Beruflich Dokumente
Kultur Dokumente
Sistema de estimacin del consumo de gas natural basado en redes neuronales artificiales
ALUMNA Nuez Zender Pamela ASESOR Hugo Vega Huerta Lima Per 2012
Resumen
La tesis presenta una investigacin sobre la estimacin del consumo de gas natural utilizando redes neuronales. Se ha considerado como caso de estudio a la empresa Peruana de gas natural, cuyo negocio principal es la venta de gas natural.
Se comenzar con los aspectos tcnicos y tericos que sustentan la presente tesis y la metodologa de trabajo para su desarrollo. Tambin se describirn las ventajas que se obtiene con la prediccin de ventas en una empresa as como los recursos necesarios para la implementacin de este proyecto.
Tabla de contenido
VISIN DEL PROYECTO Introduccin Definicin del problema El negocio Descripcin del problema Fundamentacin del problema Marco terico Definicin de la demanda Factores determinantes Pronstico de ventas Mtodos de pronstico Mtodos cuantitativos Anlisis de series de tiempo Mtodos cuantitativos Inteligencia artificial Sistema Experto Neurona biolgica Redes neuronales artificiales Perceptron multicapa Estado del arte Redes Neuronales Artificiales en prediccin de Series de Tiempo: Una Aplicacin a la Industria Sistema de pronstico de la demanda de productos farmacuticos basado en redes neuronales artificiales Sistema hbrido para pronosticar demandas de producto de telecomunicaciones Objetivo general Objetivos especficos Beneficios del proyecto Beneficios tangibles Beneficios intangibles Alcance del proyecto Conclusiones MODELADO DEL NEGOCIO Introduccin Reglas del negocio Casos de uso del negocio Conclusiones REQUERIMIENTOS DEL PROYECTO Introduccin Requerimientos del software Relacin de requerimientos Especificacin de requerimientos Casos de uso del sistema Diagrama de actores del sistema Diagrama de paquetes Casos de uso del sistema (CUS) Relacin de los CUS Diagrama de los CUS Especificacin de los CUS MODELO CONCEPTUAL DEL SISTEMA BENCHMARKING
Introduccin
La estimacin de la demanda/consumo constituye el fundamento para cualquier planeacin de productos o servicios que se requieran fabricar, comprar o vender. Si las organizaciones cuentan con un pronstico altamente eficiente (es decir que se tiene la mnima variacin entre el valor pronosticado y valor real en un periodo de tiempo), contarn con un nivel de artculos disponibles ms sano, que proporcionar a las compaas mayor flexibilidad para el cumplimiento de pedidos, lo que incrementar el nivel de servicio y por consiguiente la satisfaccin por parte del cliente. Pronosticar la demanda futura que tendr algn producto o servicio, (lo cual implica el nivel de xito de la compaa), se ha caracterizado por ser una actividad sumamente riesgosa y atrevida. La principal razn es la gran incertidumbre y la falta de informacin que caracteriza a las etapas de diseo, creacin y desarrollo de este tipo de productos. La falla ms importante en el proceso de lanzamiento de un producto ha resultado ser la estimacin errnea del potencial del mercado meta, de la rapidez de su aceptacin o difusin y, por lo tanto, de las ventas del producto. En un inicio los pronsticos de demandas se elaboraban por expertos que realizaban el anlisis de un simple crecimiento sobre resultados anteriores mostrados en reportes histricos de ventas (instinto y experiencia). Luego, se pas a utilizar mtodos estadsticos convencionales (lineales) tales como los modelos bsicos de regresin, el Anlisis de Series de Tiempo, etc. Estos mtodos estadsticos convencionales usan en general determinados parmetros o datos asociados a perodos de tiempo cuya relacin con la previsin de demanda es complicada; la realidad es que muchos de los que toman decisiones en el campo de la previsin de demanda lo hacen basndose en sus instintos y experiencias, las cuales son utilizadas para valorar el impacto de campaas promocionales, de introduccin de nuevos productos u otros. Por muchos aos, este tipo de anlisis ha estado dominado por la utilizacin de mtodos estadsticos lineales que se pueden implementar de manera conveniente; sin embargo, la existencia de relaciones no lineales entre los datos muchas veces limitaron la aplicacin de estos modelos. La idea de utilizar RNA en pronstico de series de tiempo fue aplicada por primera vez en
1964 cuando Hu utilizo una RNA lineal adaptable de Widrow para el pronstico del clima. Debido a la ausencia de un algoritmo de entrenamiento para RNA multicapa en el tiempo, la investigacin qued limitada. En 1974 Werbos formul primero la retro propagacin pero no fue conocido por los investigadores en RNAs. A partir de 1986 cuando el algoritmo de retro propagacin fue introducido por Rumelhart, el desarrollo de RNAs para pronstico de series de tiempo ha ido en incremento. Werbos report que la RNAs entrenada por retro propagacin supero el desempeo de los mtodos estadsticos tradicionales tales como los procedimientos de regresin y BoxJenkins en varios casos. En aos recientes, las RNAs han llegado a ser muy populares en el pronstico de series de tiempo en un gran nmero de las reas incluyendo finanzas, generacin de energa, medicina, recursos del agua y ciencia ambientales, entre otras. Actualmente, las redes neuronales artificiales son una de las tcnicas ms usadas para la resolucin de pronsticos debido a sus ptimos resultados y su fcil metodologa de resolucin, es as que se pueden encontrar muchos trabajos sobre este tema.
accionistas, colaboradores,
y que los economistas racionalizan en trminos de dos efectos. Por ejemplo, si el precio de un bien aumentara, y si el consumidor tuviera un presupuesto limitado, la cantidad que podra adquirir del mismo seria menor que antes; es decir, pareciera que el presupuesto del consumido hubiera sido reducido, ya que su poder adquisitivo efectivamente disminuyo. A este fenmeno se le denomina efecto ingreso. Sin embargo, el consumidor tiene otra opcin que podra permitirle contrarrestar el efecto negativo del aumento en el precio; esto es, el (o ella) podra adquirir otro bien similar de menor precio que sustituya al original. A este otro efecto se le denomina efecto sustitucin. La combinacin del efecto sustitucin y el efecto ingreso resulta una relacin inversa entre el precio y la cantidad consumida de un bien; es decir, la ley de la demanda. La demanda representa un flujo de bienes y servicios; es decir, que estos son adquiridos o consumidos en cierto periodo, por ejemplo, el numero de automviles por mes, numero de acciones por hora, cantidad de maz por ao, etc. El periodo a utilizar depende del propsito que se de conseguir con el proceso de toma de desaficiones y de la naturaleza del bien que se desea analizar. La relacin inversa entre precio y cantidad, dentro de un periodo determinado, ocurre mientras otros factores que tambin pueden afectar las decisiones de consumo de las personas permanecen contrastes. [12] La demanda de un producto mercado suele estar definida por la cantidad vendida fsica o monetaria en un lugar y periodo dados. Desde la perspectiva estratgica de Marketing y su base conceptual (la satisfaccin de los deseos y necesidades de las partes implicadas en las relaciones de intercambio), la demanda est definida por Capacidad de reaccin de un mercado potencial antes unos estmulos y esfuerzos de Marketing concretos y limitada por las condiciones actuales del entorno. Segn la dimensin de anlisis utilizada, existen mltiples conceptos de demanda, relacionados entre s, correspondientes a distintas definiciones,
9
aunque integradas en el concepto general de demanda. Las dimensiones de anlisis de la demanda son: Dimensin producto: que estudia las posibilidades de agregacin de los bienes y servicios comercializados y permite el reconocimiento de las demandas de marca, de lnea, de empresa y global. Dimensin comprador: que especifica los potenciales conjuntos de destinatarios o consumidores de los productos, base para la compresin de la demanda individual, de segmentos, de mercado y total, as como su utilidad final o intermedia con la denominada demanda primaria y demanda derivada, respectivamente. Dimensin espacial: que reconoce las limitaciones o extensiones de los posibles consumos de los productos, diferenciando estratgicamente los territorios y dando origen a los trminos de demanda local, regional, nacional, internacional, global. Dimensin temporal: que considera el tiempo como variable de anlisis, originando los conceptos de demanda a corto, a medio y largo plazo. Los distintos aspectos de las dimanadas generan mltiples combinaciones que cada organizacin considera en funcin de sus objetivos estratgicos para el anlisis de la situacin de los mercados. as para lanzar un nuevo producto al mercado, la organizacin analiza la demanda global del mismo tipo (demanda por producto) para conocer la potencialidad de su crecimiento, considera tambin las diferentes formas de satisfacer las necesidades de un grupo concreto de compradores o segmento (demanda por comprador) para conocer su posicionamiento y venta competitiva en el mercado, as como el mbito geogrfico del lanzamiento (demanda espacial) y tiene en cuenta la posible demanda a corto y medio plazo (demanda temporal) a fin de conocer su probabilidad de xito en el mercado. [13]
10
Factores determinantes
Muchos factores influyen para determinar lo que una persona decide consumir. De hecho, existe una teora desarrollada por varios economistas, entre ellos Walras (1954), denominada teora del equilibrio general, que en resumen establece que el consumo de un bien es afectado por el consumo de todos los dems bienes existentes en la economa. Dado que el anlisis econmico dentro del contexto de esta teora seria imprctico, al menos en lo que prefiere al mundo de los negocios, se utilizara el principio desarrollado por Marshall (1920) que se denomina teora del equilibrio parcial, en el cual solo los factores ms importantes son considerados, y aquellos cuyos efectos sean lo suficientemente pequeos como para influenciar de manera apreciable el resultado final del anlisis, son ignorados. La lista no exhaustiva proporcionada incluye los principales factores que determinan la cantidad demandada de un bien por el consumidor: Precio propio del bien. Ingreso del consumidor. Precios de bienes relacionados. Expectativas de precios en periodos futuros. Gustos y preferencias. Tamao del mercado. Promocin y publicidad. Otros. [12] La variabilidad de la capacidad de respuesta de la demanda est en funcin de un conjunto interrelacionado de factores determinantes, cuyas sinergias pueden modificar las hiptesis comnmente asumidas sobre la demanda, como la tradicional influencia de tipo econmico como renta y precios. En otras ocasiones, el comportamiento habitual puede ser modificado por elementos como la moda, la deseabilidad de los productos o su escasez o restriccin para el consumo y otros aspectos de tipo personal o social. Los factores determinantes de la demanda se pueden clasificar en dos grandes grupos dependiendo del grado de control que la empresa puede ejercer en su
11
estimulo sobre la demanda: factores bajo control y factores fuera de control de la organizacin. A su vez, cada uno de estos grupos integra factores de compradores, del entorno y de competencia, en el primer grupo y de Marketing y de la empresa, en el segundo: [13] FACTORES FUERA DE CONTROL DE LA EMPRESA FACTORES DE LOS COMPRADORES Deseos, gustos y necesidades. Situacin personal. Distribucin geogrfica y temporal. Capacidad de compra. Comportamiento de compra. FACTORES DEL ENTORNO Econmicos. Tecnolgicos. Legales. Ecolgicos. Polticos. Sociales. Demogrficos. FACTORES DE COMPETENCIA Clase y tipo de competidores. Actitud de los competidores actuales. Entrada de nuevos competidores. Acciones de Marketing de la competencia. FACTORES BAJO CONTROL DE LA EMPRESA FACTORES DE MARKETING Producto. Precio. Distribucin. Comunicacin. Organizacin y coordinacin de las acciones.
12
FACTORES DE LA EMPRESA Estructura organizativa. Fortalezas y debilidades. Sistemas de informacin. Estilo directivo. Objetivos y misin organizacional.
Pronstico de ventas
Es una prediccin de "cuanto de un producto o servicio se puede vender de un mercado dado un periodo definido. Se puede definir en dinero o en unidades. Si se define en dinero, se llama pronstico de ingresos, lo que tambin le ser de ayuda. Si se determina claramente su segmento de mercado, y tiene suficiente informacin sobre el mismo, algunos clculos sern ms objetivos (como el pronstico). El pronstico "representa la meta que se espera alcanzar mediante la combinacin de estrategias de mercadotecnia, de establecimiento de precios y de ventas. [14] El pronstico tiene mucha importancia dentro de la administracin de ventas, en virtud de ser elemento bsico de planeacin para la toma de decisiones de un Gerente de Ventas. Al pronstico de ventas se le define como un clculo estimado de ventas para un periodo determinado, con el fin de preparar un plan de comercializacin. Todos los departamentos de la empresa deben orientar su planeacin alrededor del pronstico de ventas, es decir: produccin, compras, finanzas y personal utilizan el pronstico para planear respectivas operaciones.
13
Se debe considerar los siguientes objetivos del pronstico de ventas: Fijar metas de ventas. Ayudar a la preparacin del presupuesto de ventas. Ayudar a la preparacin de los presupuestos de los dems departamentos de la empresa. Administrar adecuadamente el departamento de ventas. [15]
Mtodos de pronstico
Se dispone de varios mtodos de pronstico estandarizados, los cuales han sido dividido en tres grupos: cualitativos, de proyeccin histrica y causal. Mtodos cualitativos: Utilizan el juicio, la intuicin, las encuestas o tcnicas comparativas para generar estimados cuantitativos acerca del futuro. Generalmente, la informacin utilizada es no cuantitativa, intangible y subjetiva. La informacin histrica tal vez est disponible o quiz no sea muy relevante para el pronstico. La naturaleza no cientfica de los mtodos los hace difciles de estandarizar y de validar su precisin. Mtodos de proyeccin histrica: Cuando se dispone de una cantidad razonable de informacin histrica y las variaciones de tendencia y estacionales en las series de tiempo son estables y bien definidas, la proyeccin de esta informacin al futuro puede ser una forma efectiva de pronstico para el corto plazo. La premisa bsica es que el patrn del tiempo futuro ser una rplica del pasado, al menos en gran parte. La naturaleza cuantitativa de las series de tiempo estimula el uso de modelos matemticos y estadsticos como las principales herramientas de pronstico. Mtodos causales: La premisa busca sobre las que se construyen los mtodos causales para pronsticos es que el nivel de variable pronosticada se deriva del nivel de otras variables relacionadas. Por ejemplo, si se sabe que el servicio al cliente tiene un efecto positivo sobre las ventas, entonces al conocer el nivel proporcionado del servicio al cliente podr proyectarse el nivel de las ventas. Se podra decir que el servicio "causa" las ventas. En la medida que puedan describirse adecuadas relaciones de causa y efecto, los modelos causales pueden ser bastante buenos ara anticipar cambios mayores
14
en las series de tiempo y para pronosticar de manera precisa un periodo de mediano a largo. [6] Dado que existen muchos mtodos de pronsticos, es necesario comprender su clasificacin. Las categoras posibles incluyen: Series de tiempo o causales. A corto, mediano o largo plazo. Cuantitativos o cualitativos: Estas categoras no son mutuamente excluyentes y, de hecho, cualquier mtodo particular puede describirse de varias formas. Los mtodos de anlisis de series de tiempo utilizan solo datos histricos para la variable que se pronostica. Al generar proyecciones al futuro, suponen de manera implcita que lo que ha sucedido en el pasado proporciona informacin de lo que va a suceder en el futuro. Se analizan los valores pasados de la variable que se est pronosticando con objeto de hacer pronsticos del futuro. Por otra parte, los mtodos causales consideran los factores que influyen o estn relacionados con lo que se est pronosticando. Mientras que puede no haber una relacin causa-efecto directa, es tpico que exista una relacin lgica entre las variables que se usan para generar el pronstico y el pronstico que resulta. Cuando se piensa en los mtodos de pronstico, casi siempre vienen a la mente diferentes mtodos cuantitativos. Aunque vara su complejidad, todos emplean modelos matemticos que requieren datos para las variables independientes con objeto de generar un pronstico. Por otra parte, los mtodos cualitativos con frecuencia se usan para situacin a largo plazo, altamente inciertos. [7]
Mtodos cuantitativos
Los mtodos cuantitativos necesitan de una serie histrica de datos. Entre estas tcnicas cuantitativas se encuentran las siguientes:
Las tcnicas cuantitativas de pronstico se subdividen, a su vez, en tcnicas de series de tiempo y causales. Las primeras suponen que la serie histrica tiene un patrn de combinacin de patrones que se repiten con el tiempo. Las segundas suponen que el valor de una variable es funcin de otras variables. [11]
16
A estos cuatro patrones se agrega un elemento indeseable, pero que siempre existe, la aleatoriedad de la observaciones. El valor real sera suma del patrn mas el elemento aleatorio. [11]
Mtodos cualitativos
Los mtodos o tcnicas cualitativas, que se basan, no en datos puramente cuantitativos, sino en el juicio subjetivo de una persona o grupo de personas que realizan un anlisis sobre determinada situacin, considerando o no la informacin que se tenga sobre el pasado. Algunas de las principales tcnicas que podra e encuadrarse en este grupo, son:
Mtodo Delphi. Anlisis morfolgico. Encuestas e investigaciones de mercado. Consenso de grupo. Teora de la decisin. En el mtodo Delphi un grupo de expertos crean un panel de ideas, mediante la respuesta a una serie de preguntas. El grupo de expertos crean un panel de ideas, mediante la respuesta a una serie de preguntas. El grupo de expertos incorpora estas respuestas a sucesivas fases de trabajo, estas respuestas no son conocidas entre las diferentes personas preguntadas. Para homogeneizar las respuestas, estas se cuantifican y se establecen las probabilidades de ocurrencia de los acontecimientos futuros o las fechas en que pueden suceder. La realimentacin de la informacin pretende guardar la incomunicacin entre los miembros del panel, ya que el anonimato es una de las principales caractersticas del mtodo.
El anlisis morfolgico, establece previsiones examinando los principales componente de un fenmeno, identificando todos los posibles estados de cada elemento para posteriormente determinar el nmero concreto de posibles combinaciones futuras de los mismos. La probabilidad de ocurrencia de los acontecimientos puede ser utilizada si se incorpora un carcter meramente exploratorio, como etapa precedente para otras 17
previsiones posteriores, o si se tomara como tcnica normativa, establecer un orden de posibles soluciones ante los problemas planteados.
Las encuestas e investigaciones de mercado, bien sea de intenciones, bien de actitudes, incorporar el comportamiento o las expectativas de este. Considerando las respuestas obtenidas, se pueden establecer las intenciones o ndices de "sentimiento" con relacin a determinadas conductas futuras. Estas caractersticas hacen que las predicciones sean, tal vez, mas tiles a corto que a largo plazo.
El consenso de grupos fomenta la comunicacin de un grupo de personas, generalmente expertos, en forma de discusin abierta para que lleguen a conclusiones concretas sobre el futuro desarrollo de ciertos acontecimientos. Son utilizados principalmente en previsin tecnolgica, y por medio de los denominados comits de direccin. La idea principal es que varios expertos pueden dar predicciones ms precisas que los individuos aisladamente.
La teora de decisin donde se tienen diferentes criterios para varios estados de la naturaleza, es otra herramienta que permite hacer previsiones. El mtodo Electra I nos dice que decisin debemos de tomar y el Electra II nos hace un ordenamiento cardinal entre las decisiones. [11]
Inteligencia artificial
La IA es un campo de la ciencia y la ingeniera que se ocupa de la comprensin, desde el punto de vista informtico, de lo que denomina comnmente comportamiento inteligente. Tambin se ocupa de la creacin de artefactos que exhiben este comportamiento. La Inteligencia Artificial
es el estudio de las ideas que permiten ser inteligentes a los ordenadores (H. Winston).Parte de la informtica que estudia procesos simblicos, razonamientos no algortmicos y representaciones simblicas del conocimiento (B.G. Buchanan Y E.A. Feigenabaum) [1]
18
La inteligencia artificial es una rama de la informtica que tiene como objetivo tratar las funciones inteligentes complejas - por ejemplo, hacer un diagnostico o tratar inteligentemente funciones simples, como buscar un documento
mediante un sistema informtico. La inteligencia se define como "la facultad de comprender las relaciones entre los hechos y las cosas"(Hachette enciclopedique, 1994). En otra acepcin, la inteligencia se refiere a la nocin de entendimiento que hay en la expresin "actuar inteligentemente". La inteligencia artificial persigue, pues, dos objetivos: servirse de la mquina para probar las funciones cognitivas del hombre e intentar reproducir los mencionados mecanismos. [2] Se puede definir la IA como una ciencia que tiene como objetivo el diseo y construccin de maquinas capaces de imitar el comportamiento inteligente de las personas. Una rama especializada de la Informtica que investiga y produce razonamiento por medio de maquinas automticas y que pretende fabricar artefactos dotados de la capacidad de pensar. [3] Definitions of artificial intelligence according to eight recent textbooks are shown in the table below. "The exciting new effort to make computers think...machines with minds, in the full and literal sense" (Haugeland, 1985) "The study of mental faculties through the use of computational models" (Charmiak and McDermott, 1985)
"The automation of activities that "The study of the computations that we associate with human thinking, make it possible to perceive, reason, activities such as desicion-making, and act" (Winston, 1992) problem solving, learning..." (Bellman, 1978)
19
"The art of creating machines that perform functions that require intelligence when performed by people" (Kurzweil, 1990) "The study of how to make computers do things at which, at the moment, people are better" (Rich and Knight, 1991)
"A field of study that seeks to explain and emulate intelligent behavior in terms of computational processes" (Schalkoff, 1990) "The branch of computer science that is concerned with the automation of intelligent behavior" (Luger and Stubvlefield, 1993)
The above definitions vary along two main dimensions. A system is rational if it does right thing. The definitions on top are concerned with thought processes and intelligence, which is called rationality. The definitions on the right measure against an ideal concept, which deals with helping machines, finds solutions to complex problems in a more human-like fashion. The definitions on the left measure success in terms of human performance. This gives us four possible goals of artificial intelligence: Systems that think like humans Systems that act like humans Systems that think rationally Systems that act rationally
Historically, all four approaches have been followed. As one might expect, a tension exists between approaches centered on humans and approaches centered on rationality. [4] Traduccin (Por Pamela Nuez) En la siguiente tabla se presentan definiciones de inteligencia artificial de acuerdo con ocho textos recientes. "El esfuerzo nuevo y emocionante para hacer que las computadoras que piensen ... mquinas con mentes, en el sentido pleno y literal" (Haugeland, 1985) "El estudio de las facultades mentales mediante el uso de modelos computacionales" (Charmiak and McDermott, 1985)
"El estudio de los clculos que hacen "La automatizacin de las actividades que sea posible percibir, la razn y
20
que asociamos con el pensamiento acto" (Winston, 1992) humano, actividades tales como, toman de decisiones, resolucin de problemas, el aprendizaje..." (Bellman, 1978) "El arte de crear mquinas que realizan funciones que requieren inteligencia cuando es realizada por personas" (Kurzweil, 1990) "El estudio de cmo hacer que las computadoras hagan las cosas en las que, por el momento, la gente est mejor" (Rich and Knight, 1991) " Un campo de estudio que trata de explicar y emular el comportamiento inteligente en funcin de procesos computacionales" (Schalkoff, 1990) " La rama de la informtica que se ocupa de la automatizacin de la conducta inteligente" (Luger and Stubvlefield, 1993)
Estas definiciones varan a lo largo de dos dimensiones principales. Un sistema es racional si hace lo correcto. Las definiciones en la parte superior tienen que ver con los procesos del pensamiento y la inteligencia, es decir, la racionalidad. Las definiciones ce centran en un concepto ideal, que trata de mquinas que ayudan, encuentra soluciones a los problemas complejos. Esto nos da cuatro posibles objetivos de la inteligencia artificial: Sistemas que piensan como humanos Sistemas que piensan racionalmente Sistemas que actan como humanos Sistemas que actan racionalmente
Histricamente, los cuatro enfoques se han seguido. Como era de esperar, existe una tensin entre los enfoques centrados en los seres humanos y los enfoques centrados en la racionalidad.
Sistema Experto
Un Sistema Experto se puede definir como aquel programa de ordenador que contiene la erudicin de un especialista humano versado en un determinado campo de aplicacin. Esto es, un modelo computarizado de las capacidades de razonamiento y habilidades en resolucin de problemas del especialista humano.
21
Dado que un sistema experto pretende emularla actividad de los expertos humanos, debera ser capaz, en principio, de: Resolver el problema que se les plantea de la misma manera que el experto humano. Trabajar con datos incompletos o informacin insegura (como hace el experto humano en ocasiones). Explicar el resultado obtenido. Aprender conocimientos nuevos sobre la marcha. Reestructurar los conocimientos de que dispone en funcin de datos nuevos. Saltarse las normas, cuando se llega a la conclusin de que estas no son aplicables a nuestro caso concreto. [1] Un sistema experto se define como un entorno lgico capaz de gestionar la propia base de conocimientos, resolver problemas bien delimitados y especficos, producir nuevos conocimientos y explicar su razonamiento. En los sistemas expertos convergen tres grandes mbitos del conocimiento: lgica, psicologa cognitiva y asistencia a la decisin. [2] Los sistemas expertos, tambin llamados sistemas basados en el conocimiento, representan uno de los xitos ms importantes de la IA, al menos por lo que se refiere al xito de sus aplicaciones en el mbito de los sistemas de informacin.
La finalidad principal de los sistemas expertos es la correcta reproduccin del comportamiento de un experto humano en su dominio de competencia.
Un sistema experto es un sistema elaborado con tcnicas de IA que, de igual forma que el experto humano al que intenta emular, resuelve los problemas complejos y difciles que se circunscriben a un dominio especfico y delimitado.
El sistema experto utiliza procesos que imitan el razonamiento humano (deduccin, induccin, estrategias de bsqueda de soluciones, etc.) en el momento de resolver problemas. Y todo esto lo consigue utilizando los conocimientos base, suministrados en origen por un experto humano, a los que incorpora los conocimientos que el sistema experto informtico "aprende" durante su actividad como "experto".
22
Adems el sistema experto tiene que ser capaz de justificar las decisiones y los resultados obtenidos y atribuirles grados de credibilidad. Tambin, como hacen a veces los expertos humanos, debe ser capaz de razonar a partir de datos inciertos.
A continuacin se muestra la estructura bsica de un sistema experto en el que se percibe claramente un aspecto fundamental: la separacin de los datos que forman el conocimiento, de las estrategias de resolucin o procedimientos con los que se elaboran las soluciones.
Los conocimientos se almacn en la base de conocimientos y en la base de hechos, y los procedimientos capaces de razonar se implementan en el motor de inferencia.
En el esquema tambin se muestra la necesidad de interfaces que permitan el acceso al sistema, tanto del experto humano que alimenta la base de conocimientos como del usuario del sistema experto que proporciona los hechos que determinan una utilizacin concreta del sistema experto. El usuario tambin obtiene las respuestas que proporciona el sistema. [5]
23
Neurona biolgica
Desde el punto de vista estructural, la mayor parte de las neuronas consisten en un cuerpo celular que presenta una serie de ramificaciones denominadas dendritas y una ramificacin ms larga que se denomina axn. El axn transporta la seal de salida de la neurona hacia otras neuronas. Por otro lado, las entradas le llegan a travs de las dendritas, procedentes de los axones de otras clulas. Las conexiones existentes entre el axn de una neurona y la dendrita de otra se denominan sinapsis. A travs de estas sinapsis, una neurona recibe seales de muchas otras y enva seales a un nmero tambin elevado de ellas. As una neurona se activara si la influencia colectiva de todas sus entradas supera un nivel mnimo de potencial elctrico. Esta activacin se traduce en un impulso electroqumico que se propaga a lo largo del axn hasta otras neuronas, activndolas o inhibindolas a su vez. Aunque no se conocen los mecanismos exactos, se sabe que las capacidades de aprendizaje y memorizacin que poseen los seres vivos se basan en la plasticidad del cerebro. [8]
24
Las RNAs pueden considerarse modelos de clculo caracterizados por algoritmos muy eficientes que operan de forma masivamente paralela y permiten desarrollar tareas cognitivas como el aprendizaje de patrones, la clasificacin o la optimizacin. [9] Artificial Neural Netwoks (ANNs) have been motivated right from their inception by the recognition that the human brain computes in an entirely different way from the conventional digital computer. The brain is a highly complex, non-linear, and parallel computer (information-processing system). It has the capability to organise its structural constituents, know as neurons in a massively distributed and parallel network, so as to perform certain computations many times quicker than the fastest digital computer in existence today. ANNs consist of a large number of simple processing elements called neurons or nodes. Each node is then connected to other nodes by means of direct links. Each link is associated with a weight that represents the strength of outgoing signal. The processing of each node is carried out in two steps, that is, the weighted sum of the imputs is taken, and is followed by the application of the activation function. ANNs are usually implemented by using electronic components or are simulated in software on a digital computer. They are characterised by: Their patterns of connections between the neurons. Their methods of determining the weights on the connections. Their activation function. Their number of layers: single (Hopfield nets), bilayer (Carpenter/Grossberg adaptive resonance networks) and multilayer (most back-propagation networks). [10]
Traduccin (Por Pamela Nuez) Redes neuronales artificiales (RNA) han sido motivadas desde sus inicios por el reconocimiento de que el cerebro humano calcula de una forma completamente diferente que computadora digital convencional. El cerebro es un muy complejo, no lineal, y paralelo. Tiene la capacidad para organizar sus componentes estructurales, en una red de neuronas distribuida masivamente y en paralelo, con el fin de realizar ciertos clculos; muchas veces, ms rpido que la computadora.
25
RNAs consisten en un gran nmero de elementos de procesamiento simples llamadas neuronas o nodos. Cada nodo se conecta a otros nodos por medio de enlaces directos. Cada enlace est asociado con un peso que representa la fuerza de la seal de salida. El procesamiento de cada nodo se lleva a cabo en dos pasos, es decir, se toma la suma ponderada de los inputs, y es seguido por la aplicacin de la funcin de activacin. RNAs se implementan normalmente mediante el uso de componentes electrnicos o se simulan en el software en un ordenador digital. Se caracterizan por: Sus patrones de conexiones entre las neuronas. Sus mtodos de determinacin de los pesos de las conexiones. Su funcin de activacin. El nmero de niveles: individual (redes de Hopfield), bicapa (Carpenter Grossberg redes adaptables de resonancia) y de mltiples capas (la mayora de las redes de propagacin hacia atrs).
Perceptron multicapa
Una de las ventajas que presenta el Perceptron Multicapa (PM), tal como se demostr en 1989, por Cybenko y Hornik, entre otros, es que es un aproximador universal de funciones, de modo que cualquier funcin continua en el espacio multidimensional real se puede aproximar mediante una red PM, tambin es de relativa dificultad de uso y aplicacin, dado que es una red sin recurrencias y feed-fordward. Posee adems una elevada capacidad de generalizacin y robustez, que provoca que la prdida de una neurona no afecte al resultado. Es por ello que, aunque no sea la solucin ptima en muchos casos, sobre todo por su elevado tiempo de entrenamiento en estructuras complejas, esta red est ampliamente extendida, teniendo aplicaciones en campos como: El reconocimiento del habla El reconocimiento ptico de caracteres El control de procesos La prediccin de series temporales La conduccin de vehculos
26
La arquitectura del PM est basada en una red feed-fordward o con conexiones hacia delante, en la que se disponen de 3 tipos de capas: La capa de entrada, en la que las neuronas actan como buffer y no se disponen de pesos ni umbrales. Las capas ocultas. La capa de salida, que acta como un buffer de salida. Todas las neuronas de la red (excepto las de la entrada, en general) llevan asociado un umbral. Adems, cada neurona de una capa tiene conexiones con todas las de la capa anterior, aunque puede suceder que en ciertos casos no sea as, y que el peso de una conexin sea 0, es decir, que no exista. El entrenamiento de este tipo de redes, es decir, su aprendizaje, se realiza utilizando el algoritmo de Retropropagacin.
27
El objetivo principal de este artculo es evaluar la capacidad de las Redes Neuronales Artificiales para poder predecir, utilizando el tipo de Red Neuronal ms comnmente utilizado en problemas de prediccin: Perceptrn Multicapa y los algoritmos de aprendizaje Backpropagation y Resilient Propagation. Como se mencionaba en el marco terico, una RNA, as como el cerebro, procesa la informacin y est compuesta por un conjunto de neuronas artificiales o procesadores elementales, los cuales interconectados de alguna manera trabajan para obtener la solucin de un problema especfico. En esta investigacin, la aplicacin de Redes Neuronales Artificiales a la prediccin de series de tiempo se realiza tomando en cuenta las siguientes etapas: Bsqueda de las variables de entrada, preparacin del conjunto de datos, creacin de la red, entrenamiento, validacin y clculo de los factores de comparacin. La secuencia que se sigue en la investigacin es la siguiente: Se identifica las variables de entrada en la red neuronal. Se normaliza los datos en el intervalo [0,1]. Se determina cada elemento que compone la arquitectura de la red. Se define el algoritmo de entrenamiento. Para la presente investigacin, se consideraron dos algoritmos de entrenamiento: Backpropagation y Resilient Propagation. Se realiza la validacin del proceso de aprendizaje de la red. Se presenta a la red el conjunto de datos seleccionados para este fin y se obtienen los valores de la prediccin del siguiente periodo para cada patrn de datos. Se compara los distintos modelos de redes neuronales obtenidos y se elige la ms efectiva en la prediccin de una serie de
28
tiempo especfica. Para llevar a cabo esta tarea se consideran los siguientes factores: Error Absoluto Medio Porcentual (EAMP), Coeficiente de correlacin (R), Representacin grfica de las series, Representacin grfica del EAMP. Esta investigacin se enfoco en el campo de la industria: Generacin de Electricidad Mensual y Consumo Mensual de Gas Natural. Para ambos casos, para la bsqueda de las variables de entrada se consideraron los siguientes criterios: comportamiento de la serie y periodos sucesivos correspondientes a un ciclo. Se utiliz en primer lugar el algoritmo Backpropagation y luego Resilient Propagation, con las configuraciones de parmetros correspondientes a cada algoritmo. Al finalizar la investigacin, para ambos casos, se compar los resultados obtenidos con cada configuracin en ambas series y se lleg a la conclusin que el algoritmo Resilient Propagation presenta una gran ventaja sobre Backpropagation, ya que se obtuvo mejores resultados y un tiempo de procesamiento bastante menor en la mayora de los casos de estudio.
Utilidad en el proyecto: Este artculo permite evaluar la capacidad que tienen las redes neuronales artificiales en la prediccin de series de tiempo, resultando efectivas en esta tarea y demostrando que son una herramienta til en la prediccin de series de tiempo. Adems de mostrar la ventaja que presenta el algoritmo Resilient Propagation sobre Backpropagation, el cual logr obtener mejores resultados.
29
Sistema de pronstico de la demanda de productos farmacuticos basado en redes neuronales artificiales [Gil+10]
Con este sistema se pretende resolver la prediccin inexacta de la cantidad demandada de ciertos productos farmacuticos respecto a la demanda real que genera inventarios en exceso o en falta. En esta tesis se pronostica la demanda de productos farmacuticos OTC (Over the counter venta libre) con las que cuenta la empresa FARMOTC ya que poseen demandas variables. Los pasos seguidos para la elaboracin del sistema propuesto son los siguientes: Construccin de la red neuronal base. Recopilacin de la data histrica brindada por la empresa. Normalizacin de los datos para las pruebas. Entrenamiento de la red con los datos normalizados. Validacin de la red con los datos normalizados. Definicin de la configuracin de la red ms adecuada. Implementacin de la interfaz de usuario (Mscara). La construccin de la red neuronal base se determina a partir de los parmetros de entrada y salida de la red que corresponden a las variables influyentes en el pronstico de la demanda y la cantidad demandada del producto farmacutico. El tipo de red neuronal que se utiliza es un perceptrn multicapa el cual consta de cinco capas (1 de entrada, 3 ocultas y 1 de salida), la capa de entrada est compuesta por 9 neuronas que representa la cantidad de variables de entrada, las 3 capas ocultas constan de 5 neuronas y la capa de salida con una neurona, que representa el resultado del sistema. Con la normalizacin se pretende uniformizar la data ya que las unidades de cada variable son dismiles (Por ejemplo las unidades de los precios son demasiado altas a comparacin de las unidades del resto de variables) y se diferencian de manera notable. Con este proceso de normalizacin se pretende obtener valores uniformes de entrada en un rango de 0-1.
30
La fase de entrenamiento de una red neuronal sirve para asociar un patrn de entradas a un patrn de salidas de tal manera que la red neuronal pueda aprender a pronosticar de forma casi exacta la cantidad demanda de cada producto farmacutico de acuerdo al correcto mapeo y conocimiento almacenado (configuracin de pesos y vas). El proceso de entrenamiento de las redes neuronales se realiz usando las funciones del Neural NetWork de la Caja de Herramientas del Matlab (estas funciones se describen detalladamente en el Anexo B) con las cuales se disearon varias configuraciones que constan de distintos algoritmos de aprendizaje as como variacin de parmetros. A continuacin se mostrarn las configuraciones de las redes pronosticadoras para los 3 productos correspondientes. La fase de validacin representa el grado de generalizacin de la red neuronal, en otras palabras, es la capacidad de la red de dar una respuesta correcta ante patrones que no han sido usadas en su entrenamiento.
31
En contraste con otros algoritmos de combinacin pronstico, como ponderado haciendo un promedio o frmulas de agregacin Bayesiana, el rbol de clasificacin se acerca a interacciones de orden alta (pedido alto) de proezas entre el modelo de error de sistemas profticos diferentes. Esto crea un hbrido, pronosticando el algoritmo que supera cualquiera de los algoritmos individuales en los que es basado. Este acercamiento basado por rbol a pronsticos de hybridizing proporciona un modo nuevo, general de combinar y mejorar pronsticos individuales, si realmente ellos son basados en varios algoritmos. El papel concluye con los resultados de las pruebas de validacin.
Objetivos especficos
Identificar las variables que puedan ser cuantificadas. Analizar la intervencin de las variables identificadas con la elaboracin de los pronsticos. Averiguar el proceso de pronstico actual de demanda de productos. Evaluar y seleccionar el mtodo ms adecuado para la estimacin del consumo de gas natural. Obtener una base de datos del consumo de gas natural, que ser usada para entrenamiento. Elaborar y desarrollar la arquitectura de la red neuronal ms apropiada para la estimacin del consumo de gas natural. Revisar los algoritmos existentes para el entrenamiento de la red neuronal y seleccionar el algoritmo adecuado para su aprendizaje.
Disear un software de prediccin basado en la tcnica de redes neuronales e implementarlo a partir de las tecnologas empleadas en la actualidad.
32
Beneficios del proyecto Beneficios tangibles Beneficios intangibles Alcance del proyecto
El desarrollo contempla los siguientes aspectos: Obtencin de los datos de entrada (informacin de ventas de la empresa Peruana de gas natural). Diseo e implementacin de la solucin planteada. Pruebas del sistema con la informacin brindad por la empresa. Capacitacin de los stakeholders para la administracin con la herramienta. Se realizar el estudio acerca del consumo de gas natural, utilizando como datos de entrada informacin de la empresa Peruana de gas natural. La plataforma a utilizar contempla la TECNOLOGA JAVA, IDE NetBeans para la implementacin de la capa de interfaz de usuario, el lenguaje de programacin MATLAB para la implementacin de la red neuronal de la capa de proceso.
Conclusiones
El desarrollo de este sistema permitir que la empresa pueda tomar mejores desiciones basndose en la estimacin del consumo de cada una de sus estaciones de servicio.
33
Justificacin
Los mtodos tradicionales utilizados para estimar la difusin de un nuevo producto, mtodos cualitativos basados bsicamente en la opinin, experiencia, intuicin y feeling del emprendedor, pueden llegar a ser demasiado subjetivos y riesgosos como para basarse solamente en ellos en la toma de decisiones del lanzamiento de un nuevo producto. El problema del pronstico de la demanda se presenta hoy en da en casi todas las aplicaciones de las empresas, ya sea dedicada a bienes (productos) o servicios; as mismo, es un punto que no se puede obviar en la planificacin de la cadena de suministro o en la administracin de demanda. Al trabajar con predicciones, la empresa tendr una visin de lo que necesitar en el futuro para satisfacer la demanda, adems tendr informacin de la cantidad y duracin de sta. Actualmente, el ambiente competitivo empresarial ha motivado el reconocimiento de la funcin de planeacin como una necesidad indispensable en el proceso de administracin de negocios. Un estudio hecho por el Institute of Business Forecasting titulado Why Forecasting? menciona que: hoy en da es ineludible un proceso ms formal de elaborar los pronsticos sin importar en qu tipo de negocio y/o industria se localice la empresa o qu funcin realiza. Siempre hay una necesidad de estimar el futuro sobre la cual construir un plan. Por lo tanto se necesita de un buen pronstico para optimizar la planeacin de ventas, ya que con esto se lograr un mejor nivel de servicio, un menor costo de capital y una mxima rentabilidad de la empresa.
34
35
RF3: Gestionar usuarios Modulo Nueva red: RF4: Crear red neuronal: RF5: Crear red neuronal: RF6: Entrenar red neuronal: RF7: Entrenar red neuronal:
Modulo de validacin de red RF8: Validar red neuronal: RF9: Validar red neuronal: RF10: Validar red neuronal:
Modulo de reportes RF13: Consultar registro de redes: RF14: Consultar registro de redes: RF15: Consultar reportes de pronsticos: RF16: Consultar reportes de pronsticos:
36
Especificacin de requerimientos
A continuacin se especifican los requerimientos que fueron mencionados en la relacin e requerimientos. Se incluyen tanto los requerimientos funcionales como los no funcionales: Requerimientos funcionales Mdulo de gestin de usuarios: RF1: Gestionar usuarios: El sistema deber permitir la creacin y eliminacin de un usuario, as como la modificacin del tipo de cuenta. RF2: Gestionar usuarios: El sistema deber restringir el uso de diferentes funcionalidades para cada cuenta creada dependiendo del tipo de usuario (administrador u operador). RF3: Gestionar usuario: El sistema deber permitir (al usuario administrador) cambiar el tipo de cuenta de otros usuarios. Modulo de nueva red RF4: Crear red neuronal: El sistema deber permitir crear una nueva red, para lo cual el usuario administrador podr ingresar los parmetros de entrada. RF5: Crear red neuronal: El sistema deber almacenar la red neuronal creada, a la cual le asignar el estado de creada. RF6: Entrenar red neuronal:
37
El sistema deber permitir entrenar la red neuronal previamente creada, utilizando informacin histrica de ventas, la cual deber ser extrada de la base datos asociada a la aplicacin. RF7: Entrenar red neuronal: El sistema deber almacenar la red neuronal entrenada, a la cual le deber cambiar el estado a entrenada. Modulo de validacin de red RF8: Validar red neuronal: El sistema deber permitir validar una red neuronal previamente entrenada, utilizando informacin histrica de ventas, la cual deber ser extrada de la base de datos asociada a la aplicacin. RF9: Validar red neuronal: El sistema deber mostrar los resultados obtenidos de la validacin de la red neuronal, tales como: data real, data obtenida, margen de error, etc. RF10: Validar red neuronal: El sistema deber almacenar la red neuronal validada, a la cual le deber cambiar el estado a validada. Modulo de Pronstico RF11: Realizar pronstico: El sistema deber permitir realizar un nuevo pronstico, donde el usuario deber ingresar los parmetros de entrada y deber elegir la red neuronal que ms le convenga. RF12: Realizar pronstico:
38
El sistema deber generar el pronstico de ventas, de acuerdo a la informacin que ingreso el usuario. Modulo de reportes RF13: Consultar registro de redes: El sistema deber mostrar un reporte con la informacin de las redes neuronales existentes en la base de datos. RF14: Consultar registro de redes: El sistema deber permitir que el reporte se pueda exportar, para lo cual es usuario deber escoger el tipo de archivo en el cual desea exportar el reporte. RF15: Consultar reportes de pronsticos: El sistema deber mostrar un reporte con la informacin de los pronsticos existentes en la base de datos. RF16: Consultar reportes de pronsticos: El sistema deber permitir que el reporte se pueda exportar, para lo cual es usuario deber escoger el tipo de archivo en el cual desea exportar el reporte. Modulo mantenimiento de redes RF17: Eliminar red neuronal: El sistema deber permitir que el usuario administrador pueda eliminar una red neuronal, la red neuronal deber cambiar de estado a deshabilitado. Requerimientos no funcionales RNF1: La aplicacin ser implementada en una PC o Laptop con sistema operativo Windows XP o superior.
39
RNF2: Solo algunos empleados podrn ser uso del sistema a travs de su usuario y contrasea. RNF3: Se requiere una memoria de 256 Mb o superior para el correcto funcionamiento del sistema, as como un procesador de 1.6 GHz o superior, y un disco duro de 80 Gb o superior. RNF4: Es necesario que la PC o Laptop tenga instalada la ltima versin del JRE (Java Runtime Environment) ya que el sistema ser desarrollado con el lenguaje Java. RNF5: El sistema deber ser fiable, un error en la aplicacin puede hacer que no se gener la informacin correcta, lo cual podra originar que la empresa tome decisiones errneas. RNF6: El sistema deber tener un grado de escalabilidad aceptable de acuerdo al flujo de trabajo de la empresa. RNF7: El diseo del sistema debe contemplar el uso ptimo de los recursos tales como la conexin a la base de datos. RNF8: El sistema deber ser de interfaces intuitivas y de fcil uso para los usuarios. RNF9: El sistema deber estar disponible 24 horas al da, los 7 das de la semana durante todo el ao. RNF10: Las operaciones transaccionales del sistema no deben exceder los 2 segundos. RNF11: El cdigo debe ser mantenible e implementado de tal forma que no obligue a generar nuevas versiones en el caso que existan cambios en los parmetros del negocio.
40
41
Diagrama de paquetes
Paquete Seguridad: Es el paquete que controla el acceso a los usuarios del sistema. Los usuarios accedern mediante el nombre de usuario y contrasea. Paquete Redes neuronales Contiene la lgica principal del sistema y permite la creacin y uso de las redes neuronales. Paquete Consultas Permite al usuario realizar las consultas sobre el registro de redes y pronsticos, as como la eliminacin de los mismos.
42
Realizar pronstico Crear red neuronal Ingresar parmetros de entrada Entrenar red neuronal Ingresar parmetros de entrenamiento Validar red neuronal
43
44
45
46
Iniciar sesin: Mediante este caso de uso el usuario podr acceder al sistema ingresando el nombre de usuario y su contrasea. Flujo bsico Usuario: Ingresa su nombre de usuario y contrasea. Sistema: Muestra la aplicacin. Flujo alternativo En el paso 1, si el nombre de usuario o la contrasea son incorrectos: 2a) Sistema: Muestra mensaje de error.
47
Modificar datos de la cuenta Este caso de uso permite a los usuarios modificar los datos personales registrados anteriormente en el sistema. Flujo bsico Usuario: Inicia sesin ingresando su nombre de usuario y contrasea. Sistema: Muestra la aplicacin. Usuario: Selecciona la pestaa Usuario y presiona el botn Modificar datos de la cuenta. Sistema: Habilita los campos que sern modificados. Usuario: Modifica los datos y los guarda. Sistema: Confirma que los datos fueron modificados y regresa a la pestaa Usuario. Flujo alternativo En el paso 5, si el usuario cancela la modificacin de los datos: 5a) Sistema: Regresa a la pestaa Usuario. En el paso 5, si los datos ingresados por el usuario son inconsistentes: 5b) Sistema: Muestra un mensaje de error. Gestionar usuarios:
Este caso de uso permite exclusivamente al usuario administrador la creacin, modificacin o eliminacin de los usuarios. Flujo bsico
48
Administrador: Inicia sesin ingresando su nombre de usuario y contrasea. Sistema: Muestra la aplicacin. Administrador: Selecciona la pestaa Usuario y escoge la opcin Crear usuario, Eliminar usuario o Modificar tipo de cuenta. 3a) Si escoge la opcin Crear usuario ver subflujo Crear usuario. 3b) Si escoge la opcin Eliminar usuario ver subflujo Eliminar usuario. 3c) Si escoge la opcin Modificar tipo de cuenta ver subflujo Modificar tipo de cuenta. Subflujos Crear usuario: Sistema: Muestra los campos necesarios para ser llenados. Administrador: Llena los campos y agrega el usuario al sistema. Sistema: Confirma que el usuario fue agregado y regresa a la pestaa Usuario. Eliminar usuario: Sistema: Muestra todos los usuarios que existen en el sistema. Administrador: Selecciona el usuario o usuarios que desea eliminar y presiona el botn eliminar. Sistema: Confirma que el usuario fue eliminado y regresa a la pestaa Usuario.
Modificar tipo de cuenta: Sistema: Muestra todos los usuarios que existen en el sistema a excepcin de la cuenta actual.
49
Administrador: Selecciona el usuario que desea modificar y presiona el botn Modificar. Sistema: Muestra los datos del usuario seleccionado. Administrador: Modifica el tipo de cuenta del usuario seleccionado y presiona el botn Guardar. Sistema: Confirma que el usuario fue eliminado y regresa a la pestaa Usuario. Flujo alternativo Para todos los Subflujos en el paso 2), si el administrador decide cancelar la agregacin, modificacin o eliminacin de algn usuario: 2a) Sistema: Regresa a la pestaa Usuario. Para el subflujo Crear usuario en el paso 2), si los datos ingresados por el administrador son inconsistentes: 2a) Sistema: Muestra un mensaje de error.
Crear red neuronal Administrador: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Administrador: Selecciona la pestaa Nueva Red. Sistema: Muestra el formulario para ingresar los datos de la nueva red.
50
Administrador: Ingresa los parmetros de entrada de la red; al finalizar selecciona la opcin Crear red. Sistema: Valida los datos ingresados y crea la red. Confirma la creacin de la red. Flujo alternativo En el paso 5 si el usuario decide cancelar la creacin de la red: 4a) Sistema: Regresa a la pantalla principal. En el paso 6 los datos ingresados por el usuario son inconsistentes: 6a) Sistema: Muestra un mensaje de error. Entrenar red neuronal Administrador: Ingresa al sistema con su usuario y contrasea. Sistema: muestra la aplicacin. Administrador: Selecciona la pestaa Entrenar red. Sistema: Muestra la interfaz Entrenar red. Administrador: Selecciona la red que desea entrenar (previamente creada), los valores para el entrenamiento de la red y la opcin Entrenar red. Sistema: Procesa la informacin ingresada y muestra los valores generados por el entrenamiento. Administrador: Selecciona la opcin Guardar red. Sistema: Cambia el estado de la red a entrenada y confirma. Flujo alternativo En el paso 5 si el administrador decide cancelar: 5a) Sistema: Regresa a la pantalla principal.
51
En el paso 7 si el administrador decide cancelar. 7a) Sistema: Regresa a la pantalla principal. Validar red neuronal Administrador: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Administrador: Selecciona la opcin Validar red. Sistema: Muestra la interfaz Validar red. Administrador: Selecciona la red que desea validar (previamente entrenada), los valores para la validacin y la opcin Validar red. Sistema: Procesa la informacin ingresada y muestra los valores generados. Cambia el estado de la red a validada. Flujo alternativo En el paso 5 si el administrador decide cancelar: 5a) Sistema: Regresa a la pantalla principal. Realizar pronstico Usuario: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Usuario: Selecciona la opcin Pronstico. Sistema: Muestra la interfaz Pronstico. Usuario: Selecciona el nombre del pronstico, ingresa los parmetros de entrada y selecciona la red neuronal con la que realizar el pronstico. Sistema: Procesa la informacin ingresada y muestra el pronstico generado.
52
Flujo alternativo En el paso 5 si el usuario decide cancelar: 5a) Sistema: Regresa a la pantalla principal. En el paso 6 si el usuario ingres datos inconsistentes: 6a) Sistema: Muestra un mensaje de error.
Consultar registro de redes Usuario: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Usuario: Selecciona la opcin Reportes. Sistema: Muestra la interfaz Reportes. Usuario: Selecciona el reporte Redes neuronales. Sistema: Muestra el reporte de las redes neuronales existentes en la base de datos (nombre de la red, parmetros, margen de error, estado de la red, etc.). Usuario: Si desea puede exporta el reporte. Si escoge la opcin Exportar reporte, ver subflujo exportar reporte. Subflujo
53
Exportar reporte Usuario: Selecciona la opcin Exportar reporte. Sistema: Muestra una ventana para elegir las preferencias del reporte. Administrador: Selecciona el tipo de archivo en que desea guardar el reporte, ingresa el nombre del reporte y elige la ruta en que desea guardar el reporte. Sistema: Guarda el reporte de acuerdo a los datos ingresados. Flujo alternativo En el paso 3 si el usuario decide cancelar: 3a) Sistema: Regresa a la pantalla principal. Consultar reporte de pronsticos Usuario: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Usuario: Selecciona la opcin Reportes. Sistema: Muestra la interfaz Reportes. Usuario: Selecciona el reporte Pronsticos. Sistema: Muestra el reporte de los pronsticos registrados en la base de datos. Usuario: Si desea puede exporta el reporte. Si escoge la opcin Exportar reporte, ver subflujo exportar reporte. Subflujo Exportar reporte Usuario: Selecciona la opcin Exportar reporte. Sistema: Muestra una ventana para elegir las preferencias del reporte.
54
Administrador: Selecciona el tipo de archivo en que desea guardar el reporte, ingresa el nombre del reporte y elige la ruta en que desea guardar el reporte. Sistema: Guarda el reporte de acuerdo a los datos ingresados. Flujo alternativo En el paso 3 si el usuario decide cancelar: 3a) Sistema: Regresa a la pantalla principal. Eliminar red neuronal Administrador: Ingresa al sistema con su usuario y contrasea. Sistema: Muestra la aplicacin. Administrador: Selecciona la opcin Eliminar red neuronal. Sistema: Muestra la interfaz Eliminar red neuronal. Administrador: Selecciona la red neuronal a eliminar y la opcin eliminar red. Sistema: Cambia de estado la red neuronal y muestra un mensaje de confirmacin. Flujo alternativo En el paso 5 si el administrador decide cancelar: 5a) Sistema: Regresa a la pantalla principal. Matriz CUN vs. CUS
Atributos de los casos de uso del sistema Benchmarking Soluciones encontradas Prototipos de la solucin Conclusiones
56
REFERENCIAS
[1] Raul Pino Diez - Alberto Gmez Gmez - Nicols de Abajo Martnez, 2001, Introduccin a la Inteligencia Artificial: Sistemas Expertos, Redes Neuronales Artificiales y Computacin Evolutiva, I.S.B.N.: 84-8317-249-6 [2] Daniele Bourcier, 2003, Inteligencia Artificial y Derecho, I.S.B.N.: 84-8318-974-7 [3] Luis lvarez Munarriz, 1994, Fundamentos de Inteligencia Artificial, I.S.B.N.: 847684-563-4 [4] Neta Deshpande, 2008, Artificial Intelligence, I.S.B.N.: 978-81-8431-337-6 [5] Miguel Barcel Garca, 2008, Inteligencia artificial [6] Ballou Ronald H, 2004, Logstica, Administracin de la cadena de suministro, I.S.B.N.: 970-26-0540-7 [7] Jairo Amaya Amaya, Toma de decisiones gerenciales-Mtodos cuantitativos para la administracin [8] Francisco Escolano Ruiz - Miguel ngel Cazorla Quevedo, Inteligencia Artificial, 2003, I.S.B.N.: 849732-183-9 [9] Jean Pierre Levy Mangin, 2008, La Redes Neuronales Artificiales, I.S.B.N.: 978-849745-246-5 [10] Pichaid Varoonchotikul, 2003, Flood Forecastign using Artificial Neural Networks, I.S.B.N.: 905-80-9631-9 [11] David de la Fuente Garcia-Raul Pino Diez-Jose Parreo Fernandez, Mtodos cuantitativos de previsin, Universidad de Oviedo, I.S.B.N: 84-7468-883-3 [12] Hector Viscencio Brambila, Economa para la toma de decisiones, ISBN: 970-686213-7. [13] Jess Garca de Madariaga, Jose Narros Gonzales, Agueda Esteban Talaya, Principios de marketing 3era edicin, 2008, ISBN: 978-84-7356-572-1 [14] Olmos Arrayales Jorge, tu potencial emprendedor, 2007, ISBN: 970-26-0968-2 [15] Editorial Limusa, Mercadotecnia programada: Principios y aplicaciones para orientar a la empresa, 2004, ISBN: 968-18-5400-4
57