32a geoinquiets - integración de inteligencia colectiva y artificial en un sistema geoespacial

INTEGRACIÓN DE INTELIGENCIA COLECTIVA Y ARTIFICIAL EN UN SISTEMA GEOESPACIAL

BarcelonaTech

Juan Daniel Castillo Rosas

32a Geoinquiets, 20 de febrer de 2014

Más del 80% de la información que maneja el sector público yprivado es de carácter espacial (De Moya Amaris, 2003;Williams, 1987).

Para justificar la importancia de los SIG y el papel que estosjuegan hoy en día, es habitual citar el hecho de queaproximadamente un 70% de la información que manejamos encualquier tipo de disciplina está georreferenciada (Olaya, 2012).

En la Wikipedia alemana el 78 % de todos los artículos tienen,están directamente o indirectamente relacionados concoordenadas geoespaciales. El 80 % no se puede confirmar,tendría que ser reformulado como un 60 %. (Hahmanna &Burghardta, 2013).

Introducción

1ª Ley de la Geografía:

Todo está relacionado entre sí,pero los cosas mas cercanas estánmás relacionadas que lasdistantes, (W. Tobler).

Toda entidad y ocurrencia conexistencia en el mundo real;tiene, tuvo o tendrá lugar enalgún sitio. Por lo tanto puedeser localizada.

Espacio y tiempo son dos conceptos que enmarcan todos losaspectos de la disciplina geográfica, (Goodchild, 2013).

Introducción

Generalmente una sola postura cognitiva interviene en elanálisis geoespacial para el soporte a las decisiones.

Las opciones posibles derivan de un único razonamientoespecializado.

Introducción

Se han diseñadosoluciones inteligentes ensistemas geoespacialesen base a patronespreestablecidos perotambién son alternativasque consideran un solomodo de pensar…

www.sumedico.com/nota11349.htm

Introducción

Introducción

Inteligencia Colectiva (IC): “capacidad de loscolectivos humanos para participar en lacooperación intelectual con el fin de crear, innovare inventar. Se puede aplicar a cualquier escala,desde equipos de trabajo a las grandes redes oincluso a nuestra especie completa”, (Lévy, 2010).

Inteligencia Artificial (IA): “ciencia e ingenio dehacer máquinas inteligentes, especialmenteprogramas de cómputo inteligentes”.

Introducción

IA

IC

Introducción

Prospectiva con datos geoespaciales para la toma de decisiones

Delphi method

Diseñar, desarrollar y ensayar un sistema espacialinteligente para el soporte a las decisiones enescenarios geográficos complejos, articulando lasinteligencias colectiva y artificial.

Objetivos

Obtener patrones geoespaciales actuales y prospectivos.

Establecer patrones geoespaciales actuales y prospectivos a partirde los anteriores.

Comprobar la pertinencia y/o veracidad de los anteriores.

Proponer un prototipo de sistema espacial inteligente para elsoporte a las decisiones en sistemas complejos.

Metodología generalDatos Geoespaciales

Spatial Delphi + Vectorconcensus

Lógica Fuzzy

Redes neuronalesGrupo de expertos

SSDG + SIG

IC IAPatrones iniciales

Correspondencia de patrones

Consenso

Vector Consensus, (Monguet et al., 2012).

Versiones espaciales de los métodos Delphi y Shang (Di Zio & Pacinelli, 2011; Di Zio & Staniscia, 2013).

L’Aquila, Italia2009

Métodología IC

Búsqueda del patrón inicial a través de las opiniones de expertos (SpatialDelphi + Vectorconsensus)

Metodología IC

Consenso, intersección de opinión de expertos.(Barrera & Escobar, 2003)

Para el establecimiento del patrón geoespacial inicial a través de un enfoque Fuzzy aplicado a Spatial Delphi y Vectorconsensus.

Metodología IC + IA

Búsqueda de correspondencias con el patrón geoespacial inicial

Metodología IA

Red Neuronal Artificial de Tipo Multicapa: capas encascada.

Con aprendizaje tipo Backpropagation, (Werbos, P.,1974) con algoritmo supervisado (Conocemos losdatos de entrada y la salida deseada).

Metodología IA

Datos y resultados hipotéticos, utilizados exclusivamente con fines demostrativos

Patrón geoespacial inicial derivado del consenso (actual y prospectivo).

Resultados esperados

Datos y resultados hipotéticos, utilizados exclusivamente con fines demostrativos

Correspondencia de patrones en base al inicial, clasificados y ponderados (actuales y prospectivos).

Resultados esperados

Que la toma de decisiones se efectúe enbase a las alternativas presentadas por ungrupo de expertos y no por una solaperspectiva cognitiva.

El modelado de alternativas adicionales alas anteriores, ordenadas por su mayor omenor correspondencia con las presentadaspor los expertos como la solución alproblema.

Un instrumento inteligente de opinión colectiva en ambienteespacial para el estudio de situaciones complejas, que permitiráobtener modelos geoespaciales actuales y prospectivos.

Principales contribuciones

La inteligencia, como las herramientas con filo, mejoraenfrentándolas con otras de mayor dureza.

Mario Sarmiento.

Juan Daniel Castillo Rosasjuan.daniel.castillo@estudiant.upc.edu

@jdcastillor

32a Geoinquiets, 20 de febrer de 2014

Barrera Guarín, E., & Escobar, J. E. (2003). Un enfoque fuzzy para la prospectiva Delphi. Ingeniería y Desarrollo,14, 1–23. Retrieved from http://www.redalyc.org/articulo.oa?id=85201401

De Moya Amaris, M. E. (2003). Representación y clasificación de datos geoespaciales: comparación entre mapasautoorganizativos de Kohonen y el método Gas Neuronal. Revista Ingeniería e Investigación, 53, 12–22.

Di Zio, S., & Pacinelli, A. (2011). Opinion convergence in location: a spatial version of the delphi method.Technological Forecasting and Social Change, 78(9), 1565–1578. doi:10.1016/j.techfore.2010.09.010.

Di Zio, S., & Staniscia, B. (2013). A Spatial version of the Shang method. Technological Forecasting and SocialChange. doi:10.1016/j.techfore.2013.09.011

Goodchild, M. F. (2013). Prospects for a Space–Time GIS. Annals of the Association of American Geographers,103(5), 1072–1077. doi:10.1080/00045608.2013.792175.

Hahmanna, S., & Burghardta, D. (2013). How much information is geospatially referenced? Networks andcognition. International Journal of Geographical Information Science, 27(6), 1171–1189.doi:10.1080/13658816.2012.743664.

Lévy, P. (2010). From social computing to reflexive collective intelligence: the IEML research program. InformationSciences, 180(1), 71–94. doi:10.1016/j.ins.2009.08.001.

Monguet, J. M., Gutiérrez, A., Ferruzca, M., Alatriste, Y., Martínez, C., Córdoba, C., … Ramírez, M. (2012). VectorConsensus Model. In Organizational Integration of Enterprise Systems and Resources: Advancements andApplications (pp. 303–317). U.S.A.: Business Science Reference (an imprint of IGI Global).

Olaya, V. (2012). Sistemas de información geográfica (p. 877). OsGeo. Retrieved fromhttp://wiki.osgeo.org/wiki/Libro_SIG.

Tobler, W. (2004). On the first law of Geography: A Reply. Annals of the Association of American Geographers,94(2), 304–310.

Werbos, P. (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences. Williams, R. (1987). Selling a geographical information system to government policy makers. In P. Van Demark

(Ed.), Annual Conference of the Urban and Regional Information Systems Association (pp. 150–156). FortLauderdale, Florida: URISA.

Referencias