Captulo 3.

0: Sociologa y Computacin Suave

3.1 Introduccin a la computacin Suave
Introduccin
La computacin suave es el trmino que le ha dado L.A. Zadeh (1994) a la integracin de cuatro componentes1 complementarios que estn orientados a modelar los procesos cognoscitivos de la mente humana. Los componentes bsicos son: la lgica borrosa, las redes neuronales, la computacin evolutiva y el razonamiento probabilstico. Estos componentes tienen los siguientes objetivos: Los sistemas basados en lgica borrosa o lgica difusa, transforman la informacin de un dominio lingstico a un dominio numrico para efectuar razonamientos aproximados e inferencias mediante una lgebra booleana. Los sistemas de redes neuronales artificales, computan y procesan informacin en forma muy eficiente mediante el aprendizaje y la auto-organizacin de parmetros de conectividad en redes. El desarrollo de la computacin evolutiva efecta procesos de optimizacin de estructuras y funciones y/o procesos complejos. El desarrollo del razonamiento probabilstico establece inferencias a travs de procesos analticos o estrategias heursticas.

La computacin suave, a diferencia de la computacin dura que est basada en tcnicas y teoras con algoritmos muy rigurosos con amplia aplicacin tecnolgica, est orientada a resolver problemas que toleran la imprecisin de la informacin, la incertidumbre y las verdades parciales (Zadeh, 1994). Tratan de explotar estas caractersticas en aplicaciones que deriven en procesos inteligentes, por ello tambin se le conoce como computacin inteligente. Tolerar la imprecisin y/o incertidumbre de la informacin no implica imprecisiones en los clculos o una falta de inters por encontrar valores ptimos para un proceso dado, tampoco se evade el reto de realizar el mayor esfuerzo posible para aumentar las certezas en las decisiones. Se trata de observar la naturaleza compleja de los elementos y las relaciones de los objetos de estudio, ya sean del dominio fsico, biolgico, mental o social, y desarrollar estrategias que por aproximacin sucesiva encuentren mayores niveles de consistencia, coherencia y similitud respecto a los razonamientos humanos. La articulacin de los componentes en la computacin suave es participativa y no competitiva, entre ellos no se sustituyen, se complementan (Zadeh, 1994). Por ejemplo, el par consolidado entre la lgica borrosa y las redes neuronales asistidas genera los sistemas conocidos como neuroborrosos. La articulacin de las dems tcnicas se establece en la forma especfica de las aplicaciones: la computacin evolutiva puede adecuarse a la transformacin de estructuras de los sistemas neuroborrosos y el razonamiento probabilstico tambin puede formar parte de un subsistema de toma de decisiones de dichos sistemas. Antes de describir la conformacin de los sistemas neuroborrosos, que es el tipo de sistema que ms se aproxima al modelo adaptativo, daremos una ubicacin general de los tres

El trmino de componentes refiere a teoras, mtodos y estrategias involucradas en los temas de la computacin suave.

componentes centrales que estn presentes en diferentes proporciones y matices en dicho modelo: la lgica difusa, las redes neuronales artificiales y los sistemas expertos, dentro del mbito de la Inteligencia artificial, o tambin como ahora se alude dentro de la Ingeniera del Conocimiento (Pajares y Santos, 2006).

Representacin del conocimiento

La inteligencia artificial como conjuncin de varias teoras a partir de las posibilidades que ofreci la ciberntica y el desarrollo de las tecnologas computacionales, orienta una de sus reas principales a formas de representacin del conocimiento. Ante este planteamiento se han planteado dos perspectivas, la simblica y la conexionista (Pajares y Santos, 2006:47-48). La representacin simblica hace explcitos a los signos y los caracteres para configurar los smbolos. Se cristaliza en un conjunto de enunciados asociados a un lenguaje de programacin que en su conjunto reconoce informacin que es necesario procesar y que representa simblicamente mediante signos y caracteres. Deriva de la lgica sus mecanismos de inferencia a travs de reglas de decisin. Hace uso de las funciones, matrices y tablas de las matemticas para construir bases de datos. Del anlisis de estructuras de datos en la computacin toma las representaciones relacionales, de tipo red y jerrquicas para establecer clasificaciones y valorizaciones. De los lenguajes de programacin ms recientes toma las propiedades de herencia en objetos constructivos. Las inferencias de la representacin simblica toman en cuenta varios tipos de lgica (Pajares y Santos, 2006:53-78): La lgica clsica, lgica proposicional o lgica de conjuntos booleanos, opera con dos valores posibles y de ellas se pueden generar sentencias, que a partir de reglas establecidas, se establecen inferencias. En ellas se pueden aplicar las siguientes operaciones epistmicas: conjuncin, disyuncin, implicacin y negacin a partir de las cuales construye tablas de verdad en las que ofrece el panorama de posibilidades para las inferencias. En la lgica de Predicados se incluyen Predicados en las sentencias, as como los operadores de cuantificacin de existencia y universal. Hace uso de la tcnica de reduccin al absurdo y de la unificacin de patrones. En la lgica de la Incertidumbre se desconocen las premisas y se resuelven los enunciados por la va de la probabilidad y la estadstica, haciendo uso de las Leyes Bayesianas. En el caso de las lgicas multivariables (en el que est la lgica borrosa o difusa) se pueden establecer tantos matices como sea necesario para definir los grados de verdad, la generacin de predicados y de inferencias, y los cuantificadores y modificadores.

Sistemas Expertos
Los sistemas expertos forman parte de la representacin simblica del conocimiento y estn basados en reglas de inferencia de la lgica formal cuyos parmetros son guardados en una Base de datos de Conocimiento que es generada por Expertos. Constituyen un sistema de inferencias basado en la definicin de reglas que han sido establecidas y definidas por la

experiencia de uno o ms expertos. En la figura 3.1 se muestra un esquema bsico de un sistema experto (Pajares y Santos, 2006:99).

En ella se aprecia que de acuerdo a un plan previamente establecido, el experto transmite al ingeniero en sistemas que construye el sistema, los conocimientos en forma de reglas (1) en la figura 3.1, por ejemplo: si se cumple este hecho, entonces se lleva a cabo esta accin, si no se cumple, se lleva a cabo esta otra (2). Con ello se construye una base de datos de conocimientos (3) que es usada por el motor de inferencias (4) para extraer de ella informacin a partir de la cual se da la explicacin (5) al usuario. Este elabora las preguntas de acuerdo a un procedimiento para hacer las peticiones al sistema (6). La base de datos de conocimiento se actualiza peridicamente (7). La base de datos de conocimientos est formada por palabra clave y fragmentos de frases y oraciones a partir de las cuales se construyen las respuestas del sistema. El motor de inferencias est formado por un conjunto de instrucciones basadas en un lenguaje de programacin que es precisamente el que construye las respuestas del sistema. Por otro lado, La representacin conexionista est basada en la construccin de redes de nodos que llevan a cabo transformaciones numricas vinculadas e tienen asociados implcitamente significados vinculados a la informacin que procesan. Este conocimiento se cristaliza en las redes neuronales que se pueden describir en trminos de macro-funciones que transforman y generan informacin, con base en los valores que tienen asociadas las redes. Para que una red pueda ofrecer conocimiento es necesario que se le prepare mediante una etapa de aprendizaje. La construccin de las redes est basada en una analoga del sistema neuronal a la cual se le modela mediante un sistema de ecuaciones. Las estrategias de aprendizaje son generalmente de tipo heurstico. Las Redes Neuronales Artificiales se clasifican en tres grandes grupos: (Bro y Sanz, 2002:31)

las que requieren de un tutor para su aprendizaje (paquetes de datos de entrada y salida) y por ello la identificacin de asistidas o supervisadas y de aqu su identificacin con Redes Neuronales Artificiales Asistidas (RNAA). las no supervisadas que se auto-organizan para encontrar nuevas respuestas que se identifican con paquetes de datos, y de aqu su identificacin con Redes Neuronales Auto-organizadas2, y las que combinan ambas estrategias: identificadas como Redes Neuronales Hbridas, y admiten un reforzamiento en el aprendizaje.

La descripcin y representacin de la lgica difusa y de las Redes Neuronales Artificiales Asistidas (RNAA) las presentamos ms adelante. Por ahora vamos a sintetizar la vinculacin de ambos conceptos en los sistemas borrosos.

Sistemas Neuroborrosos
Los sistemas Neuroborrosos integran las propiedades de la lgica difusa y de las redes neuronales artificiales. La potencialidad de esta unin se desprende de la articulacin entre las caractersticas y propiedades de cada teora que es necesario conocer primero. La lgica borrosa3 fue propuesta por L. A. Zadeh (1965) y el modelo de redes neuronales artificiales asistidas RNAA fue establecido inicialmente por McCulloch and Pitts, (1943). Ambas son dos temas propios de las matemticas y de la inteligencia artificial respectivamente. Han surgido a partir de necesidades y deseos al interior de una actividad interdisciplinaria practicada en los ltimos 30 aos. La LB se establece a partir del encuentro entre las matemticas y algunas necesidades del campo de las ingenieras orientadas al rea de control de procesos industriales. Las RNAA emergen del deseo de encontrar analogas e isomorfismos entre la biologa, las matemticas y la fsica, concretamente, en el modelado electrnico y solucin matemtica de algunos comportamientos de la operacin neuronal del cerebro. En el caso de la Lgica Borrosa aplicada al control de procesos, el propsito final es lograr una toma de decisiones ms inteligente autodeterminante y mejor matizada en torno a las operaciones de las mquinas y/o de los procesos industriales. Ah surge la necesidad de mejorar la relacin entre los instrumentos automatizados de medicin y de accionamiento de las mquinas. Los ingenieros de procesos, han deseado tender puentes entre dos lgicas: Una lgica propia del lenguaje de los trabajadores que operan los procesos custodiada y encerrada en su propia experiencia, y consecuentemente un tanto borrosa, difusa para otras miradas, pero a su vez ms inteligente y certera que la de las mquinas automatizadas, y

Las redes neuronales Auto-organizadas estn orientadas a la construccin de patrones de informacin y por ello operan con una dinmica de construccin y operacin diferente a las Asistidas. No las abordamos en este trabajo pero si las habremos de considerar para futuros desarrollos en donde sern sustitutos muy poderosos para los que identificaremos como Funciones de Interfase, esto es para que el sistema adaptativo las construya y pueda reconocer material emprico ms fundamental, menos dxico, menos observado por el analista. Entre los modelos ms conocidos estn el modelo ART, el Hopfield y los Mapas de Kohnen. (Bro y Sanz, 2002, 31). Tambin referida como Lgica Difusa o Lgica de conjuntos Borrosos y en ingls Fuzzy Logic. Sugerimos al lector que no haya tenido oportunidad de asociar la palabra borrosa o difusa a la lgica, que piense en ellas como una forma de aludir a la gama de grises que existe entre el blanco y el negro, como la alusin a una lgica que se establece en trminos de matices de gris y no slo en trminos de blanco y negro.

Una lgica instaurada en la operacin de las mquinas, como una forma tecnolgica que asegura el control de su operacin, y que es ms inflexible en sus posibilidades de decisin, pero que est asociada a valores discretos, claramente establecidos y en correspondencia a las posibilidades fsicas / mecnicas de las mquinas y de la sensibilidad de los instrumentos de control automatizados. Finalmente se trata de una lgica ms burda y menos precisa que la dictada por la experiencia de los operadores.

En el caso de las RNAA, el inters surge de la necesidad de modelar una parte de los comportamientos del cerebro: la forma de sus inferencias, de su aprendizaje, de su memoria. De ello se deriva la virtud de realizar dichos razonamientos a muy alta velocidad. Con base en los comportamientos biolgicos de las redes neuronales compuestas por dendritas, sinapsis, ncleos y estructuras neuronales, se establecen modelos matemticos para transplantar sus interacciones y formas de operacin a modelos de redes de circuitos lgicos digitales basados en operaciones elementales e interrelacionados en forma de redes en operacin recursiva. Los nuevos ngulos de observacin ofrecidos por estas teoras y el mejoramiento en la precisin de los instrumentos en las tecnologas asociadas4 han permitido una mayor comprensin en la mirada de constructores de mquinas y sistemas de operacin y control de procesos con mayor grado de autodeterminacin. Bajo la LB se han transformado las formas para considerar / recortar los observables de entornos complejos y de re-modelar la construccin y transmisin de observables de segundo orden como resultados y transmitidos al entorno. Bajo la perspectiva de las RNAA se tienen nuevos ngulos para analizar el procesamiento, la transformacin y la construccin de tomas de decisin en los procesos. Su estudio contribuye al esclarecimiento de las fases de aprendizaje y auto-organizacin en los sistemas donde se integran. En consecuencia, esta nueva perspectiva ha contribuido a una ms clara explicacin de los problemas, a su racionalizacin y formalizacin, ya que al operar la LD y las RNAA dentro de un dominio numrico, es posible potenciar las posibilidades de reflexin de los observadores / constructores con base en diferentes representaciones, as como explicitar demostraciones contenidas en procedimientos algortmicos y/o en estrategias heursticas propias del funcionamiento y operacin de procesos de aprendizaje y auto-organizacin. Pero quiz la fortuna ms luminosa que se ha fraguado en los ltimos 15 aos es la conjuncin de ambas tcnicas (la LB y las RNAA). De la LB se toma la estrategia de transformar dominios lingsticos en numricos y viceversa. De las RNAA se toma la capacidad de integracin de conceptos, de inferencia y velocidad de procesamiento. La conjuncin de estas teoras ha hecho presente en el terreno de los artefactos, agentes y sistemas inteligentes de la tecnologa industrial5, en las que en trminos generales se llevan a cabo los siguientes procesos de carcter general:

Originalmente ambas teoras / tecnologas formaron parte de los temas de la Teora de Control y de la Inteligencia Artificial. Conforme su desarrollo se fue dando en diversas aplicaciones con interacciones cada vez ms estrechas, ambas teoras se han consolidado y asociado a otras teoras semejantes para asentarse dentro del campo de la Cognicin y/o en el del Control Asistido por Computadora (CAD-CAM) donde su campo de aplicacin se expande rpidamente. 5 Las aplicaciones de las RNA son infinitas, cabe mencionar entre las ms significativas al reconocimiento de caracteres tecnologas OCR- extendida a patrones de objetos diversos y de rostros, as como el reconocimiento de sonidos asociados con aplicaciones de traduccin entre lenguajes. En el campo industrial las aplicaciones generalmente estn orientadas a la construccin de instrumentos de medicin, equipos y el control de procesos concebidos ya como sistemas que operan con base en LB / RNA.

I. A travs de la LB, los dispositivos, artefactos o agentes inteligentes son capaces de introducir a su dominio de operacin, una gran variedad de observables / datos de muy diversas naturalezas. Este proceso implica una transformacin de los observables que pertenecen a un dominio determinado en trminos de enunciados y/o mediciones, a los observables como datos numricos dentro de variables en un dominio digital. Este proceso propio de la LB se reconoce como fuzzification6 y nos referiremos a l como borrosificacin7. II. Al interior de los artefactos inteligentes los observables se encuentran ya como datos en un dominio numrico y se transmiten como informacin para ser procesada en las RNAA. En ellas y entre ellas, la informacin se sujeta a operaciones elementales de diferenciacin, integracin, comparacin, ponderacin y repeticin, y de las redes tejidas entre las neuronas se deriva una nueva forma de memoria8 de la que es posible hacer inferencias, y desde donde se generan los resultados numricos de la RNAA. III. Los resultados de las RNAA son nuevamente transformados con base en la LB en un proceso de defuzzification / re-conversin como salidas del artefacto, en los trminos propios del lenguaje del entorno. A este proceso nos referiremos como desborrosificacin. Esta conjuncin de tcnicas ha generado uno de los componentes centrales para el desarrollo sistemas neuroborrosos (Bro y Sanz, 2002,284) para la construccin de aparatos inteligentes de la tecnologa actual, dada su amplia aplicacin en muchas reas de desarrollo e investigacin industrial. Es el resultado de una convergencia y conjuncin de disciplinas como las matemticas, la fsica, la biologa, la computacin, la psicologa, y las ciencias cognitivas, principalmente.

El proceso de fuzzification es equivalente a la conversin analgico / digital, que consiste en una transformacin de la seal analgica en trminos de frecuencias y amplitudes a una seal digital en trminos de un par de potenciales como funcin cuadrada, cuyos valores son equivalentes a un bit encendido y otro apagado. De la misma manera se tienen los procesos de defuzzification correspondientes a conversiones digital / analgica. Estas conversiones / transformaciones son tambin una forma de aplicacin de la LB entre dos dominios fsicos: la seal digital y la seal analgica. Quiz no sea la mejor traduccin del termino fuzzificacin pero cobra ms sentido cuando asociamos a este concepto la operacin relativa al paso de lo discreto a lo continuo con base en su equivalencia con el paso de un conjunto abrupto -de elementos discretos- a un conjunto borroso de elementos continuos, de aqu la operacin de borrosidad. Cabe mencionar que toda explicacin relativa al paso de lo discreto a lo continuo y viceversa debe tomar en cuenta la distancia del observador al objeto de estudio. En este caso nos referimos a una forma para describir a los observables como partes recortadas de una totalidad ahora en forma discreta, antes en forma continua. Estos observables, por otro lado, se asocian a nmeros que pertenecen a un conjunto de elementos continuos, los nmeros reales. Desde otro ngulo de observacin, la forma de los observables es continua, como el flujo del discurso que narra los sentires todava ms densos, de una mirada reflexiva sobre los problemas sociales..., y por otro lado, estos observables, al ser cuadriculados dentro del dominio de los nmeros enteros, se fragmentan y se vuelven discretos. El observador que comprende la lgica difusa, ve al conjunto de premisas, axiomas e inferencias de la lgica clsica como un juego entre blanco / verdadero y negro / falso, como lgica binaria, y a la lgica difusa o borrosa como unos conjuntos / funciones de pertenencia dentro del juego de tonos de grises / grados de significacin. Es por ello que la borrosificacin alude al paso de lo discreto a lo continuo. 8 El calificativo de nueva a la memoria que implican las RNA cobra sentido cuando comparamos las formas tradicionales de la memoria en los sistemas de cmputo (largas listas y tablas de datos ordenadas e interrelacionadas), con la memoria que encierran los coeficientes del sistema de ecuaciones que representa una RNA. La matriz de coeficientes o matriz de transferencia en un sistema de ecuaciones contiene el aprendizaje de la RNA.
7

Algunas formas de aplicacin se presentan en (Martn del Bro y Sanz, 2002). Estas tecnologas han sido ampliamente aplicadas desde la dcada de los aos noventa en reas de la Ingeniera Qumica (Quantrille, 1995), en reas de investigacin neurofisiolgica y cognicin (Altrok, 1994), (Pajares y Santos, 2006), (Chorayan, 2000, 2002) y (Lee, 1996) entre otros. Recientemente han sido introducidas en las ciencias sociales en (Siagain, 2003a, 2003b), (Situngkir, 2003), (Calventus, 2000), (Negoita, 1994) y (Martn del Bro y Sanz, 2002). Prcticamente todas las aplicaciones referidas no fueron concebidas dentro de la perspectiva de la computacin suave. Son fundamentalmente desarrollos que establecieron vnculos entre las teoras, mtodos o estrategias asociadas a la computacin y a la inteligencia artificial, aplicados a diferentes disciplinas como la Fisicoqumica, la Neurologa y la Sociologa entre otras.

Informacin de la Tesis sobre Sistemas adaptativos para el anlisis social: una aproximacin desde la Sociociberntica de Jos A. Amozurrutia, junio del 07.