Repblica Bolivariana de Venezuela Instituto Universitario Politcnico Santiago Mario Extensin Caracas Optimizacin de Sistemas

Redes Neurales, Inteligencia Artificial y Sistemas Expertos Aplicados a la Teora de Optimizacin de Sistemas

Integrantes:

Jos Antonio Rizalez C.I: 8.325.378 Deysi Garagate C.I: 29.584.371

Caracas, Agosto 2012

INTRODUCCIN

Cuando hablamos de optimizacin nos referimos a mejorar los tiempos de respuesta en un sistema de gestin de bases de datos relacional, pues la optimizacin es el proceso de modificar un sistema para mejorar su eficiencia o tambin el uso de los recursos disponibles. La complejidad que pueden alcanzar algunas consultas puede ser tal, que el diseo de una consulta puede tomar un tiempo considerable, obteniendo no siempre una respuesta ptima.

La Optimizacin de Sistemas

analiza el fenmeno como tal, las

interrelaciones que tiene, las posibles variables, el sistema organizativo bajo el cual se encuentra el fenmeno, se escuchan los criterios de expertos, se analiza el cumplimiento de las premisas fundamentales de las tcnicas de optimizacin, que son: Alternativa de decisin. Condiciones de linealidad o no. Mnimas condiciones organizativas.

El anlisis de un sistema normalmente se orienta a comprender su funcionamiento y la interrelacin entre sus componentes. Sin embargo, bajo un enfoque ms utilitario, el objetivo del modelo que describe el sistema podr orientarse a determinar el manejo del sistema y sus variables con vistas a obtener las mejores salidas.

REDES NEURONALES

Las redes neuronales son un elemento importante de las denominadas tecnologas de Inteligencia Artificial (IA). La IA es "la disciplina cientfica y tcnica que se ocupa del estudio de las ideas que permiten ser inteligentes a los ordenadores" (definicin de H. Winston). Otra posible definicin de la IA sera: rama de la computacin que se encarga, entre otras cosas, de los problemas de percepcin, razonamiento y aprendizaje en relacin con sistemas artificiales, y que tiene como reas de investigacin a los sistemas expertos y de conocimiento, la robtica, los lenguajes naturales y las redes neuronales.

A pesar de que el objetivo final de la IA, dotar de autntica inteligencia a las mquinas, queda todava muy lejos (e incluso hay autores que defienden que esto nunca ser posible), la ciencia de la Inteligencia Artificial ha generado numerosas herramientas prcticas, entre las que se encuentran las redes neuronales. Las redes neuronales, tambin llamadas "redes de neuronas artificiales", son modelos bastante simplificados de las redes de neuronas que forman el cerebro. Y, al igual que este, intentan "aprender" a partir de los datos que se le suministran.

Principales caractersticas que diferencian a las redes neuronales de otras tecnologas de IA son: Su capacidad de aprendizaje a partir de la experiencia (entrenamiento). Normalmente, para la elaboracin de un programa informtico es necesario un estudio detallado de la tarea a realizar para despus codificarla en un lenguaje de programacin. Pero, las redes neuronales pueden ser entrenadas para realizar una determinada tarea sin necesidad de un estudiar est a fondo ni programarla usando un lenguaje de programacin. Adems pueden volver a entrenarse para ajustarse a nuevas necesidades de la tarea que realizan, sin tenerse que reescribir o revisar el cdigo (cosa frecuente en programas

tradicionales).

Su velocidad de respuesta una vez concluido el entrenamiento. Se comportan tambin en este caso de manera similar a como lo hace el cerebro: los seres humanos no necesitamos pensar mucho para identificar un objeto, una palabra,... una vez hemos aprendido a hacerlo.

Su robustez, en el sentido de que el conocimiento adquirido se encuentra repartido por toda la red, de forma que si se lesiona una parte se continan generando cierto nmero de respuestas correctas (en este caso tambin hay cierta analoga con los cerebros parcialmente daados).

Aplicaciones de las redes neuronales a la Optimizacin de Sistemas

Las caractersticas de las redes neuronales hacen que sus posibles aplicaciones sean muy amplias. Algunas de las aplicaciones ms destacadas son:

Reconocimiento de patrones de clasificacin: Reconocimiento de voz, de caracteres manuscritos Anlisis y reconocimiento de imgenes, formas Diagnstico clnico.

Anlisis de series temporales y prediccin: Modelos meteorolgicos. Prediccin del comportamiento. Prediccin de series temporales.

Robtica Se ven as las amplias posibilidades que permite esta tecnologa, ya al alcance de cualquier programador.

Implementacin en aplicaciones:

A la hora de implementar una red neuronal como parte de un programa o sistema informtico, se pueden distinguir 3 fases bsicas:

Diseo: en esta fase se elige el tipo de red neuronal a usar (la arquitectura o topologa), el nmero de neuronas que la compondrn. Entrenamiento: en esta fase se le presentan a la red neuronal una serie de datos de entrada y datos de salida (resultados), para que a partir de ellos pueda aprender.

Uso: se le suministran las entradas pertinentes a la red, y esta genera las salidas en funcin de lo que ha aprendido en la fase de entrenamiento.

Ventajas de las redes neuronales

Como ya hemos dicho, las redes neuronales, debido a su constitucin y fundamento, presentan grandes semejanzas con el cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer caractersticas esenciales a partir de entradas que representan informacin irrelevante. Entre las ventajas se incluyen:

Tienen capacidad de aprender a realizar tareas basadas en un entrenamiento inicial (Aprendizaje adaptativo). De esta forma, la mquina puede aprender a llevar a cabo ciertas tareas mediante el entrenamiento con ejemplos ilustrativos, por lo que no es necesario elaborar modelos a priori.

Las redes neuronales permiten organizar por s mismas lo aprendido. Mientras que el aprendizaje es la modificacin de cada elemento procesal, la autoorganizacin consiste en la modificacin de la red neuronal completa para llevar a cabo un objetivo especfico.

Adems las redes neuronales tienen la capacidad de ser tolerantes a fallos. Fueron los primeros mtodos computacionales con esta capacidad inherente. De este modo, si se produce un fallo en un nmero no muy grande de neuronas, aunque el comportamiento del sistema se ve influenciado, no sufre una cada repentina.

Una de las prioridades principales de las redes neuronales es que son capaces de operar en tiempo real. Las redes neuronales trabajan mediante conexiones en paralelo, lo que permite grandes velocidades de transmisin y respuesta casi al instante.

Por ltimo, hay que destacar como ventaja la facilidad de insercin en la tecnologa existente. De manera que, por ejemplo, resulta muy sencillo conseguir chips especializados que mejoren su capacidad.

Elementos de una Red Neuronal Artificial

Las redes neuronales artificiales (RNA) son modelos que intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una simplificacin, averiguando cules son los elementos relevantes del sistema, bien bien porque la cantidad de informacin de que se dispone es excesiva o bien porque es redundante. Una eleccin adecuada de sus caractersticas, ms una estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea.

Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino.

Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en cualquier sistema: entradas, salidas y ocultas. Las unidades de entrada reciben seales desde el entorno; las de salida envan la seal fuera de la red, y las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema.

Estado de Activacin: Los estados del sistema en un tiempo t se representan por un vector A(t). Los valores de activacin pueden ser continuos o discretos, limitados o ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, as un estado activo se indicara con un 1 y un estado pasivo se representara por un cero. En otros modelos se considera un conjunto de estados de activacin, en cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una funcin sigmoidal.

Funcin de Salida o de Transferencia: Asociada con cada unidad hay una funcin de salida, que transforma el estado actual de activacin en una seal de salida.

Existen cuatro funciones de transferencia tpicas que determinan distintos tipos de neuronas:

Funcin Escaln Funcin Lineal y Mixta Sigmoidal Funcin Gaussiana

Conexiones entre neuronas. Las conexiones que unen a las neuronas que forman una RNA tiene asociado un peso, que es el que hace que la red adquiera conocimiento. Se considera que el efecto de cada seal es aditivo, de tal forma que la entrada neta que recibe una neurona es la suma del producto de cada seal individual por el valor de la sinapsis que conecta ambas neuronas y es lo que se conoce como red de propagacin. Se utiliza una matriz W con todos los pesos, Si wji es positivo indica que la relacin entre las neuronas es excitadora, es decir, siempre que la neurona i est activada, la neurona j recibir una seal que tender a activarla. Si wji es negativo, la sinapsis ser inhibidora. En este caso si i est activada, enviar una seal que desactivar a j. Finalmente si wji es 0 se supone que no hay conexin entre ambas

 Funcin o Regla de Activacin. Se requiere una regla que combine las entradas con el estado actual de la neurona para producir un nuevo estado de activacin. Esta funcin F produce un nuevo estado de activacin en una neurona a partir del estado que exista y la combinacin de las entradas con los pesos de las conexiones.

Esa F es denominada funcin de activacin, y las salidas que se obtienen en una neurona para las diferentes formas de F sern:

Funcin de Activacin Escaln Funcin de Activacin Identidad Funcin de Activacin Lineal Mixta

Funcin de Activacin Sigmoidal

Regla de Aprendizaje. El aprendizaje puede ser comprendido como la modificacin de comportamiento inducido por la interaccin con el entorno y como resultado de experiencias conduce al establecimiento de nuevos modelos de respuesta a estmulos externos. En el cerebro humano el conocimiento se encuentra en la sinapsis. En el caso de las RNA el conocimiento se encuentra en los pesos de las conexiones entre neuronas. Todo proceso de aprendizaje implica cierto nmero de cambios en estas conexiones. En realidad, puede decirse que se aprende modificando los valores de lo pesos de la red.

DEFINICIONES DE INTELIGENCIA ARTIFICIAL

La Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva y lgica matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad.

La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden "pensar".

La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora experta en diversos temas.

Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956.

La Inteligencia Artificial es multidisciplinar y se apoya en los conceptos y tcnicas de otras disciplinas, tales como: la Informtica, la Ingeniera, la Sociologa, la Ciencia del Comportamiento, la Psicologa Cognoscitiva, la Investigacin Operativa, la Economa, la Teora General de Sistemas.

(Snchez Toms, 1993). A pesar de que a lo largo de la historia ya se haban producido algunas aproximaciones al tema, principalmente debidas a los trabajos de Pascal, Leibnitz, Boole, y especialmente Lord Babbage, no es posible datar su fundacin hasta 1956, en una reunin celebrada en el Darmouth College de New Hampshire (USA), en la cual participaron cientficos de diversas ramas del saber, entre los que se encontraba H. Simon, que 22 aos ms tarde recibira el premio Nobel de Economa. Dentro del desarrollo de la Inteligencia artificial cabe distinguir tres etapas:

1. Etapa inicial (1956-1970): Etapa de creacin de las tcnicas bsicas para representar el comportamiento inteligente tanto en el mbito de los mtodos de representacin como de los lenguajes de programacin. 2. Etapa de prototipos (1970-1981): En esta etapa se estudiaron las posibilidades de aplicacin industrial de la Inteligencia Artificial. 3. Etapa de difusin (1981-??): A lo largo de los ltimos aos, la caracterstica principal ha venido siendo la aceptacin de la Inteligencia Artificial como una actividad informtica profesional, de tal forma que desde 1981 las aplicaciones tcnicas no son slo desarrolladas por los laboratorios especializados, sino tambin por empresas que realizan aplicaciones para la industria y el mundo empresarial en general.

En el momento actual la Inteligencia Artificial se aplica a numerosas actividades humanas, y como lneas de investigacin ms explotadas destacan el razonamiento lgico, la traduccin automtica y comprensin del lenguaje natural, la robtica, la visin artificial y, especialmente, las tcnicas de aprendizaje y de ingeniera del conocimiento. Estas dos ltimas ramas son las ms directamente aplicables al campo de las finanzas pues, desde el punto de vista de los negocios, lo que interesa es construir sistemas que incorporen conocimiento y, de esta manera, sirvan de ayuda a los procesos de toma de decisiones en el mbito de la gestin empresarial.

En el mbito especfico del Anlisis Contable, segn Bonsn Ponte y Sierra Molina (1996) la Inteligencia Artificial constituye una de las lneas de actuacin futura ms prometedoras, con posibilidades de aplicacin tanto en el mbito de la investigacin como en el diseo de sistemas de informacin inteligentes, que no solamente proporcionen datos al decisor sino que recomienden el mejor curso de actuacin a seguir.

Prueba de ello es el inters que han mostrado en el tema diversas organizaciones relacionadas con el mundo contable, como el AICPA (American Institute of Certified Public Accountants), el ICAEW (Institute of Chartered Accountants in England and Wales), o la AAA (American Accounting Association), la cual incluso tiene una seccin ntegramente dedicada al tema con ms de 300 asociados.

Las denticiones" de Inteligencia Artificial (IA) involucran las siguientes ideas:

Mtodos y algoritmos que permitan comportarse a las computadoras de modo inteligente. Estudio de las facultades mentales a travs del uso de modelos computacionales. Desarrollo de autmatas (maquinas construidas por el hombre) para simular el proceso deductivo e inductivo humano de adquisicin y conocimiento.

aplicacin de

Dogma central de la IA:

Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacin dado, como procesos computacionales de algn tipo".

Aplicaciones de la I.A a los Sistemas para Optimizarlos: Existen varias y son:

1. Tratamiento de Lenguajes Naturales: Capacidad de Traduccin, rdenes a un Sistema Operativo, Conversacin Hombre-Mquina. 2. Sistemas Expertos: Sistemas que se les implementa experiencia para conseguir deducciones cercanas a la realidad. 3. Robtica: Navegacin de Robots Mviles, Control de Brazos mviles, ensamblaje de piezas. 4. Problemas de Percepcin: Visin y Habla, reconocimiento de voz, obtencin de fallos por medio de la visin, diagnsticos mdicos. 5. Aprendizaje: Modelizacin de conductas para su implante en

computadoras.

Aplicaciones de la inteligencia artificial y las tcnicas que usan

Dentro del enfoque de la ingeniera de la Inteligencia Artificial, se clasifican las tcnicas que pueden ser usadas como herramientas para solucionar problemas en las siguientes categoras:

1. Tcnicas bsicas, as llamadas por encontrarse a la base de diversas aplicaciones de IA. Entre otras se encuentran Bsqueda Heurstica de Soluciones, Representacin del Conocimiento, Deduccin

Automtica, Programacin Simblica (LISP) y Redes Neuronales. Estas tcnicas son las bases de las aplicaciones. En su mayora, no necesita conocerla el usuario final, sino los profesionales que se dedican a su aplicacin y la generacin de aplicaciones comerciales. 2. Tecnologas, o combinaciones de varias tcnicas bsicas, orientadas a resolver familias de problemas. Las tecnologas son ms especializadas que las tcnicas bsicas y estn ms cerca de las aplicaciones finales. Se pueden mencionar a la Robtica y Visin, Lenguaje Natural, Sistemas Expertos

3. Clases o tipos de aplicaciones: Diagnstico, Prediccin (sistemas de autocontrol de reactores atmicos), Secuenciamiento Todas

de operaciones("Scheduling"), Diseo, Interpretacin de datos.

ellas son familias de problemas tipo. Por ejemplo, el diagnstico se refiere a encontrar las causas de fallas, ya sea que se trate de fallas en una lnea de produccin o de enfermedades en una persona. 4. Campos de aplicacin: Ingeniera, Medicina, Sistemas

de Manufactura, Administracin, Apoyo a la Toma de Decisiones Gerenciales, etc. Todas caen dentro de las reas de los sistemas computacionales, pero que se consideran como clientes de la

Inteligencia Artificial.

SISTEMAS EXPERTOS

Son programas de computacin inteligentes que usan conocimientos y procesos de inferencia, para resolver problemas sumamente difciles para un humano ya que requeriran de mucha experiencia. En s un Sistema Experto; emula la capacidad de experiencia de un ser humano para tomar decisiones.

Aunque los Sistemas Expertos se centran el domino del problema, no tienen conocimientos ms all de donde fueron programados, esto es, no relaciona ningn otro concepto, a menos que este especficamente indicado. A este conocimiento se le llama Dominio del Conocimiento y como ya se apunt es muy cerrado.

Los Sistemas Expertos se basan en las Redes Neuronales. Sus partes son: La Base del Conocimiento, el Motor de Inferencia, el Subsistema de Explicacin y la Interfaz.

La Base del Conocimiento: Aqu estn almacenados todos los datos que el Sistema Experto tiene para tomar decisiones.

El Motor de Inferencias: Contiene todos los procesos que manipulan la Base del Conocimiento, para deducir la informacin pedida por el usuario. (Por Ejemplo, resolucin, encadenamiento atrs hacia delante.

El Subsistema de Explicacin analiza la estructura del razonamiento y da una explicacin al usuario. La Interfaz, que es el puente de comunicacin entre el sistema y el usuario.

Los sistemas expertos son llamados as porque emulan el razonamiento de un experto en un dominio concreto y en ocasiones son usados por stos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando as lugar a una mejora de la productividad del experto.

Estructura bsica de un Sistemas Expertos

Un Sistema Experto est conformado por:

Base de conocimientos (BC): Contiene conocimiento modelado extrado del dilogo con un experto. Base de hechos (Memoria de trabajo): contiene los hechos sobre un problema que se ha descubierto durante el anlisis. Motor de inferencia: Modela el proceso de razonamiento humano. Mdulos de justificacin: Explica el razonamiento utilizado por el sistema para llegar a una determinada conclusin. Interfaz de usuario: es la interaccin entre el SE y el usuario, y se realiza mediante el lenguaje natural.

Tipos de SE Principalmente existen tres tipos de sistemas expertos:

Basados en reglas previamente establecidas. Basados en casos o CBR (Case Based Reasoning). Basados en redes bayesianas.

En cada uno de ellos, la solucin a un problema planteado se obtiene:

Aplicando reglas heursticas apoyadas generalmente en lgica difusa para su evaluacin y aplicacin. Aplicando el razonamiento basado en casos, donde la solucin a un problema similar planteado con anterioridad se adapta al nuevo problema.

Aplicando redes bayesianas, basadas en estadstica y el teorema de Bayes.

Ventajas y limitaciones de los Sistemas Expertos.

Ventajas: Permanencia: A diferencia de un experto humano un SE (sistema experto) no envejece, y por tanto no sufre prdida de facultades con el paso del tiempo. Replicacin: Una vez programado un SE lo podemos replicar infinidad de veces. Rapidez: Un SE puede obtener informacin de una base de datos y realizar clculos numricos mucho ms rpido que cualquier ser humano. Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad de duplicacin el coste finalmente es bajo. Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dainos para el ser humano. Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano s (cansancio, presin, etc.). Consolidar varios conocimientos. Apoyo Acadmico.

Limitaciones

Sentido comn: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto sobre medicina podra admitir que un hombre lleva 40 meses embarazado, a no ser que se especifique que esto no es posible ya que un hombre no puede gestar hijos.

Lenguaje natural: Con un experto humano podemos mantener una conversacin informal mientras que con un SE no podemos. Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de errores ajenos, que un SE haga esto es muy complicado.

Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias.

Capacidad sensorial: Un SE carece de sentidos. Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolucin de un problema. Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.

Aplicacin de los Sistemas Expertos

Desde un punto de vista histrico, los sistemas basados en reglas provienen de la inteligencia artificial, y concretamente de los sistemas expertos. El objetivo de los sistemas expertos es emular el razonamiento de un experto (reglas de decisiones, mecanismos cognitivos). Se utiliza por lo tanto como un sistema de apoyo a la toma de decisiones. Tcnicamente, un sistema experto se compone de una base de conocimiento (base de hechos y base de reglas) y de un motor de inferencia, que produce un nuevo hecho basado en reglas y hechos presentes en la base. Hoy se habla de sistemas basados en reglas de negocio (BRMS = Business Rules Management System) o de motores de reglas de negocio.

En informtica, una regla de negocio es una descripcin muy especfica que permite controlar y/o tomar una decisin en una empresa o una organizacin. As, las reglas describen lo que se debe hacer, desde el punto de vista de un experto en un mbito concreto. Estas reglas pueden ser expresadas como reglas simples (de tipo SI <<Condiciones>> ENTONCES <<Acciones>>), como cuadro de decisin o como rbol de decisin.

Una herramienta de BRMS se compone de un motor de reglas (cmo utilizar las reglas para tomar decisiones) y de un entorno de gestin de estas reglas:

edicin, creacin e interpretacin organizacin comprobacin, validacin y simulacin gestin del ciclo de vida despliegue gestin de los derechos

El objetivo de las herramientas de BRMS es separar la lgica del negocio (las reglas) de la lgica informtica (programas, lenguajes de desarrollo, bases de datos, sistemas de explotacin). Gracias a esta separacin, la gestin del negocio recae en los propios usuarios, sin necesidad de recurrir a los informticos: describir, automatizar, mejorar, controlar y conectar las reglas de decisin.

Las ventajas de este enfoque son:

Disminucin de los costes de desarrollo, Mejora de la capacidad de reaccin y de adaptacin en contextos de cambios.

OPTIMIZACIN DE SISTEMAS

Optimizacin de procesos informticos mediante programacin eficiente de software, sincrona de procesos y pequeos ajustes en base de datos. Destinados a aquellas organizaciones que posean medianos o grandes sistemas y requieran reducir sus tiempos de procesamiento.

Beneficios: Incremento en la productividad de los usuarios, ya que al reducir los tiempos de respuesta en sistemas on-line permite realizar mayor cantidad de transacciones en el mismo tiempo, y si estos son utilizados para la atencin al cliente, reduce el tiempo de atencin y espera de los clientes. Reduccin de tiempos de procesos batch (en lote), lo que permite tener el servidor disponible para otras tareas como ampliar el horario de atencin a clientes. Ahorro econmico al evitar ampliar la capacidad de procesamiento de los servidores (solucin ms simple de implementar cuando existen problemas de rendimiento).

Caractersticas: Recomendacin de posibles correcciones en las consultas SQL incluidas en los programas utilizados. Recomendacin de cambios de estrategias de explotacin de los sistemas para reducir tiempos y mejorar la calidad de atencin. Recomendacin de posibles correcciones en la definicin de tablas, ndices y dems estructuras de la base de datos. Se pueden reducir significativamente los tiempos de ejecucin de los sistemas, tener en cuenta que una consulta on-line que demora ms de 10 segundos es muy lenta, una reduccin de segundos en estos sistemas puede significar grandes aumentos en la productividad de la empresa.

Ejemplos:

Optimizacin de Redes

Metodologa:

Optimizacin de Servicios

Optimizacin de Informacin

Conclusiones

Un sistema experto es aquel que simula el razonamiento humano ayudando usuario. Cuando los expertos humanos en una determinada materia son escasos, los Sistemas Expertos pueden recoger y difundir su conocimiento. En situaciones complejas, donde la subjetividad humana puede llevar a conclusiones errneas. La posibilidad de poder emular la inteligencia humana ha despertado la curiosidad del ser humano desde tiempos remotos. Y el hombre encontr dos caminos para lograr dicho fin:

Actualmente el duro, difcil y cambiante mercado competitivo se vuelve ms complejo por la gran diversidad de informacin que se ven obligados a almacenar y analizar, razn por la cual las empresas se ven en la necesidad de recurrir a poderosas y/o robustas herramientas o sistemas que les sirvan de soporte a la hora de tomar decisiones. De esta forma estos inteligentes, precisos y eficientes sistemas son adoptados por ms organizaciones, en las cuales se convierten y/o transforman en una importante estrategia de negocio.

Por otra parte es importante mencionar que estos seguirn siendo usados en los todos y cada una de las reas y/o campos donde los expertos humanos sean escasos. Por consecuencia de lo anterior estos sistemas son utilizados por personas no especializadas, por lo cual el uso frecuente de los (SE) les produce y/o genera conocimiento a los usuarios.

Tratar de imitar el funcionamiento del cerebro humano a nivel computador lo cual implica construir una analoga de tipo fsico del cerebro del hombre. Esto podra llamarse entonces enfoque fsico, y como principal exponente de este rumbo encontramos a las redes neuronales. Tratar de lograr el conocimiento humano a travs de la lgica, por lo que estaramos en presencia de un enfoque lgico. En este enfoque de pensamiento encontramos a los sistemas expertos que intentan reproducir el razonamiento humano de forma simblica.

BIBLIOGRAFA

Raimundo J. Lora Freyre. Nacido en Santiago de Cuba, Cuba. Graduado en Lic. en Economa en la Facultad de Ciencias Econmicas de la Universidad de Oriente en 1973. Doctor en Ciencias Econmicas, en el ao 2000

Wikipedia (Enciclopedia Libre)

Jos Manuel Gutirrez (Universidad de Cantabria) gutierjm@ccaix3.unican.es http://ccaix3.unican.es/~gutierjm http://ccaix3.unican.es/~AIGroup

http://www.aist.go.jp/NIBH/~b0616/Lab/Links.html Warren McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificacin, o funcionamiento en sentido general, de una red neuronal. En 1949 Donald Hebb desarroll un algoritmo