recomendaciones prácticas para el diseño de sistemas

UNIDAD 2: MODELOS DE APLICACIONES DE APRENDIZAJE SUPERVISADO:

3. Recomendaciones prácticas para el diseño de sistemas

Autor(es): • Mtr. Luis Fernando Aguas

Nuevas tecnologías aplicadas a la documentación

Sumario:

- Inteligencia artificial y sus aplicaciones - Contextualización- Redes neuronales- Redes neuronales aplicadas en el área

Nuevas tecnologías aplicadas la la documentación

Inteligencia artificial (IA)

• Definiciones• Áreas que utilizan recursos de IA

– Lenguaje natural– Juegos (reglas)– Diagnóstico (Sistemas expertos, representación del

conocimiento)– Predicción (algoritmos genéticos y redes neuronales)– Educación (sistemas tutoriales inteligentes)


Contextualización del problema:

• La corrección y la agilidad en la recuperación de la información son elementos vitales para las organizaciones modernas, cualquiera que sea su actividad.

• La cantidad de información disponible es enorme, y la tendencia del crecimiento es exponencial.

• Los sistemas tradicionales de búsqueda están empezando a alcanzar sus límites.


Contextualización del problema

• El uso de sistemas tradicionales puede, en algunos casos, hacer dificultosa para los usuarios la recuperación de la información relevante, así como para los profesionales de la documentación, que han de realizar actividades como la indización, clasificación y manutención del conjunto.

Dos requisitos clave para resolver este problema son: simplificación de las actividades de búsqueda realizadas por usuarios comunes; y reducción de costes de manutención.


Actualmente, existen sistemas capaces de ejecutar tareas hasta ahora imposibles para los ordenadores, como reconocer el habla, reconocer modelos de imágenes o clasificar objetos o documentos.

Ej.: Via Voice, de la IBM Reconocimiento de huellas digitales o iris de los ojos Aplicaciones policiales Reconocimiento de formas

Para estos tipos de aplicación se utiliza una tecnología llamada de

redes neuronales (RN)


Breve historia:

• Esta área de investigación comenzó en 1943 cuando el neurofísico McCulloch y el matemático Walter Pitts propusieron una estructura artificial análoga a la neurona biológica


AxônioSoma

Dendritos


La conexión entre el axón de una neurona y la dendrita de otra se llama sinapsis

Axônio

Dendritos

Sinapse


¿Y qué son las redes neuronales?

• Son sistemas computacionales, de implementación en hardware o software, que imitan las habilidades computacionales del sistema nervioso biológico, usando un gran número de simples neuronas artificiales interconectadas.


Una neurona artificial

T

Funçãode Soma

Função deTransferência

Saída iEntradas x1

x0

x2

wj2

wj1

wj0

Pesos

Redes neuronales artificiales: aprendizaje supervisado

Ejemplo de entrenamiento Aprender las entradas:

Entrada = {1,1} deberá producir la salida = {1}

Entrada = {0,0} deberá producir la salida = {0}

Pesos iniciales: {-1,-1}

Constante de aprendizaje: {1}


Función de transferencia: rampa

Si el resultado de la suma < 0, entonces la salida = 0

Si el resultado de la suma >= 0 y <= 1, entonces la salida = entrada

Si el resultado > 1, entonces la salida = 1


T

1

1

-1

-1

Usando la función suma tenemos: 1*-1 + 1*-1 = -2Aplicando este resultado, la función T: 0

Presentamos el primer objeto...


Recordemos que:

Entrada = {1,1} debería producir la salida = {1}

De momento, la salida obtenida fue = {0}

Por tanto, hace falta… un ajuste sináptico


Se aplica la regla Delta:

Ajuste para el peso 1Error = 1- 0 = 1Peso nuevo = -1 + (1 * 1 * 1) = 0

Ajuste para el peso 2Error = 1 - 0 = 1Peso nuevo = -1 + (1 * 1 * 1) = 0

Constante = 1Error = salida esperada - salida obtenidaPeso nuevo = Peso antiguo + ( Error * Entrada * Constante)


T

1

1

0

0 El primer objeto se presentanuevamente

Usando la función suma tenemos: 1*0 + 1*0 = 0Aplicando este resultado, la función T:

1


Conclusiones:

1. Si presentamos nuevamente el segundo objeto, verificaremos que el resultado calculado es el esperado

2. Se considera, entonces, que la red ha aprendido

Nuevas tecnologías aplicadasa la documentación

RN SOM - Teuvo Kohonen

Cuando un dato se presenta a la red, solamente resulta activadauna neurona del conjunto de salida; por lo tanto, lo que se hace

es una clasificación

Después de entrenada, datos similares presentados a la redestimularán siempre la misma neurona.

Por lo tanto es una red indicada para establecer relaciones, desconocidas previamente, entre datos.


Por lo tanto:

Las redes de nodos adaptables que mediante un proceso de aprendizaje a partir de ejemplos, almacenan experiencia y poseen capacidad de generalización.

EJEMPLOS...


Um neurônio artificial

T

Funçãode Soma

Função deTransferência

Saída iEntradas x1

x0

x2

wj2

wj1

wj0

Pesos

Representación de un objetoque ha de ser aprendido


Funcionamento de una red neuronal:

Primero la red aprende y clasifica

y después podemos utilizarla

con otros ejemplos


Diferencias entre programas tradicionales y RN:• Un programa tradicional es un conjunto de instrucciones que representan objetos del mundo real que codifican el conocimiento; ejecutará siempre lo que está codificado en las instrucciones.• En una RN ningún conocimiento está codificado; es necesario enseñar presentando ejemplos. Básicamente, el conocimiento, al ser enseñado, se almacena en forma de pesos (valores) que darán a la red el comportamiento deseado.

–Simulando un comportamiento parecido al del ser humano


Algunas tareas características de un profesional de la documentación:• Indizar: describir o identificar mediante una representación lingüística un documento en función de sus contenidos• Clasificar: también en función de sus contenidos, agrupar en categorías documentos similares, de manera que resulten pertinentes para una misma búsqueda• Construcción de lenguajes documentales: agrupar términos o códigos, que representan conceptos, en clases comunes y relacionarlas apropiadamente• Búsqueda: relaciona la consulta del usuario con los documentos relevantes del fondo.

Estas tareas se caracterizan porque no pueden representarse

con algoritmos genéricos.Son, por lo tanto, de difícil

automatización


Ejemplo 1: ESRIN, de la Agencia Espacial Europea, en Italia. Además de controlar los satélites ERS y ENVISAT, efectúa la gestión de todos los documentos oficiales. Utiliza un sistema basado en las redes neuronales de Kohonen.

Alcance del experimento: 975 documentos de tamaño variado


Etapas del experimento:

1a - Se creó un diccionario con 2962 términos. Por ejemplo:· fabric (fabricación, fabricado, fábrica) · face (cara, rostro, revestimiento)

2a - Cada documento fue codificado utilizando un contador de concurrencias y generó un vector. Rutinas especiales considerarán los diferentes tamaños de los documentos.Ejemplo: documento “X” destornillador chapa metálica hidráulico

3 1 16


Etapas del experimento:3a - una red neuronal fue entrenada utilizando el vector generado anteriormente. El resultado fue la creación de 100 clases de palabras en lugar de las 2692 originales.

Este procedimiento compensa el “ruido documental” (palabras no relacionadas con la materia del documento).


Funciones del experimento:• Expansión explícita de la consulta : el usuario entra (teclea) palabras simples y obtiene como resultado un conjunto de otras palabras relacionadas.• Expansión implícita de la consulta : todos los documentos están codificados como modelos semánticos. Un usuario puede consultar, y esta consulta ser comparada con los modelos semánticos de los documentos. De este modo, el usuario obtiene no solamente aquellos documentos con las palabras clave buscadas, sino también otros documentos similares (con la misma materia aunque con otras palabras).


• Otra función es la agrupación de documentos en una estructura de conceptos: una red de tipo auto-organizativo recibe los documentos codificados como entrada y produce como salida 16 agrupaciones (clases).

La similitud contextual también es posible


Ejemplo 2: WEBSOM• Es un organizador de mensajes de una lista de discusión. • Capaz de categorizar 4600 mensajes

Metodología:1. Se extraen de los mensajes los términos más relevantes (palabras vacías, que se dan con baja frecuencia o caracteres no textuales se eliminan)2. Los términos resultantes son utilizados en la generación de un mapa de categorías de palabras


Ejemplo 2: WEBSOM

3. Las palabras próximas en el mapa representan la misma categoría:


Ejemplo 2: WEBSOM4. Cada documento ocupa un lugar en el espacio en función de su contenido

El color indica la densidad de documentos


Los ejemplos y demostraciones están en las siguientes direcciones:

•Esrin:http://esapub.esrin.esa.it

•WEBSOM:http://websom.hut.fi/websom/comp.ai.neural-nets-new/html/root.html


Consideraciones finales:

• Muchas tecnologías originadas en el ámbito de la IA pueden aplicarse a la organización y la recuperación de la información

• Las redes neuronales presentan el inconveniente de exigir una gran capacidad de computación

• Los sistemas de recuperación y clasificación de información en el web se encuentran en franca expansión


Referencias bibliográficas

Redes neuronales: http://menphis.unisc.br/jacques/index.html

Redes neuronales aplicadas a la documentación:http://alcazaba.unex.es/~vhersol/Publicaciones/Anu-SOCADI.pdf

WEBSOM: http://websom.hut.fi/

recomendaciones prácticas para el diseño de sistemas

Art & Photos