Oficina de Vinculación

Proyecto de inteligencia computacional busca predecir el comportamiento de señales caóticas

 

Santa María Tonantzintla, Puebla, a 13 de febrero. Un proyecto de inteligencia computacional busca predecir el comportamiento de señales caóticas.  

            Una reseña de esta investigación fue publicada hace unos días por Mathworks en su portal como un ejemplo del uso de un software científico para aplicaciones de investigación. El artículo se titula "Prediciendo el comportamiento a largo plazo de señales caóticas". De acuerdo a comentarios de los representantes mexicanos de Mathworks, esta investigación, encabezada por la doctora María del Pilar Gómez Gil, científica del Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE), es la primera de una institución educativa latinoamericana que se publica en el citado portal. El artículo fue escrito por la Dra. María del Pilar Gómez Gil y el Dr. Rigoberto Fonseca Delgado.

            Hay señales caóticas en muchos sistemas y su predicción puede resultar útil en una gran variedad de aspectos de las sociedades modernas, ya que hay señales caóticas lo mismo en los sistemas de transporte público que en los mercados bursátiles y de divisas, las redes sociales y la producción de energía. Las aplicaciones son numerosas.

            La doctora María del Pilar Gómez Gil comenta que las señales caóticas son aquellas cuyo comportamiento parece al azar, pero que en realidad está basado en un sistema dinámico de ecuaciones que se desconoce. "Cuando se presentan comportamientos calificados como caóticos desde un punto de vista matemático, nos encontramos con sistemas que podrían predecirse, si es que conociéramos las ecuaciones que los definen. Lo malo es que no conocemos esas ecuaciones, si las conociéramos podríamos predecir el valor de cada punto en el tiempo. La idea es simular, a través de modelos de cómputo, otros sistemas que se comportan de forma similar de manera caótica, para predecir un sistema dado".           

            La investigadora comenta que el clima es una señal caótica en la cual los cambios mínimos se reflejan fuertemente. "Estas señales son difíciles de modelar con los sistemas tradicionales como los basados en sistemas lineales".

            Hay muchas más señales cuyo comportamiento se ha clasificado matemáticamente como caótico. "Por ejemplo, los ritmos biológicos, los electrocardiogramas, los electroencefalogramas, el cambio de la glucosa en la sangre. Se piensa que todas las bioseñales siguen comportamientos que pueden  clasificarse como caóticos. Hay maneras de determinar si una señal es caótica o no, pero en esta investigación nosotros no nos preocupamos por probar eso; lo que nos interesa es que funcione adecuadamente para señales que presenten un comportamiento  altamente no lineal, lo cual se manifiesta en señales que no parecen seguir patrones bien definidos, y que se mueven o cambian mucho con pequeñas perturbaciones".

            Otro ejemplo de señal caótica es el retiro de efectivo de los cajeros automáticos. "Este ejemplo fue seleccionado para evaluar esta investigación porque se le considera un caso clásico que aparece en las competencias de los modelos de predicción de series de tiempo. A nivel internacional se trabaja mucho en la predicción de series de tiempo porque tiene muchas aplicaciones. Hay mucha promoción para hacer estos modelos de predicción más exactos, la señal de los cajeros automáticos es un clásico en el área. Otros retos clásicos de predicción incluyen el consumo de energía eléctrica en las ciudades o la predicción de la velocidad del viento con varios días de anticipación".

            La doctora Gómez Gil agrega que las señales caóticas están influidas por muchas variables y la relación entre las variables es complicada, no se puede definir analíticamente, por lo que se opta por  simular otro sistema que se comporte de la misma manera.

            "Hacemos un sistema que funcione a través del aprendizaje basado en datos, le damos un ejemplo de cómo se comportó el retiro de cajeros automáticos en un periodo previo y a partir de esto se genera un modelo, una aproximación que es la que utilizamos para estimar el valor futuro. Nadie puede predecir señales caóticas, matemáticamente es imposible predecir el caos, pero tratamos de ver tendencias, cotas, y con esta predicción, aunque es punto a punto a lo largo de un periodo de tiempo, se puede tener una estimación de lo que podría  pasar en la señal. Estas predicciones son sólo estimaciones y las personas expertas deben utilizarlas solamente  como un dato más en la toma de decisiones".

            La doctora Gómez Gil abunda: "El desempeño de este modelo se basa en los ejemplos que se utilicen y esto es muy clásico de los modelos de inteligencia computacional, todo lo aprenden de los ejemplos que se usan cuando no se conocen las ecuaciones exactas que te permiten modelar lo que quieres. Esto está muy estudiado y es un buen nicho para probar nuestros algoritmos".

            Finalmente, la doctora Pilar Gómez dijo que ahora que se habla mucho de la inteligencia computacional y de cómo las máquinas cómo controlan nuestras vidas, se debe tener claro que estos modelos aprenden de lo que se les muestra: "Si les das información errónea sacarán resultados incorrectos. Twitter y Facebook te ofrecen cierta información, pero eso lo deciden sus modelos con base en temas que en algún momento escogiste o les diste me gusta o los marcaste como favoritos. Debemos ver todo esto solamente como una herramienta, es el juicio humano el que debe tener el control y la decisión sobre lo que se quiere o no hacer, y se debe legislar mucho al respecto, porque esos modelos aprenden de los ejemplos y es probable que se sesguen como nos sesgamos los humanos. Estos sistemas se basan en las características o patrones que están representados en la mayoría de los datos, no necesariamente en lo mejor de los datos, pero los humanos tenemos la última palabra, las máquinas sólo nos dan una recomendación".

Última actualización:
08-09-2021 a las 19:11 por

 

Adress: Luis Enrique Erro # 1, Tonantzintla, Puebla, Mexico / Postcode 72840 / Tel: (222) 266.31.00 / Contact: difusion@inaoep.mx


This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 Mexico License.

Creative Commons License