13290410
Adrin Manuel Lpez Almejo, Instituto Tecnolgico de Ciudad Guzmn, Ing. Electrnica. IA
Aplicaciones de la Inteligencia Artificial
Neuronal. 13290410.
Neuronal.
Abstract En este trabajo de investigacin de la materia de
Inteligencia Artificial Neuronal, se recopilan y presentan algunas
aplicaciones de la IA Neuronal, en diferentes campos de
investigacin, tales como el reconocimiento de imgenes y audio,
controles de robots, juegos de ajedrez, damas, medicina, entre
otros. De igual manera se ilustran algunos ejemplos de las
aplicaciones de las redes neuronales en los campos anteriormente
sealados.
Palabras Clave--- Inteligencia Artificial, Redes Neuronales,
Aplicaciones, Robtica, Medicina, Videojuegos, Prediccin.
I. INTRODUCCION
Muchas veces escuchamos hablar sobre la inteligencia
artificial, pero Qu es realmente? A lo largo de la historia son
numerosas las definiciones que se han dado sobre este tema;
algunas de ellas son:
-Capacidad que tienen las mquinas para realizar tareas que
en el momento son realizadas por seres humanos. Rich y
Knight [1994] y Stuart [1996].
-Campo de estudio que se enfoca en la explicacin y
emulacin de la conducta inteligente en fucin de procesos
computacionales basados en la experiencia y el conocimiento
continuo del ambiente. Nebendah [1988] y Delgado [1998].
-Rama de la ciencia de la computacin que estudia
resolucin de problemas no algortmicos mediante el uso de
cualquier tcnica de computacin. [4]
Los intentos de imitar el funcionamiento del cerebro humano
en una mquina han ido aumentando con la evolucin de la
tecnologa.
La inteligencia artificial, como ya sabemos, trata de descubrir
aspectos de la inteligencia humana que pueden ser simulados
mediante mquinas.
En este sentido, las redes neuronales no son ms que otra
forma de emular ciertas caractersticas propias de los
humanos.[1]
En los ltimos aos se ha incrementado considerablemente la
aplicacin de redes neuronales en la solucin de problemas
diversos. En gran medida esto se debe a su capacidad de
Documento entregado para revisin el Lunes, 13 de marzo de 2016.
Adrin Manuel Lpez Almejo es estudiante de la carrera de Ingeniera
Electrnica en el Instituto Tecnolgico de Ciudad Guzmn, con nmero de
control 1329010. Email: mane22_95@hotmail.com
1
aprender, generalizar y organizar datos. Esta idea resulta
particularmente atractiva en el rea de la robtica, donde se
trata de emular un comportamiento inteligente en el robot para
realizar una tarea determinada. Asi mismo, es muy til en el
campo de la medicina, donde su utilizacin principal se basa
en el reconocimiento de imgenes, ms especficamente en la
deteccin de enfermedades por medios grficos. De igual
manera, la Inteligencia Artificial Neuronal es ampliamente
usada en reas de recreacin, ya que es uno de los principales
motores en juegos de video y juegos de ajedrez en los que un
computador puede llegar a tener autonoma, tal que puede
llegar a superar la habilidad humana. Asi mismo. [1]
II. VENTAJAS DE LAS REDES NEURONALES
Debido a su constitucin y a sus fundamentos, las redes
neuronales artificiales presentan un gran nmero de
caractersticas semejantes a las del cerebro. Por ejemplo, son
capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer caractersticas
esenciales a partir de entradas que representan informacin
irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y
que este tipo de tecnologa se est aplicando en mltiples
reas. [3] Entre las ventajas se incluyen:
Aprendizaje Adaptativo. Capacidad de aprender a
realizar tareas basadas en un entrenamiento o en una
experiencia inicial.
Auto-organizacin. Una red neuronal puede crear su
propia organizacin o representacin de la
informacin que recibe mediante una etapa de
aprendizaje.
Tolerancia a fallos. La destruccin parcial de una red
conduce a una degradacin de su estructura; sin
embargo, algunas capacidades de la red se pueden
retener, incluso sufriendo un gran dao.
Operacin en tiempo real. Los cmputos neuronales
pueden ser realizados en paralelo; para esto se
disean y fabrican mquinas con hardware especial
para obtener esta capacidad.
Fcil insercin dentro de la tecnologa existente. Se
pueden obtener chips especializados para redes
neuronales que mejoran su capacidad.
III. ESTRUCTURA DE UNA NEURONA
Para describir la estructura de una red neuronal, primero
describimos la estructura de lo que denominamos neurona.
13290410 2

Una neurona es la unidad bsica de la red. La podemos

describir comparndola con una neurona biolgica, ya que el
funcionamiento ser similar. RECONOCIMIENTO DE IMGENES
El campo de procesamiento de imgenes est continuamente
evolucionando. [11] Durante los ltimos aos ha habido un
incremento significativo en el inters en campos como
morfologa de imgenes, redes neuronales artificiales
procesamiento de imgenes en color y/o en escala de grises,
comprensin de datos de imgenes, reconocimiento de
imgenes y sistemas de anlisis basados en conocimiento. Se
puede encontrar una gran cantidad de aplicaciones de
reconocimiento de imgenes en el mercado, por destacar
algunas, podramos citar:

Reconocimiento de rostros y expresiones faciales.

Reconocimiento de firmas.
Reconocimiento de caracteres.

RECONOCIMIENTO DE ROSTROS Y EXPRESIONES

Fig. 1. SIMILITUD Y REPRESENTACION DE NEURONAS FACIALES.

El programa que estudia la imagen, permite segmentar las

En la parte superior de la imagen vemos una neurona imgenes capturadas para obtener nicamente las imgenes
biolgica, sta est formada por sinapsis, axn, dendritas y del rostro y poder as descartar informacin no relevante de la
cuerpo. En la parte inferior tenemos una neurona artificial que imagen, posteriormente se procede a la descomposicin de las
es una unidad de procesamiento de la informacin, es un imgenes para luego aplicarles la tcnica de Anlisis de
dispositivo simple de clculo que ante un vector de entradas Componentes Principales, para finalmente reconocer la
proporciona una nica salida. imagen. [11]

Sabiendo ya que la neurona es la unidad bsica de la red, La segmentacin de las imgenes est basada en las
podemos definir una red neuronal como modelos matemticos proyecciones de las derivadas de las filas y columnas de los
inspirados en sistemas biolgicos, adaptados y simulados en valores de la imagen.
computadoras convencionales. [1]

IV. APLICACIONES DE REDES NEURONALES

Tareas de la vida diaria:
Percepcin: visin y habla.
Lenguaje natural: comprensin, generacin y
traduccin.
Sentido comn.
Control de robot.

Tareas formales:
Juegos: damas, ajedrez, go, ... Fig. 2. Reconocimiento facial.
Matemticas: clculo simblico, demostracin de
teoremas. Una vez la imagen ha sido segmentada se procede a
Computacin: verificacin de programas, descomponer la imagen en cuatro subimgenes que contienen
detalles principales del rostro.
aprendizaje automtico.

Tareas de expertos:
Ingeniera: diseo, deteccin de fallos, planificacin
RECONOCIMIENTO DE FIRMAS.
de manufacturacin.
Anlisis cientfico. Actualmente el reconocimiento de firmas y la seguridad se ha
Diagnstico y tratamiento mdico. convertido en un tema prioritario para garantizar la proteccin
Anlisis financiero.[5] de los sistemas frente a una mala utilizacin voluntaria, por lo
que resulta imprescindible realizar un proceso de
13290410
identificacin y verificacin de la identidad de cada persona
de modo seguro, pero a la vez sencillo y natural.[11]
Fig. 3. Reconocimiento de firmas.
La Biometra facilita la identificacin de cada individuo de
forma unvoca mediante la medicin de diferentes
caractersticas personales e intransferibles. Estas
caractersticas individuales se clasifican en caractersticas
fsicas (huella dactilar, iris, retina, etc.); y caractersticas del
comportamiento (forma de hablar, escribir, firmar, teclear,
etc.) Existen gran cantidad de trabajos relacionados en esta
rea.
CONVERSION DE TEXTO A VOZ
Uno de los principales promotores de la computacin neuronal
en esta rea es Terrence Sejnowski. La conversin texto-voz
consiste en cambiar los smbolos grficos de un texto en
lenguaje hablado. El sistema de computacin neuronal
presentado por Sejnowski y Rosemberg, el sistema llamado
NetTalk, convierte texto en fonemas y con la ayuda de un
sintetizador de voz (Dectalk) genera voz a partir de un texto
escrito. [10]
Fig. 4. Texto a voz.
La ventaja que ofrece la computacin neuronal frente a las
tecnologas tradicionales en la conversin texto-voz es la
propiedad de eliminar la necesidad de programar un complejo
conjunto de reglas de pronunciacin en el ordenador. A pesar
de que el sistema NetTalk ofrece un buen comportamiento, la
computacin neuronal para este tipo de aplicacin abre
posibilidades de investigacin y expectativas de desarrollo
comercial.
CONTROL DE ROBOT
Un problema difcil en el control de un complejo sistema de
servomecanismo es encontrar un mtodo de clculo
3
computacional aceptable para compensar las variaciones
fsicas que se producen en el sistema.
Entre los inconvenientes destaca la imposibilidad en algunos
casos de medir con exactitud las variaciones producidas y el
excesivo tiempo de clculo requerido para la obtencin de la
solucin matemtica. [5]
Existen diferentes redes neuronales que han sido entrenadas
para reproducir o predecir el error que se produce en la
posicin final de un robot. [5]
Este error se combina con la posicin deseada para proveer
una posicin adaptativa de correccin y mejorar la exactitud
de la posicin final.
VIDEOJUEGOS
ALGORITMO MINIMAX
Minimax es un mtodo de decisin para minimizar la prdida
mxima esperada en juegos con adversario y con informacin
perfecta. Este clculo se hace de forma recursiva. [2]
El funcionamiento de Minimax puede resumirse como elegir
el mejor movimiento para ti mismo suponiendo que tu
contrincante escoger el peor para ti.
Los pasos de este mtodo son:
1. Generacin del rbol de juego. Se generarn todos los
nodos hasta llegar a un estado terminal o
determinando una profundidad concreta.
2. Clculo de los valores de la funcin de utilidad para
cada nodo terminal.
3. Calcular el valor de los nodos superiores a partir del
valor de los inferiores.
4. Elegir la jugada valorando los valores que han
llegado al nivel superior.
Fig. 5. Minimax.
AJEDREZ
El caso ms famoso fue el de Deep Blue, una computadora
IBM que venci al campen mundial Gary Kasparov. Este
programa puede procesar 200.000.000 de movimientos antes
de decidir la jugada que har. Es importante resaltar que los
13290410 4

juegos presentan un mundo controlado en el cul un buen

jugador aprende a resolver problemas rpidamente y con
inteligencia. [6]

Fig.7. Prediccin del clima

SIMULADORES DE SOFTWARE

Constituyen una de las formas ms verstiles con las que se

pueden implementar redes neuronales. Estos programas
constituyen todo un sistema de desarrollo y realizacin de
Fig. 6 Ajedrez. prototipos de redes neuronales. Estos programas se utilizan
para disear, construir, entrenar y probar redes neuronales
artificiales para resolver problemas complejos y problemas del
RESOLUCION DE PROBLEMAS MATEMATICOS mundo real. [4]

Estos sistemas se utilizan para el ajuste de Los primeros simuladores software se ejecutaban en
parmetros de un algoritmo que resuelve un ordenadores de grandes prestaciones y el avance de los
problema, teniendo en consideracin las ordenadores personales en capacidad de procesado y
caractersticas relevantes de cada instancia del capacidad de memoria hace posible que exista una serie de
problema a resolver. simuladores software de grandes prestaciones que corren sobre
ordenadores personales. Entre otros paquetes software se
incluye Neural Works, Neuralyst, Explore Net y Kwowledge
Net.
PROBLEMAS DE COMBINATORIA

En este tipo de problemas la solucin mediante clculo

tradicional requiere un tiempo de proceso (CPU) que es
exponencial con el nmero de entradas. Un ejemplo es el
problema del vendedor; el objetivo es elegir el camino ms
corto posible que debe realizar el vendedor para cubrir un
nmero limitado de ciudades en una rea geogrfica
especfica. Este tipo de problema ha sido abordado con xito
por Hopfield y el resultado de su trabajo ha sido el desarrollo
de una ANN que ofrece buenos resultados para este problema
de combinatoria [9]. Fig.8. Software Labview
PREDICCION

En el mundo real existen muchos fenmenos de los que MEDICINA

conocemos su comportamiento a travs de una serie temporal
En la prctica los mdicos tienen que evaluar informacin de
de datos o valores. Lapedes y Farber del Laboratorio de
imgenes obtenidas con ultrasonido, resonancia magntica,
Investigacin de los lamos, han demostrado que la red
backpropagation supera en un orden de magnitud a los
Normalmente se hace un anlisis cualitativo por inspeccin
mtodos de prediccin polinmicos y lineales convencionales
visual; sin embargo, un examen cuantitativo presenta las
para las series temporales caticas. [9]
siguientes ventajas: los diagnsticos de distintos laboratorios
usando los mismos criterios se pueden verificar, (ii) los datos
para un sujeto se pueden comparar con una base de datos de
personas normales para decidir automticamente si existe la
anormalidad, (iii) los hallazgos para un sujeto se pueden
13290410
comparar con una base de datos con distintas enfermedades y
detectar el tipo de anormalidad, los resultados de una serie de
exmenes del mismo paciente se pueden comparar para
determinar la evolucin de la enfermedad y analizar la
respuesta al tratamiento.[12]
ULTRASONIDO
Se han desarrollado modelos para cardiologa, identificacin
de tejido del hgado y oftalmologa.[12]
Fig.9. Ultrasonido
RESONANCIA MAGNTICA
Se han desarrollado varias aplicaciones para segmentar las
imgenes; las redes neuronales han mostrado su utilidad en la
identificacin de vasos sanguneos.
Segmentacin de imgenes del cerebro: la segmentacin de
imgenes mdicas obtenidas con resonancia magntica es muy
importante para la visualizacin de tejidos suaves en el cuerpo
humano. [12]
Fig. 10. Resonancia Magnetica.
RADIOLOGA
Se han utilizado redes neuronales para analizar angiografas y
mamografas.[12]
5
Fig. 11. Radiografia
ANLISIS DE SEALES
La enfermedad de la arteria coronaria es la causa principal de
muerte en el mundo, su deteccin oportuna es importante para
prevenir los riesgos asociados con la enfermedad. El mtodo
comn usado para evaluar oclusiones es costoso, lento y
molesto para el paciente. Por esto es necesario desarrollar un
enfoque sencillo y cmodo para detectar tempranamente la
enfermedad y para seguir la evolucin de los pacientes
enfermos.[12]
Fig. 12. Electrocardiograma.
V.CONCLUSION
Como resultado de la investigacin realizada a cerca de las
aplicaciones de las redes neuronales se puede concluir, que
actualmente, esta rama e uno de los principales motores en
muchos de la ingeniera, por lo que una gran cantidad de los
sistemas actuales cuenta con al menos una red neuronal, las
cuales pueden tener diferentes aplicaciones segn sea el
objetivo de su implementacin.
Las redes neuronales, tienen una gran capacidad, lo cual qued
demostrado con la gran cantidad de aplicaciones que estas
pueden tener, yendo desde el campo del entretenimiento, hasta
aplicaciones en las que se requiera mxima exactitud como el
control de un robot, o en su defecto, aplicaciones en las que
sea requerida confiabilidad como en la medicina.
De lo anterior, es posible deducir que gran parte de la corriente
de dispositivos inteligentes, son debidos en gran medida, a
la aparicin de las redes neuronales, ya que gracias a estas, es
13290410 6

posible lograr que los sistemas aprendan, para asi, brindar

interfaces e interacciones ms naturales para un ser humano.

La capacidad de aprendizaje adaptativo es una de las

caractersticas ms atractivas de redes neuronales. Esto es,
aprenden a llevar a cabo ciertas tareas mediante un
entrenamiento con ejemplos ilustrativos.

Asi mismo, es importante comprender que las redes

neuronales son sistemas dinmicos autoadaptativos. Son
adaptables debido a la capacidad de autoajuste de los
elementos procesales (neuronas) que componen el sistema.
Son dinmicos, pues son capaces de estar constantemente
cambiando para adaptarse a las nuevas condiciones.

VI. BIBLIOGRAFA

[1] [En lnea].

[2] I. B. L. Takeyas, http://www.itnuevolaredo.edu.mx, Ing. Bruno Lpez
Takeyas , 16 Febrero 2006. [En lnea]. Available: http://www.
.edu.mx/takeyas. [ltimo acceso: 10 Marzo 2017].
[3] D. J. Matich, ftp://pub/usuarios/, 2001 Marzo. [En lnea]. Available:
ftp://pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-
redesneuronales.pdf. [ltimo acceso: 7 Marzo 2017].
[4] G. Sotolongo, http://www.bvv.sld.cu/, 2001. [En lnea]. Available:
http://www.bvv.sld.cu/docs/documentos/Sotolongo3.pdf. [ltimo
acceso: 8 Marzo 2017].
[5] D. Daz, www.academia.edu.documents, 2009. [En lnea]. Available:
www.academia.edu.documents/33884780/Inteligencia_artificial__robot
ica__Neurocomputacion__Program_2.pdf. [ltimo acceso: 11 Marzo
2017].
[6] E. V. Fernndez, https://www.cs.cinvestav.mx/, Diciembre 2012. [En
lnea]. Available:
https://www.cs.cinvestav.mx/TesisGraduados/2012/TesisEduardoVazqu
ez.pdf. [ltimo acceso: 10 Marzo 2017].
[7] J. Alcal, Inteligencia Artificial en VideoJuegos, de Inteligencia
Artificial en Videojuegos, Mexico D.F., 2011.
[8] O. L. R. Bernal, http://posgrado.itlp.edu.mx, 2012. [En lnea].
Available: http://posgrado.itlp.edu.mx/uploads/540be16def3b5.pdf.
[ltimo acceso: 12 Marzo 2017].
[9] P. Reyes, https://pdfs.semanticscholar.org, 2010. [En lnea].
Available:
https://pdfs.semanticscholar.org/12b3/d2d9a8bfec4b17fe428ca7ca731fb
0cd7453.pdf. [ltimo acceso: 6 Marzo 2017].
[10] H. Galn, http://www.it.uc3m.es, 2010. [En lnea]. Available:
http://www.it.uc3m.es/jvillena/irc/practicas/10-11/06mem.pdf. [ltimo
acceso: 11 Marzo 2017].
[11] P. P. GARCA, http://eprints.sim.ucm.es, 2012. [En lnea]. Available:
http://eprints.sim.ucm.es/23444/1/ProyectoFinMasterPedroPablo.pdf.
[ltimo acceso: 3 Marzo 2017].
[12] A. Delgado, http://www.bdigital.unal.edu.co, 1999. [En lnea].
Available: http://www.bdigital.unal.edu.co/22791/1/19460-64062-1-
PB.pdf. [ltimo acceso: 12 Marzo 2017].