Bases de Datos para afrontar catstrofes naturales

Tomar decisiones ante una catstrofe natural como la que ha asolado hace poco Hait no siempre
es fcil. Un equipo de matemticos madrileos ha desarrollado un sistema informtico que podra
esclarecer cules son las mejores estrategias a adoptar tras un terremoto, una inundacin o un
tsunami.
El Sistema Experto para el Diagnstico en Desastres (SEDD) es una herramienta informtica de
prediccin y diagnstico de los desastres naturales para ayudar a las ONG en la toma de decisiones
estratgicas?, ha explicado a SINC Begoa Vitoriano, profesora del Departamento de Estadstica e
Investigacin Operativa de la Facultad de Matemticas de la Universidad Complutense de Madrid
(UCM) y coautora de un estudio que este mes publica la revista Knowledge-Based Systems. El
programa parte de la informacin sobre el tipo de desastre (terremoto, inundacin, huracn,
tsunami, incendio...), unidades cuantificables (escala Richter para terremotos, velocidad del viento
para huracanes, etc.) y una medida de la vulnerabilidad de la zona. Para obtener sta ltima, la
ms difcil de conseguir, los cientficos emplean el ndice de desarrollo humano que facilita la ONU
por pas, y lo modifican para ajustarlo a la situacin de la regin afectada.
Con estos datos la aplicacin informtica estima la magnitud de las consecuencias de la catstrofe
"en trminos de fallecidos, heridos, personas sin hogar, otros afectados y coste", una informacin
muy til para las ONG. La eleccin de estas variables se ha realizado a partir de la base de datos
del Centro de Investigacin en Epidemiologa de Desastres de la Universidad de Lovaina (Blgica),
colaborador de la OMS.
Crean una Base de Datos que predice las ventas que
tendr un libro
Investigadores de la Universidad de Granada han desarrollado un nuevo sistema informtico que
permite predecir qu ventas tendr un libro si se publica, una informacin muy til para las
editoriales, que podran decidir as la tirada de una obra. La nueva herramienta, denominada
PreTEL, se basa en redes neuronales artificiales.
Para desarrollarlo, Pedro ngel Castillo Valdivieso y sus colegas del grupo de investigacin
GeNeura entrenaron previamente al sistema considerando datos de miles de libros ya publicados
y obteniendo de este modo un modelo matemtico de estimacin de datos que es capaz de
interpretar los valores de un nuevo libro para estimar la tirada ptima y la venta.
Los mtodos basados en la inteligencia artificial -como las redes neuronales artificiales, los
modelos de regresin logstica, los rboles de decisin, y los modelos tipo ARIMA- tienen la
capacidad de aprender y adaptarse, "de tal forma que si en el futuro se dispone de nuevos datos,
se podrn re-entrenar para corregirse y mejorar los resultados de prediccin", apunta Castillo
Valdivieso. As, cuanto mayor sea la base de conocimiento en lo referente al nmero de libros
contenidos, mejor se espera que sea el modelo que realice la prediccin, y mayor la calidad de las
estimaciones.
Elena Sanz 03/05/2013 MUY INTERESANTE
Modelo Inteligente para Bases de Datos Distribuidas
Particularmente, nos proponemos disear el modelo cannico a travs del manejo ontolgico de
la informacin. Para esto se disean ontologas que permitirn describir una base de datos como
un conjunto de trminos representacionales de sus diferentes componentes. En estas ontologas,
las definiciones asocian clases, relaciones, funciones, entre otras cosas, de entidades en el
universo del discurso de las bases de datos, para describir el significado de las bases de datos, sus
componentes, restricciones, etc. La razn de usar ontologas es que ellas definen conceptos y
relaciones dentro de un marco taxonmico, cuya conceptualizacin est representada de una
manera formal, legible y utilizable. En trabajos anteriores [14] se ha propuesto un modelo de
referencia y una arquitectura para la integracin de Bases de Datos en donde se plantea la
necesidad de definir un modelo cannico. Como continuacin de estos trabajos, en este artculo se
describen las taxonomas ontolgicas que componen el modelo de referencia para la integracin
de bases datos, y se disea el Modelo Cannico usando dicha nocin ontolgica. De esta manera,
se define el proceso de integracin entre los diferentes tipos de bases de datos, estas bases de
datos componentes pueden ser: Relacionales, Orientadas a Objeto, Difusas, Inteligentes y
Multimedia. As, el esquema ontolgico describe los conceptos, operaciones y restricciones, tanto
de las bases de datos componentes como de su proceso de integracin.Adems en este trabajo se
muestra tambin los axiomas para cada una de los esquemas ontolgicos utilizando lgica de
predicado de primer orden.
Ana C. Muoz G., Jose Aguilar, Rodrigo Martnez GERENCIA TECNOLOGICA INFORMATICA

Una solucin de Aprendizaje Reforzado para ubicar
fragmentos replicados en Bases de Datos Distribuidas
Debido a la complejidad del problema de la distribucin de los datos, la mayora de las propuestas
de solucin presentadas hasta la fecha han coincidido en dividir el proceso de diseo de la
distribucin en dos fases seriadas: la fragmentacin y la ubicacin de los fragmentos en los sitios
de la red. Este trabajo aborda el problema de ubicacin de fragmentos partiendo de un modelo
matemtico que en su forma general es NPCompleto y propone un mtodo metaheurstico
basado en QLearning de Aprendizaje Reforzado que minimiza el costo total en un tiempo
aceptable. Esta propuesta integra la replicacin de fragmentos.
Abel Rodrguez Morffi1, Darien Rosa Paz1, Marisela Mainegra Hing2 and Luisa Manuela Gonzlez
Gonzlez Abril 23, 2007 COMPUTACION Y SISTEMAS