Inteligencia Artificial y Robtica

90666 59J

Clase 6
Prof. Arturo Vilca Romn avilcar@usmp.pe ciclo 2013-1

Redes Neuronales en la IA
Ramas de la Inteligencia Artificial en sus inicios: Simblica-deductiva:
Sistemas formales de reglas y manipulacin simblica Rama ms conocida de la IA

Conexionista:
Inspirada en las redes neuronales biolgicas Mtodos Inductivos: a partir de ejemplos
Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento

Inspiracin biolgica
Entender el cerebro y emular su potencia

Cerebro:
Gran velocidad de proceso Tratamiento de grandes cantidades de informacin procedentes de:
Los sentidos Memoria almacenada

Capacidad de tratar situaciones nuevas Capacidad de aprendizaje

Inspiracin biolgica
Transmisin neuronal:
Impulso elctrico que viaja por el axn Liberacin de neurotransmisores Apertura/cierre de canales inicos Variacin potencial en dendrita Integracin de entradas en soma Si se supera umbral de disparo se genera un PA

Inspiracin biolgica
Red Neuronal Biolgica:
de 1010 a 1011 neuronas 1014 sinapsis Organizacin por capas Organizacin por niveles:
Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas rboles dendrticos Microcircuitos neuronales Sinapsis Canales inicos Molculas

Inspiracin biolgica
Caractersticas SNC:
Inclinacin a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinpticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepcin y control

Modelado Neuronal
Una red neuronal artificial (RNA) es un sistema de procesamiento de informacin que tiene ciertas aptitudes en comn con las redes neuronales biolgicas:
El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas. Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.

Laurene Fausett

Modelado Neuronal
Enfoques:
Computacional:
Modelos eficientes, potentes y simples reas de aprendizaje inductivo y reconocimiento de patrones

Cognitivo:
Interesado por capacidades cognitivas de los modelos Centrados en representacin del conocimiento

Biocognitivo:
Premisa la plausibilidad biolgica

Psicofisiolgico:
Mecanismos naturales de procesos cognitivos reales

Modelado Neuronal
Neurona Natural vs. Artificial:
Neurona = Unidad de proceso Conexiones sinpticas = Conexiones Pesadas Efectividad sinptica = Peso sinptico Exitatorio/Inhibitorio = Pesos + Efecto combinado de sinapsis = Funcin suma Activacin-> Ratio disparo = Funcin activacin -> salida

Modelado Neuronal
Aprendizaje:
Estimulacin de la RN por el entorno Cambios en la RN debido a estimulacin Nueva forma de responder debido a cambios de la estructura interna de la RN

Modelado Neuronal
Paradigmas de aprendizaje:
Aprendizaje Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado

Modelado Neuronal
Aprendizaje no supervisado:
Se presentan slo patrones de entrada Basado en la redundancia en las entradas Aprendizaje se extrae de los patrones:
Familiaridad con patrones tpicos o promedios del pasado Anlisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificacin Mapa de Caractersticas

Grandes plausibilidades biolgicas

Modelado Neuronal
Algoritmos de aprendizaje ms comunes:
Perceptrn multicapa o Backpropagation (BPN)
Aprendizajes supervizados bajo correccin de error

Mapas Auto-organizados (SOM)

Aprendizajes competitivo no supervizados

Extractores de caractersticas (GHA ICA)

Aprendizajes hebbianos no supervizados

Modelado Neuronal
Propiedades y Capacidades
Generalizacin Estructura altamente paralela No linealidad Mapeo de EntradaSalida Adaptabilidad Respuesta graduada Informacin Contextual Tolerancia a fallos Implementacin VLSI Uniformidad en el Anlisis y Diseo Analoga Neurobiolgica

Implementaciones
Medio biolgico vs. medio silicio
Velocidad:
Neuronas: 10-3 s., Puertas lgicas: 10-9 s.

Tamao:
Neuronas 5 6 rdenes de magnitud menores

Eficiencia energtica:
Cerebro: 10-16 J/op./s., Mejores ordenadores: 10-6

Fan-In:
Promedio de 10.000 sinapsis por neurona, mucho mayor que en silicio

Implementaciones
Neurosimuladores:
Software:
Flexibles Econmicos

Hardware:
Eficientes

Implementaciones
Tipos Neurosoftware:
Programacin directa Libreras Entornos de desarrollo

Caractersticas deseables:
Facilidad de uso Potencia Eficiente Extensibilidad

Implementaciones
Neurohardware:
VLSI analgico Opto-Electrnicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Mquinas paralelas de propsito general Biochips

Objetivo:
Acelerar fases de aprendizaje y ejecucin

Implementaciones
Biochips

Aplicaciones
Tipos de problemas abordables:
Asociacin Clasificacin de Patrones Prediccin Control Aproximacin Optimizacin

En general:
Difcil describir conocimiento/forma de resolverlos Se dispone de una gran cantidad de datos

Problemas de Prediccin
Airline Marketing Tactician (AMT):
Monitoriza y recomienda la reserva de plazas

Neuralstocks:
Servico de predicciones financieras a corto plazo

Problemas de Control
Control de robots:
Cinemtica inversa Dinmica

ALVINN:
Conduccin de vehculo

Problemas de Aproximacin
Aproximacin de funciones utilizando RBFs

Problemas de Optimizacin
Optimizacin de rutas:

TSP

Futuro de las RNAs

Futuro prometedor, si nos seguimos acercando a las caractersticias de los organismos vivos:
Evolucin, Computacin Colectiva, Manejo del Conocimiento, ... Natural Computing => Soft Computing

Presente problemtico: dificultades de escalabilidad

Tal vez algunos parmetros de nuestros modelos son erroneos? Tal vez no disponemos de la suficiente potencia informtica? Tal vez nuestros modelos no han alcanzado la suficiente complejidad? Tal vez nos falta en nuestros modelos algn concepto fundamental?