06mem

Inteligencia artificial.Redes neuronales y
aplicaciones.
Resumen
En el presente documento haremos una breve
introducción a qué es la inteligencia artificial. Nos
centraremos mas tarde en definir las redes neuronales
y algunas de sus multiples aplicaciones en el mundo
de las telecomunicaciones tales como la detección de
Spam o algunas aplicaciones sobre la ingeniería del
tráfico.
General Terms
Redes neuronales, Inteligencia artificial,
Redes biológicas,
Keywords
Neurona, Aprendizaje,Patrón,
1.Introducción
Muchas veces escuchamos hablar sobre la
inteligencia artificial, pero ¿Qué es realmente?. A lo
largo de la historia son numerosas las definicones que
se han dado sobre este tema; algunas de ellas son:
-“Capacidad que tienen las máquinas para
realizar tareas que en el momento son realizadas por
seres humanos”. Rich y Knight [1994] y Stuart
[1996].
-“Campo de estudio que se enfoca en la
explicación y emulación de la conducta inteligente en
fución de procesos computacionales basados en la
experiencia y el conocimiento continuo del
ambiente”. Nebendah [1988] y Delgado [1998].
-“Rama de la ciencia de la computación que
estudia resolución de problemas no algorítmicos
mediante el uso de cualquier técnica de computación
disponible, sin tener en cuenta la forma de
razonamiento subyacente a los metodos que se
apliquen para lograr esa resolución” Farid Fleifel
Tapia.
En cualquier caso, todas coinciden en que la
inteligencia abarca la capacidad de entender, asimilar,
elaborar información y utilizarla de forma adecuada,
es decir, la capacidad de aprender.
2.Técnicas de la inteligencia artificial
Como ya hemos dicho la inteligencia artificial
se basa en el conocimiento. Existen tres modelos que
los investigadores han utilizado de manera tradicional
para la manipulación del mismo:
-Programación heurística: Se basa en el
modelo de comportamiento humano y su estilo para
resolver problemas complejos .Existen varios tipos de
programas que incluyen algorítmos heurísticos.
-Redes neuronales: Representación abstraida
del modelo neuronal del cerebro humano. Las redes
están formadas por un gran número de elementos
simples y por sus interconexiones.
-Evolución artificial (algorítmos genéticos):
Su modelo está basado en el proceso genético de la
evolución natural, propuesto por Charles Darwin. Se
utilizan sistemas simulados en computador que
evolucionan mediante operaciones de reproducción,
mutación y cruce.
En este trabajo nos centramos en las redes
neuronales, que a continuación explicaremos con mas
detalle, mostrando algunos ejemplos de aplicación
entre los multiples que hay.
Alexandra Martínez Bowen
I.T.T Telemática
Universidad Carlos III de Madrid
100067350@alumnos.uc3m.es
Hugo Galán Asensio
I.T.T Telemática
Universidad Carlos III de Madrid
100054927@alumnos.uc3m.es

3.Redes neuronales
3.1.Definición
Al igual que con la inteligencia artificial,
existen multitud de definiciones para las redes
neuronales. Algunas de ellas son:
-Una nueva forma de computación, inspirada
en modelos biológicos.
-Un modelo matemático compuesto por un
gran número de elementos procesales organizados en
niveles.
-Redes interconectadas masivamente en
paralelo de elementos simples (usualmente
adaptativos) y con organización jerárquica, las cuales
intentan interactuar con los objetos del mundo real del
mismo modo que lo hace el sistema nervioso
biológico.
3.2.Ventajas que ofrecen
Debido a que presentan un gran número de
características similares a las del cerebro humano, las
redes neuronales son capaces de aprender de la
experiencia, de abstraer características esenciales a
partir de entradas que presentan información
irrelevante, de generalizar de casos anteriores a
nuevos casos…etc. Todo esto permite su aplicación
en un gran número de areas muy diferenciadas.
Las principales ventajas que representan son:
-Aprendizaje Adaptativo: Capacidad de
aprender a realizar tareas basadas en un entrenamiento
o en una experiencia inicial.
-Auto-organización: Una red neuronal puede
crear su propia organización o representación de la
información que recibe mediante una etapa de
aprendizaje.
-Tolerancia a fallos: La destrucción parcial de
una red conduce a una degradación de su estructura;
sin embargo, algunas capacidades de la red se pueden
retener, incluso sufriendo un gran daño.
-Operación en tiempo real: Los cómputos
neuronales pueden ser realizados en paralelo; para
esto se diseñan y fabrican máquinas con hardware
especial para obtener esta capacidad.
-Fácil inserción dentro de la tecnología
existente: Se pueden obtener chips especializados para
redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitará la integración modular en los
sistemas existentes.
3.3.Estructura
Para describir la estructura de una red
neuronal, primero describimos la estructura de lo que
deominamos neurona.
Una neurona es la unidad básica de la red. La
podemos describir comparandola con una neurona
biológica, ya que el funcionamiento sera similar.
FIGURA: SIMILITUD NEURONAS
En la parte superior de la imagen vemos una
neurona biológica, ésta está formada por sinapsis,
axón, dentritas y cuerpo. En la parte inferior tenemos
una neurona artificial que es una unidad de
procesamiento de la información, es un dispositivo
simple de cálculo que ante un vector de entradas
proporciona una única salida.
Sabierndo ya que la neurona es la unidad
básica de la red, podemos definir una red neuronal
como modelos matemáticos inspirados en sistemas
biológicos, adaptados y simulados en computadoras
convencionales.

Redes biológicas Redes
artificiales
Neuronas Unidades de
proceso
Conexiones
sinápticas
Conexiones
ponderadas
Efectividad de la
sinápsis
Peso de las
conexiones
Efecto
excitatorio de una
conexión
Signo del peso
de una conexión
Efecto
combinado de la sinápsis
Función de
propagación
Tabla:En la tabla podemos ver la comparativa
entre las 2 redes.
3.4.Clasificación
Para la clasificación de las redes neuronales
vamos a seguir dos tipos de aplicaciones:
-Según su arquitectura
-Según el aprendizaje
3.4.1.Según la arquitectura
La arquitectura de una red consiste en la
disposición y conexionado de las neuronas. Podemos
distinguir en una red, el número de capas, el tipo de
las capas, que pueden ser ocultas o visibles, de
entrada o de salida y la direccionalidad de las
conexiones de las neuronas.
Todo esto nos sirve para clasificarlas en :
-Redes Monocapa: cuentan con una capa de
neuronas, que intercmbia señales con el exterior y que
constituyen a un tiempo la entrada y la salida del
sistema. Una de las redes mas representativas de este
modelo es la red de Hopfield, que ha tenido una gran
influencia en el desarrollo posterior de redes
neuronales.
-Redes Multicapa: están formadas por dos o
mas capas de neuronas conectadas entre ellas.
Dependiendo de cómo sean estas conexiones
podemos hacer otra subdivisión:
1.Redes con conexiones hacia delante: Este
tipo de redes contienen solo conexiones entre capas
hacia delante. Esto implica que una capa no puede
tener conexiones a una que reciba la señal antes que
ella en la dinámica de la computación.
2.Redes con conexiones hacia atrás: En este
tipo de redes pueden existir conexiones de capas

hacia atrás y por tanto la información puede regresar a
capas anteriores en la dinámica de la red
3.4.2.Según el aprendizaje
El aprendizaje se basa en el entrenamiento de
la red con patrones. El proceso de aprendizaje se basa
en que la red ejecute los patrones de forma iterativa
hasta que se muestren respuestas satisfactorias. Es
decir, los pesos sinápticos se ajustan para dar
respuestas óptimas para el conjunto de patrones de
entrenamiento. Podemos distinguir 3 tipos de
aprendzaje:
-Aprendizaje Supervisado: la red dispone de
los patrones de entrada y de salida que queremos
obtener para esa entrada, y en función de ellos se
modifican los pesos de las sinopsis para ajustar la
entrada a la salida.
-Aprendizaje No Supervisado: consiste en no
proporcionar a la red los patrones de salida, sino sólo
los de entrada y dejar que la red los clasifique en
función de características comunes que encuentre
entre ellos.
-Aprendizaje Híbrido: No se proporcionan los
patrones bjetivo, sino que sólo se dice si la respuesta
acierta o falla ante un patrón de entrada.
4.APLICACIONES
En este apartado mostraremos algunas de las
aplicaciones que tienen este tipo de redes en el mundo
de las telecomunicaciones.
El ámbito de aplicación de las Redes
Neuronales Artificiales en Telecomunicaciones puede
ser muy importante, considerando por un lado el tipo
de problemas a resolver, por ejemplo, relacionados al
tráfico de datos, y por otro lado, las soluciones que
pueden ser proporcionas por las redes neuronales para
este tipo de problemas. Algunas de las
caractrerísticas,de las redes neuronales, importantes
para aplicar a esta área son:
- Son capaces de dterminar relaciones no
lineales entre un conjunto de datos, asociando
patrones de entrada o salidas correspondientes.
-Los tipos de aprendizaje disponibles pueden
utilizarse para tareas de predicción y clasificación.
-Los modelos supervisados y no supervisados
pueden ser aplicados para extraer y cancelar ruido de
las señales.
-Una vez que la red ha sido entrenada y
probada puede adaptarse por sí misma a los cambios.
-Una aproximación basada en redes
neuronales artificiales puede aprender los modelos
específicos de cada sistema de red y proporcionar
aproximaciones aceptables de los sistemas.
4.1.Detección de SPAM basado en redes
neuronales
4.1.1.Introducción:
Todos los días, millones de e-mails invaden
las bandejas de entrada de los usuarios de Internet.
De todos éstos, una cantidad muy importante
es considerada "correo basura".
Compuesto por mensajes publicitarios no
solicitados, cadenas de la suerte o incluso virus que se
autoenvían, el spam afecta a más de un usuario, y
hace que la tarea de revisar el correo sea una
verdadera molestia.
El problema fundamental lo representan los
spams, que son mensajes publicitarios no solicitados.
Ya no resulta raro para quienes contamos con una
dirección de correo
electrónico recibir a diario varios mensajes con
propagandas de las más variadas temáticas.
A pesar de que ningún método de detección
de Spam es totalmente efectivo, consideramos que si
es posible mejorar los existentes y reducir
considerablemente las deficiencias que actualmente
presentan las herramientas disponibles.
Es un hecho que parte de los mensajes
no deseados escapan a los sistemas de detección de
correo basura constituyendo así un "falso negativo",
igualmente existe la posibilidad de identificar
un mensaje como Spam sin serlo, lo que
se conoce como "falso positivo".
La idea es tomar las máximas precauciones
posibles para minimizar este efecto, y para ello se
debe ser consciente de este hecho antes de adoptar las
posibles medidas de filtrado que se propondrá.

4.1.2.Problemas relacionados con el spam:
El crecimiento de Internet a nivel mundial
esta cambiando nuestra forma de comunicación entre
otros, por lo que cada vez la gente utiliza más el
correo electrónico.
A causa de un número tentativo de correos
electrónicos los publicistas y spammers se ven los
modos para obtener un listado grande de correos y así
poder enviar spam. Todos los días, billones de e-mails
invaden las bandejas de entrada de los usuarios de
Internet. De todos éstos, una cantidad muy
importante es considerada "correo basura".
Compuesto por mensajes publicitarios no solicitados,
cadenas de la suerte o incluso virus que se auto
envían, el spam aqueja a más de un usuario, y hace
que la tarea de revisar correo sea una verdadera
molestia.
Los principales problemas son los siguientes:
- Perdida de productividad y dinero en las
empresas.
- Reducción de efectividad del correo electrónico.
- Amenaza la viabilidad de Internet como un
medio efectivo de comunicación.
- Incremento de costos relacionados con el
tiempo.
- Genera importantes costos de seguridad a
empresas ISP’s.
- Incremento de propagación de virus
informáticos.
- Saturación de servidores. Muchos servidores
dedicados para uso privado o para uso general son
congestionados implicando una reducción decalidad
de servicio.
- Denegación de servicios (Deny of services). Una
cantidad excesiva de correos no deseados puedo
congestionar totalmente el servicio y así denegarlo al
mismo.
- Buzón de entrada incontrolable por parte del
receptor. Causado por la cantidad masiva que los
spammers envían a los correos electrónicos.
- Daño de imagen de terceros.
- Molestias por parte del receptor
4.1.3.Motivacion para la aplicacion y uso de
ANN´s en sistemas antispam
El correo electrónico, es sin duda un medio
que nos permite comunicar rápidamente
ofreciéndonos reducción de tiempo y costo Sin
embargo muchas personas aprovechan esto para
utilizarlo de forma no legítima con fines publicitarios,
ocasionando una serie de problemas a
nivel personal comoempresarial.
Como contramedida a esta acción se
necesitan herramientass capaces de reducir el spam.
De esta manera es muy importante la
elaboración de anti-spams, ya que es la forma más
viable de acabar con el spam y ofrecer a los
usuarios seguridad y tranquilidad en los correos
electrónicos, y por otra parte reducir los costos para
las empresas ISP’s y controlar la saturación
de servidores de correo electrónico.
El desarrollo de una
herramienta informática capaz de aminorar con los
problemas que causa el spam, no es solamente capaz
de ahorrar mucho dinero en aquellas empresas que
suelen estar perjudicadas con el spam, sino también es
capaz de permitir una mejor utilización y minimizar
los dolores de cabeza a cualquier usuario del correo
electrónico.
Solucion:
1.Mediante Internet se manda un correo desde
cualquier otra parte.
2.El correo viaja para ser entregado al destinatario
y toparse con el sistema expert.
3.EL correo es descompuesto y analizado.
4.Se compara las estadísticas.
5.El paquete llega al motor inteligente para
compararlo con reglas en la base de datos.
6.La base de datos da la respuesta al Motor AI.
7.El motor AI reconoce al correo como spam y lo
manda a una base de datos en cuarentena.
8.El motor AI reconoce al correo como legitimo.
9.El usuario puede ver su correo legitimo una vez
analizado por el sistema experto.

Figura: Solución aplicada al problema
A continuación se presenta el esquema general de
la solución, aplicado a la Red Neuronal de tipo
Backpropagation:
Figura: Solucion aplicada una Red Neuronal de
tipo Backpropagation
En este tipo de ANN el error se propaga hacia
atrás (back-propagation), hacia la capa de neuronas
anterior, y se usa para ajustar los pesos sinápticos en
esta capa. Y posteriormente se prograra a capas
anteriores hasta llegar a la capa de entradas.
4.2.Ingeniería del tráfico
Se denomina ingeniería o gestión de tráfico a
diferentes funciones necesarias para planificar,
diseñar, proyectar, dimensionar, desarrollar y
supervisar redes de telecomunicaciones en
condiciones óptimas de acuerdo a la demanda de
servicios, márgenes de beneficios de la explotación,
calidad de la prestación y entorno regulatorio y
comercial. Las tareas principales a cubrir por esta
ingenieria del tráfico son:
- Medir y predecir el rendimiento de la red. El uso
de los recursos de red compartidos y el ancho de
banda son dinámicos, varía con el tiempo
-Modelamiento de los sistemas de red. Esta es una
tarea compleja, que puede ser resuelta mediante redes
neuronales capaces de representar sistemas no-
lineales
- Planificación de red. En determinados instantes,
puede existir congestión sobre ciertos recursos de red,
por tanto, una red neuronal al ser capaz de establecer
patrones que modelen la naturaleza del tráfico, se
podrá establecer mecanismos para la planificación de
red, proporcionando guías para adaptar adaptar el
flujo de tráfico a los recursos físicos de la red
4.2.1Control de sorbrecarga
Las redes neuronales también pueden ser
utilizadas para controlar la sobrecarga en las redes de
telecomunicaciones.
Se propone el uso de un modelo de red
supervisado capaz de aprender las acciones de control
en base a registros históricos; el resultado, según se
dice, es un sistema de control simple pero robusto a la
vez y aproximado al óptimo.
Para garantizar el buen rendimiento de los
sistemas el control de sobrecarga es fundamental; por
tanto, se requieren acciones de control para proteger
de cargas excesivas los recursos de red, las cuales
estén basadas en mecanismos que regulen las
peticiones nuevas que lleguen.
Como se sabe el tráfico es estocástico y la
correspondencia entre el tráfico de entrada y las
decisiones óptimas es complejo; para resolver este
problema se utilizan redes neuronales, considerando

su capacidad de aprender funciones desconocidas a
partir de un gran número de ejemplos y su
implementación en tiempo real una vez que ha sido
entrenada. El primer paso es generar los ejemplos
necesarios para el entrenamiento. El segundo paso es
entrenar a un grupo de neuronas en base a esos datos.
Después de entrenar, las neuronas cooperan para
deducir las decisiones de control.
4.2.2.Requisitos a implementar en el control de
sobrecarga
Un procesador se sobrecarga si su cantidad promedio
de trabajo en un determinado período excede un
umbral predefinido. El control de sobrecarga puede
ser implementado mediante llamadas de bloqueo. El
valor del umbral, es decir, la fracción de llamadas
admitidas, se actualiza periódicamente. Un control
efectivo consiste en descubrir los valores óptimos de
bloqueo para cada período. Para medir y comparar el
rendimiento de las estrategias del control, se necesita
considerar los objetivos del control. Un algoritmo de
control ideal debe satisfacer los siguientes requisitos:
-Máximo throughput, para evitar el sofocamiento
innecesario.
-Equilibrio entre las estaciones.
-Imparcialidad a cada nodo.
-Robustez ante perfiles de tráfico cambiantes e
interrupción parcial de la red.
4.2.3 SOLUCIÓN MEDIANTE REDES
NEURONALES
Un nodo procesador de una RNA recibe como
entrada, los datos relacionadas a las llamadas a los
procesadores y proporciona como salida, las
decisiones de control de acuerdo a los valores
máximos permitidos -umbral-; la correspondencia
entre entrada-salida es adquirida a través de un
proceso de aprendizaje aplicado sobre ejemplos
generados por el método de control centralizado,
CCM. Es difícil entrenar una red neuronal
adecuadamente usando ejemplos que incluyan
diversas intensidades de tráfico, pero por otra parte, al
entrenarla en una intensidad fija de tráfico se pueden
volver inflexibles a los cambios. Por lo tanto, para
cada nodo procesador, se ha construido un grupo de
redes neuronales, y cada miembro es un perceptrón de
una sola capa entrenado por CCM usando ejemplos
generados en una intensidad de tráfico particular.
Para ver si la solución de redes neuronales es
eficaz en cuanto a la sobrecarga de la rede se refiere si
hicieron estudios en la red metropolitana de Hong-
Kon comparando las redes neuronales con CCM.
Los intentos de llamada (tasa de llegada de
llamadas entre nodos) se generaron según el proceso
de Poisson, y se aceptan con la probabilidad dada por
los valores de umbral correspondientes. Considerando
limitaciones del hardware, velocidad de control y
fluctuaciones estadísticas, se elige el período del
control en 5 segundos. Las llamadas aceptadas harán
cola en el buffer esperando ser servidas.
Cuando la cantidad de intentos de llamada
aumenta precipitadamente, se espera que los
esquemas de control respondan tan rápido como sea
posible para acondicionar las características de tráfico
que cambian.
Mediante una aproximación basada en Redes
Neuronales se aprecia que esta propuesta tiene un
throughput superior que el CCM. El controlador
neuronal disminuye significativamente el tiempo para
tomar decisiones (cerca del 10% del tiempo de CPU
de CCM); Por tanto las redes neuronales pueden ser
implementadas en tiempo real.
5.Conclusiones
Las redes neuronales son dos cosas; primero
un intento de imitar nuestra forma de pensar, por otro
lado un magnífico algoritmo basado en la
paralelización masiva, al contrario de los sistemas
informáticos habituales que se basan en procesar las
cosas en serie. Esa, es también la forma que tiene el
ser humano de pensar.

Muchas veces se dice que los ordenadores
han superado al hombre; sin embargo no somos
capaces de mantener una buena conversación con uno,
y cosas que para nosotros son tan sencillas como
identificar un rostro en una multitud, para el
ordenador basado en los algoritmos en serie es casi
imposible. Si a nosotros nos hablan de un "animal que
tiene trompa" inmediatamente pensamos en un
elefante. Sin embargo, un ordenador habría de buscar
recursivamenteen su base de datos sobre animales,
uno por uno, hasta encontrar coincidencias. El famoso
"Deep Blue" busca recursivamente puntuando las
posibles jugadas que realizar en su turno al ajedrez,
pero no elimina jugadas automáticamente como hace
el jugador humano.
Es sencillo de explicar; imaginemos que
tuviesemos una base de datos de 500 neuronas donde
pudiesemos identificar X animales. Si se activase la
neurona de entrada "tener trompa", automáticamente
se produciría el output de que se trata de un elefante.
Esto por ejemplo, es lo que hacen las redes artificiales
de Hopfield.
¿Cuál es la base de nuestro pensamiento,
pues?. La clasificación de patrones, y la reacción ante
ellos. Durante todo el día estamos clasificando cosas;
lo que vemos lo identificamos respecto a un concepto,
utilidad, etc. Respondemos con patrones de conducta
grabados a situaciones conocidas como puede ser algo
tan sencillo como ir de compras. Distinguimos el
estado de ánimo de aquel con quien hablamos, y
constantemente analizamos sus gestos y palabras,
dividiendolas según los significados que implican o su
entonación. Incluso, cuando juzgamos algo como
"bueno" o "malo", cuando pensamos que algo es
"justo" o "injusto", no estamos más que haciendo una
clasificación...
6.Bibliografía
[1] Redes neuronales artificiales Fundamentos, modelos y
aplicaciones - Ing. Ivan A. Olier , Ing. Gilberto
Guerrero -
http://www.monografias.com/trabajos12/redneur/redne
ur.shtml
[2] Sistema de detección de radares basado en redes
neuronales - Mª Pilar Jarabo Amores, Raúl Vicen
Bueno, Manuel Rosa Zurera y Pablo Luis López. -
<http://w3.iec.csic.es/ursi/articulos_modernos/articulos
_zaragoza_2000/ursi2000/trabajos/ps0278.pdf>
[3] Redes de neuronas artificiales y pensamiento -
Wintermute -
<http://personal5.iddeo.es/wintrmute/ia/neuronal.htm>
[4] Aplicación de redes neuronales para la detección del
SPAM - Jimmy Gutierrez Nina -
<http://www.monografias.com/trabajos60/deteccion-
spam/deteccion-spam.shtml>
[5] Estudio de la Aplicación de Redes Neuronales
Artificiales en la Ingeniería de Tráfico- Nelson Piedra,
Jorge López.
http://nopiedra.files.wordpress.com/2007/10/aplicacion
-de-redes-neuronales-artificiales-para-la-ingenieria-de-
trafico-de-internet.pdf
[6] ¿Qué son las redes neuronales?
http://www.redes-neuronales.netfirms.com/tutorial-redes-
neuronales/que-son-las-redes-neuronales.htm

06mem

Más contenido relacionado

La actualidad más candente (16)

Destacado (20)

Similar a 06mem (20)

Más de jcbp_peru (20)

06mem