This page contains a Flash digital edition of a book.
Modelado heurístico para economía y negocios usando redes neuronales atractoras


Mario González 1


1 Escuela Politécnica Nacional, Facultad de Ciencias Administrativas, Departamento de Estudios Organizacionales y Desarrollo Humano, Av. Ladrón de Guevara E11-253, CP170413, Quito mario.gonzalezr@epn.edu.ec


1 Introducción


En el área de Inteligencia Artificial, específicamente en computación natural, las Redes Neuronales Atractoras (RNA) se utilizan para modelar una amplia variedad de problemas y analizar sus fenómenos emergentes. Las RNAs pueden ser valiosas para analizar heurísticamente problemas del "mundo real", donde la información está estructurada de forma espacial o temporal (Amit, 1992). En áreas tales como el reconocimiento de patrones en datos económicos y empresariales, como por ejemplo patrones de reportes de sostenibilidad de la Iniciativa de Reporte Global (Alonso-Almeida et al., 2014), en inglés Global Reporting Initiative (GRI), las RNAs han sido aplicadas con éxito (González et al., 2015). Una técnica heurística es un enfoque para resolver un problema sin garantizar una solución óptima, pero lo suficientemente buena para satisfacer los objetivos inmediatos, en un tiempo razonable. Existe una amplia variedad de problemas, y en éstos se incluyen los problemas que se abordan típicamente en economía, en los que es imposible o impráctico encontrar una solución perfecta. En estos casos, las técnicas heurísticas, tales como las RNAs,


acuden en nuestro auxilio (Abbott, 2004). 2 Modelado con Redes Neuronales Atractoras


Una RNA es un conjunto de nodos (neuronas), conectados de manera recurrente (sinapsis), cuya dinámica en el tiempo tiende a un patrón estable. Las habilidades de la redes atractoras para procesar información (por ejemplo, categorización, filtrado de ruido, completado de patrones, memorización, etc.) las hace buenas candidatas a una gran variedad de problemas (Ruppin and Yeshurun, 1991; Stringer et al., 2003). Las redes atractoras con conectividad métrica son un tipo de red de Hopfield que utilizan una distribución de nodos conectados con cierta medida de localidad, por ejemplo, redes de mundo pequeño (small-world), que tiene la mayoría de los enlaces locales con un número moderado de atajos a nodos distantes (Watts and Strogatz, 1998). Las redes atractoras métricas son capaces de sostener la existencia de patrones de actividad y de memoria organizados localmente (Dominguez et al., 2009; González et al., 2009; Dominguez et al., 2012), así como procesar datos estructurados como ha sido demostrado en diferentes aplicaciones al mundo real


27


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48