Inteligencia Artificial

1.    INTRODUCCIÓN:

En las últimas décadas se ha asistido a un cambio profundo en el ámbito empresarial debido fundamentalmente al avance de la tecnología. La presencia de nuevos paradigmas en el tratamiento de la información que generan las empresas denominado “Gestión del Conocimiento”, al igual que el procesamiento masivo de esta información, una marcada tendencia hacia la globalización de los mercados, el riesgo y la incertidumbre en la toma de decisiones empresariales, etc., han contribuido a dicho avance.

En la actualidad, la Inteligencia Artificial se está aplicando a numerosas actividades realizadas por los seres humanos y se destacan entre otras las siguientes líneas de investigación científicas: La robótica, la visión artificial, técnicas de aprendizaje y la gestión del conocimiento

A continuación se describen los conceptos de Inteligencia Artificial (Artificial Intelligence AI-siglas en inglés), sus aproximaciones y las técnicas más destacadas de la Inteligencia Artificial aplicadas al campo de la gestión financiera empresarial: Los sistemas expertos, las redes neuronales, los algoritmos genéticos y la lógica difusa y la técnica reciente de los conjuntos aproximados o rough sets. Estas técnicas pueden combinarse para obtener una solución más adecuada del problema en estudio.

2.    DEFINICIÓN Y CATEGORÍAS DE LA INTELIGENCIA:

A pesar de que el término de Inteligencia Artificial-AI fue acuñado desde hace aproximadamente tres décadas, según Munakata (1998), no existe una definición estándar sobre este término. Sin embargo, se encuentran definiciones tradicionales que hacen referencia a la capacidad de programas de computador para operar en la misma forma en que el pensamiento humano ejecuta sus procesos de aprendizaje y reconocimiento.

Otra definición de Inteligencia Artificial se centra en la simulación de la inteligencia humana en una máquina, de esta forma la máquina estará en condiciones de identificar y usar la pieza de conocimiento que se necesita en la resolución de un problema.

3.    SISTEMAS EXPERTOS:

Según O´Leary (1995), citado por Suárez (2000), existen dos enfoques para la construcción de los sistemas expertos

· El primer enfoque permite la introducción del conocimiento acumulado de expertos humanos a lo largo de su vida profesional, obteniéndose de esta forma lo que se conoce como sistema experto. El principal problema de este enfoque se relaciona con el proceso de captación de la información. Esto trae bloqueos o cuellos de botellas en el desarrollo de la aplicación.

·    El segundo enfoque busca la elaboración de programas de ordenador capaces de generar conocimiento a través del análisis de los datos empíricos. Como resultado de este enfoque surgen procedimientos conocidos como Machine Learning (Aprendizaje Automático) o Data Mining (explotación de datos), los cuales permiten transformar una base de datos en base de conocimiento (más adelante en este artículo se menciona con más detalle este concepto).

Los componentes principales de un sistema experto basado en reglas son los siguientes:

• ·   Base de conocimiento: Contiene el conocimiento y las experiencias de los expertos en un determinado dominio representado por medio de símbolos.
• · Base de Datos, Memoria de trabajo o Modelo situacional: Es una memoria auxiliar que contiene la información relacionada con el problema que se va a resolver
• · Motor de Inferencias o Estructura de control: Es la parte del sistema experto que se encarga de realizar los procesos de inferencia entre la información contenida en la base de datos o memoria de trabajo y la base de conocimiento
• ·  Interfaz de usuario o Subsistema de consulta: Es la parte del sistema experto que permite la comunicación entre el usuario y el motor de inferencias
• · Modelo de justificación o Subsistema de explicación: Esta parte del sistema experto explica los pasos realizados por el motor de inferencias para llegar a las conclusiones esperadas.
• · Subsistema de Adquisición del conocimiento: Es una interfaz que facilita la introducción del conocimiento en la base de datos y de los mecanismos de inferencia.

Según   Sánchez Tomás (1991) se presentan algunas    características de estos sistemas expertos, las cuales se mencionan a continuación:

•  Los sistemas expertos pueden ofrecer soluciones óptimas para resolver problemas muy difíciles tan bien o mejor que los expertos humanos.
• Pueden razonar heurísticamente, usando lo que los expertos consideran que son reglas empíricas efectivas, e interactúan con los humanos de forma adecuada, incluyendo el lenguaje natural.
• Manipulan y razonan sobre descripciones simbólicas.
• Pueden funcionar con datos que contienen errores, usando reglas inciertas de enjuiciamiento.
• Pueden contemplar múltiples hipótesis en competición simultáneamente.
•  Pueden explicar por qué están formulando una pregunta.
• Pueden explicar su proceso de razonamiento y justificar sus conclusiones.

4.    REDES NEURONALES:

Las primeras investigaciones sobre redes neuronales datan de principios del siglo XIX, pero fue hasta la década de los cuarenta y cincuenta, en el siglo XX, cuando el estudio de las redes neuronales cobró mayor fuerza, gracias al movimiento Conexionista.

Este notable interés por las redes neuronales se vio disminuido en los años setenta debido al surgimiento de autores como Minsky y Papert (1969), quienes manifestaron las limitaciones en el proceso de aprendizaje de las arquitecturas de las redes neuronales utilizadas hasta ese entonces.

En su libro Perceptrons1, que además de contener un análisis matemático detallado del Perceptrón1 Las limitaciones del Perceptrón eran importantes, en especial su incapacidad para resolver muchos problemas interesantes. Esta fue una de las razones por la cual la investigación en redes neuronales quedó rezagada por más de 10 años.

Las redes neuronales artificiales se constituyen en una técnica de procesamiento masivo y paralelo de la información que emula las características esenciales de la estructura neuronal del cerebro biológico.

El modelo de redes neuronales artificiales es muy parecido al modelo biológico y consiste básicamente de una serie de unidades de proceso, también llamadas neuronas artificiales, relacionadas mediante unas conexiones ponderadas. Cada unidad recibe señales a través de una serie de vías de entrada y responde a ese estímulo enviando una señal, que puede ser binaria (0,1) o real dentro de un intervalo continúo, a todas aquellas con las que a su vez tenga una conexión de salida.

La neurona artificial puede ser formulada matemáticamente como la composición de dos funciones: La función de estado, que es una función lineal de las variables de entrada de la neurona, ponderadas mediante unos coeficientes o pesos sinápticos que se determinan durante el proceso de aprendizaje y cuyo resultado es el nivel de estímulo alcanzado por la neurona. Luego tenemos la función de transferencia que tiene como variable independiente el potencial y proporciona como salida la respuesta que experimenta la neurona frente al estímulo proporcionado por la variable de entrada (De Andrés, 2000).

Hay varias arquitecturas de redes y las más comunes son las siguientes:

·        Redes neuronales por capas: Esta estructura de red está compuesta por capas de neuronas y cada capa recibe señales de las capas previas, por lo cual este tipo de redes se denominan redes feed- forward o perceptrón, y el perceptrón multicapa es el más común. Este tipo de red se caracteriza porque las neuronas se agrupan en diferentes niveles (capa de entrada, capas ocultas y capas de salida).

·        Redes neuronales recurrentes: En este tipo de red cada neurona se conecta a todas las neuronas de la red, incluso consigo misma, lo que significa

·        Redes neuronales conectadas lateralmente: En este tipo de red, las neuronas se disponen en los nodos de un retículo de aproximadamente 1 o 2 dimensiones. La red de esta clase más común es la Kohonen.2

·        Otro criterio suele considerar dos tipos de reglas de aprendizaje: las de aprendizaje supervisado y las correspondientes a un aprendizaje no supervisado. Estas reglas originan una de las clasificaciones que se realizan de las redes neuronales con aprendizaje supervisado y redes neuronales con aprendizaje no supervisado.

·        Redes con aprendizaje supervisado. El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor o maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada.

·        Mapas Auto-organizados de Kohonen, también denominados SOM (SelfOrganizing Map): Corresponde a una variación de las redes neuronales feed-forward, las cuales usan algoritmos de entrenamiento no supervisados o competitivo. Estas redes se basan en el principio de formación de mapas topológicos para establecer características comunes entre la información de entrada y las características de salida.

5.    CONCLUSION:

Los avances tanto en hardware y en software utilizando las distintas técnicas de la Inteligencia Artificial ya sea individual o en conjunto han traído oportunidades improcedentes para la investigación de nuevas aplicaciones y metodologías en el área de la gestión financiera empresarial.

En conclusión, la aplicación de las herramientas anteriormente mencionadas al campo empresarial permite contar con metodologías que sirven de soporte a los complejos procesos de análisis. Dichos procesos se requieren en el descubrimiento de las tendencias del negocio a fin de tomar decisiones eficientes y oportunas, y poder afrontar los retos que impone el mundo globalizado, en donde el conocimiento y su correcta aplicación aparecen como un factor esencial para el desarrollo de las organizaciones y de la economía en general.