IA
TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico Superior de San Martín Texmelucan
DIVISIÓN DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
Inteligencia Artifical (IA).
Analisis.
PRESENTAN:
JOSÉ AGUSTÍN MARÍN VARGAS
8° SEMESTRE
GRUPO A
Declaro que el siguiente trabajo de evaluación es el fruto de análisis
y trabajo personal. El uso de todos los recursos como citas,
ilustraciones, scripts de terceros, se menciona de forma clara y
estricta su origen, tanto en el cuerpo del texto como en la bibliografía.
En este sentido, soy (somos) consciente(s) de que el hecho de no
respetar los derechos de autor y hacer plagio, son objeto de
sanciones universitarias y/o legales
San Martín Texmelucan, Puebla abril 2025
Contenido
INTRODUCCIÓN ..................................................... ¡Error! Marcador no definido.
DESARROLLO ........................................................................................................ 3
CONCLUSIÓN ......................................................... ¡Error! Marcador no definido.
2
DESARROLLO
Problema 1. Control de sensores
En una planta industrial hay diez sensores numerados del 1 al 10. Cada
sensor puede
estar en un estado "correcto" o "incorrecto". Como se puede resolver la
necesidad de monitorear cuando 3 o más sensores dan el mensaje
"incorrecto".
Solución.
Para este problema, propongo implementar un sistema híbrido que
combine redes neuronales artificiales con lógica difusa (fuzzy logic). Este
enfoque permite manejar eficientemente los datos de los sensores y tomar
decisiones basadas en patrones complejos.
El sistema funcionaría de la siguiente manera:
1. Capa de adquisición de datos: Recopilación en tiempo real del estado de
los diez sensores.
2. Preprocesamiento con lógica difusa: En lugar de clasificar los estados
como puramente "correcto" o "incorrecto", se puede introducir una escala
difusa que represente el grado de certeza en cada lectura (por ejemplo, 0.9
correcto, 0.3 correcto, etc.).
3
3. Red neuronal para detección de patrones: Se entrenaría una red neuronal
que pueda:
- Detectar cuando 3 o más sensores están en estado "incorrecto"
- Identificar correlaciones entre fallos (ciertos sensores tienden a fallar
juntos)
- Predecir posibles fallos futuros basándose en el historial
[Link] de alerta con priorización: Generación de alertas categorizadas
según la gravedad estimada del problema.
Esta solución aprovecha la capacidad de las redes neuronales para
aprender patrones complejos a partir de datos históricos. Con el tiempo, el
sistema podría identificar situaciones como:
- Patrones temporales en los fallos (ciertos sensores fallan en determinados
momentos)
- Correlaciones entre sensores específicos (cuando el sensor 3 falla, el 7
tiende a fallar poco después)
- Detección temprana de fallos en cascada
Un componente adicional sería un módulo de explicabilidad basado en
técnicas de IA explicable (XAI), que permitiría a los operadores entender por
qué el sistema ha generado una alerta específica.
Problema 2. Ascensor
4
Un ascensorista debe subir de la Planta-0 a la Planta-5, sin paradas
intermedias, a tres personas A, B y C, que están inicialmente en la Planta-0.
Las dimensiones del ascensor sólo permiten que el ascensorista pueda
llevar cada vez a un pasajero. Asimismo,
debido a factores protocolarios, A no debe quedarse con B, ni B con C, ni C
quedarse a solas.
Solución:
Este problema es un clásico de planificación con restricciones que puede
abordarse mediante algoritmos de búsqueda informada y técnicas de
satisfacción de restricciones (Constraint Satisfaction Problems - CSP).
La solución propuesta utilizaría:
1. Modelado del problema: Representación formal del estado inicial, estados
finales y operaciones permitidas:
- Estado inicial: Todas las personas (A, B, C y ascensorista) en planta 0
- Estado final: Todas las personas en planta 5
- Operadores: Subir ascensor con una persona
2. Definición de restricciones:
- A y B no pueden quedarse solos
- B y C no pueden quedarse solos
- C no puede quedarse solo
5
- El ascensor solo puede llevar una persona además del ascensorista
3. Algoritmo A con heurística admisible: Implementación de un algoritmo de
búsqueda A con una heurística que estime el número mínimo de viajes
restantes para completar el traslado.
4. Verificación continua de restricciones: En cada paso de la búsqueda, el
sistema verificaría que no se violen las restricciones protocolarias.
La implementación específica podría utilizar una biblioteca de planificación
basada en IA como PDDL (Planning Domain Definition Language), que
permite expresar formalmente problemas de planificación.
El algoritmo encontraría la secuencia óptima de movimientos que satisface
todas las restricciones:
1. Ascensorista y A suben a planta 5
2. Ascensorista baja solo a planta 0
3. Ascensorista y B suben a planta 5
4. Ascensorista baja solo a planta 0
5. Ascensorista y C suben a planta 5
Esta secuencia garantiza que nunca se violen las restricciones protocolarias.
6
Problema 3. Sistema de alarmas
En una residencia se dispone de una alarma con tecnología avanzada pero
muy mala interfaz. La variable alarma es verdadera cuando la alarma
suena, y la variable ladron es verdadera cuando un ladrón ha entrado en
casa. Si los sensores no son perfectos o con el tiempo pueden serlo. ¿cómo
mejorar la interfaz para manejar la incertidumbre?
Solución:
Para abordar este problema, propongo un sistema que utilice redes
bayesianas y aprendizaje automático para manejar la incertidumbre
inherente a la detección de intrusos, combinado con una interfaz
adaptativa centrada en el usuario.
Componentes del sistema:
1. Red bayesiana para manejo de incertidumbre:
- Modelo probabilístico que relaciona múltiples variables: lecturas de
sensores, patrones de movimiento, horarios habituales, etc.
- Cálculo de la probabilidad posterior P(ladrón|sensores) utilizando el
teorema de Bayes
- Actualización dinámica de probabilidades basada en nueva evidencia
2. Sistema de aprendizaje adaptativo:
- Recopilación de datos sobre falsos positivos y falsos negativos
7
- Ajuste automático de umbrales de sensibilidad según patrones de vida
de los residentes
- Incorporación de retroalimentación del usuario para mejorar el modelo
3. Interfaz de usuario intuitiva:
- Notificaciones graduadas según nivel de certeza (posible intruso, intruso
probable, intruso confirmado)
- Panel visual con representación intuitiva de la confianza del sistema
- Opciones de verificación rápida (visualización de cámaras,
comunicación con vecinos)
4. Integración multimodal:
- Combinación de diferentes fuentes de información (movimiento, sonido,
apertura de puertas/ventanas)
- Análisis de patrones temporales (secuencia de eventos vs. patrones
normales)
- Interfaz de voz para interacciones naturales con el sistema
El sistema permitiría a los usuarios comprender fácilmente la confiabilidad
de las alertas y tomar decisiones informadas. Por ejemplo, en lugar de
simplemente activar una alarma ensordecedora ante cualquier detección,
el sistema podría:
- Enviar una notificación discreta para verificación en caso de baja
probabilidad de intrusión
8
- Activar luces y enviar alertas a los usuarios en casos de probabilidad
media
- Activar la alarma completa y notificar a servicios de seguridad en casos
de alta probabilidad
Problema 4. Coordinación de vuelos
En los aeropuertos internacionales de gran auge se requiere coordinar y
planificar la ubicación de aviones de cada línea comercial. Además, maneja
grupos de restricciones en diferentes fases y de distintos tipos
(hard, weak-hard y soft). Planificar los 560 vuelos al día en 20 segundos
(manualmente
se realiza en 5 horas) y permite reasignación.
Solución:
Para este complejo problema de programación y optimización, propongo
un sistema basado en algoritmos genéticos combinados con aprendizaje
por refuerzo profundo que puede manejar múltiples restricciones y objetivos
simultáneamente.
El sistema tendría los siguientes componentes:
1. Modelado de restricciones jerárquicas:
- Restricciones duras (hard): Reglas que nunca pueden violarse (pistas
disponibles, tiempos mínimos de separación)
9
- Restricciones semi-duras (weak-hard): Pueden violarse con
penalizaciones importantes (preferencias de aerolíneas)
- Restricciones blandas (soft): Preferencias que pueden optimizarse
(minimización de retrasos)
2. Algoritmo genético multi-objetivo:
- Representación cromosómica eficiente de la programación de vuelos
- Operadores genéticos específicos para el dominio aeroportuario
- Evaluación de aptitud basada en cumplimiento de restricciones y
objetivos
3. Aprendizaje por refuerzo para reasignación dinámica:
- Modelo de agente basado en Deep Q-Networks (DQN)
- Estado: Configuración actual de pistas, vuelos programados, retrasos
- Acciones: Reasignaciones y ajustes de horarios
- Recompensas: Minimización de retrasos, optimización de uso de pistas
4. Sistema de predicción de contingencias:
- Modelos predictivos de condiciones climáticas y su impacto
- Estimación de retrasos en cadena basada en aprendizaje profundo
- Planificación preventiva de reasignaciones
10
El sistema sería capaz de generar programaciones óptimas en tiempo real
(20 segundos) y adaptar dinámicamente los planes ante eventos
inesperados como:
- Cambios climáticos súbitos
- Retrasos en vuelos de conexión
- Cierres temporales de pistas
La arquitectura computacional distribuida permitiría procesar en paralelo
diferentes escenarios y seleccionar la solución más robusta considerando
las incertidumbres inherentes a las operaciones aeroportuarias.
Solución:
Para abordar este problema, propongo un sistema integrado que combine
tecnologías de visión computacional para la detección de patrones de
tráfico con simulaciones multi-agente para evaluar diferentes
configuraciones de señalización.
El sistema incluiría:
1. Módulo de adquisición y análisis de datos:
- Procesamiento de imágenes de cámaras de tráfico utilizando redes
neuronales convolucionales (CNN)
- Detección y seguimiento de vehículos mediante algoritmos de visión
computacional
11
- Extracción de métricas de flujo: velocidades, densidades, patrones de
giro, puntos de congestión
2. Simulador de tráfico basado en agentes:
- Modelado del comportamiento de conductores individuales como
agentes autónomos
- Implementación de reglas de comportamiento realistas basadas en
estudios de tráfico
- Capacidad de simular diversos escenarios de señalización y
configuraciones viales
3. Optimizador de señalización:
- Algoritmos evolutivos para generar y evaluar configuraciones de
señalización
- Métricas de evaluación: flujo total, tiempos de espera, probabilidad de
accidentes
- Consideración de restricciones urbanas y reglamentaciones existentes
4. Sistema de visualización y toma de decisiones:
- Representaciones visuales intuitivas de las simulaciones
- Comparativas cuantitativas entre diferentes configuraciones
- Recomendaciones específicas con justificaciones basadas en datos
12
El sistema permitiría a los planificadores urbanos evaluar el impacto de
diferentes medidas de señalización antes de implementarlas físicamente.
Por ejemplo, podría simular los efectos de:
- Prohibir vueltas a la izquierda en intersecciones congestionadas
- Implementar carriles exclusivos para ciertos tipos de vehículos
- Modificar la sincronización de semáforos en corredores principales
La naturaleza modular del sistema permitiría adaptarlo a diferentes
entornos urbanos, desde intersecciones individuales hasta redes viales
completas de una ciudad.
Problema 5. Tráfico más seguro
Detectar problemas de tráfico y proponer medidas de señalización (vueltas
prohibidas, solo vueltas a la izquierda, etc.). Se requiere simular un enfoque
modular con una combinación de representaciones del flujo.
Solución.
Para abordar este problema, propongo un sistema integrado que combine
tecnologías de visión computacional para la detección de patrones de tráfico con
simulaciones multi-agente para evaluar diferentes configuraciones de señalización.
El sistema incluiría:
1. Módulo de adquisición y análisis de datos:
13
- Procesamiento de imágenes de cámaras de tráfico utilizando redes neuronales
convolucionales (CNN)
- Detección y seguimiento de vehículos mediante algoritmos de visión
computacional
- Extracción de métricas de flujo: velocidades, densidades, patrones de giro,
puntos de congestión
2. Simulador de tráfico basado en agentes:
- Modelado del comportamiento de conductores individuales como agentes
autónomos
- Implementación de reglas de comportamiento realistas basadas en estudios de
tráfico
- Capacidad de simular diversos escenarios de señalización y configuraciones
viales
3. Optimizador de señalización:
- Algoritmos evolutivos para generar y evaluar configuraciones de señalización
- Métricas de evaluación: flujo total, tiempos de espera, probabilidad de accidentes
- Consideración de restricciones urbanas y reglamentaciones existentes
4. Sistema de visualización y toma de decisiones:
- Representaciones visuales intuitivas de las simulaciones
- Comparativas cuantitativas entre diferentes configuraciones
- Recomendaciones específicas con justificaciones basadas en datos
14
El sistema permitiría a los planificadores urbanos evaluar el impacto de diferentes
medidas de señalización antes de implementarlas físicamente. Por ejemplo, podría
simular los efectos de:
- Prohibir vueltas a la izquierda en intersecciones congestionadas
- Implementar carriles exclusivos para ciertos tipos de vehículos
- Modificar la sincronización de semáforos en corredores principales
La naturaleza modular del sistema permitiría adaptarlo a diferentes entornos
urbanos, desde intersecciones individuales hasta redes viales completas de una
ciudad.
15
Conclusión.
A lo largo de este análisis, he podido explorar cómo la inteligencia artificial ofrece
soluciones innovadoras para problemas complejos en diversos ámbitos. Cada uno
de los cinco problemas presentados requiere un enfoque particular, aprovechando
diferentes técnicas y metodologías de IA lo que he encontrado particularmente
interesante es cómo los problemas aparentemente simples pueden beneficiarse
enormemente de enfoques sofisticados de IA. Por ejemplo, el problema del
ascensor, que podría resolverse manualmente con algo de esfuerzo, se beneficia
de algoritmos de planificación formales que garantizan soluciones óptimas y
verificables.
16
