Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
PasadoPresente
Futuro
Caminos Profesionales de la InteligenciaArtificial
Carlos Linares López
Planning and Learning GroupDepartamento de InformáticaAvenida de la Universidad, 30
28911 - LeganésMadrid (España)
11 de Octubre de 2006
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Alan Turing
1936: The Turing machine,computability, universal machine1950: The Turing Test for machineintelligence
Claude Shannon
1950: Claude Shannon publisheddetailed analysis of chess playingas search
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Darmouth Conference
1956: John McCarthy coined theterm Artificial Intelligence as thetopic of the DartmouthConference, the first conferencedevoted to the subject
Arthur Samuel (IBM)
1952–1962: wrote the firstgame-playing program, forcheckers (draughts), to achievesufficient skill to challenge a worldchampion. His firstcheckers-playing program waswritten in 1952, and in 1955 hecreated a version that learned toplay (Samuel 1959)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
General Problem Solver
1957: GPS was a computerprogram created by Herbert Simonand Allen Newell to provetheorems and solve geometic,word and chess problems1959: Newell, A.; Shaw, J.C.;Simon, H.A. Report on a generalproblem-solving program.Proceedings of the InternationalConference on InformationProcessing. pp. 256–264.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Heuristic Programming
1958: Teddington Conference onthe Mechanization of ThoughtProcesses was held in the UK andamong the papers presented wereJohn McCarthy’s "Programs withCommon Sense"OliverSelfridge’s "Pandemonium.andMarvin Minsky’s "Some Methodsof Heuristic Programming andArtificial Intelligence"
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
DENDRAL
1967: Dendral program (EdwardFeigenbaum et al. at StanfordUniversity) demonstrated tointerpret mass spectra on organicchemical compounds. Firstsuccessful knowledge-basedprogram for scientific reasoning
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Stanford Research Institute (SRI)
1969: Shakey the Robot,demonstrated combining animallocomotion, perception andproblem solving
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
A∗
1968: P. E. Hart, N. J.Nilsson,B. Raphael. A formal basis for theheuristic determination ofminimum cost paths. IEEE Trans.Syst. Sci. Cybernet., volume 4,number 2, pp 100–107.1972: P. E. Hart, N. J.Nilsson,B. Raphael. Correction to aformed basis for the heuristicdetermination of minimum costpaths. SIGART Newsletter,volume 37, number 28, p. 9.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
STRIPS
1971: STRIPS (STanfordResearch Institute ProblemSolver) is an automated plannerinvented by Richard Fikes and NilsNilsson1974: Earl Sacerdoti developedone of the first planning programs,ABSTRIPS, and developedtechniques of hierarchicalplanning.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Hierarchical Planning
1983: O-PLAN has been used fora range of practical and researchtasks. It was developed in 1983and still runs as a planning serviceover the web (www.aiai.ed.-ac.uk/project/oplan/)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Cycorp
1984: Cycorp, Inc., based inAustin, Texas was founded bycomputer science professor atStanford Douglas Lenat(www.cyc.com)“Once you have a truly massiveamount of information integratedas knowledge, then thehuman-software system will besuperhuman, in the same sensethat mankind with writing issuperhuman compared tomankind before writing.”Doug Lenat, June 21, 2001
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Neural Networks
1969: Marvin Minsky andSeymour Papert publishPerceptrons, demonstratingpreviously unrecognized limits of asimple form of neural netsMid 80’s: Neural Networksbecome widely used with theBackpropagation algorithm —firstdescribed by Paul Werbos in 1974.1989: Dean Pomerleau at CMUcreates ALVINN: an AutonomousLand Vehicle in a Neural Network.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Robotics
1987: Rodney Brooks introducedthe subsumption architecture andbehavior-based robotics as a moreminimalist modular model ofnatural intelligence.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Belief Networks
1988: Judea Pearl introducedbelief networks, which are causalnetworks whose links are labeledwith probabilities. The word beliefis an important qualifier becauseall the representations used in AIrepresent somebody’s best guessor belief about causal influencesrather than the ultimate facts ofcausation
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
Deep Blue (IBM)
1997: The Deep Blue chessprogram (IBM) beats the worldchess champion, Garry Kasparov,in a widely followed match.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
FuturoHistoria de la Inteligencia Artificial
Historia de la Inteligencia Artificial
1950
Turing’s paper on machine intelligence
195658
Dartmouth Conf.& McCarthy’s Advice Taker
Newell,Shaw, & Simon’s GPS
Heuristic Programmngat MIT
‘60s 196874
Feigenbaum, et al. s’ DENDRAL
SRI’s Shakey, STRIPS, A*
HierarchicalPlanners(SIPE, OPLAN)
1980’s
Lenat’sCYC
Brooks’sBehaviorBasedRobots
198590Pearl’sBelief Nets
Neural Net BackpropAlgorithm
1997
IBM’s Deep Blue
1999
NASA’sRemoteAgent (RAX)
Courtesy: Nils Nilsson, AAAI 2000
RAX
1999: Kanna Rajan was one of theprincipals of the Remote AgentExperiment (RAX) whichdesigned, built, tested and flew thefirst AI based closed-loop controlsystem on a spacecraft. The RAXwas the co-winner of NASA’s 1999Software of the Year, the agency’shighest technical award.
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
La Inteligencia Artificial en el Mercado
Artis Auriferae quamChemiam vocant
(Basilea, 1593)
Cortesía del Prof. Dr. D. Agapito Ledezma
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Alquimia Moderna
1 Profesionales de todas las áreas de la industria y losnegocio buscan su particular piedra filosofal
Practican su particular alquimia:
Montañas de datos → ORO
2 Los alquimistas fracasaron, mientras que los alquimistasmodernos, hasta hace poco, encontraban ciertaslimitaciones
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Alquimia Moderna
1 Profesionales de todas las áreas de la industria y losnegocio buscan su particular piedra filosofal
Practican su particular alquimia:
Montañas de datos → ORO
2 Los alquimistas fracasaron, mientras que los alquimistasmodernos, hasta hace poco, encontraban ciertaslimitaciones
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Alquimia Moderna
1 Profesionales de todas las áreas de la industria y losnegocio buscan su particular piedra filosofal
Practican su particular alquimia:
Montañas de datos → ORO
2 Los alquimistas fracasaron, mientras que los alquimistasmodernos, hasta hace poco, encontraban ciertaslimitaciones
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
IA en Negocios
1 Los Sistemas Inteligentes permiten encontrar patrones ydescubrir relaciones entre grandes cantidades de datos
2 Los sistemas inteligentes agrupan a gran cantidad detécnicas entre las que destacan las redes de neuronas,algoritmos genéticos y la lógica difusa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
IA en Negocios
1 Los Sistemas Inteligentes permiten encontrar patrones ydescubrir relaciones entre grandes cantidades de datos
2 Los sistemas inteligentes agrupan a gran cantidad detécnicas entre las que destacan las redes de neuronas,algoritmos genéticos y la lógica difusa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
IA en Negocios
1 Los profesionales de negocios utilizan sistemasinteligentes en busca de patrones no-lineales
2 Estos sistemas han sido utilizados para:
Predicción del comportamiento del consumidorDetección de transacciones fraudulentasCaptura del conocimiento corporativo dentro de un sistema
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
IA en Negocios
1 Los profesionales de negocios utilizan sistemasinteligentes en busca de patrones no-lineales
2 Estos sistemas han sido utilizados para:
Predicción del comportamiento del consumidorDetección de transacciones fraudulentasCaptura del conocimiento corporativo dentro de un sistema
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Algunos ejemplos
Banca al por menorEvaluación de hipotecasPredicción de demanda de productos
SegurosEvaluación de riesgosCálculo de primas
MarketingPerfiles de clienteCruce de ventas
Sistemas Inteligentes
Banca de inversionesPredicción de activosGestión de cartera de valores
VigilanciaDetección de robosDetección de fraudes
PlanificaciónLocalización de outlet de minoristasDistribución de productos
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Motivación
1 La motivación de las empresas es común:
Aumentar la calidad de sus serviciosReducir los costes
Ejemplo
Visa se ahorró 40 millones de US$ en los 6 primeros meses deaplicación de su sistema de RNs para detectar fraudes
2 Calidad de servicios: permite adaptar los productos alusuario
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Motivación
1 La motivación de las empresas es común:
Aumentar la calidad de sus serviciosReducir los costes
Ejemplo
Visa se ahorró 40 millones de US$ en los 6 primeros meses deaplicación de su sistema de RNs para detectar fraudes
2 Calidad de servicios: permite adaptar los productos alusuario
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Motivación
1 La motivación de las empresas es común:
Aumentar la calidad de sus serviciosReducir los costes
Ejemplo
Visa se ahorró 40 millones de US$ en los 6 primeros meses deaplicación de su sistema de RNs para detectar fraudes
2 Calidad de servicios: permite adaptar los productos alusuario
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
¿Cuáles son?
1 Las características de los sistemas de IA que los hacenadecuados para resolver problemas de finanzas ynegocios son:
AprendizajeAdaptaciónFlexibilidadExplicaciónDescubrimiento
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Aprendizaje
1 La característica más importante de los sistemasinteligentes es la capacidad de aprender las decisiones olas tareas que realizan a partir de los datos
2 Se trata de un conocimiento que antes sólo poseíanpersonal de la organización con muchos años deexperiencia en la empresa
3 Las nuevas técnicas de IA contrastan con los sistemasexpertos en donde los conocimiento necesarios pararesolver una tarea deben ser especificados manualmentepor un experto
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Aprendizaje
1 La característica más importante de los sistemasinteligentes es la capacidad de aprender las decisiones olas tareas que realizan a partir de los datos
2 Se trata de un conocimiento que antes sólo poseíanpersonal de la organización con muchos años deexperiencia en la empresa
3 Las nuevas técnicas de IA contrastan con los sistemasexpertos en donde los conocimiento necesarios pararesolver una tarea deben ser especificados manualmentepor un experto
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Aprendizaje
1 La característica más importante de los sistemasinteligentes es la capacidad de aprender las decisiones olas tareas que realizan a partir de los datos
2 Se trata de un conocimiento que antes sólo poseíanpersonal de la organización con muchos años deexperiencia en la empresa
3 Las nuevas técnicas de IA contrastan con los sistemasexpertos en donde los conocimiento necesarios pararesolver una tarea deben ser especificados manualmentepor un experto
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Adaptación
1 Los negocios y las empresas cambian continuamente. Losprocesos quedan obsoletos: cambios en la economía,presiones de la competencia, nuevas leyes, etc.
2 No es suficiente con que un sistema pueda aprenderdesde el principio, se requiere que el sistema monitoricesu propio comportamiento y revise su conocimiento deacuerdo con los cambios que se producen en el entorno
3 En algunos dominios la habilidad de adaptación a loscambios rápidos es más importante que cualquier otra
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Flexibilidad
1 Las decisiones humanas se caracterizan por unainherente flexibilidad. Se pueden tomar ante informaciónincompleta e imprecisa
2 Los sistemas clásicos funcionan con lógica si/no. Por estarazón no son robustos
3 Las RNs y los sistemas difusos tienen la capacidad detomar decisiones de manera flexible
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Explicación
1 No basta solo con automatizar la toma de decisiones (p.ej.SoL)
2 En el área de evaluación de créditos, en muchos paísesempieza a exigirse que a la toma de decisiones, leacompañe una detallada explicación del proceso
3 En determinadas aplicaciones que implican mucho dinero(p.ej. gestión de carteras de valores) no se admite la tomaautomática de decisiones sin una supervisión de éstas porun experto, o responsable
4 La transparencia permite la interacción con los expertos,pudiendo éstos mejorar sus propias decisiones basándoseen las propuestas de un sistema inteligente
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Descubrimiento
1 No solo son sistemas capaces de automatizar tareasrealizadas por los humanos sino que son capaces dedescubrir procesos o relaciones nuevas que no eranconocidas previamente. Es lo que se conoce pordescubrimiento de conocimiento o minería de datos
2 Los AGs han sido utilizados para encontrar patrones enventas en supermercados
3 Los patrones descubiertos deben ser validados por unexperto humano
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Más ejemplos
Redes de Neuronas
Sistemas borrosos
Sistemas expertos
Sistemas híbridos
Agentes
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
¿Qué está pasando?
1 Los sistemas inteligentes ofrecen alternativas a losmétodos tradicionales de análisis de datos
2 Algunos sistemas inteligentes producen salidas quepueden ser entendidas por los que toman las decisiones
3 Una tendencia actual es incorporar los sistemasinteligentes dentro de otras aplicaciones de negocios
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
¿Qué está pasando?
1 La utilización de sistemas híbridos es un área enexpansión
2 La integración de los sistemas inteligentes con otrasaplicaciones se ve facilitada con la programación orientadaa objetos y las BBDD orientada a objetos
3 Utilización en negocios al por menor
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Hoy por hoy
State of CIO 2006:www.cio.com/state
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Presente
Experiencia Profesional
Cresus Sistemas expertos de tesorería empre-sarial
1995
Autopal Sistema de diagnóstico de visión artifi-cial en tiempo real
1997
ALSA Planificación de operaciones y Optimi-zación de recursos
1998
ROBER Diseño de algoritmos on-line y off-linepara la explotación de líneas de autobús
1998
Gantt MMS Sistema automático de control de los pla-nes de operaciones del satélite ENVISAT
2001
GAST Scheduling de integridad y navegaciónde la constelación Galileo
2002
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Cresus (Unión Fenosa y Carnegie-Mellon University)
1 Sistema experto de tesorería empresarial:
Alta incertidumbreAlto riesgo
2 El sistema, programado en Lisp (CLOS junto con otrasextensiones), estaba compuesto fundamentalmente por:
Un módulo de representación del conocimientoUn módulo de propagación de incertidumbreUn algoritmo de búsqueda heurística
3 El sistema fue implantado en Unión Fenosa, Telefónica yel DeutscheBank
4 Software Factory aún desarrolla software para Cresus yotros sistemas expertos como él
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Cresus (Unión Fenosa y Carnegie-Mellon University)
1 Sistema experto de tesorería empresarial:
Alta incertidumbreAlto riesgo
2 El sistema, programado en Lisp (CLOS junto con otrasextensiones), estaba compuesto fundamentalmente por:
Un módulo de representación del conocimientoUn módulo de propagación de incertidumbreUn algoritmo de búsqueda heurística
3 El sistema fue implantado en Unión Fenosa, Telefónica yel DeutscheBank
4 Software Factory aún desarrolla software para Cresus yotros sistemas expertos como él
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Cresus (Unión Fenosa y Carnegie-Mellon University)
1 Sistema experto de tesorería empresarial:
Alta incertidumbreAlto riesgo
2 El sistema, programado en Lisp (CLOS junto con otrasextensiones), estaba compuesto fundamentalmente por:
Un módulo de representación del conocimientoUn módulo de propagación de incertidumbreUn algoritmo de búsqueda heurística
3 El sistema fue implantado en Unión Fenosa, Telefónica yel DeutscheBank
4 Software Factory aún desarrolla software para Cresus yotros sistemas expertos como él
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Cresus (Unión Fenosa y Carnegie-Mellon University)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Sistema de visión para el diagnóstico en tiempo real: 1000paletas/hora
2 El sistema de visión consistía en una cabina dividida endos áreas:
5 cámaras en el área ATablas superioresTacos
3 cámaras y un sistema láser en el área BTablas inferiores
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Sistema de visión para el diagnóstico en tiempo real: 1000paletas/hora
2 El sistema de visión consistía en una cabina dividida endos áreas:
5 cámaras en el área ATablas superioresTacos
3 cámaras y un sistema láser en el área BTablas inferiores
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Sistema de visión para el diagnóstico en tiempo real: 1000paletas/hora
2 El sistema de visión consistía en una cabina dividida endos áreas:
5 cámaras en el área ATablas superioresTacos
3 cámaras y un sistema láser en el área BTablas inferiores
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Autopal (Chep Spain)
1 Todas las cámaras estaban conectadas a una estaciónWindows NT que llevaba a cabo las siguientes tareas:
Envío de señales de control a la PLAObtención de imágenesSegmentación y análisis de todas las imágenes tantoindividualmente como en conjuntoDeterminar el estado actual de las componentes del pallet
2 Se emplearon técnicas de visión artificial así como derepresentación del conocimiento para determinar elestado global del pallet cuando se comparaba el estado desus partes
3 El sistema está en explotación y otros países en Europa
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 ALSA es la compañía de autobuses más grande de todaEspaña
2 Dos proyectos:
Scheduling de conductores y vehículosSheduling de las operaciones de taller y optimización derecursos
3 Problema: minimizar los costes de operacionesempleando el mínimo de recursos y atendiendo tantasoperaciones como sea posible
4 Se emplearon técnicas incrementales (largo plazo, cortoplazo y tiempo real), permitiendo siempre ajustesmanuales
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 ALSA es la compañía de autobuses más grande de todaEspaña
2 Dos proyectos:
Scheduling de conductores y vehículosSheduling de las operaciones de taller y optimización derecursos
3 Problema: minimizar los costes de operacionesempleando el mínimo de recursos y atendiendo tantasoperaciones como sea posible
4 Se emplearon técnicas incrementales (largo plazo, cortoplazo y tiempo real), permitiendo siempre ajustesmanuales
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 ALSA es la compañía de autobuses más grande de todaEspaña
2 Dos proyectos:
Scheduling de conductores y vehículosSheduling de las operaciones de taller y optimización derecursos
3 Problema: minimizar los costes de operacionesempleando el mínimo de recursos y atendiendo tantasoperaciones como sea posible
4 Se emplearon técnicas incrementales (largo plazo, cortoplazo y tiempo real), permitiendo siempre ajustesmanuales
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo
1 Asignación de tareas a autobuses teniendo en cuenta:
La disponibilidad de autobusesLa disponibilidad media de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos (campañas, movimientos, . . . )
2 Para cualquier horizonte de planificación/scheduling:3 Resolución en tres fases:
Asignación de turnos a autobusesCálculo de ventanas de oportunidadAsignación de tareas de mantenimiento
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo
1 Asignación de tareas a autobuses teniendo en cuenta:
La disponibilidad de autobusesLa disponibilidad media de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos (campañas, movimientos, . . . )
2 Para cualquier horizonte de planificación/scheduling:3 Resolución en tres fases:
Asignación de turnos a autobusesCálculo de ventanas de oportunidadAsignación de tareas de mantenimiento
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo
1 Asignación de tareas a autobuses teniendo en cuenta:
La disponibilidad de autobusesLa disponibilidad media de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos (campañas, movimientos, . . . )
2 Para cualquier horizonte de planificación/scheduling:3 Resolución en tres fases:
Asignación de turnos a autobusesCálculo de ventanas de oportunidadAsignación de tareas de mantenimiento
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de turnos a autobuses
1 Caracterización:
70 turnos diarios a asignar durante períodos típicos de 30días77 vehículos disponiblesHasta 7 categorías diferentes de turnos: regional, urbano,escolar, etc.
2 Objetivos:
Minimizar la varianza de las asignaciones de turnos aautobusesMaximizar la utilidad de cada bus en los turnos asignadosMinimizar el número de cambios de un autobús a unservicio diferente
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de turnos a autobuses
1 Caracterización:
70 turnos diarios a asignar durante períodos típicos de 30días77 vehículos disponiblesHasta 7 categorías diferentes de turnos: regional, urbano,escolar, etc.
2 Objetivos:
Minimizar la varianza de las asignaciones de turnos aautobusesMaximizar la utilidad de cada bus en los turnos asignadosMinimizar el número de cambios de un autobús a unservicio diferente
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de turnos a autobuses
Problema de asignación múltiple
Función objetivo:m∑
i=1
nd∑j=1
xdij (c
dij + ek
ij )
sujeto a:nd∑
j=1xd
ij = 1,m∑
i=1xd
ij = 1, i , j = 1, n
donde: ekij = e0
ij + ek−1ij , k = 0, 1, . . . , it
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de turnos a autobuses
Implementación
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Cálculo de ventanas de oportunidad
1 Caracterización
' 300 trabajos de mantenimiento ordinario' 50 campañas' 30 trabajos pendientes
2 Objetivos:
Predicción del número de kilómetros recorridos porautobús, así como horas y días de servicioCálculo de las tareas de mantenimiento que se debenaplicarObservación de restricciones legales
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Cálculo de ventanas de oportunidad
1 Caracterización
' 300 trabajos de mantenimiento ordinario' 50 campañas' 30 trabajos pendientes
2 Objetivos:
Predicción del número de kilómetros recorridos porautobús, así como horas y días de servicioCálculo de las tareas de mantenimiento que se debenaplicarObservación de restricciones legales
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Cálculo de ventanas de oportunidad
Resolución1 Puramente determinista2 Las ventanas de oportunidad se crean para:
Tareas de mantenimiento ordinarioTrabajos pendientes con límiteCampañas
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Cálculo de ventanas de oportunidad
Implementación
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de tareas de mantenimiento
1 Caracterización
Resolución de ' 390 ventanas de oportunidadHasta 7 tipos diferentes de operadoresCálculo de capacidades máxima/grupo de cada base, paratodos los operadores y fosas
2 Objetivos:
Minimizar la carga de trabajo para todos los días delhorizonteMinimizar los servicios extraordinariosMinimizar el impacto en turnos de tráfico
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de tareas de mantenimiento
1 Caracterización
Resolución de ' 390 ventanas de oportunidadHasta 7 tipos diferentes de operadoresCálculo de capacidades máxima/grupo de cada base, paratodos los operadores y fosas
2 Objetivos:
Minimizar la carga de trabajo para todos los días delhorizonteMinimizar los servicios extraordinariosMinimizar el impacto en turnos de tráfico
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de tareas de mantenimiento
Capacidades volumétricas y reparto de trabajoCálculo de capacidades volumétricas HT× TG = HG,HG∗
3 × 8
Objetivo: m«ın∑k
∑(i,j)
eij∑t=1
sujeto a:∑
k∈V(i,j)
xk(i,j) = 1,∀(i , j),
∑(i,j)
e(i,j)∑t=1
xk−t+1(i,j) d r
(i,j)t(sgh) ≤ crk (sgh) ,
∑h
∑(i,j)
e(i,j)∑t=1
xk−t+1(i,j) d r
(i,j)t(sgh) ≤ crk , xk
(i,j) ∈ {0, 1}
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a largo plazo Asignación de tareas de mantenimiento
Implementación
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a corto plazo
1 Scheduling de tareas de mantenimiento prioritarioteniendo en cuenta:
La disponibilidad real de los autobusesLa disponibilidad real de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos: trabajo externo, inconclusos, etc.
2 . . . para cualquier período de tiempo (típicamente igual a 1día)
3 . . . y dos tipos diferentes de tareas:
Asociados a los autobusesAsociados a la base
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a corto plazo
1 Scheduling de tareas de mantenimiento prioritarioteniendo en cuenta:
La disponibilidad real de los autobusesLa disponibilidad real de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos: trabajo externo, inconclusos, etc.
2 . . . para cualquier período de tiempo (típicamente igual a 1día)
3 . . . y dos tipos diferentes de tareas:
Asociados a los autobusesAsociados a la base
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a corto plazo
1 Scheduling de tareas de mantenimiento prioritarioteniendo en cuenta:
La disponibilidad real de los autobusesLa disponibilidad real de recursos en la baseEl entrenamiento de los operarios en la baseOtros requisitos: trabajo externo, inconclusos, etc.
2 . . . para cualquier período de tiempo (típicamente igual a 1día)
3 . . . y dos tipos diferentes de tareas:
Asociados a los autobusesAsociados a la base
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Planificación a corto plazo
Implementación
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Tratamiento de incidencias
1 Tratamiento en tiempo real de eventos asíncronos como:
Un operador no está disponible de prontoUn autobús necesita una atención urgenteUn autobús no puede llegar a la baseUn recurso deja de estar disponible. . . ¡y tantos otros!
2 Completamente integrado con el módulo anterior
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)Tratamiento de incidencias
1 Tratamiento en tiempo real de eventos asíncronos como:
Un operador no está disponible de prontoUn autobús necesita una atención urgenteUn autobús no puede llegar a la baseUn recurso deja de estar disponible. . . ¡y tantos otros!
2 Completamente integrado con el módulo anterior
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 Tecnologías empleadas:
Programación basada en restricciones (ILOG Solver)Programación lineal (ILOG Planner/CPlex)Algoritmos de búsqueda heurística (Depth-FirstBranch-and-Bound)
2 Otras características:
GUIs amigables (ILOG Views)Acceso a datos muti-plataforma (ILOG dbLink)
Premio de la Región de Asturias al proyecto más innovador, 2000
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 Tecnologías empleadas:
Programación basada en restricciones (ILOG Solver)Programación lineal (ILOG Planner/CPlex)Algoritmos de búsqueda heurística (Depth-FirstBranch-and-Bound)
2 Otras características:
GUIs amigables (ILOG Views)Acceso a datos muti-plataforma (ILOG dbLink)
Premio de la Región de Asturias al proyecto más innovador, 2000
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
ALSA (Intelligent Advisors)
1 Tecnologías empleadas:
Programación basada en restricciones (ILOG Solver)Programación lineal (ILOG Planner/CPlex)Algoritmos de búsqueda heurística (Depth-FirstBranch-and-Bound)
2 Otras características:
GUIs amigables (ILOG Views)Acceso a datos muti-plataforma (ILOG dbLink)
Premio de la Región de Asturias al proyecto más innovador, 2000
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Gantt-MMSESA - Payload Data Segment, ENVISAT (Roma)
1 ENVISAT fue lanzado el 28 de Febrero de 2002,después de más de 15 años de investigación ydesarrollo, realizado por más de 10 países
2 FOS y PDS planifican las operaciones del satéliteen pasos diferentes
3 No había ningún Product Quality Facility en elPDS:
El Gantt Tool proporcionaba un medioeficaz para mostrar las operaciones yeventos de cualquier tipoEl Mission Monitoring Systemmanipulaba una gran cantidad de eventosde la misión
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Galileo Analysis and Scheduling ToolDeimos Space
1 GALILEO será un sistema de navegación europeoglobal e independiente
2 Consistirá de 27 satélites operacionales en órbitaMEO (más 3 en espera)
3 Distribuirá señales de navegación de alta fiabilidad—SoL apps.
4 La información de navegación está cualificada por laseñal SISA
5 Las señales de navegación se monitorizan paradetectar desviaciones o errores
6 GALILEO proporcionará un parámetro SISMA atodos los usuarios, para minimizar los errores
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Galileo Analysis and Scheduling ToolDeimos Space
1 Planificar y analizar la disponibilidad de ULSs2 Planificar los contactos con los spacecrafts3 Analizar el número y localización de las ULSs, así como
asesorar sobre el impacto de cualquier cambio—localización, número de antenas, o parámetros como elmasking angle
4 Determinar el mejor subconjunto de la constelación para elenvío de señales de integridad cuando se ha determinadola red ULS
5 Analizar la localización de las GSS que minimicen SISMA
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Definición de recursos
SatélitesParámetros de la constelación WalkerNúmero Ns de satélitesProject requirements:
tC : duración de los contactos[tS
min, tSmax]
(es posible simular indisponibilidades o satélites perdidos)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Definición de recursos
Up-Link Stations (ULS)Número Nu de satélitesParámetros geográficos: latitud, longitud y alturaParámetros de antena: masking angleCada ULS tiene entre 0 y 10 antenas instaladasDiferentes prioridades por ULS denotadas por p(Ui)(sirve asimismo para distinguir ESA y non-ESA)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Definición de recursos
AntenasNúmero Na de antenasParámetros geográficos: latitud, longitud y alturaParámetros de antena: masking angle y elevación/azimuthLas antenas son sometidas a tareas de mantenimiento, di :duty cycle
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Resolución
Definición del objetivo
m«ın P =Nu∑i=1
p(Ui)
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Resolución
Definición de coste[c0, c1, . . . , c10]: ci son los contactos con antenas deprioridad iEn vez de un problema multiobjetivo es posible estableceruna relación de orden completo:
[c0, c1, . . . , c10] ≺ [c′0, c′1, . . . , c′10]
si y sólo si:
ci = c′i and ck ≤ c′k∀i , 0 ≤ i < k ≤ 10
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Resolución
Función heurística
Es una relación del número máximo de contactos de una antena:
di ×»1 +
T1 − ttC
–y el número mínimo de antenas requerido
NsXi=1
T1 − titSmax
Añade antenas con la mayor prioridad
Tiene en cuenta el duty cycle
Elige sucesores con menor makespan restante
¡Es admisible!
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Restricciones de navegación
RestriccionesEventos AOS/LOS gracias a Selection ruleCálculo de intervalos [ta, tb] de contacto con AssociationruleNingún satélite es asociado con una antena en uso:Forward propagation rule , Backward propagation ruleLas antenas están disponibles durante el contacto:Vertical feasibility ruleRefinamiento direccional con Horizontal propagationrule y Bound effects
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Restricciones de integridad
RestriccionesTres satélites, como mínimo, deben cubrir cada zona paragarantizar la calidad de servicio
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Sistemas Inteligentes en las OrganizacionesExperiencia Profesional
Algoritmo de búsqueda
Búsqueda heurísticaDepth-First Branch-and-Bound (DFBnB):
Es admisibleEs cercano a la categoría any-time
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial
PasadoPresente
Futuro
Contenidos
1 PasadoHistoria de la Inteligencia Artificial
2 PresenteSistemas Inteligentes en las OrganizacionesExperiencia Profesional
3 Futuro
Carlos Linares López Caminos Profesionales de la Inteligencia Artificial