Inteligencia Artificial: Aplicación de las RNA, un cuento para dormir.

Inteligencia Artificial: Aplicación de las RNA, un cuento para dormir.

(Para verlo mejor da click en la imagen)

Inteligencia Artificial: La aplicación de las redes neurales artificiales.

La idea del presente trabajo es exponer de forma muy general algunas aplicaciones útiles y prácticas,  de sistemas de inteligencia artificial basados en  redes neurales artificiales en diferentes campos.

Primeramente definimos la inteligencia artificial como la capacidad de una máquina para resolver problemas que tradicionalmente asumimos sólo pueden resolver los humanos (Gomez, 2013).  Para ello, se usa un conjunto de técnicas que buscan imitar los procesos inductivos y deductivos de un ser humano. Las máquinas de IA buscan  imitar la inteligencia humana mediante la manipulación de los símbolos de forma racional. (Haugeland, 1985).

Al hablar de inteligencia artificial entonces tenemos que hablar de resolver problemas; las máquinas para resolver un problema tienen que procesar la información. Esto lo pueden hacer mediante computación basada en algoritmos predecible o por  computación neuronal basada en las redes neurales artificiales (Hilera-Gónzalez & Martínez-Hernando, 2000).

Para un observador externo no existiría mucha diferencia: cuando una máquina resuelve un problema mediante un algoritmo o mediante una red neural artificial, una serie de datos (input) entran al ordenador, son procesados y se emite una respuesta (output). Sin embargo, el proceso en que los datos son tratados es muy diferente.

Un algoritmo es un conjunto ordenado y finito de operaciones para poder llegar a la solución de un problema. En estos sistemas la información entra en modelos hechos a priori para cada situación esperada. Además, la pérdida de un fragmento de la información entrante puede provocar que el sistema sea inútil (Hilera-Gónzalez & Martínez-Hernando, 2000).

Las redes neurales artificiales son sistemas que incluyen varios centros de procesamiento de la  información (neuronas) conectados entre sí, en una estructura que imita los sistemas biológicos;  las redes neurales artificiales se pueden adaptar a diversas situaciones gracias a un proceso de entrenamiento con unos ejemplos ilustrativos (Hilera-Gónzalez & Martínez-Hernando, 2000).

Las redes neurales artificiales pueden ser clasificadas de acuerdo a si su aprendizaje es supervisado o no; de igual forma, existen varios modelos de redes neurales artificiales con diferente popularidad en su aplicación (Hilera-Gónzalez & Martínez-Hernando, 2000), así como sus aplicaciones podrían clasificarse  por varios criterios  (i.e SCHOLTES, 1995). Estos temas son interesantes pero, ademas de ser extensos, no son parte de los objetivos de este documento.

A continuación se mencionaran unos cuantos de los muchos casos particulares de aplicaciones de las redes neurales artificiales en distintas investigaciones.

En el campo de estudio de la conducta, se han empleado redes neurales artificiales para el estudio de organismos virtuales que se comporten como organismos reales, como es el caso de un estudio conducido (Miranda, Conde, Celis, & Corzo, 2009) donde se diseñó una “rata virtual” que se comportó en un laberinto de Cruz elevado de forma similar a las Ratas reales por lo que se sugiere que este tipo de modelos pude  ser usado para el análisis del comportamiento, al menos en esta especie. También se ha probado el uso de un sistema experto basado en  las Redes neurales artificiales en los diagnósticos en psicología (Pitarque, Ruiz, Fuentes, Martínez, & Garcia-Merita, 1997), donde los resultaron mostraron que el sistema podía realizar predicciones de diagnóstico de forma satisfactoria.

En el campo de la agropecuaria se han utilizado las redes neurales artificiales para predecir la productividad de un cultivo (Cibeles, Dias, Peiter, & Russi, 2015). En el campo del análisis contable se han probado dos sistemas expertos para la predicción de la quiebra financiera, mostrando ser más eficaces en la predicción que los sistemas tradicionales. (Serrano & Martin del Rio, 1993).

Si bien en la actualidad las redes neurales artificiales está lejos de imitar muchas de las conductas complejas de un ser humano, y que el camino para lograrlo es largo, así como el potencial futuro despierta la imaginación, en el aquí y el ahora podemos concluir que la inteligencia artificial de los sistemas y maquinas que trabajan con redes neurales artificiales tiene aplicaciones prácticas y útiles, que pueden ayudarnos a realizar tareas de forma más eficiente  en campos tan diversos como la contabilidad o la agropecuaria, por lo que las investigaciones en el área no solo deben seguirse por el conocimiento futuro sino también por las aplicaciones actuales.

Bibliografía

Cibeles, F., Dias, A., Peiter, M. J., & Russi, J. L. (2015). Predição da produtividade da cultura do milho utilizando rede neural artificial. Ciencia Rural, 1987-1993.

de Moya Anegón, F., Solana, V. H., & Bote, V. G. (1998). researchgate.net. Recuperado el 24 de 4 de 2015, de https://www.researchgate.net/profile/Felix_Moya-Anegon2/publication/39105442_La_aplicacion_de_Redes_Neuronales_Artificiales_RNA_a_la_recuperacion_de_la_informacion/links/0c96051fded9f08024000000.pdf

Gomez, R. (2013). La intelignecia . ¿Cómo vez?, 8-11.

Haugeland, J. (1985). Artificial intelligence, the very idea. Massachusetts: The Massachusets Institute of Technology.

Hilera-Gónzalez, J. R., & Martínez-Hernando, J. V. (2000). edes neuronales artificiales: fundamentos modelos y aplicaciones. Madrid: Alfaomega.

Miranda, D. A., Conde, C. A., Celis, C. C., & Corzo, S. P. (2009). Modelado del Comportamiento de Ratas en Laberinto en Cruz Elevado. Revista Colombiana de Física, 406-408.

Pitarque, A., Ruiz, J. C., Fuentes, I., Martínez, M. J., & Garcia-Merita, M. (1997). Diagnostico clínico en psicología a través de redes neurales. Psicothema, 359-363.

SCHOLTES, J. (1995). Artificial neural networks for information retrieval in libraries context. Luxembourg: European Commicion.

Serrano, C., & Martin del Rio, B. (1993). Prediccion de la quiebra bancaria mediante el empleo de redes neurales artificiales. Revista Española de Financiación y Contabilidad, 153-176.

Lectura critca y mapa mental de Sierra-Pérez, J. H. (2011). Aprendizaje autónomo: eje articulador de la educación virtual. Revista Virtual Universidad Católica del Norte, 1(14).

El documento  grandes confusiones conceptuales. En primer lugar, existe una confusión entre autonomía y autodirección; ambas son solo equivalentes cuando se habla que se tiene autonomía de un guía, pero en el aprendizaje  pueden existir autonomía de los medios y dependencia de un guía  (Moreno & Martínez, 2007).

Por otro lado, se menciona un concepto medular como el de mediador pedagógico, pero no este no es aclarado; gracias a una revisión rápida de la literatura (Guerrero, 1999)  pude averiguar que un mediador pedagógico son elementos que participan en el aprendizaje. El entendimiento de su papel en el  aprendizaje pude enriquecerse con el modelo de  Ibañez, (2007) que no solo habla de los objetos o de la accion del maestro si no del papel del estudiante en el desepeño requerido para decir que ha aprendido.

Bibliografía

Ibañez, C. (2007). Un análisis crítico del modelo del triángulo pedagógico. Una propuesta alternativa. Revista Mexicana de Investigación Educativa, 12(32), 435-456.

Moreno, R., & Martínez, R. (2007). Aprendizaje autónomo. Desarrollo de una definición. Acta Comportamentalia, 15(1), 51-62.

Ribes, E. (2002). Psicología del aprendizaje. México: El Manual Moderno.

Sierra-Pérez, J. H. (2011). Aprendizaje autónomo: eje articulador de la educación virtual. Revista Virtual Universidad Católica del Norte, 1(14).

Guerrero, P. (1999). Integración del profesor Universitario al uso de las redes como mediador pedagógico. Documento en línea) En: upadron@ delfos. ucla. edu. ve.