ComputaciÓn Suave y sus aplicaciones

Objetivo y Filosofía

En la línea de investigación se propone investigar y desarrollar nuevos conceptos, estrategias, metodologías y herramientas de computación suave que permitan obtener soluciones óptimas a problemas relevantes de simulación, análisis y diseño de procesos relacionados con: emociones (aprendizaje, estrés) medio ambiente (riesgos hidrometeoro lógicos), predecir el comportamiento de estructuras tomando en consideración sus aspectos de incertidumbre. También, la creación de sistemas expertos donde el objetivo central sea el mejoramiento en el proceso de toma de decisiones en situaciones de riesgo en tiempo real y acciones para un control predictivo (aprendizaje, el consumo energético, minimizar: los efectos ambientales en el caso particular de la perforación de pozos geotérmicos, en el caso de desastres).

Líneas de trabajo

(a) Computación Suave y Aplicaciones

 

 

 

 

 

 

 

 

 

Antecedentes por líneas de trabajo

(a) Computación Suave y Aplicaciones
En 1994 L.A. Zadeh dio la primera definición de "Soft Computing", la referencia a los conceptos que actualmente esta maneja solía hacerse de forma atómica, es decir, se hablaba de manera aislada de cada uno de ellos con indicación del empleo de metodologías borrosas.


Definición: Soft Computing no es un cuerpo homogéneo de conceptos y técnicas. Mas bien es una mezcla de distintos métodos que de una forma u otra cooperan desde sus fundamentos. En este sentido, el principal objetivo de la Soft Computing es aprovechar la tolerancia que conllevan la imprecisión y la incertidumbre, para conseguir manejabilidad, robustez y soluciones de bajo costo. Los principales ingredientes de la Soft Computing son la Lógica Fuzzy, la Neuro-computación y el Razonamiento Probabilístico, incluyendo este último a los Algoritmos Genéticos, las Redes de Creencia, los Sistemas Caóticos y algunas partes de la Teoría de Aprendizaje. En esa asociación de Lógica Fuzzy, Neurocomputación y Razonamiento Probabilístico, la Lógica Fuzzy se ocupa principalmente de la imprecisión y el Razonamiento Aproximado; la Neurocumputación del aprendizaje, y el Razonamiento Probabilístico de la incertidumbre y la propagación de las creencias.

De acuerdo a Zadeh: "...en contraste con la computación tradicional (hard), la Soft Computing se beneficia de la tolerancia asociada a la imprecisión, la incertidumbre, y las verdades parciales para conseguir tratabilidad, robustez, soluciones de bajo costo y mejores representaciones de la realidad". Consiguientemente, entre las componentes de la Soft Computing, en lugar de los Algoritmos Evolutivos, que pueden representar solo una parte de los métodos de búsqueda y optimización que se emplean, deberían considerarse los Algoritmos Heurísticos o aún mejor las Metaheurísticas.

La inteligencia artificial distribuida: La inteligencia artificial distribuida (IAD) descentraliza el proceso de control; lo que lleva al uso de agentes autónomos. Estos agentes son especialistas que cooperan entre si, de forma contraria a como lo hacen los sistemas que cuentan con un control general. Con lo anterior se trata de minimizar en lo posible la incapacidad de planificar dentro de un mundo dinámico, al permitir la existencia de varios especialistas resolviendo un mismo problema en vez de uno.

Dentro de la IAD se encuentran las arquitecturas MultiAgente. Los agentes con que se diseñen estos sistemas pueden ser de diversos tipos: agentes colaborativos, agentes interfaz, agentes móviles, agentes informativos, agentes reactivos, agentes híbridos o agentes inteligentes. En esta línea se trabajará con agentes reactivos, así que serán las características de éstos los que potenciaremos durante el desarrollo de los sistemas.

Los agentes reactivos: Los agentes reactivos dotan a los sistemas de la capacidad de reaccionar con rapidez en un mundo dinámico y en continuo cambio. Para lograrlo cada agente sintetiza los aspectos de ese mundo que son relevantes para su funcionamiento. Con esta división se creará por otro lado, la interacción de estos agentes con el mundo y entre ellos para que el funcionamiento global del sistema emerja. Lo anterior de acuerdo a la tarea específica para la que fue creado el sistema.

Los agentes cognitivos: La necesidad creciente de acudir al poder deliberativo de los agentes, hace preciso en estos momentos dar plena entrada a este tipo de agentes, dada la complejidad de los entornos prácticos en los que queremos trabajar y que mencionaremos seguidamente. Su mayor potencia deliberativa permitirá no solo establecer amplias posibilidades e cooperación entre ellos sino también asumir tareas complejas como las relacionadas con las emociones y su integración con los propios aspectos cognitivos del proceso que estemos estudiando. El empleo de una arquitectura adecuada para este tipo de agentes permite que puedan ejercer funciones puramente reactivas cuando se necesite, por lo que la actuación conjunta de estos agentes y los reactivos no presenta problema alguno.

El tema de las interfaces a desarrollar hombre/máquina en los distintos sistemas a desarrollar es de importancia y de complejidad cuando se pretende (como en nuestro caso) personalizar y adaptar estas interfaces a los distintos usuarios de estos sistemas teniendo en cuenta sus estados tanto cognitivos como afectivos. Los agentes cognitivos están llamados a desarrollar un gran papel al hacerse cargo de este tipo de interfaces.

IR AL MENÚ

 

 

 

 

 

 

 

 

 

(a.1) Aplicaciones a fenómenos de Ingeniería y

(a.2) Intelligent E-Learning

Una de las principales característica de los agentes reactivos es su rápida respuesta y su adaptabilidad a entornos complejos y dinámicos. De aquí que su razonamiento deliberativo se ensamble tomando en consideración las técnicas de computación suave como es el caso de la teoría difusa y los métodos heurísticos.

Una parte importante de la teoría difusa y de la posibilidad esta centrada en aspectos tales como la representación del conocimiento, razonamiento aproximado y razonamiento con incertidumbre, principales temas de que trata la computación suave, la lógica difusa en control, esta muy cercana al espíritu de los expertos y se conoce como sistemas de control basados en inteligencia artificial, un ejemplo del producto de esta teoría son los mapas cognitivos difusos. Estos son grafos utilizados para representar el razonamiento causal.

IR AL MENÚ

 

 

 

 

 

 

 

 

 

(a.1) Aplicaciones a fenómenos de Ingeniería

Así, en una planta nuclear pueden existir diferentes situaciones de falla en los sistemas de control, ocasionados por situaciones mecánicas o eléctricas y el equilibrio debe ser restablecido, a través de toma de decisiones que traen como resultado acciones preventivas que el responsable debe aprender, ejercitar y experimentar previamente en un sistema inteligente de aprendizaje. En otros casos como la predicción de los efectos de fenómenos, por ejemplo la Supernova en Astrofísica (la secuencia de cambios que una estrella experimenta a lo largo de su existencia es llamada evolución estelar y al fenómeno de explotar súbitamente al terminar su evolución se le conoce como supernova), debido a que los tiempos en los que se desarrolla el ciclo de vida de una estrella son del orden de miles de millones de años, es necesaria la simulación de escenarios. En el caso de la confiabilidad en estructuras se pretende dar una medida de la seguridad de la estructura sujeta a condiciones de incertidumbre inherentes a: 1) a la carga externa a que será sometida y 2) las propiedades de resistencia que esta tiene. Con base en estas condiciones, se predice: 1) una estimación determinista para determinar la respuesta de una estructura, y 2) se proporciona una probabilidad de exceder límites tolerables del comportamiento estructural. En este fenómeno se pretende tomar en consideración esta incertidumbre, a través de las técnicas de IA.

En casos como los de un sistema de control distribuido éste debe ejecutar sus tareas en un momento específico, para esto hace uso de un algoritmo denominado Planificador, el cual organiza las tareas en el tiempo y garantiza una buena operación del Sistema. Pero algunas veces factores externos modifican esta operación en la etapa de comunicación, así una manera de garantizar que la información llegue a su destino en el momento indicado es haciendo que el sistema sea tolerante a fallas, y pueda transmitir la tarea ya sea más rápido o más lento dependiendo del factor que esté motivando este cambio.

En estos casos hay que desarrollar una planificación dinámica para que la información pueda ser transmitida a diferentes frecuencias, acotándolas en un rango; es decir, evitar una planificación estática o predefinida de transmisión, y permitir que para cada tarea se seleccione una frecuencia tomando en cuenta varias restricciones: el ancho de banda y la disponibilidad de frecuencias en el que puede ser transmitida, todo esto en tiempo de ejecución, entre otras.

Por otro lado ejemplos de aplicación de métodos heurísticos se encuentran en el reconocimiento de patrones y aprendizaje maquinal. Concretamente podemos citar la construcción de un sistema experto que determine la posibilidad de que un patrón en curso pertenezca a una determinada clasificación.


 

 

IR AL MENÚ

 

 

 

 

 

 

 

 

 

 

 

(a.2) Intelligent E-Learning

Ejemplos de aplicación para modelar el razonamiento de los expertos son los sistemas de aprendizaje inteligentes, donde el entorno a monitorizar es el desarrollo de la tarea cognitiva. Y la capacidad de adaptación radica encontrar el origen de los errores en distintos estudiantes.

Precisamente la aplicación de estas técnicas de Inteligencia Artificial permitiría un análisis muy completo del conocimiento y experiencia del experto humano que serviría para analizar (superficial y profundamente) los errores de los estudiantes y aplicar las estrategias y tácticas idóneas no sólo para corregir esos errores, sino también para acelerar la migración de esos estudiantes del estado de aprendices al de expertos. Este tema de la aceleración del proceso de migración de “noveles” a expertos es un tema de enorme importancia en todos los entornos educativos, no suficientemente debatido ni considerado. Se pretende que nuestros trabajos en el campo de “intelligent e-learning” sigan esa dirección.

Diversas técnicas hemos ya utilizado anteriormente para representar el conocimiento del experto y la actuación del tutor en el aprendizaje. Entre ellas destacan los mapas cognitivos difusos que a pesar de su novedad han producido gran impacto por sus logros. Pretendemos en este proyecto usar, entre otras, esa técnica de representación del conocimiento tratando de incluir el posible aprendizaje del sistema con la experiencia.

Por otra parte, la incorporación de la computación afectiva o de emociones, va a representar la apertura de un importante campo de actuación en este tipo de sistemas, dado que la evaluación del estado afectivo del estudiante durante el proceso de aprendizaje va a permitir que el propio sistema, bien indirectamente por las acciones tutoriales, bien directamente por medio de avatares, pueda incidir y tratar de mejorar la motivación del alumno, pieza fundamental del propio aprendizaje. Y de esta forma autorregular su aprendizaje.

En el caso del manejo de las emociones por parte del sistema experto, es necesario modelar el razonamiento del sistema para saber cuando se deben mostrar ciertas acciones que permitan eliminar el estrés, presente a través de distintas actividades que ocasionan: enojo, frustración, vergüenza entre otras..

 

IR AL MENÚ

 

 

 

 

 

 

 

 

 

 

(a.3) Un framework basado en sistemas multiagente para el modelado y simulación de sistemas y fenómenos biológicos

Los modelos computacionales para el modelado y simulación de redes de señalización biológica han sido desarrollados hasta la fecha abarcando diferentes direcciones y puntos de vista. Cada grupo de investigación ha seleccionado el enfoque que parecía más adecuado para éste, proponiendo modelos computacionales de acuerdo a las perspectivas que el grupo posee de las vías y/o redes de señalización biológica que se desean modelar. Estas perspectivas recorren un amplio espectro que abarca desde los tipos de procesamiento de información presentes a nivel celular, tales como procesamiento secuencial, paralelo, distribuido, concurrente y emergente; hasta las capacidades cognitivas sugeridas a estar presentes en ciertos componentes de las vías de señalización, tales como memoria, aprendizaje, reconocimiento de patrones y manejo de datos difusos.

En este sentido, diferentes enfoques y modelos computacionales y de inteligencia artificial
han sido propuestos a la fecha para modelar y simular las redes de señalización biológica. Entre éstos se destacan las redes Booleanas, los autómatas celulares, las redes Petri, los sistemas expertos, las redes neuronales artificiales y los sistemas multi-agentes.

Los sistemas basados en agentes y los sistemas multi-agentes (MASs) son considerados el nivel de abstracción correcto para modelar y construir sistemas complejos. Los sistemas biológicos exhiben de hecho muchas de las características de los sistemas complejos. Sin embargo, como señala Kitano un sistema biológico es mucho más que un sistema complejo, éste es un sistema coherente.

Un sistema multi-agente (MAS) es un conjunto de agentes interactuando entre si. La interacción entre los agentes puede ser efectuada por comunicación directa, de acuerdo a algún lenguaje de comunicación de agentes, o indirectamente, explotando algunos recursos medioambientales actuando como abstracciones de comunicación/ coordinación/mediación. Los sistemas multi-agentes pueden ser explotados tanto como un paradigma de ingeniería, para diseñar y construir sistemas de software complejo, que como una herramienta analítica, para el modelado y simulación de sistemas complejos existentes, con el objetivo de estudiar su comportamiento sistémico. En particular, con relación al último aspecto, los modelos basados en MAS son frecuentemente usados para la simulación de fenómenos sistémicos y sociales.

No obstante, recientemente, la efectividad de los MASs ha sido enfatizada también más allá de la simulación social, en dominios donde las técnicas tradicionales son típicamente adoptadas, simulación de sistemas de eventos discretos distribuidos y paralelos, simulación orientada a objetos, y simulación micro dinámica.

En términos generales, las simulaciones y modelos basadas en paradigmas MAS integran aspectos los cuales pueden ser encontrados tanto en aproximaciones micro como en macro. Por una parte, como aproximaciones micro los MASs modelan el comportamiento de individuos o componentes específicos; esto es en contraste a las aproximaciones macro, las cuales son típicamente basadas en modelos matemáticos donde las características de una población son promediadas conjuntamente y el modelo intenta simular cambios en las características promediadas de la población completa. Por lo tanto, en aproximaciones macro el conjunto de individuos es visto como una estructura que puede ser caracterizada por un número de variables, mientras en aproximaciones micro la estructura es vista como emergente a partir de las interacciones entre los componentes simples. Parunak comparó estas aproximaciones y puntualizó que ”... la modelación basada en agentes es más apropiada para dominios caracterizados por un gran nivel de localización y distribución y dominados por decisión discreta. La modelación basada en ecuaciones es más naturalmente aplicada en sistemas que pueden ser modelados centralmente, y en los cuales las dinámicas son dominadas por leyes físicas más que por procesamiento de información...”. En este proyecto nosotros promovemos una infraestructura para la modelación de sistemas biológicos fuertemente basada en localización, distribución e interacción (comunicación) de los componentes del sistema, de tal manera que la aproximación basada en agentes parece ser más efectiva.

Por otra parte, como en las aproximaciones macro, las aproximaciones basadas en agentes promueven la investigación de las propiedades sistémicas que no pueden ser comprendidas a nivel del componente individual, pero requieren la introducción de nuevas categorías para su descripción. En otras palabras, las aproximaciones basadas en MAS hacen posible simular y analizar propiedades emergentes, las cuales pueden ser comprendidas como propiedades del ensamble de los componentes en un todo.

Entonces, los sistemas multi-agentes proporcionan una abstracción apropiada para modelar un sistema biológico en su conjunto: si un agente representa un componente individual activo del sistema, entonces el MAS completo, incluyendo las estructuras de mediación, capturan el conjunto completo de los componentes biológicos incluyendo también las estructuras implicadas en sus interacciones. Estructuras de mediación y coordinación en particular pueden ser adoptadas para modelar los diferentes patrones de interacción que pueden ser encontrados en procesos biológicos, tales como intercambio de información química.

IR AL MENÚ

 

 

 

 

 

 

 

 

 

 

(a.4) Evaluación de Riesgos Hidrometeorológicos

Esta línea de trabajo, es de interés debido a que estamos tratando con toma de decisiones en tiempo real. Y estamos trabajando con un nuevo elemento que se agrega al razonamiento deliberativo de los agentes reactivos y es el tiempo. De aquí que estemos tratando con un razonamiento espacio-temporal.

El punto de partida para estudiar los fenómenos es disponer de un volumen organizado de información y el uso de sistemas de información es crucial en todas las etapas de una situación de crisis y deben ser utilizados para optimizar la planificación y la toma de decisiones. Desde el inicio conviene considerar la conveniencia de incluir sistemas de alerta temprana como mecanismos de prevención de desastres, basados en la adquisición, en tiempo real, de información de las variables relevantes del dominio de trabajo. Su registro organizado en un sistema de información constituye una herramienta de valor incalculable a la hora de proponer un módulo de aprendizaje de patrones, que permita prever el inicio de una situación que se sale del patrón de normalidad además de permitir la generación de modelos óptimos de actuación adaptados a cada escenario.

El caso de estudio que proponemos esta basado en la información que maneja el CENAPRED, Centro Nacional de Prevención de Desastres, quien depende de la Secretaría de Gobernación y del Servicio Meteorológico Nacional de CNA. El trabajo considerará solamente los desastres hidrometeorológicos, esto es, los eventos extraordinarios de naturaleza hidrometeoro lógica que afectan a las personas, los bienes y la infraestructura, como son las inundaciones, las avenidas de ríos, los huracanes o las sequías por ejemplo.

Mientras que la función primordial del SMN es vigilar y emitir información sobre las condiciones atmosféricas del país, así como pronosticar y alertar sobre eventos hidrometeorológicos que puedan ocasionar daños a la población o a las actividades productivas en el territorio nacional, el CENAPRED utiliza esta información y otras como la cartográfica y el conocimiento de los asentamientos humanos y su vulnerabilidad, para evaluar los eventos y declarar la situación de emergencia o la situación de desastre (además de la prevención por supuesto, cuando se puede). Esto debe realizarse con toda premura para lo que se necesita contar con la información en tiempo real, pero con acceso a las bases de datos históricas que puedan responder sobre lo inusual del fenómeno acontecido, normalmente evaluado por su periodo de retorno u otros parámetros estadísticos.

IR AL MENÚ