATURAL le fue muy til para poder entender el comportamiento de la naturaleza. De ese texto aprendi que la evolucin es una forma de adaptacin al medio que va ms all del simple aprendizaje y gracias a esto tomo la importante decisin desarrollar programas basados en estas ideas. En esa misma universidad y gracias a la participacin constante de sus estudiantes, john holland fue capaz de consolidar las ideas que serian las bases de lo que hoy conocemos con el nombre de algoritmo gentico. 2. Definicin Un algoritmo gentico es una forma de programar que imita el modelo de evolucin biolgica para resolver problemas especficos. El modo de resolucin de estos problemas de se efecta a partir de un conjunto de posibles soluciones que son procesadas cuantitativamente a travs de una funcin de aptitud que filtra dicha agrupacin. Las posibles soluciones suelen crearse aleatoriamente a travs del algoritmo gentico, aunque tambin pueden ser soluciones que ya han sido testeadas y aceptadas con anterioridad. El algoritmo gentico revisa cada miembro del grupo a travs de la funcin de aptitud, Esto se hace porque la cantidad de respuestas generadas a partir de un problema es muy grande y lgicamente la mayora de ellas no son tiles. Del millar de soluciones evaluadas, solo unas pocas son aceptadas por la funcin, sin embargo esto no significa que dichas soluciones sean 100% eficaces, puesto que la funcin considera la seal actividad hacia la solucin del problema, aunque sea muy dbil. Los elementos que fueron aceptados por la funcin son conservados y se les permite reproducirse. Esta etapa de reproduccin permite obtener copias cada vez mas cercanas a la solucin del problema mediante un complejo sistema de seleccin de variables, que mediante rondas de seleccin descarta candidatos a la solucin que no han mejorado o han empeorado con los cambios en su cdigo. Las rondas son repetidas cientos o miles de veces para lograr descubrir soluciones satisfactorias.

34

3. Funcionamiento de un algoritmo gentico Si bien un algoritmo gentico es complejo, podemos estudiarlo de una manera simple, estructurando su funcionamiento de la siguiente forma: - Problema: Un algoritmo gentico suele aplicarse a problemas complejos, con mltiples parmetros y caractersticas que requieren ser combinadas para encontrar una solucin pertinente. Tambin problemas que se escapan a al planteamiento matemtico y problemas con una gama muy extensa de soluciones, que pueden ser resueltos mediante este mtodo de resolucin. - Representacin: Para representar las posibles soluciones a un determinado problema, se trabaja mediante la estructura binaria debido a que es la ms empleada al ser ms simple. La principal ventaja de la representacin binaria es que puede ser convertida a nmeros reales o enteros fcilmente, adems de facilitar la demostracin de teoremas. - Decodificacin: Mediante el proceso de decodificacin, se construye la solucin que ser evaluada por el problema. - Evaluacin: La evaluacin es la encargada de presentar adecuadamente el problema que se estudia. Este proceso se efecta mediante funciones de evaluacin, estas funciones son especficas de cada problema. - Seleccin: La seleccin se basa en el comportamiento de las posibles soluciones frente al problema. Llamemos variables al conjunto de soluciones, si parte de estas variables son aptas para el problemas, el mecanismo de seleccin permitir que se reproduzcan. El mecanismo de seleccin tiene como objetivo la reproduccin de soluciones. - Operadores genticos: Las variables seleccionadas son recombinados mediante el operador crossover. Este operador escoge las variables madre y lo que hace es recombinarlas con el fin de obtener nuevas variables, que son diferentes a las primeras. - Inicializacin de la poblacin: Este proceso determina la creacin de variables para el primer ciclo del algoritmo (variables iniciales o madre).Es recurrente que la primera poblacin se forme a partir de variables creadas de forma aleatoria.

35

La relacin que existe entre los algoritmos genticos y la naturaleza puede ser representada a travs de una tabla comparativa.

Naturaleza

Algoritmos Genticos

Cromosoma Palabra binaria, vector, etc Gen Alelo Loco Genotipo Fenotipo Individuo Caracterstica del problema Valor da caracterstica Posicin en la palabra Estructura Estructura sometida al problema Solucin

Generacin Ciclo Ciclo de un algoritmo gentico. a) Generar aleatoriamente la poblacin inicial de individuos P(0). b) Mientras ( numero _ generaciones <= mximo _ nmeros _ generaciones) Hacer: { Evaluacin; Seleccin; Reproduccin; Generacin ++; } c) Mostrar resultados d) Fin de la generacin Este esquema esta echo en un pseudolenguaje (seudocodigo), la estructura usada es una estructura repetitiva. En el siguiente es un pequeo ejemplo de un algoritmo gentico
BEGIN /* Algoritmo Gentico */ Generar una poblacin inicial. Computar la funcin de evaluacin de cada individuo.

36

WHILE NOT Terminado DO BEGIN /* Producir nueva Generacin */ FOR Tamao Poblacin /2 DO BEGIN /* Ciclo Reproductivo */ Seleccionar dos individuos de la anterior generacin El cruce (probabilidad de seleccin proporcional a la Funcin de evaluacin de individuo). Cruzar con cierta probabilidad los dos individuos obtenida dos descendientes Mutar los dos descendientes con cierta probabilidad. Computar la funcin de evaluacin de los dos descendientes Mutados. Insertar los dos descendientes mutados en la nueva generacin. END IF La poblacin ha convergido THEN Terminado =TRUE END END

4. Tipos de algoritmos genticos Existen bsicamente 5 clases, que si bien todas nacen a partir de la misma base, se pueden diferenciar unos de otros en muchos aspectos. - Algoritmos genticos generacionales: Estos algoritmos se asemejan mucho a la forma en que los insectos se reproducen. Una generacin de insectos pone huevos, estos huevos sustituirn en algn momento a la generacin progenitora cuando dicha generacin muera. Este modelo tambin se conoce como ALGORITMO GENETICO CANNICO. - Algoritmos genticos de estado fijo: Son estructurados a partir del esquema generacional de animales cuya vida es extensa. En esta clase de sistema los padres pueden coexistir con sus descendientes. Los descendientes pueden ser educados por sus progenitores. La principal diferencia entre este modelo y el anterior radica en que las estadsticas de la poblacin son recalculadas luego de cada cruce y adems los descendientes pueden reproducirse de forma inmediata. - Algoritmos genticos paralelos: Este tipo de algoritmo toma como referencia el hecho de que al evolucionar se recorren paralelamente muchas soluciones, estas soluciones son representadas por cada individuo de la poblacin, no obstante la naturaleza permite la evolucin paralela de grupos aislados geogrficamente. Es as como esta estructura separa las variables y las estudia

37

de forma independiente, generando as soluciones completamente distintas, pero que no dejan de ser coherentes. - Modelo islas: Una poblacin de individuos es subdividida en subpoblaciones que evolucionan de forma independiente tal cual lo hara un algoritmo corriente, la diferencia es que ocasionalmente un individuo emigra de una poblacin a otra permitiendo el intercambio de material gentico. - Modelo celular: Un individuo es insertado en una matriz, donde podr reproducirse solo con los individuos que all se encuentren. Podr elegir a otro individuo escogindolo al azar o teniendo en cuenta al que sea mejor. En este modelo ,no existen islas pero hay consecuencias que son muy similares a ese tipo de modelos como por ejemplo ,si dentro de una matriz los individuos se encuentran demasiado alejados unos de otros , estos individuos se consideraran aislados aun cuando estn dentro del mismo conjunto. 5. Ventajas del uso de algoritmos genticos a) Los algoritmos genticos son paralelos: La mayor parte de los algoritmo trabajan en cadena (enserie), esto quiere decir que solo pueden desarrollar una serie de procesos al mismo tiempo para buscar la respuesta a un problema planteado ,si dicha respuesta no es del todo eficiente ,el proceso tendr que ser abortado en su totalidad para comenzar uno nuevo. En cambio un algoritmo gentico puede desarrollar mltiples soluciones frente al mismo problema, si una solucin no es del todo fiable es suprimida, pero a diferencia de los algoritmos en serie, no es necesario empezar el proceso desde el principio puesto que ya hay otras soluciones que estn siendo evaluadas en el momento. b) Los algoritmos genticos abarcan grandes problemas: Gracias a su capacidad de paralelismo, pueden entregar respuestas rpidas (aunque no del todo precisas) a problemas que ofrecen una gama demasiado extensa de soluciones, tan extensa que no permite hacer una bsqueda tan fina en un tiempo razonable. Los problemas de este tipo se clasifican como problemas no lineales . c) Los algoritmos genticos son impredecibles: Un algoritmo gentico no tiene informacin previa del problema que se desea resolver, esto le permite abordar dicho problema de una forma completamente distinta a un ser humano, ya que trabaja elaborando respuestas que sern testeadas por la funcin de aptitud, con el fin de ir mejorndolas rpidamente. Las decisiones que toma un algoritmo gentico son completamente aleatorias y debido a esto, todos los caminos hacia una solucin son posibles (en teora), en contraposicin a

38

esto, la lgica de otros algoritmos se basa en tener un conocimiento previo del problema que abordaran. Esto provoca que se descarten muchos caminos que podran llevar a una solucin novedosa y verstil. Mediante los mecanismos de paralelismo, cruzamiento y mutacin de variables, los algoritmos genticos pueden explorar los caminos descartados por los dems algoritmos y muchas veces suelen encontrar soluciones asombrosas e inesperadas que tal vez nunca podran haber sido ideadas por el hombre. Un ejemplo de esto es el redescubrimiento de la retroalimentacin negativa mediante este tipo de algoritmos. Aunque en un principio se le deneg la patente por un periodo extenso, porque el concepto era demasiado contrario a las creencias establecidas la comunidad cientfica pudo darse cuenta finalmente del potencial de esta herramienta. 6. Limitaciones de los algoritmos genticos a) La primera limitacin que surge, es que la funcin de aptitud debe ser escrita cuidadosamente para que puede alcanzar un estado ptimo de desempeo y realmente sea capaz de encontrar mejora en las posibles soluciones que se plantean. Si una funcin de aptitud es mal definida, el algoritmo gentico ser defectuoso y podra acabar resolviendo de forma errnea el problema. Despus de elegir correctamente la funcin de aptitud se debe tener el cuidado de configurar adecuadamente los dems parmetros de algoritmo gentico (tamao de la poblacin, ritmo de mutacin y cruzamiento, el tipo y fuerza de la seleccin).Si la poblacin es demasiado pequea, el algoritmo no ser capaz de explorar todas las posibilidades de encontrar soluciones consistentes. Si el ritmo de cambio o el sistema de seleccin son escogidos de forma inadecuada el desarrollo de toda una poblacin se puede ver afectado completamente llegando inclusive a producir saturacin de la poblacin. b) Existe un problema en particular con las funciones de aptitudes. Hay ocasiones en que dichas funciones ofrecen falsas mejoras al analizar una variable. estas funciones se conocen con el nombre de "funciones de aptitud engaosa". c) Otro problema bastante conocido en el mundo de los algoritmos genticos es la convergencia prematura. Si un sujeto que es mas apto que los dems de su estirpe emerge demasiado pronto mientras transcurre la ejecucin de proceso, provocara que el algoritmo converga hacia el ptimo local que representa a dicho individuo en lugar rastrear completamente el paisaje adaptativo a fondo para poder encontrar un optimo global. Este problema es comn en poblaciones reducidas donde tan solo alterando al azar el ritmo de reproduccin puede causar que un genotipo se transforme en una entidad dominante. d) Hay varios investigadores que aconsejan no recurrir a este tipo de algoritmos en problemticas que pueden ser resueltas de manera analtica. Hay que aclaran que los algoritmos genticos son capaces de resolver estos problemas, pero los mtodos analticos comunes consumen mucho menos tiempo en encontrar una respuesta aceptable. A menudo los mtodos tradicionales de resolucin de situaciones ofrecen a

39

diferencia de los algoritmos genticos una solucin nica y exacta. Por supuesto lo contrario no se cumple, es decir los mtodos tradicionales no pueden encontrar una respuesta eficaz a un problema de carcter biolgico. 7. Los algoritmos genticos aplicados a diversas reas Con el transcurso de tiempo, el poder evolutivo gana terreno y los algoritmos genticos se estn utilizando para abarcar muchos problemas en una gran variedad de reas.

- Acstica: Se ha utilizado la estructura del algoritmo gentico para disear salas de conciertos con una calidad acstica muy buena, maximizando el sonido para el pblico, para el director y para los msicos. Porto fogel y folgel, utilizaron la programacin evolutiva para lograr distinguir a travs de redes neuronales reflexiones acsticas desde objetos distintos. Luego que transcurrieran 500 generaciones la redes evolucionaron y la mejor tenia una posibilidad de clasificacin que se enmarcaba dentro del 90% y una posibilidad de clasificacin errnea que bordeaba el 7.4%.Estas redes superaron a otras que haban sido desarrolladas con otros mtodos. En el ao 1960 se analizan los algoritmos genticos en el campo de la acstica y el procesamiento de seales. Tambin son usados en la eliminacin del sonido no deseado a travs de la emisin de ondas sonoras destructivas. Para lograr reducir el ruido, los algoritmos buscan la forma de encontrar la localizacin ptima de los altavoces para as poder eliminar casi en su totalidad el ruido no deseado. - Ingeniera aeroespacial: El diseo de las alas del avin supersnico se logro utilizando el algoritmo gentico de mltiples objetivos. Se consideran 3 aspectos fundamentales en la elaboracin de las alas: minimizar la resistencia a velocidades de vuelo supersnicas, minimizar la resistencia a velocidades subsnicas y minimizar la carga aerodinmica. William crossley y lang (2001) aplicaron algoritmos genticos para poder determinar orbitas de satlites. Este desafi fue un problema multiobjetivo que implicaba la minimizacin de apagones provocados al situar los satlites en orbitas muy cercanas a la tierra para evitar desperfectos causados por la radiacin. Keane y Brown (1996) fueron capaces de crear un diseo para una brazo que transportara cargas que pudiesen montarse en orbita .Mediante un algoritmo gentico que solo fue ejecutado durante 10 generaciones fueron capaces de crear una estructura muy superior a las ya conocidas.

40

- Qumica: Assion, A., T. Baumert, M. Bergt, T. Brixner, B. Kiefer, V. Seyfried, M. Strehle y G. Erber resolvieron el modo de controlar el pulso lser, para as poder aplicarlo a las grandes molculas, reducindolas a formas ms sencillas. Lograron resolver este problema mediante el uso de algoritmos evolutivos. En el ao 2002 el departamento de de investigacin y desarrollo de GlaxoSmithKline, Gillet, explica el uso de un algoritmo gentico multiobjetivo en el diseo de productos de bibliotecas combinatorias (utilizadas en el diseo de frmacos). El autor de dicho algoritmo fue capaz de satisfacer simultneamente los criterios de diversidad molecular y eficiencia sinttica mxima. Los algoritmos genticos son capaces de disear molculas nuevas desde cero de forma automtica, ajustndose a las especificaciones que se le den. - Ingeniera elctrica: Mediante el uso de algoritmos genticos los ingenieros Altshuler y Linden lograron disear una antena de siete segmentos polarizada circularmente .Segn los autores, el mtodo basado en algoritmos genticos para el diseo de antenas es muy interesante ya que es capaz de crear antenas genticas capaces de mejorar los diseos de las antenas convencionales. - Juegos: En el ao 2001 Chellapilla y Fogel fueron capaces de disear un algoritmo gentico capas de hacer evolucionar redes neuronales con el fin de que pudieran jugar damas. Los resultados salieron a luz cuando enfrentaron su prototipo contra el mejor jugador de damas del mundo (un programa llamado Chinook). De diez partidas Jugadas con, chinook configurado a nivel maestro, el prototipo logro 2 empates, lgicamente chinooks gano el encuentro, pero estos resultados demostraron que el prototipo era bastante competitivo. - Geofsica: Sambridge y Gallaguer utilizaron algoritmos genticos para poder encontrar el punto bajo de la superficie terrestre en que se origina un sismo (conocido como hipocentro), basndose en datos sismolgicos.

41

Conclusiones
El avance de la ciencia en asuntos de tecnologa ha sido realmente sorprende en el ltimo siglo ,sin lugar a dudas todos estos adelantos en las distintas reas nos benefician enormemente, pero ser tan bueno que el ser humano intente de cierta forma ser dios?,otra interrogante que sale a la luz es hasta donde llegaran estos avances?. Los seis temas estudiados apuntan sus dardos al mismo objetivo; simplificar la vida del hombre. Haciendo un resumen asociativo de estas ramas de la ciencia podemos vincularlas de la siguiente manera. Inteligencia Artificial: Ciencia que nace a partir de la necesidad de reflejar el comportamiento humano mediante maquinas programadas. Para la resolucin de esa problemtica, es necesaria la creacin de una nueva disciplina designada con el nombre de redes neuronales, las cuales son mas que simples estructuras compuestas de microprocesadores pequeos, pues tienen la capacidad de relacionar situaciones, gracias al nacimiento de las redes neuronales, data mining pudo incorporarlas para el desarrollo de problemas mediante deducciones estadsticas. Dentro de la disciplina del data mining se pueden encontrar los algoritmos genticos utilizados para la optimizacin de modelos aplicados en variados mbitos de las ciencias. La visin artificial esta muy ligada con el data mining ya que esta consta en percibir imgenes para as llevarlas a un cdigo matemtico y poder crear un programa que simule esa capacidad, es como un modelo, llamado en data mining. Y adems con respecto a las redes neuronales, si bien son capaces de percibir informacin anloga y entregar una determinado valor de salida, cmo podran lograrlo si se trata de una informacin discreta (0 y 1) y se trata de distinguir si un hombre es alto o no?, para eso esta la lgica difusa que encuadra estas situaciones para poder dar un resultado muy fidedigno y posteriormente llevado a las redes neuronales Al mirar con detencin este conjunto asociado, podemos inferir que con el transcurso del tiempo irn apareciendo nuevas subreas que tendrn relacin con la inteligencia artificial, pues entonces no es descabellado pensar en la idea de que en un futuro cercano el ser humano tendr a su total disposicin a maquinas racionales, que sern superiores a el en muchos aspectos, aunque en teora estarn bajo su mando. No obstante, que pasara si creaciones se revelaran ,como enfrentaramos tal problema?.

42

Como conclusin debemos decir que todos los temas en cuestin ayudan al hombre en la actualidad, pero creemos que en el futuro podran transformarse en un problema potencialmente peligroso.

Bibliografa

Inteligencia Artificial http://es.wikipedia.org/wiki/Inteligencia_artificial http://www.tuobra.unam.mx/publicadas/020821090354.html http://www.monografias.com/trabajos16/la-inteligencia-artificial/la-inteligenciaartificial.shtml http://cruzrojaguayas.org/inteligencia/ Lgica Difusa http://delta.cs.cinvestav.mx/~gmorales/ldifl/node3.html http://es.wikipedia.org/wiki/L%C3%B3gica_difusa http://www.tesisenred.net/TESIS_UPC/AVAILABLE/TDX-0207105105056//04Rpp04de11.pdf Redes Neuronales http://es.wikipedia.org/wiki/Red_neuronal_artificial http://www.monografias.com/trabajos12/redneuro/redneuro.shtml#intro http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/tutorial-redes.htm Data Mining http://www.monografias.com/trabajos/datamining/datamining.shtml http://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos http://www.uoc.edu/web/esp/art/uoc/molina1102/molina1102.html Algoritmos Genticos http://the-geek.org/docs/algen/ http://geneura.ugr.es/~jmerelo/ie/ags.htm ///origen http://campusvirtual.unex.es/cala/epistemowikia/index.php?title=Algoritmos_Gen %C3%A9ticos ///estructura http://www.depi.itch.edu.mx/apacheco/expo/html/ai14/ga.html ///pseudolenguaje. http://members.tripod.com/jesus_alfonso_lopez/AgIntro.html ///clases de algoritmos geneticos. 43

Visin Artificial http://ccc.inaoep.mx/~labvision/vcomp.htm http://www.depi.itch.edu.mx/apacheco/expo/html/ai11/vision.html http://www.integrando.org.ar/investigando/vision_arti2.htm

44