Está en la página 1de 19

DEDICATORIA A los docentes universitarios A mis padres A mis colegas en la profesin.

INTRODUCCION

Existe en la actualidad una tendencia a establecer un nuevo campo de las ciencias de la computacin que constituya los diferentes mtodos de resolucin de problemas que no pueden ser descritos fcilmente mediante el enfoque algortmico tradicional. Todos estos mtodos se causan, de una u otra forma, en la emulacin ms o menos inteligente del comportamiento de los sistemas biolgicos.

Estos mtodos estn orientados a resolver problemas donde es necesario manejar informacin masiva, imprecisa, incierta o distorsionada propia del mundo real (toma de decisiones, reconocimiento de formas, habla, etc.). Algunos de stos son la Lgica Borrosa o difusa (Fuzzy Logic), las Redes Neuronales Artificiales, los Algoritmos genticos, la Teora del Caos y la Teora del Aprendizaje. Siendo todos stos enfoques diferentes, existe una tendencia a buscar combinaciones entre ellos, de manera que a cada aspecto de los problemas reales que deban ser resueltos se le aplica la tcnica que resulta ms apropiada.

El trabajo de la presente monografa est encaminado especficamente en la metodologa de las Redes Neuronales Empresariales, es en ese sentido que se muestra una redaccin clara y sencilla de esta tcnica, su evolucin histrica y una descripcin de las caractersticas ms significativas de las redes neuronales.

El autor

INDICE

REDES NEURONALES DE LA EMPRESA

CAPITULO I MARCO TEORICO

1. EVOLUCION HISTORICA Las primeras explicaciones tericas sobre el cerebro y el pensamiento fueron dadas por algunos antiguos filsofos griegos, como Platn (427-347 a.C) y Aristteles (384 422 a.C). Las mismas ideas sobre el proceso mental las mantuvieron Descartes (15961650) y los filsofos empiristas del siglo X.

La clase de las llamadas mquinas cibernticas, a la cual la computacin neuronal pertenece, tiene ms historia de la que generalmente se cree: Heron el Alejandrino construy un autmata hidrulico sobre el ao 100 a.C Alan Turing en 1936 fue el primero en estudiar el cerebro como una forma de ver la computacin; sin embargo los primeros tericos que concibieron los fundamentos de la computacin neuronal fueron Warren McCulloch, un neurofisilogo, y Walter Pitts, un matemtico, quienes en 1943 lanzaron una teora sobre la forma de trabajar de las neuronas. Ellos modelaron una red neuronal simple mediante circuitos elctricos.

En 1957, Frank Rosenblatt comenz el desarrollo del Perceptrn. Esta es la ms antigua red neuronal, y se usa hoy en da de varias formas para aplicaciones como de reconocimiento de patrones. Este modelo era capaz de generalizar, es decir, despus de haber aprendido una serie de patrones era capaz de reconocer otros similares, aunque no se hubieran presentado anteriormente.

En 1959, Bernard Widrow y Marcial Of., de Stanford, desarrollaron el modelo ADALINE (Adaptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema

real (filtros adaptativos para eliminar ecos en las lneas telefnicas), y se ha usado comercialmente durante dcadas desde entonces.

En 1967, Stephen Grossberg (Universidad de Boston) desarroll la red Avalancha, que consista en elementos discretos con actividad que vara con el tiempo, que satisface ecuaciones diferenciales continuas para resolver actividades tales como

reconocimiento continuo del habla y aprendizaje del movimiento de los brazos de un robot.

James Anderson desarroll en 1977 un modelo lineal, llamado Asociador Lineal, que consista en unos elementos integradores lineales (neuronal) que sumaban sus entradas. Este modelo se basa en el principio de que las conexiones entre neuronas son reforzadas cada vez que estn activadas. Anderson dise una potente extensin del Asociador Lineal, llamada Brain-State-in-a-box.

En Japn, Kunihiko Fukushima public en 1980 el desarrollo del Neocognitrn, un modelo de red neuronal para el reconocimiento de patrones visuales.

En 1982, John Hopfield present un trabajo en el que describe con claridad y rigor matemtico una red que lleva su nombre, que es una variacin del Asociador Lineal.

2. DEFINICION Una Red Neuronal Artificial es una estructura compuesta de un nmero de unidades interconectadas (neuronas artificiales). Cada unidad posee una caracterstica de entrada/salida e implementa una computacin local o funcin. La salida de cualquier unidad est determinada por su caracterstica de entrada/salida, su interconexin con otras unidades, y (posiblemente) de sus entradas externas. Sin embargo es posible un trabajo a mano, la red desarrolla usualmente una funcionalidad general a travs de una o ms formas de entrenamiento.

Mientras que desde el enfoque de lo empresarial, a las redes neuronales se les conoce como un nodo que cuenta con una gran cantidad de entradas de informacin que son procesadas de forma rpida para ofrecer una sola salida. Esta neurona, en su interior

lo que hace es combinar la mltiple informacin de entrada que recibe y activar un valor de salida nico, simplificando ese proceso de recepcin.

Por ello, las redes neuronales dentro de la empresa poseen un funcionamiento similar a la red neuronal; los individuos se comportan como neuronas que recogen mltiple informacin para, con su conocimiento, procesar una sola respuesta. Estos individuos se agrupan en reas que son mini redes neuronales que combinan de distintas formas este conocimiento para crear una nueva salida agregada. En un nivel superior, toda la organizacin da una sola salida a la distinta informacin que recibe de diferentes reas.

Las neuronas, como los individuos, son adaptativas; esto supone que si se les permite, adaptarn sus salidas con otros miembros y acabarn formando redes. El gran reto aqu para la organizacin es crear espacios para que esas redes se formen y que la direccin de las salidas de esa red contribuya a la consecucin de los objetivos.

Adems, estas neuronas de organizan de forma automtica proporcionando valores distintos tanto a las entradas que reciben como a las salidas que emiten, con lo que se produce una jerarqua basada en el valor y no en las posiciones.

3. ESTRUCTURA DE UN SISTEMA NEURONAL ARTIFICIAL Los sistemas neuronales artificiales imitan la estructura del hardware del sistema nervioso, con la intencin de construir sistemas de procesamiento de informacin paralelos, distribuidos y adaptativos, que puedan presentar un cierto comportamiento inteligente.

Cada neurona realiza una funcin matemtica. Las neuronas se agrupan en capas, constituyendo una red neuronal. Una determinada red neuronal est confeccionada y entrenada para llevar a cabo una labor especfica. Finalmente, una o varias redes, ms las interfaces con el entorno, conforman el sistema global. Formalmente, un sistema neuronal o conexionista est compuesto de los siguientes elementos:

Un conjunto de procesadores elementales o neuronas artificiales. Un patrn de conectividad o arquitectura. Una dinmica de activaciones. Una regla o dinmica de aprendizaje. El entorno donde opera.

4. CARACTERSTICAS Debido a su constitucin y fundamentos, las redes neuronales artificiales presentan un gran nmero de caractersticas similares a las del 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 presentan informacin irrelevante, etc. o Aprendizaje adaptativo: Esta es quizs la caracterstica ms importante de las redes neuronales, pueden comportarse en funcin de un entrenamiento con una serie de ejemplos ilustrativos. De esta forma, no es necesario elaborar un modelo a priori, ni establecer funciones probabilsticas. Una red neuronal

artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo.

Auto organizacin: Mientras que el aprendizaje es un proceso donde se modifica la informacin interna de la red neuronal artificial, el auto organizacin consiste en la modificacin de la red completa con el fin de llevar a cabo un objetivo especfico.

Tolerancia a fallos: En la computacin tradicional la prdida de un fragmento pequeo de informacin puede acarrear comnmente la inutilizacin del sistema. Las redes neuronales artificiales poseen una alta capacidad de tolerancia a fallos. Se entiende por ello que las redes pueden reconocer patrones de informacin con ruido, distorsin o incompletos, pero que, adems, pueden seguir trabajando aunque se destruya parte de la red (con cierta degradacin). La explicacin de este fenmeno se encuentra en que mientras la computacin tradicional almacena la informacin en espacios nicos, localizados y direccionables, las redes neuronales lo hacen de forma distribuida y con un alto grado de redundancia.

Operacin en tiempo real: Las redes neuronales artificiales, de todos los mtodos existentes, son las ms indicadas para el reconocimiento de patrones en tiempo real, debido a que trabajan en paralelo actualizando todas sus instancias simultneamente. Es importante destacar que esta caracterstica solo se aprecia cuando se implementan redes con hardware especialmente diseados para el procesamiento paralelo.

Fcil insercin en la tecnologa existente: Es relativamente sencillo obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilita la integracin modular en los sistemas existentes.

5. CMO SE UTILIZAN LAS REDES NEURONALES? Dentro de las organizaciones el uso de las redes neuronales depende del compromiso que exista entre los individuos que trabajan en la empresa y la propia entidad. Por lo

tanto, la implantacin de este sistema no requiere de grandes inversiones al comienzo (puede ser concentrado solo en un rea) y su aplicacin depende sobre todo de habilidades soft (formacin, liderazgo, cultura, valores, etc), quedando las variables hard (sistemas, tecnologa, etc) como factores de soporte al servicio del resto de necesidades.

A continuacin presentare una lista de formas de utilizar las redes neuronales en una empresa:

Marco estratgico claro: la misin, visin, valores y filosofa empresarial deben quedar muy claros para todos los individuos. Solo de esta forma, la red trabajar para dar una respuesta comn y alineada. El modelo de red sin este marco no capitaliza esfuerzos.

Claridad en las conexiones entre las lneas estratgicas: cada lnea estratgica a trabajar debe estar claramente conectada con el resto y estas conexiones deben ser comprendidas con claridad por toda la organizacin, as como la contribucin que se espera de cada uno de ellos a estas lneas.

Sistemas de informacin compartidos/gestin del conocimiento: los miembros de la red deben disponer de accesos compartidos a la informacin necesaria y un lugar donde gestionar ese conocimiento generado de salida, ya que la salida de un individuo provoca la entrada de informacin de otros muchos en el modelo de red.

Liderazgo: el liderazgo que potencia la tolerancia al error, la innovacin y el reto.

Empowerment/formacin: es fundamental que desde RRHH se provea de la autonoma suficiente a cada persona para que tenga capacidad de procesamiento individual; para ello necesitar la adecuada formacin.

Flujos/Procesos clave: es bsico detectar los procesos clave (flujos de informacin, de materiales, financieros, etc) y que estos funcionen de forma rpida.

Tecnologa: hay que adaptar la tecnologa al funcionamiento adecuado de las redes, no al revs. La tecnologa como servicio y no como director.

Subsistema poltico: las habilidades polticas de los directivos deben ayudar a reducir las fricciones que supone el trabajo en red, sobre todo en sus comienzos.

6. QU APORTAN LAS REDES NEURONALES?

La aplicacin de un modelo de redes neuronales en la empresa permite:

Mayor capacidad de adaptacin al entorno: al potenciar la capacidad del individuo para captar entradas y darle independencia para generar una salida, as como ponerlo en contacto con otros individuos, las posibilidades de acertar en la opcin elegida y de hacerlo de forma rpida crecen exponencialmente

Auto organizacin: las redes neuronales son capaces de auto organizarse segn las distintas entradas y salidas realizadas de forma casi automtica. Ellas mismas fijan el valor de sus salidas y se organizan priorizando las decisiones.

Tolerancia y resistencia a fallos: al encontrarse la informacin y la capacidad de actuacin distribuida, un error o fallo no tiene por qu propagarse automticamente a toda la red, puesto que tienen el conocimiento de forma distribuida y son capaces de generar alternativas correctoras.

Rapidez en la repuesta: ante cualquier incertidumbre, la red neuronal es capaz de reconocer patrones rpidamente porque se trabaja de forma simultnea, lo que hace que su actualizacin sea inmediata.

7. AREAS DE APLICACIN DE LAS REDES NEURONALES

Las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimizacin, reconocimiento y generalizacin. Estos tres tipos engloban un elevado nmero de situaciones, lo que hace que el campo de aplicacin de las redes neuronales en la gestin empresarial sea muy amplio.

En los problemas de optimizacin, se trata de determinar una solucin que sea ptima. Generalmente se aplican redes neuronales realimentadas. En la gestin empresarial, son decisiones de optimizacin encontrar los niveles de tesorera, de existencias, de produccin, construccin de carteras ptimas, etc.

En los problemas de reconocimiento, se entrena una red neuronal con inputs como sonidos, nmeros, letras y se procede a la fase de test presentando esos mismos patrones con ruido.

En los problemas de generalizacin, la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas tpicos de generalizacin son los de clasificacin y prediccin.

8. DIFERENCIA CON LOS SISTEMAS EXPERTOS Las redes neuronales se asemejan a los sistemas expertos en cuanto al objetivo de representar el conocimiento pero son radicalmente opuestos en cmo aspiran a conseguirlo.

Los sistemas expertos se acercan ms al razonamiento deductivo - obtener reglas- y las redes neuronales al inductivo -aprendizaje mediante ejemplos-.

La gestin empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas tcnicas tienen cabida. Adems, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un nico sistema.

CAPITULO II CASOS DE APLICACIN


En este captulo observamos a algunas empresas que tienen implementadas dentro de sus organizaciones la aplicacin y ejecucin de las redes neuronales, as tenemos a:

a. Google
Google pone a trabajar su tecnologa de cerebro virtual: El software de aprendizaje de Google est basado en simular grupos clulas cerebrales interconectadas de

que se comunican entre ellas e influyen unas a otras. Cuando estos grupos, denominados redes neuronales, se exponen a datos, las relaciones entre las distintas neuronas pueden cambiar. Eso hace que la red desarrolle la capacidad de reaccionar de determinada maneras ante un tipo concreto de datos entrantes. Es entonces cuando puede afirmarse que la red ha aprendido algo.

Los ingenieros de Google han encontrado la forma de reforzar este enfoque con ms potencia computacional de lo que era posible hasta ahora, creando redes neuronales

capaces de aprender sin ayuda humana y con la resistencia suficiente como para poder usarse de forma comercial, no solo como demostraciones de laboratorio.

Son las propias redes neuronales de la empresa quienes deciden por s mismas a qu caractersticas de los datos quieren prestar atencin y qu patrones importan, en vez de que haya un humano que decida, por ejemplo, qu colores y formas concretas son interesantes para un software que intenta identificar objetos.

Ahora Google est usando estas redes para reconocer el habla con mayor precisin, una tecnologa cada vez ms importante para Android, el sistema operativo para telfonos inteligentes de Google, as como para la aplicacin de bsqueda que pone a disposicin de los aparatos de Apple. Hemos conseguido una mejora de entre el 20 y el 25 por ciento en los errores de palabras, sostiene Vincent Vanhoucke, que dirige los esfuerzos de Google en el campo del reconocimiento de voz. Eso significa que mucha ms gente tendr una experiencia perfecta sin errores. De momento la red neuronal solo funciona con ingls norteamericano y Vanhoucke afirma que se podrn introducir mejoras parecidas para otros dialectos e idiomas.

b.

Bolsa de Valores de Colombia La Bolsa de Valores de Colombia aplica a las Redes Neuronales al Pronstico de Precios en el Mercado de Valores. Para el desarrollo del modelo se procedi a recopilar los datos histricos del precio de las acciones de Ecopetrol y preferencial Bancolombia, las cuales se negocian simultneamente en las bolsas de valores de Colombia y Nueva York. Esta informacin fue obtenida del sitio web de la bolsa de valores de Colombia (www.bvc.com.co). Las variables de entrada corresponden a los precios de cierre diarios en pesos colombianos y como salida nica se tiene el precio a pronosticar para el da siguiente.

La red que se utiliz fue el perceptrn multicapa con conexiones hacia adelante, porque dentro del marco de las redes de neuronas, el perceptrn ha mostrado ser una de las arquitecturas ms tiles en la resolucin de este tipo de problemas. Esto es

debido, fundamentalmente, a su capacidad como aproximador universal. La arquitectura de esta red, se caracteriza porque tiene sus neuronas agrupadas en capas de diferentes niveles. Cada una de las capas est formada por un conjunto de neuronas y se distinguen tres tipos de capas diferentes: la capa de entrada, la capa de salida y la capa oculta. Cada neurona posee su respectivo nivel de umbral y la funcin de transferencia utilizada en todas las neuronas fue la tangente hiperblica.

c.

Banco Central de Reserva del Per Aplicacin de un modelo de redes neuronales artificiales para calificacin de bonos en el Per. Se desarroll de un Prototipo del Sistema de Calificacin de Bonos Arquitectura de Red Neuronal: Mapas Auto organizados

Determinacin de Variables Financieras

En la seleccin de los determinantes del rating de bonos, se utilizaron variables financieras basados en informacin de CONASEV y el Vademcum Burstil sobre el mercado de valores peruano.

Las categoras o clases como output o salidas se cieron a la simbologa de las empresas clasificadoras de riesgo (Standard & Poors, Apoyo & Asociados y Equilibrium S.A.)

Diseo de la Red Neuronal

Para el desarrollo de la red se debe pasar por un perodo de prueba y error antes de conseguir un diseo satisfactorio. El diseo de redes neuronales consiste de:

Ordenamiento de las neuronas en varias capas Decisin del tipo de conexiones entre las neuronas por diferentes capas, as como entre las neuronas dentro de una capa.

Decisin de la forma en que una neurona recibe el input y produce output. Determinacin de la fuerza de conexin dentro de la red dando los valores apropiados de aprendizaje de la red en la conexin de pesos usando un conjunto de data de entrenamiento.

Seleccin de Conjuntos de Data

La data consiste de 43 bonos corporativos en moneda extranjera expresadas en nuevos soles, negociados en la Bolsa de Valores de Lima El conjunto de bonos corporativos emitidas por empresas del sector privado fueron tomados del Anuario Estadstico del mercado de valores, CONASEV 2004 y del Vademcum Burstil 2005. (Seguimiento para bonos de mercado continuo, CONASEV 2006 y Vademcum Burstil 2007).

Se prepar dos conjuntos de informacin como sigue: c1) Set de Entrenamiento de Data 35 bonos corporativos emitidos fueron seleccionados aleatoriamente por la red. c2) Set de Prueba de Data 8 bonos emitidos fueron seleccionados aleatoriamente. Este set contiene las categoras de cada clasificacin de bono (clasificaciones de tres, cinco y seis categoras).

d.

Android Una de las principales mejoras que Android introdujo en las nuevas versiones de su sistema operativo Android para dispositivos mviles fue el reconocimiento de voz. Y ese reconocimiento est basado en gran medida en sistemas de redes neuronales, una tecnologa de aprendizaje que trata de simular el comportamiento del cerebro humano.

Vincent Vanhoucke afirma que la nueva tasa de error en el sistema de reconocimiento de error de Android 4.1 Jelly Bean es aproximadamente un 25% ms baja que anteriores versiones del software, y eso hace que la gente se sienta ms cmoda a la hora de utilizar comandos de voz, algo en lo que tambin tratan de trabajar los ingenieros de Apple con su propio sistema, Siri, que debut en iOS en octubre de 2011 con el iPhone 4S.

El funcionamiento del reconocimiento de voz es relativamente simple: cuando hablamos a nuestro dispositivo Android, el espectrograma de lo que decimos se parte en trozos y

se enva a 8 servidores distintos de Google que lo procesan usando modelos de redes neuronales desarrollados por Vanhoucke y su equipo. Esos espectrogramas se comparan con patrones y qu pueden representar contrastndose con vastas bases de datos de palbras pronunciadas y guardadas en esos servidores.

Pero una de las claves del sistema es precisamente esa capacidad de aprendizaje que ofrecen las redes neuronales, que tambin se aplican por ejemplo de forma efectiva en sistemas de bsquedas de imgenes a la inversa como el que la propia Google ofrece desde hace un tiempo.

CONCLUSIONES

De acuerdo a lo expuesto en esta monografa puedo concluir que las redes neuronales artificiales se hacen cada vez ms necesarios para el desarrollo de las Tics y para alcanzar el nivel o estndar que demandan ahora los interesados.

Que se puede utilizar las redes neuronales artificiales para resolver con eficiencia un problema, pero recordemos que rara vez existen soluciones simples a problemas complejos. Si se comprende bien el problema, introduciendo explcitamente el conocimiento apriorstico en el modelo se obtiene un sistema ms eficiente.

Que ningn software resolver los problemas, solamente entrenar la red neuronal empleando ciertos algoritmos. La clave del xito radical en factores diferentes al entrenamiento de la red; la experiencia en la resolucin de problemas con esta tcnica es de suma utilidad, pero la comprensin del problema es determinante.

El Autor

REFERENCIA BIBLIOGRAFICA

Guzmn, Maria Victoria. APLICACIONES DE LAS REDES NEURONALES. EL CASO DE LA BIBLIOMETRA. (Artculo Cientfico) La Habana, Cuba. 2001

Juan Miguel Marn Diazaraque. INTRODUCCION A LAS REDES NEURONALES APLICADAS. (Libro). Madrid Espaa, 2012.

Villanueva Espinoza, Mara del Rosario. LAS REDES NEURONALES ARTIFICIALES Y SU IMPORTANCIA COMO HERRAMIENTA EN LA TOMA DE DECISIONES (TESIS). UNMSM. Lima, 2002.

ANEXOS