Algoritmos Genéticos

Los algoritmos genéticos son basados en la selección natural, en la teoría de

Darwin. Donde se establecen una analogía entre conjunto de soluciones de un
problema y un conjunto de individuos de una población natural, se aplican
principalmente en problemas de optimización o cuya complejidad no permita una
solución directa. Un ejemplo es los no resolubles polinomialmente (NP-duros).
La teoría sintética de la evolución se basa en los genes como transferencia de la
herencia genética de un individuo por medio del genotipo el cual consiste en un
conjunto de cromosomas, los cuales conforman una estructura jerárquica de
genes. Donde los genes son una unidad bioquímica de codificaciones de un
producto genético y constituye una unidad funcional de información básica para el
desarrollo de un organismo, los genes ocasionalmente pueden ser modificados
por mutaciones, donde tramite la apariencia de sus progenitores y sus
funcionalidades y el nivel de selección de los individuos se hace donde el que
cumple mayor eficiencia de su trabajo tiene mayor posibilidad de reproducirse.
Una codificación de una población determina tratar un problema, ya sea binaria o
mediante de números reales.

Podemos determinar, que cada elemento de la población es una ruta entre

ciudades.

Codificación mediante una matriz binaria de adyacencias.

Una función de fitness(adaptación) que cuantifique la optimalizad de cada
elemento de la población.
Un claro ejemplo, podemos tomar la longitud total del recorrido como función de
adaptación de un recorrido dado.

Elementos de un algoritmo genético

Los operadores genéticos de cruzamiento y mutación, mediante los cuales se
introducirá diversidad en la población.
La mutación se lleva a cabo variando aleatoriamente el valor de algún bit, o
introduciendo un valor aleatorio en los números reales.

El cruzamiento trata de combinar elementos de la población para combinar las

mejores características.
Implementación de un Algoritmo Genético

Un mecanismo de selección para tomar una subpoblación con los individuos mejor
adaptados de la población.

El mecanismo de la ruleta nos permite obtener una subpoblación donde cada

individuo tendrá una probabilidad proporcional a su función de adaptación de ser
seleccionado en la subpoblación.
 Stanford desarrolla algoritmo de alta precisión para la
identificación de arritmias cardiacas.
Los estudiantes de la universidad de Stanford, han desarrollado un algoritmo
computacional que sobre pasa las capacidades de los médicos, cardiólogos y
profesionales en cuanto detectar arritmias cardiacas en electrocardiogramas.
Anqué antiguamente no se creía poder tomar la arritmia cardiaca, y el nivel de
dificultad era extremadamente alta, los programas ya establecidos, mostraban un
porcentaje del 50% de satisfacción, pero los resultados, no eran de gran utilidad,
ya que no llegaba al 100% de eficiencia, tampoco reconocían los diferentes tipos
de ondas.
Gracias a la colaboración de la empresa iRhythm Techonologies, se permitió
probar y experimentar el algoritmo, que les ayudo acceder a electrocardiogramas
tomados en un periodo mayor a dos semanas, donde se usaron 64 mil 121
registros de 29 mil pacientes de 203. “Estos fueron tomados con una frecuencia de
200 Hz y tiene una duración de 30 segundos cada uno​.”
(https://nacionfarma.com/stanford-desarrolla-algoritmo-alta-precision-la-identificaci
on-arritmias-cardiacas/)
El algoritmo que diseñaron fue de aprendizaje profundo, para analizar los
electrocardiogramas de pacientes que padecían arritmia, a continuación, veremos
el algoritmo que utilizaron.

Ilustración 1.Algoritmo de cardiologia.https://arxiv.org/abs/1707.01836v1

La red toma como entrada una serie temporal de señal de ECG sin procesar y
genera una secuencia de predicciones de etiqueta. La señal de ECG de 30
segundos de duración se muestra a 200 HZ, y el modelo genera una nueva
predicción una vez por segundo. Llegamos a una arquitectura que consta de 33
capas de convolucion seguidas de una capa completamente conectada y softmax.
Para hacer que la optimización de un modelo tan profundo se manejable,
utilizamos conexiones residuales y normalización de lotes. La profundidad
aumenta tanto la no linealidad del cálculo como el tamaño de la ventana de
contexto para cada decisión de clasificación.
 Ilustración 2. .Algoritmo de cardiologia.https://arxiv.org/abs/1707.01836v1

Recopilamos y anotamos un conjunto de datos de 64,121

registros de ECG de 29.163 pacientes
Los datos del ECG se muestrean a una frecuencia de 200 Hz y se toman de un
dispositivo de monitoreo continuo, no invasivo y de un solo cable llamado Zio
Patch (iRhythm Technologies) que tiene un período de uso de hasta 14 días. Cada
registro de ECG en el conjunto de entrenamiento tiene una duración de 30
segundos y puede contener más de un tipo de ritmo. Cada registro está anotado
por un experto clínico de ECG: el experto resalta segmentos de la señal y la marca
como correspondiente a una de las 14 clases de ritmo.
Recopilamos un conjunto de prueba de 336 registros de 328 pacientes
únicos. Para el conjunto de prueba, las anotaciones de verdad del terreno para
cada registro fueron obtenidas por un comité de tres cardiólogos certificados por el
consejo; hay tres comités responsables de las diferentes divisiones del conjunto
de prueba. Los cardiólogos discutieron cada registro individual como un grupo y
llegaron a un etiquetado de consenso. Para cada registro en el conjunto de prueba
también recolectamos 6 anotaciones individuales de cardiólogos que no participan
en el grupo. Esto se usa para evaluar el rendimiento del modelo en comparación
con un cardiólogo individual.
 Ilustración 3 https://arxiv.org/abs/1707.01836v1

Los errores hechos por el modelo son comprensibles.

Una de las confusiones más comunes es entre el Ritmo Auricular Ectópico (EAR)
y el ritmo sinusal (SINUS). El principal criterio distintivo para este ritmo es una
onda P irregular. Esto puede ser sutil para detectar especialmente cuando la onda
P tiene una pequeña amplitud o cuando hay ruido en la señal.
Del mismo modo, la taquicardia supraventricular (SVT) y la fibrilación auricular
(AFIB) a menudo se confunden con el aleteo auricular (AFL), que es entendible
dado que todas son arritmias auriculares. El ritmo idioventricular (IVR) a veces se
confunde con una taquicardia ventricular (VT), que nuevamente tiene sentido dado
que los dos solo difieren en la frecuencia cardíaca y son difíciles de distinguir
cerca de la delineación de 100 latidos por minuto.

Ilustración 4. https://arxiv.org/abs/1707.01836v1

Tecnologías que utilizan inteligencia artificial

Las tecnologías que utilizan la inteligencia artificial en la robótica es Sophia, un

robot que está diseñado para interactuar con seres humanos la cual tiene
incorporado dos ojos y cámaras sofisticada con la que es capaz de reconocer
expresión facial y el movimiento de los ojos de la persona, con las que mantiene
una conversación, así igualmente poderlos reconocer con quien está hablando.
También puede acordarse de interacciones y de las personas con la que ha
mantenido conversaciones. Sophia utiliza recuerdos para aprender cosas nuevas
y desarrollar aún más su sistema.
También tiene una piel realista que se compone de un material de silicona
patentado llamado ‘Frubber’ que permite simular la elasticidad de la piel humana y
emular de 62 expresiones faciales distintas. La cual este material le da una mira
tan humana y poder engañar el usuario.
Es una combinación de tecnología de reconocimiento de voz de Google Chrome y
otras herramientas que permiten procesar el habla de Sophia y obtener más
inteligencia con el tiempo.
InvoxBot, Es una aplicación de inteligencia artificial para la atención del cliente
donde se puede hacer reservaciones a hoteles, la apertura de tickets o la creación
de nuevos usuarios la cual permite mejorar los procesos de automatización de la
empresa y la cual brinda un servicio de alta calidad de 24 horas y 7 días a la
semana, la cual se puede adaptar, a cualquier empresa y también en compatible
con redes sociales, sistemas operativos, web o asistentes personales.
Pony.ai​ desarrolla un software para automóviles sin conductor: lanzo su primer
vehículo de pruebas autónomo en abril de 2017, y unos meses más tardes realizo
su primera demostración de conducción completamente autónoma. En enero del
2018, obtuvo 112 millones de dólares en fondos de Comcast Ventures, Renguen
Capital y Sequoia Capital China, entre otros. Ahora operar una flota de viajes
compartido sin conductor en Guangzhou, China, que trabaja con el fabricante local
de automóviles.
Corti
Los despachadores del servicio de emergencia en Copenhagen, Dinamarca, está
usando una nueva tecnología de asistencia de voz llamada Corti, que funcionan al
escuchar todas las llamadas telefónicas de emergencia. El sistema analiza la
conversación detecta pistas que luego la relaciona con su base de datos. Luego,
les muestra a los despachadores la información relacionada. La combinación entre
humanos y maquinas ha demostrado ser exitosa, explica el CEO de EMS en
Copenhagen.
Corti les ha salvado la vida a muchas personas, porque en situaciones de
emergencia, las personas suelen estar bajo presión. Tantos las personas en
problemas, como los despachadores pueden estar nerviosos.
https://nacionfarma.com/stanford-desarrolla-algoritmo-alta-precision-la-identificacion-arritmias-c
ardiacas/