UNIVERSIDAD PERUANA LOS ANDES

FACULTAD DE INGENIERÍA
CARRERA PROFESIONAL DE INGENIERIA DE SISTEMAS Y
COMPUTACION

INTELIGENCIA ARTIFICIAL

APLICACIÓN DE LAS REDES NEURONALES A LA ROBOTICA

Mg. Freddy Toribio Huayta Meza

1
• Introducción
• Clasificación de la información
• Aplicaciones lingüísticas
• Diseño de interfaces
• Almacenamiento y recuperación
• Filtrado
• Imágenes: búsqueda multimedia
1. Definición de redes neuronales

• “un sistema de procesamiento de información compuesto

por un gran número de elementos de procesamiento o
neuronas profusamente conectados entre sí a través de
canales de comunicación (Regueiro).
• Estas conexiones establecen una estructura jerárquica y
permiten la interacción con los objetos del mundo real
tratando de emular al sistema nervioso biológico. A
diferencia de la computación tradicional, basada en
algoritmos predecibles, la computación neuronal permite
desarrollar sistemas que resuelvan problemas complejos
cuya formalización matemática es sumamente difícil”.
Ventajas

•aprendizaje adaptativo
•autoorganización
•tolerancia a fallos
•operación en tiempo real
•fácil inserción dentro de la tecnología
existente
Áreas de aplicación

• Reconocimiento de patrones, con aplicaciones en sensación

remota, análisis de imágenes médicas, visión en
computadoras industriales y elementos de proceso de las
entradas para computadores.
• Bases de datos de conocimiento para información
estocástica.
• Control de robots.
• Toma de decisiones.
• Filtrado de señales.
• Segmentación, compresión y fusión de datos.
• Interfaces adaptativas para sistemas hombre/máquina.
Organización de la red
• por niveles o capas de neuronas. Se pueden distinguir tres tipos de
capas: de entrada, ocultas y de salida.
• por la forma de conexión entre neuronas: propagación hacia
adelante y propagación hacia atrás.
Características de las redes neuronales
• Topología.
• Mecanismo de aprendizaje.
• Tipo de asociación entre las informaciones de entrada y salida:
heteroasociativa y autoasociativa.
• Representación de la información de entrada y salida.
2. CLASIFICACIÓN DE LA INFORMACIÓN : Métodos
• .Mapas de Kohonen
• -Pertenece al grupo de red neuronal no supervisada
• -Funcionamiento
• -2 variantes:
LVQ "Cuantificación por Vector de Aprendizaje", caracterizado
por tener una salida en una única dimensión
TPM "Mapa de Preservación Topológica", más conocido por SOM
"Mapa auto-organizativo" con salida bidimensional
Aplicaciones e inconvenientes de los SOM
• Aplicaciones de los SOM:
-Clasificar, extraer características
-Refleja la imagen topológica de la información de entrada (las entradas con
rasgos similares o relacionadas aparecen cercanas en el mapa)
• Inconvenientes:
• poco aplicable a conjuntos de información de gran tamaño
• resulta caro y es lento
Mapas de Xia Lin

•Es un mapa auto-organizado, similar al

de Kohonen
•Funcionamiento: los vectores de cada
documento representan la frecuencia de
aparición de los términos y la red es
entrenada con estos vectores
• Aplicaciones:
• clasifica los datos por materias
• visualiza las materias de un conjunto de datos en un mapa, diferenciadas
por los nombres y colores
• Inconvenientes similares al anterior:
• resulta caro y lento
• aplicable a pequeñas colecciones de datos
• los datos son agrupados por un pequeño número de palabras extraídas
generalmente de los títulos
• Demostración:http://www.uky.edu/~xlin
WEBSOM

• Mapa auto-organizativo similar a los anteriores,

pero que permite trabajar con grandes cantidades
de información y con palabras del texto completo
no sólo del título
• Funcionamiento: se crean también vectores de cada
documento, con ello se genera un mapa intermedio
de categorías de palabras que ordena los términos
según sus relaciones y finalmente se elabora
automáticamente un mapa que agrupa los
documentos según su contenido
Aplicaciones

• el mapa agrupa documentos por su contenido, reflejando las

relaciones entre ellos
• los colores más oscuros o menos reflejan la densidad de información
y la proximidad entre zonas indica la mayor o menor relación entre
los documentos
Ventajas e inconvenientes

• Ventajas: permite la clasificación de gran cantidad de información y

trabaja con el texto completo
• Inconvenientes: necesita mucho tiempo y espacio por la dimensión
de los vectores, pero exiten métodos para reducirlos
Aplicaciones a otros tipos de documentos

•Artículos de grupos de discusión (News)

•Abstracts de artículos científicos
•Abstracts de patentes
•Demostración:
http://websom.hut.fi/websom
ET-MAP

•Es un sistema de clasificación

temática y búsqueda de homepages
de Internet, similar a los mapas
auto-organizados de Kohonen
•Demostración:
http://ai2.BPA.arizona.edu/ent
Mapas de redes de publicaciones científicas

Mapa semejente al de Xia Lin, que relaciona las

revistas de determinado campo temático
• Funcionamiento: se construye un vector para el título
de cada revista que contiene las citas de cada artículo
• Aplicaciones:
• se obtiene un mapa de relaciones, útil para
estudiar las relaciones entre revistas
• también se obtiene otro mapa de dominios
3. Aplicaciones lingüísticas
Procesamiento en lenguaje natural
• Se ha utilizado una adaptación de los SOM: estudios
semánticos y pragmáticos
• Modelado de la gradación y lógica difusa
• la gradación es habitual en el lenguaje natural
• también lo es la contextualidad
• la relación lenguaje-mundo es uno a muchos
• la mejor herramienta es la lógica difusa
• La ambigüedad del lenguaje puede ser un problema:
• se intenta resolver mediante SOMs
Indización y thesauros

• Problemas de vocabulario y de subjetividad

• Indización automática: se ha propuesto el sistema
Concept Assigner (basado en una variante de la red
Hopfield)
• La tecnología corriente requiere la interacción
humana
• Los términos de indización se pueden asignar muy
rápido procurando a los indizadores feedback
• Proyecto GATOAC (Generación automática de
thesauros orientada a las arquitecturas de
componentes)
Traducción automática

• Inferencia gramatical: se aprende, se infiere, un

modelo formal que representa a los ejemplos,
patrones de entrada
• Caso particular de la traducción: traducción semántica
o comprensión del lenguaje
• No están satisfactoriamente resueltos: sólo se han
conseguido avances en dominios restringidos
• El problema del tiempo en las RN artificiales: los modelos
conexionistas han de disponer de conexiones con
recurrencias: Redes Neuronales Recurrentes
• Se ha demostrado que las RNR pueden resolver tareas en el
campo de la:
• Inferencia gramatical (IG)
• Comprensión del lenguaje (CL)
• Traducción automática entre lenguajes (TA)
• Se han entrenado distintos modelos recurrentes y se ha
observado que la eficacia del modelo aumenta al
realimentar la capa de salida de la red en las neuronas
ocultas.
Entre los desarrollos futuros señalados están:
• - inducción de GREs:
• sería deseable estudiar la capacidad de todas o algunas de las RNR
para estimar probabilidades asociadas a una GRE
• habría que estudiar el incremento del número de muestras que
requeriría aprender una GRE y el tiempo precisado para entrenar la
RES
• la inferencia gramatical libre de contexto queda pendiente
• - CL
• es posible construir un traductor texto-a-texto mediante interlingua
• - TA
• hay que seguir trabajando en representaciones que permitan
abordar traducciones con vocabularios grandes
• abordar tareas de TA con dominios semánticos más amplios
• abordar estudios sobre traducción entre pares de lenguajes distintos
al inglés-castellano ya estudiados
• queda pendiente la integración del traductor conexionista a un
modelo reconocedor de voz
Conclusiones

• Las redes neuronales artificiales tienen:

•capacidad de aprendizaje a partir del

mundo real
•habilidad para resolver problemas en los
que aparecen dependencias temporales
• Esto las hace herramientas ideales para:
• procesamiento del lenguaje
• reconocimiento de voz
• tratamiento del leguaje natural
• comprensión del lenguaje
• traducción automática entre lenguajes
4. Diseño de interfaces
• La aplicación de redes neuronales permite una
mayor interactividad a partir de:
• Realización de inferencias
• Presentación de alternativas
• Autoaprendizaje
• Procedimiento discutido
• No se percibe un comportamiento más eficiente
• Por el contrario el coste (por ejemplo en memoria) es superior a los
modelos de desarrollo tradicionales
• La investigación en este campo se orienta hacia:
• Modelos hipertextuales e hipermedia
• Hipernet
• Derivados de modelos tradicionales (índices)
• AIR (Adaptative Information Retrieval System)
• SCALIR (Hybrid Symbolic & Connectionist Models in Legal Information Retrieval)
• ANLI (Adaptive Network Library Interface)
• Conet-IR
• Knowboot
 5. Almacenamiento y recuperación de la
información
Los pesos de las conexiones son las unidades de memoria de
la red y el proceso de almacenamiento se conoce como
aprendizaje, que puede estar no revisado, supervisado por
un entrenador o reforzado:
aprendizaje no revisado no precisa patrones previamente establecidos ni
requiere comparación exterior con las respuestas producidas por la red.
aprendizaje supervisado supone el entrenamiento de la red de acuerdo
con los ejemplos que se introducen en ella.
aprendizaje reforzado consiste en la información externa que separa a la
red para indicarle si la respuesta de una pregunta ha sido satisfactoria o
no.
Problemas del almacenamiento

• las palabras no siempre se ajustan a los conceptos o materias que

señalan.
• las palabras deben reducirse a categorías numéricas con las que
operará el programa informático.
 Técnicas más utilizadas en la búsqueda y
recuperación de la información
• estadística de caracteres adyacentes o análisis de n-gramas.
• índices invertidos.
• un algoritmo llamado "ránking de relevancia".
• "relevance feed-back”.
• en vez de utilizar la palabra original en el índice, se puede utilizar un
subconjunto de entidades (semánticas) artificiales o incluir un
tesauro.
Temas en curso en IR
Se caracterizan por la búsqueda en sistemas que presentan
comportamiento adaptativo, interactivo y transparencia:
• comprensión de búsquedas incompletas o comparaciones incompletas.
• comprensión de las intenciones vagas (dudosas) del usuario.
• capacidad para generalizar sobre las búsquedas así como sobre los resultados
de las mismas.
• adaptación a las necesidades cambiantes de los usuarios.
• permitir feed-back relevante.
• ayudar al usuario a buscar inteligentemente por los datos.
• añadir contexto sensible.
Problemas de evaluación del IR

•la relevancia es un concepto muy

subjetivo.
•la relevancia es siempre relativa a
los documentos encontrados.
•muchos usuarios no saben lo que
están buscando
Búsqueda incompleta
• Las aplicaciones comerciales con más éxito de las RNA en búsqueda
de información son las búsquedas en conjuntos de datos incompletos
tal como los datos reunidos con un programa de OCR: localizar
información difusa, errores de deletreado, variaciones fonéticas,...
• Productos: Excalibur, ZyIMAGE, InfoSelect, etc.
Otras aplicaciones en la búsqueda incompleta son

•Búsqueda de información utilizando una red

neuronal híbrida multicapa.
•Sistemas de diálogo asociativo (ASDIS).
•Controladores de deletreado convencionales y de
memoria asociativa.
•Lógica difusa con cuantificadores lingüísticos en la
toma de decisiones y control.
•Recuperación de información basada en redes
neuronales no supervisadas de agrupamientos
temáticos difusos
Data Mining

• Las redes neuronales son buenas en

• búsquedas incompletas
• datos heterogéneos
• datos ruidosos
• tareas de generalización y de asociación
• El estudio de Data Mining (descubrimiento de información): la
búsqueda de respuestas desconocidas a preguntas desconocidas.
Conclusiones
• el algoritmo utilizado para el desarrollo de la red neuronal demuestra
que es posible tratar grandes volúmenes de información.
• el uso de este algoritmo posibilita obtener interfaces intuitivas y gráficas
lo cual enriquece las perspectivas desde las que el usuario afronta el
proceso de acceso a la información.
• la búsqueda de información puede ser un área frustrante de información
ya que en nuevos modelos es difícil demostrar que trabajan mejor
cuantitativa y cualitativamente que cualquier modelo previo. El añadido
de nuevas dependencias a menudo enlentece los procesos.
• el estudio de la búsqueda de información ha estado siempre mucho más
relacionado con patrones de reconocimiento estadístico que con
técnicas de Inteligencia Artificial
6. Filtrado de información

DSI
• Se filtra y ordena gran cantidad de información en relación al
interés del usuario. Se selecciona la información más relevante.
• Los trabajos sobre DSI con RN son cada vez más, y de mayor
interés. Es un servicio de gran aceptación.
 Servicio de NEWS
personalizado
• Esta red se construye sobre la base de los
artículos leídos y marcados como
rechazados.
• Se puede usar también buscando por
palabras clave de los artículos en
conjunción con un modelo de RN.
• Muestra prometedores resultados en el
acercamiento hecho a un sistema basado
en un IR.
 Sistemas expertos para el
desarrollo de una colección.
• Proyecto para desarrollar un sistema experto para
asistir la selección de material para bibliotecas.
• Parte del proyecto trata la construcción de un
componente de aprendizaje dentro del sistema, y
dos acercamientos, inducción y RN, son
prefijados.
• Algunos autores han discutido la posibilidad de
una máquina con capacidad de aprender y
adquirir conocimiento en el dominio de la
selección de monografías.
Filtrado neuronal de KOHONEN basado en
caracteres
• El método de Kohonen se puede
implementar con gran facilidad ya que es
bastante simple, mediante la entrada de
sensores.
• Los textos que mejor se correspondan con
las características del mapa. serán los más
aptos para agruparse en el mapa.
• Puede usarse como un recurso de filtrado
en un entorno con una pregunta estática y
un dinámico flujo de información.
7. Ejemplos de aplicaciones

•Neural Data Analysis

•Nicos

•nnsysid