Soft Computing

 

SOFT COMPUTING

DEFINICIÓN Revisando diversas fuentes de información, pudiéramos definir que el soft computing es una rama o área de la inteligencia artificial que consiste en englobar diversas técnicas, métodos y algoritmos que imitan la inteligencia humana y que son empleados para solucionar problemas basados en conceptos biológicos como la lógica inexacta (lógica difusa), la computación evolutiva (algoritmos genéticos, programación genética) y los sistemas neuronales (redes neuronales). Cabe mencionar que el soft computing es denominado también como inteligencia computacional.

ANTECEDENTES -  La idea de soft computing fue inicializada en 1981 cuando Lofti A. Zadeh publicó su primer artículo en análisis de soft data “What is  soft computing”, Soft Computing. -  El nacimiento como rama independiente se le atribuye a Lofti A.Zadeh a principios de los l os años 90’s, en us trabajo Fuzzy Logic, neural networks and soft computing.   Soft Computing is an emerging approach to computing which parallels the remarkable ability of the human mind to reason and learn in an environment of uncertainty and imprecision. (Lofti A. Zadeh, 1994 [Zadeh, 1994]).

OBJETIVOS SOFT COMPUTING El objetivo principal de Soft Computing es desarrollar máquinas inteligentes para proporcionar soluciones a problemas del mundo real, que no está modelados o son demasiado difíciles de modelar matemáticamente. matemáticamente. Dentro de estas técn técnicas icas podemos encontra encontrarr la tolerancia para: -  Aproximación. - Características del modelo similares a las reales pero no las mismas. -  Incertidumbre.- No se esta seguro de que las características el modelo sean las mismas que las de la entidad. -  Imprecisión y verdad parcial.- Aquí se podría lograr una gran semejanza con la toma de decisiones de tipo humano. IMPORTANCIA DEL DOFT COMPUTING Soft computing difiere del hard computing. A diferencia del hard computing, soft computing es tolerante a la imprecisión, incertidumbre, aproximación y a la verdad parcial. El principal principio de soft computing es explotar estas tolerancias para lograr capacidad de manejo, robustez y bajo costo de solución. Y claramente se pudiera decir que el modelo a seguir para el soft computing es la mente humana.

 

Soft computing es la fusión de metodologías que funcionan sinérgicamente de una forma u otra, donde cada socio contribuye con una metodología distinta para abordar los problemas en su dominio. Soft computing pudiera verse como un componente básico para el campo emergente de la Inteligencia Artificial. Las principales técnicas dentro del Soft computing son: -  Redes neuronales -  Algoritmos evolutivos -  Modelos probabilísticos -  Lógica difusa

PROPIEDADES DE LOS MÉTODOS DE SOFT COMPUTING -  -  -  -  -  - 

No son lineales. Capacidad de hacer frente con la no linealidad. Siguen caminos de razonamiento más humanos que los métodos clásicos. Utilizan el autoaprendizaje. Utilizan teoremas aún por ser probados. Son robustos ante la presencia de ruidos o errores.

 

¿Porqué adentrarnos en el enfoque de soft computing? Se pueden realizar análisis y modelos matemáticos para sistemas relativamente simples. Los sistemas más complejos que surgen en la biología, la medicina y los sistemas de gestión siguen siendo intratables a los métodos matemáticos y analíticos convencionales. Si sabemos que los algoritmos de soft computing se asemejan a las técnicas que usa un humano, podemos decir que el humano puede: Tomar decisiones Derivar inferencia de situaciones previas experimentadas. Experiencia en un área. Adaptarse al entorno cambiante. Aprender a hacerlo mejor Comportamiento social de la inteligencia colectiva. TECNICAS SOFT COMPUTING REDES NEURONALES ARTIFICIALES Las redes neuronales pudieran decirse que son una estructura de procesamiento de información distribuida en paralelo que consta de varias unidades de procesamiento no lineales llamadas neuronas. Las redes neuronales tienen como objetivo el uso de componentes cuya estructura y funcionamiento están inspirados en el cerebro para la resolución de problemas entre los que se incluyen los relativos a la clasificación. La neurona es aquella que funciona como un procesador matemático que realiza operaciones matemáticas específicas en sus entradas para generar una salida. Cabe mencionar que se puede entrenar para reconocer patrones e identificar patrones incompletos, asemejándose a los procesos del cerebro humano de reconocer información y recuperando la información correctamente. Las redes neuronales son cuando sistemas deconectados neuronaspueden fuertemente interconectados con comportamiento simple, pero están resolver problemas complejos. Es posible hacer cambios para mejorar su rendimiento. LOGICA DIFUSA En el mundo real, la información suele ser ambigua o imprecisa. La Lógica Difusa hace uso de teorías de conjuntos difusos [Zadeh, 1965] para la representación de procesos de inferencia desconociendo a priori los grados de verdad de las premisas. En estos se tiene en cuenta la incertidumbre y la ambigüedad del mundo que nos rodea. El razonamiento humano filtra e interpreta la información para llegar a conclusiones o descartarla como no concluyente.

 

Aunque las máquinas aún no pueden manejar información imprecisa de la misma manera que lo hacen los humanos, los programas informáticos con lógica difusa se están volviendo bastante útiles cuando el gran volumen de tareas define el análisis y la acción humanos. Un método organizado para tratar con datos imprecisos se llama lógica difusa. Los conjuntos de datos comprometidos en la lógica difusa se consideran conjuntos difusos. La idea tras este punto de vista es que raramente el ser humano piensa en términos absolutos y/o perfectos. Su forma de razonar conlleva una serie de abstracciones sobre la información que procesa ya de por si inexacta. Una de las áreas de aplicación de más éxito de la lógica difusa es la de la teoría del control con los controladores difusos como elementos donde esta teoría es aplicada.

RAZONAMIENTO PROBABILÍSTICO El Razonamiento Probabilístico engloba aquellas técnicas cuyo objetivo es la extensión de la lógica deductiva con los principios de la teoría de la probabilidad. Si bien los conceptos de incertidumbre y de probabilidad no son sinónimos, si es cierto que existe cierta relación entre ellos. La combinación entre ambas teorías es un intento de incorporar el manejo de la incertidumbre del mundo real a una herramienta para modelar relaciones. Aunque en cierta manera pueda parecer similar al principio de la lógica difusa, difiere en la forma de tratar con la incertidumbre. La lógica difusa trata de modelar el proceso de inferencia desconociendo a priori los grados de verdad o mentira de las sentencias. En el caso del razonamiento probabilístico, el modelo del problema se inspira en asignar probabilidades a los sucesos teniendo en cuenta eventos pasados similares (de manera similar al razonamiento humano) para intentar encontrar relaciones causa-efecto.

ALGORITMOS GENÉTICOS Pudiera decirse que Los algoritmos evolutivos (EA) se inventaron para imitar algunos de los procesos observados en la evolución natural. La evolución se produce en los cromosomas, dispositivos orgánicos para codificar la estructura de los seres vivos. vi vos. Los procesos de selección natural luego impulsan aquellos cromosomas que codifican las estructuras exitosas para que se reproduzcan más frecuentemente que aquellos que codifican estructuras fallidas. En otras palabras, los cromosomas con las mejores evaluaciones tienden a reproducirse con más frecuencia que aquellos con malas evaluaciones.

 

Al utilizar codificaciones simples y mecanismos de reproducción, los algoritmos pueden mostrar comportamientos complicados y resolver algunos problemas extremadamente difíciles.

APLICACIONES Las aplicaciones en donde se puede ver reflejada la utilización del soft computing son muy variadas. El siguiente diagrama muestra una representación de manera general de algunos de los mas importantes:

 

  CONCLUSION Como lo podemos observar en la investigación, así como en diversos libros y artículos que tuve oportunidad de revisar, los sistemas inteligentes y las técnicas de soft computing cada vez son mas importantes en el día a día. Cada que vemos sistemas con gran capacidad de procesamiento y con un costo menor, podemos darnos cuenta del potencial de algoritmos que se tienen en la actualidad. Quizá anteriormente era muy difícil que alguien normal pudiera estar relacionado con este tipo de sistemas, pero las cosas han cambiado hoy en día encontramos inteligencia artificial en cualquier lugar. Pienso que un concepto importante que pudiera estar plenamente relacionado es el de Internet de las cosas (IOT), y la necesidad de utilizar técnicas de soft computing en la construcción de sistemas inteligentes se ha vuelto mas importante que nunca. Indagando un poco se puede verificar el uso de lógica difusa y redes neuronales artificiales en muchas aplicaciones domésticas cotidianas, tales como lavadoras, cocinas, refrigeradores, etc. Numerosas aplicaciones industriales y comerciales de soft computing se usan diariamente. Estoy segurocon de elque esteestaremos curso y durante la de investigación a fondo de algoritmos relacionados softdurante computing, mas cerca seguir aportando a la ciencia nuevos algoritmos, nuevas formas de resolución de problemas complejos y nuevos dispositivos en un mundo que se torna cada día mas inteligente. Pienso que en la próxima década se darán saltos gigantescos en esta área, y por consiguiente excelentes oportunidades para aquellas personas que nos interesan muchísimo este tipo de cosas.

REFERENCES https://learning.oreilly.com/library/view/softcomputing/9789332524224/xhtml/chapter001.xhtml https://es.wikipedia.org/wiki/Soft_Computing   https://es.wikipedia.org/wiki/Soft_Computing https://wiki.eecs.yorku.ca/course_archive/2013-14/F/4403/_media/jose.pdf