Generación de Conocimiento basado en Aprendizaje Automático y Aplicación en Diferentes ...

107 Pages·2016·1.13 MB·Spanish

Resumen de la tesis:
Generación de Conocimiento
basado en Aprendizaje Automático
y Aplicación en Diferentes Sectores
AIPAKA
(Artificial Intelligence in a Process for Automated
Knowledge Acquisition and Applications)
Directores:
Autor:
Dr. Jesús A. Vega Sánchez
Fernando Pavón Pérez
Dr. Sebastián Dormido Canto
Madrid, Febrero de 2016

ii
Resumen de la Tesis:
Generación de Conocimiento basado en
Aprendizaje Automático y Aplicación en
Diferentes Sectores
AIPAKA
(Artificial Intelligence in a Process for Automated
Knowledge Acquisition and Applications)
Fernando Pavón Pérez
Directores de Tesis:
Dr. Jesús A. Vega y Dr. Sebastián Dormido Canto.
Programa de Doctorado en Ingeniería de Sistemas y Control
Departamento de Informática y Automática
Escuela Técnica Superior de Ingeniería Informática (ETSI)
Universidad Nacional de Educación a Distancia (UNED)
Laboratorio Nacional de Fusión
Centro de Investigaciones Energéticas,
Medioambientales y Tecnológicas (CIEMAT)
Madrid, Febrero 2016
iii
Resumen
Elpresentetrabajoestábasadoenlautilizacióndetécnicasdelcampode
la Inteligencia Artificial y más concretamente del Aprendizaje Automático,
para la resolución de problemas complejos a los cuales se están enfrentando
en la actualidad compañías de cualquier sector y muchos centros de inves-
tigación. Los problemas referidos se pueden definir por las siguientes carac-
terísticas: disponibilidad de históricos, modelado complejo por la existencia
de relaciones no lineales entre las variables, dinamismo, objetivos frecuen-
temente multivariables y desconocimiento de las leyes fundamentales que
gobiernan el sistema modelado o al que se refiere la información guardada.
En esta tesis, se definirá un procedimiento, denominado AIPAKA (Ar-
tificial Intelligence in a Process for Automated Knowledge Acquisition and
Applications),quepermitiráutilizarlasmismastécnicasdeAprendizajeAu-
tomático a diferentes problemas. Usando para ello los siguientes elementos:
clasificación de los problemas tratados, un conjunto de técnicas base para la
construcción de la solución y un procedimiento para la creación y validación
de los sistemas creados.
Elobjetivofundamentalesproveerdeunaherramientaadecuadaparala
solución de problemas complejos, basada en modelos predictivos, los cuales
son obtenidos por inferencia automática de conocimiento a partir de histó-
ricos y de los datos producidos en tiempo real, mediante el uso de técnicas
de Inteligencia Artificial.
El área de conocimiento donde se encuadra el presente trabajo puede ser
lo que tradicionalmente se ha llamado la minería de datos o lo que es lo mis-
mo: responder a las cuestiones de cómo descubrir y utilizar el conocimiento
implícito en grandes colecciones de datos.
En los últimos tiempos se ha acuñado un nuevo término: macrodatos o
inteligencia de los datos (del término en inglés Big Data). AIPAKA y las
técnicas usadas pretenden ser una potente herramienta para la extracción y
ii
usodelconocimientoapartirdelosmacrodatos.Enestasingentescantidades
de información es donde tiene todo el sentido la implementación de técnicas
avanzadas de modelado predictivo, segmentación y análisis de patrones de
comportamiento.
Índice general
1. Introducción 1
2. Estado del Arte 5
2.1. Introducción a la Inteligencia Artificial (IA) y a la Minería de
Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1. Concepto y breve historia de la Inteligencia Artificial . 6
2.2. Necesidades de la industria y de la ciencia . . . . . . . . . . . 18
3. AIPAKA 27
3.1. Introducción y Objetivos . . . . . . . . . . . . . . . . . . . . . 27
4. Casos de Aplicación 31
4.1. Predicción de la demanda eléctrica a corto plazo . . . . . . . 33
4.2. Segmentación en dispositivos experimentales complejos . . . . 35
4.2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.2. Tipo de problema . . . . . . . . . . . . . . . . . . . . 37
4.2.3. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.4. Modelización . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.5. Validación . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.5.1. PrimerosestudiosdelasseñalesusandoTHE-
FUMO . . . . . . . . . . . . . . . . . . . . . 42
4.2.5.2. Sustitución de la primera capa de MSOM
por una red OJA . . . . . . . . . . . . . . . . 46
iv ÍNDICE GENERAL
4.2.5.3. Primeras conclusiones obtenidas con THE-
FUMO . . . . . . . . . . . . . . . . . . . . . 50
5. Conclusiones y desarrollos futuros 56
Índice de tablas
2.1. Macrodatos vs “pequeños datos”. . . . . . . . . . . . . . . . . 26
4.1. Señales muestreadas del dispositivo experimental de fusión. . 40
4.2. AlgunasconfiguracionesyresultadosdelaSOMdelasegunda
capa.Sehanseñadoennegritaaquellaselegidasparaestudiar
las transiciones L-H. . . . . . . . . . . . . . . . . . . . . . . . 45
4.3. Relación de señales y SOMs usadas en la primera capa de
MSOM,correspondientesalasegundacapadelaMSOMcom-
puesta por la SOM312. Para cada SOMy señal, la capacidad
paradiscriminarlosdossegmentosencontradosenlaSOMde
salida se cualificado con Mala, Regular, Buena, Muy Buena
y Excelente. . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4. Vector de pesos de las neuronas 22, 38 y 39 de la SOM de
salida22105.Cadavariablesdelvectordepesoscorrespondea
unadelas60componentesprincipalesquecomponenlasalida
de la red OJA (102). Se han señalado en negrita aquellos que
pesos que difieren más entre las tres neuronas.. . . . . . . . . 54
4.5. Señales con valores de θ más elevados en las componentes
principales que influyen en activar la neuronas de la SOM
de salida donde se concentran las transiciones L-H. Se indica
el número de veces que esa seña ha resultado relevante para
alguna de las estructuras de THEFUMO con red OJA que se
han probado. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
vi ÍNDICE DE TABLAS
4.6. Comparación de algunas señales halladas como relevantes en
THEFUMO con arquitectura MSOM y si coinciden con las
halladas con arquitectura OJA. . . . . . . . . . . . . . . . . . 55