sábado, 27 de octubre de 2007

Inteligencia artificial

La inteligencia artificial se define como la capacidad de un dispositivo de realizar funciones que están normalmente asociadas con la inteligencia humana, tales como el razonamiento, el aprendizaje y la autosuperación.

La investigación en el campo de la Inteligencia Artificial se caracteriza por la producción de máquinas para la automatización de tareas que requieran un comportamiento inteligente.

La inteligencia artificial se divide en dos escuelas de pensamiento: la inteligencia artificial convencional y la inteligencia computacional.

Inteligencia artificial convencional

Basada en análisis formal y estadístico del comportamiento humano ante diferentes problemas:
1) Razonamiento basado en casos: ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos.
2) Sistemas expertos: infieren una solución a través del conocimiento previo del contexto en que se aplica y de ciertas reglas o relaciones.
3) Redes bayesianas: propone soluciones mediante inferencia estadística.
4) Inteligencia artificial basada en comportamientos: sistemas complejos que tienen autonomía y pueden auto-regularse y controlarse para mejorar.

Inteligencia artificial computacional
La inteligencia computacional (también conocida como inteligencia artificial subsimbólica) implica desarrollo o aprendizaje iterativo (por ejemplo, modificaciones iterativas de los parámetros en sistemas conexionistas). El aprendizaje se realiza basándose en datos empíricos.

Algunos métodos de esta rama incluyen:

1) Máquina de vectores soporte: sistemas que permiten reconocimiento de patrones genéricos de gran potencia.
2) Redes neuronales: sistemas con grandes capacidades de reconocimiento de patrones.
3) Modelos ocultos de Markov: aprendizaje basado en dependencia temporal de eventos probabilísticos.
4) Sistemas difusos: técnicas para lograr el razonamiento bajo incertidumbre. Ha sido ampliamente usada en la industria moderna y en productos de consumo masivo, como las lavadoras.
5) Computación evolutiva: aplica conceptos inspirados en la biología, tales como población, mutación y supervivencia del más apto para generar soluciones sucesivamente mejores para un problema. Estos métodos a su vez se dividen en algoritmos evolutivos (ej. algoritmos genéticos) e inteligencia colectiva (ej. algoritmos hormiga).

Aplicaciones en eventos hidrológicos extremos.

Los métodos basados en los principios establecidos por la inteligencia artificial que más se han utilizado en el área de la hidrología son:

1. Algoritmos genéticos.

En los años 1970, de la mano de John Holland, surgió una de las líneas más prometedoras de la inteligencia artificial: la de los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos, sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, los que sobreviven, y cuáles son los menos aptos, que son finalmente
descartados.

Los algoritmos genéticos forman parte de una familia denominada algoritmos evolutivos, que incluye las estrategias de evolución, la programación evolutiva y la programación genética y han sido ampliamente utilizados en la calibración de parámetros de modelos hidrológicos.


2. Lógica difusa.

La lógica borrosa o difusa se basa en lo relativo de lo observado. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores están contextualizados a personas y referidos a una medida métrica lineal.


Esta simple idea nació en un artículo de Lofti A. Zadeh publicado en 1965 y titulado "Fuzzy Sets" (Conjuntos Difusos). La lógica difusa permite representar de forma matemática conceptos o conjuntos imprecisos, tales como días fríos, meses calurosos, personas altas, salarios bajos, guisos con mucho condimento, profesores poco valorados, etc. Pero hay que tener en cuenta que la idea en sí es que las cosas no son blancas o negras, sino que existen infinitos matices de grises viene ya desde la época de los primeros grandes filósofos como Platón.
Posteriormente a ellos, otros grandes pensadores como David Hume o Kant apoyaban esta idea manteniendo que el razonamiento venía dado por las observaciones de las que somos testigos a lo largo de nuestra vida y la detección de algunos principios contradictorios en la lógica clásica.
Tras la publicación de Lotfi A. Zadeh, se comenzó rápidamente a usar la lógica difusa en distintas aplicaciones prácticas, llegando a su máximo auge a principios de los años 90, y continuando éste hasta la época actual. Algunas interesantes aplicaciones en Chile han sido el uso de la lógica difusa para el pronóstico de crecidas en tiempo real, utilizando índices de riesgo, y el uso de conjuntos difusos para la operación de embalses durante crecidas, en la IV región.

3. Redes neuronales artificiales.


Las redes neuronales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.

Una de las misiones en una red neuronal consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro, que se caracterizan por su generalización y su robustez.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:

- Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.

- Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.

- Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la sigmoide (para obtener valores en el intervalo [0,1]) y la hiperbólica-tangente (para obtener valores en el intervalo [-1,1]).

miércoles, 17 de octubre de 2007

martes, 16 de octubre de 2007

Propagación de crecidas


El estudio de propagación o rastreo de crecidas tiene como objetivo reproducir el hidrograma de una crecida en diversos puntos de un río en base a predicción de la variación del movimiento y cambio de forma de la onda de crecida a medida que ésta se propaga hacia aguas abajo.

Existen 2 tipos de métodos para realizar el análisis: métodos hidráulicos y métodos hidrológicos.
Los métodos hidráulicos se basan en las ecuaciones de Saint Vennant (continuidad y cantidad de movimiento) mientras que los métodos hidrológicos utilizan la ecuación de continuidad y una relación entre el almacenamiento y el caudal.