• Author / Uploaded
• Dario Acosta

• Categories
• Neurona
• Red neuronal artificial
• Inteligencia artificial
• Tecnología
• Ingeniería

Citation preview

Evaluación – Fase 1 Trabajo Colaborativo

POR YEISON ANDRES ROBLES Código: FABIAN ALEXANDER ACECEDO Código: DARIO ANDRES ACOSTA DAZA Código: 80108315

Fernando Rojas Tutor. Grupo: 90169_37

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍAS E INGENIERIAS PROGRAMA DE INGENIERIA DE SISTEMAS INTELIGENCIA ARTIFICIAL DUITAMA 2019

Temáticas a desarrollar: 1. Investigar sobre las técnicas y herramientas que utiliza la inteligencia artificial.

Técnicas de la Inteligencia Artificial Las técnicas basadas en Inteligencia Artificial se han ido introduciendo en un número creciente de aplicaciones dentro del campo de la Ingeniería. Estas abarcan desde la automatización de numerosos procedimientos en la Industria y las empresas, así como dentro del campo del Control de Procesos. Para un ingeniero es de gran importancia conocer y dominar dichas técnicas. El objetivo de esta asignatura de máster es doble: por un lado, se desea formar un ingeniero capaz de aplicar estas modernas tecnologías a diversos problemas industriales que solicitan nuevas soluciones, pero además se pretende que este ingeniero sea capaz de innovar desarrollando sus propias aportaciones. En el enfoque de esta asignatura se presta especial atención a su relación con las técnicas de control. Estas son de especial importancia en temas de reconocimiento de patrones, con aplicación en Robótica, así como también en técnicas avanzadas de Control de Procesos Industriales. Se define la Inteligencia Artificial como aquella inteligencia exhibida por artefactos creados por humanos (es decir, artificial). A menudo se aplica hipotéticamente a los computadores. El nombre también se usa para referirse al campo de la investigación científica que intenta acercarse a la creación de tales sistemas. La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta manera la inteligencia humana. Se acude a sus técnicas cuando es necesario incorporar en un sistema informático, conocimiento o características propias del ser humano. La Inteligencia Artificial ha tenido gran auge en nuestros días, teniendo aplicabilidad en la informática, la ciencia, la salud y otros campos. Ha sido un gran reto tratar de acercar la mente de una máquina al pensamiento humano, y sin dudar que en un futuro no muy lejano no sepamos distinguir si estamos en presencia de una Inteligencia Artificial o una verdadera mente humana. Según los expertos de GFI, Lisette Álvarez y Jesús Otero, “La inteligencia artificial es una de las disciplinas más sofisticadas creadas por el ser humano, por lo que su clasificación resulta compleja. Más allá de los enfoques académicos basados en los modos en los que operan los diferentes sistemas, estamos empezando a obtener resultados similares a los que observamos en las capacidades de la inteligencia humana: reconocimiento del entorno y percepción espacial, predicción y anticipación, entendimiento del lenguaje y capacidades de comunicación. Por lo tanto, los campos de aplicación de la inteligencia artificial son muchos, y algunos están orientados a satisfacer necesidades muy distintas:

SISTEMAS EXPERTOS Los sistemas expertos son aquellos en los que se ha volcado todo el conocimiento humano posible acerca de una determinada rama. Un ejemplo clásico es el de los sistemas que juegan al ajedrez, que a partir de toda una colección de movimientos y estrategias que se les ha introducido en memoria, son capaces de determinar la mejor jugada (generalmente basándose en árboles de decisión) ante unas condiciones dadas.

Imagen 1 Fuente: http://tuingsistemas.blogspot.com/2019/02/aplicaciones-de-sistemas-expertos-en-el.html

ROBÓTICA La robótica (ya sea mecánica o robótica software, como el RPA) abarca un alto rango de dispositivos. Siempre que un sistema o robot muestre síntomas de inteligencia, por ejemplo, al ser capaz de tomar decisiones por muy básicas que sean éstas, estaremos hablando de Inteligencia Artificial. Recordemos que la IA no tiene por qué ser especialmente sofisticada, existe en todos los niveles, incluso los más básicos, y debe diferenciarse de la capacidad de aprender de las máquinas; es decir, el Machine Learning.

Imagen 2 Fuente: http://www.barcelonadot.com/global-robot-expo-la-gran-fiesta-de-la-robotica-y-la-industria-4-0/

COMPONENTES: 

Base de Conocimiento (contiene el conocimiento y las experiencias de los expertos en un determinado dominio representado por medio de símbolos).



Motor de inferencia (es el mecanismo que obtienen las conclusiones de la base de conocimiento mediante procesos de búsqueda).



Estas dos partes esenciales en el diseño de un sistema experto se interrelacionan entre sí para obtenerlas conclusiones necesarias en la resolución del problema en estudio logrando que el sistema experto diseñado pueda emular el comportamiento del experto en ese dominio específico. (BRAVO, 2010)

 

Máquinas de vectores de soporte La pregunta de si un correo electrónico es spam o no es un ejemplo de un problema de clasificación. En este tipo de problemas, el objetivo es determinar si un determinado punto de datos pertenece o no a una determinada clase. Después de entrenar primero un modelo clasificador en puntos de datos para los que se conoce la clase (por ejemplo, un conjunto de correos electrónicos que están etiquetados como spam o no spam), puede usar el modelo para determinar la clase de puntos de datos nuevos e invisibles. Una técnica poderosa para este tipo de problemas es Support Vector Machines 4 (SVM). La idea principal detrás de SVM es que intentas encontrar la línea de límite que separa las dos clases, pero de tal manera que la línea de límite crea una separación máxima entre las clases. Para demostrar esto, utilizaremos los siguientes datos simples para nuestro problema de clasificación:





En este ejemplo, los círculos verdes y los cuadrados rojos podrían representar dos segmentos diferentes en un conjunto total de clientes (por ejemplo, potenciales altos y bajos potenciales), basados en todo tipo de propiedades para cada uno de los clientes. Cualquier línea que mantenga

los círculos verdes a la izquierda y los cuadrados rojos a la derecha se considera una línea límite válida para el problema de clasificación. Hay un número infinito de tales líneas que se pueden dibujar. A continuación, se presentan cuatro ejemplos diferentes:



Como se indicó anteriormente, SVM lo ayuda a encontrar la línea límite que maximiza la separación entre las dos clases. En el ejemplo proporcionado, esto se puede dibujar de la siguiente manera:



Las dos líneas punteadas son las dos líneas de separación paralelas con el espacio más grande entre ellas. El límite de clasificación real que se utilizará será la línea continua exactamente en el medio de las dos líneas punteadas.



El nombre Support Vector Machine proviene de los puntos de datos que están directamente en cualquiera de estas líneas. Estos son los vectores de soporte. En nuestro ejemplo, había tres vectores de soporte. Si alguno de los otros puntos de datos (es decir, no es un vector de soporte) se mueve un poco, las líneas límite punteadas no se ven afectadas. Sin embargo, si la posición de cualquiera de los vectores de soporte cambia ligeramente (por ejemplo, el punto de datos 1 se mueve



 

 



ligeramente hacia la izquierda), la posición de las líneas de límite punteadas cambiará y, por lo tanto, la posición de la línea de clasificación continua también cambia. 3. Redes neuronales artificiales Los animales pueden procesar información (visual u otra) de su entorno y adaptarse al cambio. Usan su sistema nervioso para realizar tal comportamiento. Su sistema nervioso puede ser modelado y simulado y debería ser posible (re) producir un comportamiento similar en sistemas artificiales. Las redes neuronales artificiales (ANN) se pueden describir como dispositivos de procesamiento que se modelan libremente según la estructura neuronal de un cerebro. La mayor diferencia entre los dos es que el ANN podría tener cientos o miles de neuronas, mientras que la estructura neural de un cerebro animal o humano tiene miles de millones.

Figura 1: Representación gráfica de una neurona biológica (izquierda) y una neurona artificial (derecha) El principio básico de una estructura neural es que cada neurona está conectada con cierta fuerza a otras neuronas. Basado en las entradas tomadas de la salida de otras neuronas (también considerando la fuerza de conexión) se genera una salida que puede ser utilizada nuevamente como entrada por otras neuronas, ver Figura 1 (izquierda). Esta idea básica se ha traducido en una red neuronal artificial mediante el uso de pesas para indicar la fuerza de la conexión entre las neuronas. Además, cada neurona tomará la salida de las neuronas conectadas como entrada y usará una función matemática para determinar su salida. Esta salida es utilizada por otras neuronas nuevamente. Mientras que el aprendizaje consiste en fortalecer o debilitar los lazos entre las diferentes neuronas del cerebro biológico, en el ANN el aprendizaje consiste en cambiar los pesos entre las neuronas. Al



proporcionar a la red neuronal un gran conjunto de datos de entrenamiento con características conocidas, se pueden calcular los mejores pesos entre las neuronas artificiales (es decir, la fuerza del enlace) para asegurarse de que la red neuronal reconozca mejor las características. Las neuronas del ANN pueden estructurarse en varias capas 5. La figura 2 muestra un esquema ilustrativo de tales capas. Esta red consta de una capa de entrada, donde todas las entradas se reciben, procesan y convierten en salidas en las siguientes capas. Las capas ocultas consisten en una o más capas de neuronas, cada una de las cuales pasa a través de entradas y salidas. Finalmente, la capa de salida recibe entradas de la última capa oculta y la convierte en la salida para el usuario.

Investigar que es un agente inteligente y como funciona.

La tecnología de agentes inteligentes es una tecnología de personalización que crea una representación virtual de cada entidad y aprende / construye un perfil a partir de las acciones y actividades de la entidad. En la industria de pagos, por ejemplo, un Smart Agent está asociado con cada titular de tarjeta individual, comerciante o terminal. Los Agentes inteligentes asociados a una entidad (como una tarjeta o un comerciante) aprenden en tiempo real de cada transacción realizada y construyen sus comportamientos específicos y únicos en horas extras. Hay tantos agentes inteligentes como entidades activas en el sistema. Por ejemplo, si hay 20 millones de transacciones de tarjetas, habrá 20 millones de agentes inteligentes instanciados para analizar y conocer el comportamiento de cada uno. La toma de decisiones es específica para cada titular de tarjeta y ya no depende de la lógica que se aplica universalmente a todos los titulares de tarjetas, independientemente de sus características individuales. Los agentes inteligentes son autoaprendices y adaptables, ya que actualizan continuamente sus perfiles individuales de cada actividad y acción realizada por la entidad. Usemos algunos ejemplos para resaltar cómo la tecnología Smart Agents difiere de las tecnologías de aprendizaje automático heredadas. En un sistema de filtrado de correo electrónico, los agentes inteligentes aprenden a priorizar, eliminar, reenviar y enviar mensajes de correo electrónico en nombre de un usuario. Trabajan analizando las acciones tomadas por el usuario y aprendiendo de cada uno. Los agentes inteligentes constantemente hacen predicciones internas sobre las acciones que un usuario realizará en un correo electrónico. Si estas predicciones resultan incorrectas, los agentes inteligentes actualizan su comportamiento en consecuencia.

En una gestión de cartera financiera, un sistema consta de agentes inteligentes que monitorean y hacen un seguimiento cooperativo de cotizaciones de acciones, noticias financieras e informes de ganancias de la compañía para monitorear continuamente y hacer sugerencias al administrador de la cartera. Los agentes inteligentes no se basan en reglas preprogramadas y no intentan anticipar todos los escenarios posibles. En cambio, los Agentes Inteligentes crean perfiles específicos para cada entidad y se comportan de acuerdo con sus objetivos, observaciones y el conocimiento que adquieren continuamente a través de sus interacciones con otros Agentes Inteligentes. Cada agente inteligente extrae todos los datos relevantes a través de múltiples canales, independientemente del tipo o formato y fuente de los datos, para producir perfiles virtuales robustos. Cada perfil se actualiza automáticamente en tiempo real y la inteligencia resultante se comparte entre los agentes inteligentes. Este perfil de comportamiento uno a uno proporciona una visibilidad omnicanal sin precedentes del comportamiento de una entidad. Los agentes inteligentes pueden representar a cualquier entidad y permitir el mejor rendimiento en su clase con requisitos mínimos de recursos operativos y de capital. Los agentes inteligentes validan automáticamente la coherencia de los datos, realizan el aprendizaje de características, el enriquecimiento de datos y la creación de perfiles uno a uno. Dado que se centran en actualizar el perfil en función de las acciones y actividades de la entidad, almacenan solo la información y la inteligencia relevantes en lugar de almacenar los datos entrantes sin procesar que están analizando, lo que logra una enorme compresión en el almacenamiento.

Indicar de las técnicas, herramientas de la inteligencia artificial que utilizará en el proyecto en desarrollo. La identificación del sexo a partir de la evaluación visual de los datos biométricos, en particular la cara, es una parte importante de la percepción social, una habilidad típicamente adquirida en el primer año después del nacimiento. Los cerebros masculinos y femeninos también difieren, no solo funcional y anatómicamente, sino también en la probabilidad de desarrollo de enfermedades neuropsiquiátricas y respuestas al tratamiento. Los ritmos cerebrales son las firmas electrofisiológicas de la función cerebral, y los registros de electroencefalograma (EEG) del cuero cabelludo en patologías como coma postanóxico o convulsiones son muy distintos de la fisiología.

Utilizan datos normativos de EEG de 1308 sujetos (edad media 43.38 (18.42 SD) años; rango 18-98 años; 47% hombres) registrados en diferentes laboratorios. Implementan una red neuronal convolucional en Python 3.6 usando el envoltorio Keras con un backend Tensorflow 1.0 en una GPU NVIDIA habilitada con CUDA (GTX-1060), que se ejecuta en el sistema operativo Windows 10.

A continuación, referencio toda la información de la idea: Putten, M & Olbrich, S. & Arns, M. Predicting sex from brain rhythms with deep learning. Recuperado de: https://www.nature.com/articles/s41598-018-21495-7 La otra idea es como la del compañero mediante face recognition a continuación relaciono los requisitos:

pip install OpenCV-python numpy pip install pafy pip install youtube_dl (para saber más sobre youtube_dl )

pafy: la biblioteca Pafy se usa para recuperar contenido y metadatos de YouTube (como Título, calificación, recuento de visitas, duración, calificación, autor, miniatura, palabras clave, etc.). En esta propuesta se busca lo siguiente: Reconocimiento de rostros, detección de rostros y, además, uso de CNN (Redes neuronales convolucionales) para predicciones de edad y género de un video de youtube. La parte interesante será el uso de CNN para las predicciones de edad y género en las URL de video. A continuación, referencio la propuesta: Chauchan, N. (2018). Predict Age and Gender using Convolutional Neural Network and openCV. Recuperado de: https://towardsdatascience.com/predictage-and-gender-using-convolutional-neural-network-and-opencv-fd90390e3ce6

Referencias APD, R. (10 de 4 de 2019). Técnicas de la inteligencia artificial. Obtenido de https://www.apd.es/tecnicas-de-la-inteligencia-artificial-cuales-son-y-para-que-seutilizan/ BRAVO, P. C. (9 de 2010). INTRODUCCIÓN A LAS TÉCNICAS DE INTELIGENCIA ARTIFICIAL APLICADAS A LA GESTIÓN FINANCIERA EMPRESARIAL. Obtenido de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2071081X2010000100002 CCM.NET. (2019). Los agentes inteligentes. Obtenido de https://es.ccm.net/faq/4474-losagentes-inteligentes Chas, A. (2019). Tecnologías de Inteligencia Artificial y sus categorías. Obtenido de https://www.auraportal.com/es/tecnologias-de-inteligencia-artificial-y-sus-categorias/ Re, E. (s.f.). Inteligencia artificial. Obtenido de https://www.ecured.cu/Inteligencia_artificial

Diepen, G. Everlo, T & Bouazzaoui, H. (2017). Part 2: Artificial Intelligence Techniques Explained. Recuperado de https://www2.deloitte.com/nl/nl/pages/dataanalytics/articles/part-2-artificial-intelligence-techniques-explained.html Zola, A. (2017) TOP 5 TOOLS FOR ARTIFICIAL INTELLIGENCE (AI) AND MACHINE LEARNING (ML) DEVELOPMENT https://digi117.com/blog/top-5-tools-for-artificial-intelligence-ai-and-machinelearning-ml-development.html