Universidad Autónoma de Cd Juárez

Introducción a la Inteligencia
Computacional y su Aplicación en
la Ingeniería
Dr.Youness El Hamzaoui

1
2
Definición 1
La Inteligencia Computacional combina
elementos de aprendizaje, adaptación, evolución y
Lógica difusa para crear programas que son, en
cierta manera, inteligentes. La investigación en
Inteligencia Computacional no rechaza los métodos
estadísticos, pero muy a menudo aporta una vista
complementaria. Las Redes Neuronales son una
rama de la inteligencia computacional muy
relacionada con el aprendizaje automático.

3
Definición 2

Es una disciplina que busca dar claridad de acción

ante situaciones de decisión confusas; esta disciplina
posee herramientas las cuales sirven para entender
claramente la situación de decisión, extienden la
memoria y la capacidad cognoscitiva, ayudan a
superar la incertidumbre encontrando la mejor
alternativa.

4
Definición 3
“Sistemas interactivos basados en computadora que
auxilian a quienes toman decisiones en la utilización de
datos modelos para resolver problemas no
estructurados” .

Definición 4
"Son Sistemas de Apoyo a la Decisión acoplan los
recursos intelectuales de los individuos con las
capacidades de las computadoras para mejorar la
calidad de las decisiones de quienes contienden con
problemas semiestructurados”
5
Beneficios percibidos atribuibles al uso de la
Inteligencia Computacional son:
- Alta calidad en las decisiones

- Comunicación mejorada

- Reducción de costos

- Incremento en la productividad

- Ahorro de tiempo

- Mayor satisfacción de empleados y clientes

6
 Sistemas basados en Inteligencia
Computacional (IC)
• Las compañías se apoyan en los expertos para
tomar una decisión compleja o para resolver un
problema (conocimiento y experiencia).
• Entre menos estructurada sea la situación, más
especializada (y cara) es la recomendación.
• Los sistemas expertos intentan hacer una mímica de
los expertos humanos.
• Un sistema experto (SE) es un paquete de
cómputo para la toma de decisiones o resolución de
problemas en un área de problemas bien definida.
7
 Sistemas basados en Inteligencia
Computacional (IC)
Sistemas Expertos

Experto

Experticia
Usuarios
Recomendaciones

Consultas

8
 Inteligencia Artificial (IA)

• John McCarthy lo define como métodos

algorítmicos capaces de hacer pensar a las
computadoras.
• La IA pretenden modelar el comportamiento
inteligente, principalmente humano, con la
intención de desarrollar sistemas con
características y capacidades inteligentes
similares.
9
La IA modela el comportamiento inteligente

10
La IA modela el comportamiento inteligente

Lógica Difusa
Redes
Neuronales

Inteligencia
Computacional

Algoritmos Sistema Inmune

Evolutivos Artificial

11
 Optimización Inteligente
• Los Algoritmos Genéticos (AG) son métodos
adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización.
• Existe la posibilidad de planear la
arquitectura de un AG para que sus
funciones de convergencia y control, así
como sus operadores genéticos estén basados
en Distribución de Probabilidad y Lógica
Difusa.
12
Ventajas del Algoritmo Genético

• Resuelve problemas no estructurados

• Variables combinatorias

• Optimización multicriterio

• Incertidumbre

13

Fases de la Inteligencia Computacional
REALIDAD
Examen
Validación del Modelo
EXITO
Verificación, Prueba de la
Solución Propuesta
Implementación de
la solución
Fase de Inteligencia
Objetivos Organizacionales
Procedimientos de búsqueda y Examen
Colección de datos
Identificación de problemas
Clasificación de problemas
Establecimiento del problema
Fase de Diseño
Formular un modelo (suposiciones)
Establecer criterios de opción
Buscar alternativas
Predecir y medir los resultados
Fase de Opción
Solución al modelo
Análisis de sensibilidad
Selección de la mejor alternativa
Plan para implementación (acción)
Diseño de un sistema de control
FALLA 14
Herramientas Practicas de la Inteligencia Computacional
Red Neuronal Artificiales

Entradas Conexiones Funciones Salidas

delared Skl
X1
ω1
X2 ω2
ω3  
X3

Skl  f
ji Xi bi 

15
 Herramientas Practicas de la Inteligencia Computacional
Arquitectura de una red neuronal artificial
Interna

IWij LWij
Entrada
Salida
E(x1)

E(x2)

Sij = f1( IWij*Ej + b1)

S(1) = f2( LWij*Sij+b2)
16
Herramientas Practicas de la Inteligencia Computacional
Redes Neuronales Artificiales (RNA)

Presentación de una simple neurona

(Demuth y Beale, 2003)

Modelo RNA multicapas (Demuth y Beale, 2003) 17

 Herramientas Practicas de la Inteligencia Computacional
Redes Neuronales Artificiales inversa (RNAi)

Y  Output Y   X 1   X 2 
X 1  Input 1
X 2  Input 2
Conjuntos de pesos y bias
 ,  

 X 1   X 2  Y  1

[Hernandez et al, 2009]

18
Herramientas Practicas de la Inteligencia Computacional
Redes Neuronales Artificiales inversa (RNAi)
El modelo general de la RNAi

19
Herramientas Practicas de la Inteligencia Computacional
Red neuro difusa (TSK)

Capa de entrada: Base datos

Capa oculta 1: Cada nodo en esta capa es un nodo cuadrado con un nodo función
O   x , i 1,2
1

i Ai

O    y , i  3,4
i
1

Bi

1
 Ai x  bi
 x  c 
2

1   i
 
 ia  

Función de pertenecía

20
Herramientas Practicas de la Inteligencia Computacional
Red neuro difusa
Capa oculta 2: Fuerzas de disparos de las reglas

i
2
O w  i Ai x   y 
Bi i  1,2
Capa oculta 3: Fuerzas de disparos normalizadas

3 wi
O  wi 
i i  1,2
w1  w2
Capa oculta 4: Consecuente TSK

O  wi f i  wi  pi x  qi y  ri  i  1,2
i
4

Capa de salida


2
2 wi f i
O   wi f i
i
5
 i 1

i 1 w1  w2 21
Codigo de RNA en C++

22
Codigo de RNA en C++

23
24
Herramientas Practicas de la Inteligencia Computacional
Algoritmo genético (AG)
[Wang et al. 1996]

25
Herramientas Practicas de la Inteligencia Computacional

Enjambre de partículas
[Kennedy y Eberhart 1995]

26
Aplicaciones RNA
1. Reconocimiento de rostros

27
1. Reconocimiento de rostros

28
Aplicaciones RNA
2. Reconocimiento de objetos

29
Aplicaciones RNA
2. Reconocimiento de objetos

30
Problema 1

Modelación, simulación de la
DQO y mejoramiento del
proceso durante la degradación
de moléculas CO2
por medio de RNA y RNAi

31
32
Problema 2

Modelación y simulación del

COP para el proceso del
purificador de agua integrado al
transformador térmico
por medio de
sistemas neuro difusos

33
 Problema 2 Transformador térmico por absorción

PEV QEV evaporador absorbedor Q AB

bomba bomba válvula de

expansión

PCO Q CO condensador generador Q GE

TCO TGE , TEV TAB

34
Otras Aplicaciones

35
Conclusiones generales
1. La inteligencia computacional, si bien limitada, por ahora, en lo
que se refiere a creatividad y sentido común, puede hacer uso de
una capacidad que no poseen las criaturas humanas: la inteligencia
evolutiva.
2. Si bien ninguno de los paradigmas puros de softbots inteligentes
cumple estrictamente las condiciones establecidas por la definición
de Sistema Inteligente, puede afirmarse que todos ellos poseen, al
menos, una característica que la diferencia claramente de los no
inteligentes, por ejemplo, de los Sistemas Automáticos.
3. La complementación aprovechada por los Sistemas Híbridos
actuales abre una perspectiva muy grande de mejoramiento en el
comportamiento de los mismos, muy especialmente, cuando se
puedan instalar en las futuras plataformas de hardware, como las
que prometen la computación cuántica o la computación basada en
ADN, entre otras.
36
 Basado en todo lo desarrollado y,
resumido, en las conclusiones anteriores,
se está en condiciones de
responder a la pregunta planteada:
Son INTELIGENTES… los SISTEMAS
INTELIGENTES ?

37
Referencias
Demuth H., Beale M., Eds., Neural Network Toolbox for Matlab-User’s Guide Version 3,
MathWorks, MA, 1998.

Hernández J.A., Bassam A., Siqueiros J., Romero D.J., Optimum operating conditions for a
water purification process integrated to a heat transformer with energy recycling using neural
networks inverse, Renewable Energy, 34(2009) 1084-1091.

Nelder J. A., Mead R., A simplex method for function optimization, Computer Journal, 07
(1965) 308-313.

Siqueiros J., Romero R.J., Increased COP for heat transformer in water purification systems,
Part I: temperature increase for heat source, Appliel Thermal Engineering, 27 (2007) 1043–
1053.

Verma S. P., Andaverde J, Santoyo E., Application of the error propagation theory in
estimates of static formation temperatures in geothermal and petroleum boreholes, Heat
Transfer in Components and Systems for Sustainable Energy Technologies: Heat-SET 5–7
April 2005, Grenoble, France, 47 pp. 3659-3671.

Wang C., Quan H., Xu X., Optimal design of multiproduct batch chemical process using
genetic algorithm. Industrial engineering and chemistry research, 1996, 35, 10, 3560-6. 38
¡MUCHAS GRACIAS POR SU
ASISTENCIA Y ATENCIÓN!

THANK YOU VERY MUCH

MERCI BEAUCOUP!

‫شكرا جزيال‬
39