innovación en la industria a través de métodos de ... leonardo... · caracterización de...

12 de Noviembre de 2012

Innovación en la Industria a través de Métodos de

Inteligencia Computacional

Leonardo Mendoza M.Sc

Introducción;

Inteligencia computacional;

Proyectos;

Computación de alto desempeño

Deep Learning

Conclusiones;

Sumario

INTRODUCCIÓN

Pan de azúcar e Bahía de Guanabara

Rio de Janeiro

Introducción

Playa de Copacabana

Playa de Ipanema

Rio de Janeiro

Introducción

Cristo Redentor

Rio de Janeiro

Introducción

Campus

PUC-Rio

Introducción

Campus

PUC-Rio

Introducción

CTC - Centro Técnico Científico

PUC-Rio

Introducción

Campo

PUC-Rio

Introducción

Campo

PUC-Rio

Introducción

20 anos de experiencia desarrollando sistemas de apoyo a decisión;

Equipe:

60 personas (Investigadores, técnicos e alumnos);

Infraestructura:

actual:

3 laboratorios ( 150m2 de área total) con 80 puestos;

6 clusters (PC’s e GPU’s);

ICA - Inteligencia Computacional Aplicada

Introdução

Indicadores de Éxito:

produção científica:

> 350 artículos e 4 libros;

25 tesis de doctorado e 43 tesis de maestría;

Patrocinadores:

Petrobras, TAG, Vale, ONS, Light, Plena, Furnas e TAESA;

premios:

Premio Petrobras de Tecnología: 2005, 2007, 2008, 2010, 2012;

Premio Santander de Innovación: 2011, 2015.

ICA - Inteligencia Computacional Aplicada

Introdução

Áreas de Interés:

Exploración e Producción (E&P) de Petróleo;

Refino de Petróleo;

Distribución de Gas Natural;

Nanotecnología Computacional;

Robótica e Sistemas MultiAgente;

Energía Eléctrica;

Confiabilidad Humana;

Sustentabilidad Inteligente;

Computación de Alto Desempeño.

Introdução

ICA - Inteligencia Computacional Aplicada

ICA - 1

ICA - 2

ICA - 3

ICA - Inteligencia Computacional Aplicada

Introdução

Principais parcerias:

ICA - Inteligência ComputacionalAplicada

Esperamos a los interesados de brazos abiertos

Becas

Maestría inicial 500 dólares

Doctorado inicial 1.000 dólares

Informes:

mendonza@ele.puc-rio.br

www.ica.ele.puc-rio.br/

Oportunidades de Estúdio de Post-Grados

Universidad Indústria Estado

Inversión en Innovación

Universidad con Industria

INTELIGENCIA COMPUTACIONAL

Visión General

Definición:

conjunto de métodos computacionales que intentan reproduziralgunos aspectos del comportamiento humano como:

aprendizaje;

percepción;

raciocinio;

evolución;

adaptación.

Inteligência Computacional

Características:

métodos inspirados en comportamientos observados en laNaturaleza e aplicados en el desarrollo de sistemas de apoyo atoma de decisiones;

Principales Métodos de Inteligencia Computacional:

Redes Neuronales Arboles de decisión SVM:

inspiradas en el comportamiento del cerebro humano;

Lógica Nebulosa:

inspirada en las imprecisiones inherentes al lenguaje natural.

Algoritmos Genéticos

Aprendizaje por Refuerzo:

Aprendizaje por refuerzo, inspirado no proceso de aprendizaje de los niños;

Inteligência Computacional

Vision General

Inteligência Computacional

Ventajas de la inteligencia Computacional

Son algoritmos que muestran resultados inmediatos adaptables a casi cualquier tipo de problema. Son fácilmente programables e encontrados en paquetes de software como Matlab Python e R.

Áreas de Práctica

Exploración y producción de petróleo Telas de drenaje;

Caracterización de yacimientos;

Campos inteligentes;

Sísmica;

Refinerías de petróleo

Nanotecnología Pozo Wireless sensor

Energía solar

Portador de la droga

LEDs Orgánicos

Comercio de alimentación

Computación de alto rendimento

Fiabilidad humana

Valoración de activos intangibles

Sostenibilidad inteligente

E & P: Drenaje de Malla

Drenaje planes de optimización por algoritmos genéticos

y simulación numérica de reservorios;

Variables de interés:

Cantidad de pozos;

Tipos de pozos (armas o productores);

Ubicación de pozos;

Geometría de los pozos (verticales, horizontales o

direccionales)

Optimización de planes de drenaje con pozos

multilaterales.

E & P: Drenaje de Malla

Sistema OCTOPUS en varias unidades de

Petrobras

Tesis: 2

Tesis doctorales: 2

Premios de Petrobras:1

E&P: Caracterización de Yacimientos

ConstruçãoConstrucción (proxies) de embalses por

polinomio caos y Algoritmos Genéticos;

Construcción de proxies de embalse para el

algoritmo genético cuántica;

Tratamiento de las incertidumbres, tales como

permeabilidad y porosidad de la cáscara por

simulación Monte Carlo y Geoestadística;

E&P: Caracterización de Yacimientos

Ajuste histórico en modelos de simulación del

embalse por algoritmos genéticos y múltiples puntos

de geoestadística;

Obtención de modelos de depósito para ajustar

satisfactoriamente producción curvas y son

geológicamente coherente;

Tesis: 1

Premios Petrobras: 1

E&P: Caracterización de Yacimientos

Análisis de viabilidad financiera bajo incertidumbre

utilizando válvulas inteligentes;

Otimização do Optimización del número, ubicación y

estrategia de control de válvula para el algoritmo

genético;

Tratamiento de las incertidumbres técnicas de las

válvulas por simulación Monte Carlo;

Tesis: 1

Premios Petrobras: 1

Q2 Q1 Q3

Segmento1 Segmento2 Segmento3

Tubo Válvula

De Refinación

Programación de sistema de optimización de

refinerías por algoritmos genéticos;

Minimización de costos; las exigencias de la

producción: calidad de productos y restricciones en

el uso de equipos.

Sísmica

Inversión de parámetros sísmicos 3D de datos de

sísmica de reflexión para el algoritmo genético;

Pozos de ficción: estimación de parámetros

geofísicos en modelos que utilizan la técnica de

sísmica de reflexión para algoritmos genéticos y el

algoritmoThe Nelder Mead Simplex.

Tesis doctorales: 1

Tesis: 1 (en progreso)

Fontes

V1

Receptores

V2

V3x

z

y

Malha

Computación de Alto Rendimiento

Conversión automática de códigos de la CPU para

ejecutar en racimos de GPUs

Síntesis de programa automático

Evolución del código fuente para la GPU de la versión de

CPU por genética de programación;

Optimización del acceso a memoria global sin caché

de GPU;

Distribución de operaciones paralelo entre hilos

CUDA;

Tesis doctorales: 1

Fiabilidad Humana

Seguridad operacional a través de la caracterización

de la fiabilidad humana usando teoría de conjuntos

Fuzzy;

Medición del índice de fiabilidad humana;

Creación de estrategias para controlar los impactos

adversos.

Premios Petrobras:1

Comercio de Alimentación

Análisis de riesgo

Gestión de contratos

Evaluación de la mitigación de riesgo (regulación de los mecanismos)

Predicción de escenarios de demanda y de la insumos

Modelos estocásticos para la tasación

35

Valoración de Activos Intangibles

Patentes; Inversión en educación;

Proyectos culturales; Impactos ambientales debido a la flexibilidad empresarial

Metodología:

Opciones reales, modelos estocásticos

Lógica y números Fuzzy

Teoría de finanzas conductuales

36

Sostenibilidad Inteligente

Algoritmos genéticos en la optimización y diseño de edificios y proyectos urbanos:

Reducción del consumo de energía: iluminación, refrigeración, energía solar proyecto

Reducir el costo de materiales

Reducción de emisiones de contaminantes

37

Orientación de la

asignación

PlazasPlanificación de

rutas

Influencia de la

forestación

Dimensión lote

Alumbrado

público

Sostenibilidad Inteligente

38

38

Repoblaciónforestal:

-Tipo de árbol-Posición-Cantidad

Paredes:-Espesor-Pie derecho-Material

Ventanas:-Altura -Ancho-Tipo de cristal -Bloqueadores

Lámparas:-Posición-número

Dirección

Desafio

Processamento de quantidade de dados em tempo real

Alternativas

Algoritmos vs Hardware

Algoritmos

Única solución presente, paralelizar

Processamento de dados e informações

Túnel de vento NASA AMES

Túnel de vento-Construído na década de

1980-Velocidade máxima:

185 km/h-6 motores de 23.500 hp

lâminas de 12 m-Pode testar um 737-Custo: US$169M-Alto custo de

manutenção

Limite de miniaturização – exemplo:

◦ CPU de 10 TFLOPS

◦ Clock = 10.000 GHz

◦ Uma unidade de informação ocuparia 3.7·10-30 m3

Tamanho de uma molécula pequena

Equivalente a um cubo de 1,55·10-10 m de lado

◦ Limite tecnológico atual: 22 nm = 2,2·10-8 m

Limite de dissipação de calor = C·V2·f

◦ Se diminuirmos muito V: aumentam chances de erros na distinção dos níveis lógicos dosbits

GPU: especializada em computação intensiva e maciçamente paralela (dados)

Como se justifica tanto poder computacional e tãoconcentrado?◦ Mais transistores dedicados a processamento de dados que

a caching de dados e controle de fluxo◦ SIMD / SIMT: Single Instruction Multiple Data /Thread

Controle de fluxo menos sofisticado Grandes memórias cache são desnecessárias

Aplicações de HPC

Finanças Computacionais

Análise Numérica

Processamento Sísmico

Precificação de Opções

Previsão do Tempo

Design Automotivo

Hardware já não é solução

Algoritmos é a nova base de tratamento de dados

Nuevos desafíos

Refinar os dados

Novo desafio das universidades estar na frente em algoritmos aproveitando a Nuvem

Deep Learning

Map reduce

Deep Learning

Deep Learning es un sub-campo de MachineLearning que ha recibido una atenciónsignificativa en los últimos años.

Su popularidad se debe a la capacidad dealcanzar una increíble precisión en comparacióna los algoritmos convencionales de MachineLearning y sus aplicaciones abarcan porejemplo: Reconocimiento de voz,Procesamiento de imagen e Procesamiento delenguaje natural.

Deep Learning

Deep Learning comenzó como una necesidaden la área de Machine Learning de interpretarniveles de mayor complejidad del mundoperceptual y criar sistemas perceptivos queaprendan estas interpretaciones observando suambiente.

Deep Learning

Las redes convolutivas, un tipo de rede neuronal de Deep Learning, cada neurona

se encarga de una región de la matriz de características (feature map) y en

conjunto con otras neuronas realizan una operación de convolución, lo que extrae

las características de esa matriz de características y a lo largo de la red se

extraen los múltiples niveles de abstracción, y mejora el análisis cuando se

dispone de múltiples variables.

Deep Learning

Las redes convolutivas, un tipo

de rede neuronal de Deep

Learning, cada neurona se

encarga de una región de la

matriz de características

(feature map) y en conjunto con

otras neuronas realizan una

operación de convolución, lo

que extrae las características

de esa matriz de características

y a lo largo de la red se extraen

los múltiples niveles de

abstracción, y mejora el análisis

cuando se dispone de múltiples

variables.

Aplicaciones

DeepMind reduce el consumo de energía por enfriamiento del centro de datos de Google en un 40%

Deepface tecnología de reconocimiento facial de Facebook tiene una precisiónsimilar a la humana.

https://www.cs.toronto.edu/~ranzato/publications/taigman_cvpr14.pdf

https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/

Aplicaciones

Watson es un sistema informático de inteligencia artificial(Deep Learning) que es capaz de responder a preguntasformuladas en lenguaje natural.

La computador com inteligencia artificial (Deep Learning) para auto-conducción de vehículos. http://www.nvidia.com/object/drive-px.html

https://www.ibm.com/watson/

Conclusiones