Exposicion RED HOPFIELD

ARTICULO CIENTIFICO

TEMA 3.3. CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES

INTRODUCCIÓN

Una de las diferencias más grandes entre una red de neuronas biológica y una artificial es la complejidad con la que trabajan, una RNB tiene una gran complejidad, es decir puede resolver grandes problemas, mientras que la RNA trabaja con una complejidad bastante baja.

En este capítulo se conocerán las características más importantes de una red de neuronas artificiales y se procederá a hacer una comparación entre los dos tipos de redes neuronales que existen.

MARCO TEÓRICO

En el cerebro humano existen una gran red neuronal, conformada por miles de millones de neuronas las cuales se conectan formando una gran malla, con esta idea se ha pretendido que este es el punto clave para desarrollar verdadera inteligencia artificial, lo cual ha derivado en muchas investigaciones, que han permitido desarrollar varios modelos de redes neuronales artificiales.

Pero, aunque actualmente se tiene un gran avance tecnológico, el cerebro humano sigue siendo un gran misterio, por lo cual parece casi imposible crear una red similar a esta.

CARACTERÍSTICAS PRINCIPALES DE UNA RED NEURONAL ARTIFICIAL

Las redes neuronales artificiales poseen una serie de características que a pesar de ser muy importantes y de parecerse a las de una red biológica no llega a cumplir a cabalidad todo el proceso que esta realiza.

Entre las características más importantes de esta red tenemos las siguientes.

COMPARACIÓN ENTRE REDES NEURONALES ARTIFICIALES Y BIOLÓGICAS

El funcionamiento entre los diversos tipos de redes neuronales es muy diverso, aunque con ciertas similitudes, pero hasta la actualidad no se ha podido crear o llegar más allá de un 25% de semejanzas entre varias redes. A continuación se presentan las diferencias más importantes entre ellas.

CONCLUSIONES

Una red de neuronas biológicas es muy compleja de entender en cuanto a funcionamiento interno, además de que cuenta con millones de neuronas, las cuales tienen un sinnúmero de conexiones entre sí, mientras que en una red artificial es muy diferente ya que no se ha podido implementar un gran  número de neuronas artificiales, y estas solo se conectan a una siguiente.

En la red artificial se dan las conexiones en una sola dirección, es decir que la información no regresa, en cambio en una red biológica las conexiones se dan en forma de mallas, por lo cual es mucho más rápido conseguir una respuesta.

BIBLIOGRAFÍA

Viñuela, P y Galván, I. 2004. Redes de Neuronas artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.

Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.

Izurieta, F y Saavedra, C. 2000. Redes Neuronales artificiales. (En línea). ES. Consultado, 27 de Dic .2014. Formato PDF. Disponible en: www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf

TEMA 3.2. MODELO COMPUTACIONAL

INTRODUCCIÓN

Los primeros programas de computadoras se guiaban mediante los algoritmos, diferencia principal de una maquina conexionista de una convencional, ya que la conexionista como su nombre lo indica, posee una serie de conexiones las cuales le permite tener una resolución de problemas de manera más eficaz y sin necesidad de tener un algoritmo que lo resuelva.

Dentro de este capítulo vamos a conocer la composición de un modelo computacional de redes neuronales, el funcionamiento de una neurona artificial, es decir, como reciben o envían información.

MARCO TEÓRICO

Una red neuronal artificial al igual que una biológica está formada por un sinnúmero de conexiones entre las neuronas artificiales que existan.

En la actualidad existen diversos modelos de redes neuronales y en cada uno de ellos se presenta una filosofía diferente, es decir cada modelo de red es creado para una o varias funciones en específico.

EL SISTEMA DE COMUNICACIÓN DE UNA RED NEURONAL ARTIFICIAL

El sistema de comunicación de una red neuronal artificial al igual que una biológica se compone de tres partes:

Los receptores (Patrones de Entradas).- O también llamada Capa de entrada, esta capa es en donde se presentan los datos a la red, las capas de entrada se comunican con las capas ocultas.

El sistema Nervioso (Capas Ocultas).- Estas capas ocultas como su nombre lo indica no tiene contacto con el exterior, sin embrago es en estas capas en donde se procesa la información recibida, las capas ocultas se comunican con las capas de salida o a otras capas ocultas.

Órganos Dianas o efectores (Patrones de Salida).- También llamadas capas de salida, estas capas son las encargadas de mostrar la información recibidas de las capas ocultas.

ESTRUCTURA BÁSICA DE LA RED

Como se menciono anteriormente una red neuronal artificial básica esta formada por una serie de capas, las primeras capas son denominadas capas de entrada y son las que reciben la información del medio, estas a su vez se comunican con las capas ocultas, las cuales no tienen contacto con el exterior, pero su función es de vital importancia ya que estas son las encargadas del procesamiento de la información que le envían las capas de entrada, una vez procesada la información las capas ocultas la envían a la capa de salida, las cuales se encargan de mostrar dicha información.

Como se puede apreciar en la imagen la estructura de la red neuronal es bastante simple aunque su funcionamiento es un poco más complejo.

APRENDIZAJE

El aprendizaje de una red de neuronas artificiales consiste en la determinación de los valores de los pesos para todas sus conexiones, que la capacite para la resolución eficiente de un problema. (Hilera, J y Martinez, V. 2000)

En esta red el aprendizaje se va dando paulatinamente cada vez que se introduzca un ejemplo dentro de la misma, la red guardara la información necesaria para poder en un futuro resolver un problema del mismo tipo sin necesidad de otro ejemplo.

CONCLUSIONES

La red de neuronas artificiales al igual que una biológica es la parte más importante en un agente, ya que es esta la que le permite resolver diversos tipos de problemas, aunque aún no se ha podido crear una red similar al cerebro humano se avanza en investigaciones para lograrlo algún día.

Para que la red artificial pueda funcionar de buena manera (en resolución de problemas), es necesario que esta tenga un tipo de aprendizaje, esto para evitar la implementación de nuevos módulos a cada momento.

BIBLIOGRAFÍA

Viñuela, P y Galván, I. 2004. Redes de Neuronas artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.

Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.

Basogain, X. 2010. Redes Neuronales Artificiales y sus aplicaciones. Escuela Superior de Ingenieria de Bilbao. En línea. Consultado 27 de diciembre 2014. Formato PDF.  Disponible en: http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf

Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea).  EC. Consultado, 1 de Dic 2014. Formato PDF. Disponible en: http://www.bookboon.com.

TEMA 3.1. FUNDAMENTOS DE LAS REDES NEURONALES

INTRODUCCIÓN

Una de las grandes metas propuestas por los científicos ha sido la de conocer como es el funcionamiento del cerebro humano, que es lo que nos diferencia de los demás animales y con esto poder llevar a cabo una verdadera Inteligencia Artificial.

Una red de neuronas está compuesta por una infinidad de neuronas las mismas que al conectarse logran pasar información y hacer que el cuerpo reaccione a los estímulos recibidos, es por esto que su estudio dentro de la I.A. es fundamental a la hora de hacer un agente inteligente.

En este capítulo conoceremos cual es el funcionamiento de una neurona estando sola o en conjunto (en red), y como hacen para recibir o enviar información.

MARCO TEÓRICO

Una red neuronal como su nombre lo indica es la unión entre dos o más neuronas que se relacionan entre si y transmiten información de manera rápida.

MODELO BIOLÓGICO DE UNA NEURONA

Como podemos ver en la imagen una neurona está compuesta de dendritas, núcleo, cuerpo celular y axón, al unirse una neurona con otra se forma la llamada sinapsis. La misión neuronas es recoger información del medio ambiente o del interior del cuerpo las elabora, almacena y transmite hacia otra neurona. Formando así la red neuronal como se ve en la imagen 2.

EL SISTEMA DE COMUNICACIÓN NEURONAL

El sistema de comunicación neuronal se compone de tres partes:

Los receptores.- Situados en las células sensoriales. Recogen información en forma de estímulos del ambiente o del interior del organismo.

El sistema Nervioso.- Recibe la información de los receptores, la elabora (codifica), las almacena, y las envía de forma elaborada a otras neuronas o a los órganos efectores.

Órganos Dianas o efectores.- Son aquellos que reciben la información y la interpretan en forma de acciones motoras, hormonales, etc, por ejemplo: (músculos y glándulas).

MISIÓN DE LAS NEURONAS

La misión de las neuronas comprende generalmente 5 funciones parciales:

      Recoger la información que llega a ellas, dicha información puede proceder de otras neuronas o de los receptores, la información llega en forma de impulsos.

      La información es integrada en un código de activación propio de la celula.

      La información es trasmitida codificada y en forma de frecuencia de impulsos a través del axón.

      Mediante las ramificaciones el axón efectúa la transmisión de los mensajes.

      En la terminal se transmite los impulsos a otras neuronas o a los órganos diana.

CONCLUSIONES

El estudio de las redes neuronales es un pilar fundamental dentro de la I.A. ya que nos permite conocer cómo se da el comportamiento en los seres racionales (personas), y con ello se da un gran paso para la creación de agentes inteligentes.

Al conocer el funcionamiento biológico de una neurona podemos construir réplicas exactas de estas para adaptarlas a los agentes y que estos razonen y puedan comportarse de manera inteligente, es decir podrá actuar como un humano.

BIBLIOGRAFÍA

Viñuela, P y Galván, I. 2004. Redes de Neuronas artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.

Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.

Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea).  EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.

TEMA 2.3. LA NATURALEZA DEL ENTORNO

INTRODUCCIÓN

El funcionamiento de los agentes inteligentes, depende de muchos factores entre los cuales se encuentra su entorno y la naturaleza del mismo, es muy importante conocer cuál será el entorno en el que se desenvolverá el agente, para de esta forma pueda realizar todas las acciones de manera correcta.

En el desarrollo de este tema se conocerán los diversos tipos de entornos en los cuales va a interactuar el agente, cuáles serán las percepciones y las acciones posibles que tomara el agente, pero tomando en cuenta cual es la naturaleza del entorno en el cual se desarrolla.

ESPECIFICACIÓN DEL ENTORNO DE TRABAJO

El medio ambiente que influye un comportamiento del agente puede ser influenciado por el mismo agente. Siempre se ha tenido la tendencia a pensar que el medio ambiente es el que influye sobre el agente, pero se puede decir que la influencia es bidireccional, es decir el agente altera el ambiente y al mismo tiempo se altera el comportamiento del agente. (Grobstein, 2005).

El entorno de trabajo está compuesto de las medidas de rendimiento, el entorno en sí, los sensores y los actuadores, todo esto es conocido con las siglas REAS (Rendimiento, Entorno, Actuadores, Sensores), para poder realizar el diseño de un agente se debe primeramente especificar cuál será el entorno de trabajo de la forma más completa posible.

A continuación se presenta una tabla con la descripción REAS del Agente Taxista:

 PROPIEDADES DE LOS ENTORNOS DE TRABAJO

Un entorno puede tener varios atributos o propiedades desde el punto de vista del agente.  A continuación se presenta una serie de atributos que se pueden presentar en el entorno de trabajo.

Ejemplos de los entornos según sus atributos.

Ejemplo de entorno total y parcialmente observable.

Ejemplos de entorno determinista, estocático y estratégico.

Ejemplos de entorno episódico y secuencial.

Ejemplos de entorno estático y dinámico.

Ejemplos de entorno discreto y continuo.

Ejemplos de entorno agente simple y multi - agente.

CONCLUSIÓN

Es muy importante conocer cuál es el ambiente (entorno) en el que se va a desarrollar el agente, saber cuáles son sus propiedades o atributos, esto con la finalidad de que el agente pueda realizar sus funciones (acciones) de una forma adecuada.

Un entorno puede tener muchos atributos, al ser de este tipo se puede decir que el agente va a ser capaz de realizar muchas acciones y que las realizara de manera correcta, además si el agente es autónomo, su capacidad ira incrementando a medida que avance su desenvolvimiento con el medio (entorno).

BIBLIOGRAFÍA

Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea).  EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.

García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.

Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.

Grobstein, P. 2005. Exploring Emergence. The world of langton’s Ant :Thinking about puporse. (En Línea).  EC. Consultado, 7 de Nov. 2014. Disponible en http://www.serendip.brynmawer.edu.

TEMA 2.2. BUEN COMPORTAMIENTO: EL CONCEPTO DE RACIONALIDAD

INTRODUCCIÓN

Un Agente racional es aquel que hace lo correcto, pero hacer lo correcto no significa no equivocarse, pensar racionalmente es tomar una decisión que aparentemente es la mejor en la circunstancia en la que nos encontramos, pero no por esto significa es la decisión tomada ha sido correcta.

En este capítulo conoceremos temas importantes como la racionalidad, la omnisciencia, el aprendizaje y la autonomía, todos ellos necesarios dentro del desarrollo de los sistemas inteligentes.

RACIONALIDAD

 La racionalidad en un momento determinado depende de cuatro factores:

·         La medida de rendimiento que define el criterio de éxito.

·         El conocimiento del medio en el que habita acumulado por el agente.

·         Las acciones que el agente puede llevar a cabo.

·         La secuencia de percepciones del agente hasta este momento.

Es decir que al pensar racionalmente el agente debe definir o medir el éxito que tendremos al realizar una acción, también debemos tener en cuenta el medio ambiente en el que se encuentra el agente, saber cuáles son las posibles acciones que puede realizar y por ultimo hacer un análisis de todas las percepciones recibidas hasta ese momento, en base a todo ello el agente puede tomar una decisión racional. En un ejemplo. Un taxista automático.

En este ejemplo se puede decir que el taxista piensa de forma racional, sin embargo puede que una decisión tomada no sea la mejor, por ejemplo en esa ruta ocurrió un accidente y la carretera está cerrada, entonces el taxi debe volver a tomar otra ruta, lo cual conlleva a una pérdida de tiempo.

OMNISCIENCIA, APRENDIZAJE Y AUTONOMÍA

Se debe tener mucho cuidado entre la racionalidad y la omnisciencia, ya que son dos conceptos muy diferentes, por una parte al tomar una decisión de manera racional, por ejemplo cruzar la calle si no hay vehículos puede que sea correcto, pero no sabemos qué pasará mientras estamos cruzando la calle, en cambio la omnisciencia conoce de manera anticipada el efecto de su acción, es decir que va a pasar luego, por lo que esto es muy poco probable.

Se dice que un agente racional debe aprender de sus acciones, es decir toma información del medio y las almacena, de esta forma sabrá como actuar frente a situaciones similares. Esta propuesta no solo implica que el agente recopile información, sino más bien que aprenda lo máximo posible de su entorno.

Un agente racional debe contar con autonomía de esta forma no va a depender de los conocimientos dados por su diseñador, es importante que estos agentes cuenten con esta característica para de esta manera poder aprender de las percepciones recibidas, un agente al contar con autonomía va a ser mucho más eficiente, nuevamente tomamos el ejemplo del taxista, si es autónomo, puede guardar rutas alternas, si encontró un obstáculo (muros) que no estaban puede mejorar el servicio.

A continuación se presenta un ejemplo en el que se puede ver que el aprendizaje y la autonomía, hacen mucho más eficaz el desarrollo de acciones del agente.

“Supongamos que el taxista automático, va por una carretera en la que anteriormente no había muros, va rápido y de pronto se encuentra con un obstáculo (muro), deberá frenar de manera rápida para evitar un mal golpe, si el taxista no es autónomo, es decir no puede aprender, nunca va a poder frenar a tiempo, en cambio si ya sabe que en ese lugar existe un muro, entonces podrá saber que debe bajar la velocidad”. 

En este caso nos damos cuenta que es muy necesario que el agente cuente con autonomía.

CONCLUSIÓN

El pensar racionalmente no significa no cometer errores, sin embargo se puede aprender de ellos.

Una de las características necesarias que debe tener un agente racional es el aprendizaje, ya que si comete un error puede guardar esa información (percepción), y de esta manera no hacer lo mismo otra vez.

Por esto es necesario que los agentes racionales cuenten con autonomía, es decir no sean dependientes de la información dada por sus diseñadores, ellos deben aprender de sus percepciones y de las acciones que realicen.

BIBLIOGRAFÍA

Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea).  EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.

García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.

Pino, R; Gómez, A; Abajo, N. 2010. Introducción a la Inteligencia Artificial. Sistemas Expertos, Redes Neuronales Artificiales y Computación Evolutiva. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/book.

Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.