Introduccin a la Lgica Borrosa o

Difusa
Debido a la variedad de sus aplicaciones la lgica difusa (llamada tambin Lgica
Borrosa) o Fuzzy Logic parece estar introducida en todos los sectores; control de
complejos procesos industriales, diseo de dispositivos artificiales de deduccin
automtica, construccin de artefactos electrnicos de uso domstico y de
entretenimiento, sistemas de diagnstico, entre otros. Este hecho se hace cada da
ms evidente si se observa el gran nmero de patentes industriales de mecanismos
basados en la lgica difusa expedidas desde hace, por lo menos, una dcada y
media.
PuntoLog ha querido lanzar un especial sobre la lgica difusa, con el fin de facilitar
tanto al profano como al entendido unos conocimientos tanto bsicos como
ampliados sobre este tema y otros relacionados. Encontrar una serie de artculos,
enlaces y otras fuentes de informacin que esperemos que sean de su inters. No
duden en enviarnos informacin para complementar este especial.
En los ltimos aos se han investigado y desarrollado diversas tecnologas
relacionadas con funciones y caractersticas humanas de campos cercanos al
psicolgico (inteligencia artificial) y a los procesos biolgicos (redes neuronales,
algoritmos genticos y programacin evolutiva). Estas tecnologas conocidas como
"tecnologas inteligentes" representan el conocimiento de una forma a la vez
entendible por los humanos y manejable por los sistemas informticos.
La lgica difusa es el elemento de desarrollo de dichas tecnologas. Se podra
considerar como un lenguaje que permite trasladar sentencias sofisticadas del
lenguaje natural a un formalismo matemtico. El conocimiento se adquiere y se
trabaja con l de una manera inferencial y deductiva, por medio de un
razonamiento simblico. Obtenindose, para la resolucin de un problema, un
conjunto de hechos inciertos denominados conjuntos difusos y a sus reglas lgica
difusa.
En los aos 60, en la Universidad de California en Berkeley, Lotfi A. Zadeh introdujo
el concepto de la lgica difusa guiado por el principio de que las matemticas
pueden ser usadas para encadenar el lenguaje con la inteligencia humana. Algunos
conceptos pueden ser mejor definidos en trminos de palabras, que por
matemticas; la lgica difusa y su expresin en conjuntos difusos, proveen una
disciplina que puede construir mejores modelos de la realidad.
La lgica difusa, o ms bien, las lgicas difusas, pues habra que hablar de ellas en
plural, son bsicamente lgicas multivaluadas que amplifican los enunciados de las
lgicas clsicas. Las clsicas imponen a sus enunciados nicamente los valores falso
o verdadero y de esta manera han modelado satisfactoriamente una gran parte del
razonamiento "natural". Pero el razonamiento humano utiliza valores de verdad que
no tienen porque ser necesariamente "tan deterministas". Por medio de la lgica
difusa pueden formularse matemticamente nociones como "un poco caliente" o
"muy fro", de forma que sean procesadas por computadoras y cuantificar
expresiones humanas vagas, tales como "muy alto" o "luz brillante". Pudindose, de
esta forma, o ms bien, intentndose aplicar la forma de pensar del ser humano a
la programacin de computadores, sensores, chips, etc. Esta lgica permite
cuantificar las descripciones imprecisas que se usan en el lenguaje y las
transiciones graduales en los electrodomsticos como "ir de agua sucia" a "agua
limpia" en una lavadora, pudindose as ajustar los ciclos de lavado a travs de
sensores. La habilidad de la lgica difusa para procesar valores parciales de verdad
ha sido de gran ayuda para la ingeniera.
En conclusin, las lgicas difusas crean aproximaciones matemticas en la
resolucin de ciertos tipos de problemas, produciendo resultados exactos a partir de
datos imprecisos, siendo por ello, especialmente tiles en aplicaciones de tipo
electrnico e informtico.
La aplicacin del adjetivo "difusa" o "borrosa" es debida a que los valores de verdad
no-deterministas utilizados en las lgicas difusas tienen mayoritariamente una
connotacin de incertidumbre. Por lo que se equipara la incertidumbre con la
difusidad, es decir, con la propiedad de indeterminismo. Un elemento, por lo tanto,
puede estar lleno de incertidumbre, es decir, de difusidad. Eso no quiere decir que
los valores de verdad asumidos por enunciados no deterministas, sean
desconocidos. De hecho, lo difuso puede entenderse como la posibilidad de asignar
ms valores de verdad a los enunciados que "falso" o "verdadero" e incluso en
determinadas reas de conocimiento, estos enunciados van asociados a valores de
verdad que son grados de veracidad o falsedad.
Resumiendo, las lgicas difusas son tipos especiales de lgicas multivaluadas que
pueden llegar a redefinir los grados de veracidad de los enunciados de salida
conforme se refinan los de los de entrada, por lo que algunos sistemas de lgica
difusa aparentan una labor de aprendizaje, y son excelentes mecanismos de control
de procesos.
La inteligencia artificial, fundamentada en el concepto "Todo es cuestin de grado",
es donde podemos encuadrar desde un punto de vista tecnolgico a las lgicas
borrosas.
Breve historia de la Lgica Borrosa
La idea de la lgica difusa o borrosa no es nueva, aunque bajo el nombre de lgica
difusa fuese introducida sobre 1965, sus orgenes se remontan hasta 2,500 aos.
Ya Aristteles consideraba que existan ciertos grados de veracidad y falsedad y
Platn haba trabajado con grados de pertenencia.
En el siglo XVIII George Berkeley y David Hume describieron que el ncleo de un
concepto atrae conceptos similares. Hume crea en la lgica del sentido comn, en
el razonamiento basado en el conocimiento que la gente adquiere de una forma
ordinaria gracias a sus vivencias en el mundo.
Immanuel Kant pensaba que nicamente los matemticos podan proveer
definiciones claras y que por lo tanto, muchos principios contradictorios no tenan
solucin. Por ejemplo la materia poda ser dividida infinitamente y al mismo tiempo
no poda ser dividida infinitamente.
La corriente del pragmatismo fundada a principios de siglo por Charles Sanders
Peirce, fue la primera en considerar ''vaguedades'', ms que falso o verdadero,
como forma de acercamiento al mundo y al razonamiento humano.
La idea de que la lgica produce contradicciones fue popularizada por el filsofo y
matemtico britnico Bertrand Russell, a principios del siglo XX. Russell estudi las
vaguedades del lenguaje y lleg a la conclusin que la vaguedad es un grado.
Ludwig Wittgenstein, filsofo austriaco, estudi las diferentes acepciones de una
misma palabra. En el lenguaje corriente ocurre muy a menudo que la misma
palabra designe de modo y manera diferentes, porque pertenece a diferentes
smbolos, o que dos palabras que designan de modo y manera diferentes se usen
aparentemente del mismo modo en una proposicin.
La primera lgica de vaguedades fue desarrollada en 1920 por el filsofo Jan
Lukasiewicz, visualiz los conjuntos con un posible grado de pertenencia con
valores de 0 y 1, despus los extendi a un nmero infinito de valores entre 0 y 1.
El trmino borroso aplicado a la lgica y a la teora de conjuntos y sistemas procede
de la expresin fuzzy sets (conjuntos borrosos) acuada por Lofti A. Zadeh,
brillante ingeniero elctrico iran nacionalizado en Estados Unidos, profesor en las
ms prestigiosas universidades norteamericanas, doctor honoris causa de varias
instituciones acadmicas.
Sus tesis entroncan, como podemos observar, con la obra de pensadores de
distintas disciplinas que tenan una visin similar de los problemas y alejada de la
lgica tradicional. La paradoja del conjunto de Bertrand Russell, el principio de
incertidumbre de la fsica cuntica de Werner Heisenberg, la teora de los conjuntos
vagos de Max Black, otro filsofo cuntico, sin olvidar la fundamental aportacin del
polaco Jan Lukasiewicz, creador de la lgica multivaluada, influyeron para que,
entrada ya la segunda mitad del presente siglo, Zadeh publicase su famoso ensayo
"Fuzzy Sets", en "Informations and Control".
Mientras que Russell y Black utilizaron el trmino vagueness (vaguedad, vago) para
referirse a la nueva lgica o a para calificar a los conjuntos en la teorizacin sobre
los mismos, Zadeh prefiri el trmino fuzzy (borroso, difuminado) para denominar a
sus conjuntos y a la lgica en la que se apoya su anlisis.
A partir de la publicacin, en 1973, de la teora bsica de los controladores borrosos
de Zadeh, otros investigadores comenzaron a aplicar la lgica borrosa a diversos
procesos, como por ejemplo, al control de procesos en un sistema de control de
vapor. Tambin podemos resaltar la aplicacin, en 1980, de esta tcnica al control
de hornos rotativos en una cementera.
Uno de los pases donde ms xito han tenido los sistemas borrosos ha sido en
Japn. Empresas como Fuji Elec.& TIT han desarrollado aplicaciones de control
fuzzy para el proceso de purificacin del agua, Hitachi con una aplicacin de control
fuzzy para el Metro en Sendai City o Matsushita con una aplicacin de control fuzzy
para la unidad de suministro de agua caliente para uso domstico.
Merece una mencin especial la creacin de LIFE (Laboratory for International
Fuzzy Engineering Research) en marzo de 1989, creado por el Ministerio de
Comercio Internacional e Industria en Japn (MITI). El capital de LIFE es al 50% de
compaas privadas japonesas y del propio Ministerio, y su presidente es miembro
del Instituto de Tecnologa de Tokio (TIT). En su sede trabajan en la actualidad
alrededor de 30 investigadores a tiempo completo.
Pero tambin en USA las empresas han comenzado a aplicar la lgica borrosa a sus
desarrollos y proyectos. Entre otras encontramos a la NASA, Boeing, Rochwell, Bell
o a Ford Motor Co., que experimenta con un sistema de aparcamiento automtico
para camiones con remolque.
Ejemplos de aplicaciones
La lgica borrosa a pesar de su corta historia tiene un crecimiento muy rpido, ya que es capaz de
resolver problemas relacionados con la incertidumbre de la informacin o del conocimiento,
proporcionando un mtodo formal para la expresin del conocimiento en forma entendible y
compresible por los humanos.
Esto hace que se le pueda asegurar y casi garantizar un amplio campo de aplicaciones con un alto
grado de inters. Entre otras podemos mencionar las siguientes pero tenemos la mente bien abierta
para otras futuras.
En el rea mdica se ha empleado para el diagnstico, desde campos como la acupuntura, hasta el
anlisis de los ritmos cardacos o de la arterioestenosis coronaria.
Dentro del apoyo a la toma de decisiones se ha utilizado para la bsqueda de caminos crticos en la
ejecucin de proyectos y asesoramiento a la inversin.
En el campo del control de sistemas en tiempo real destaca el control de un helicptero por rdenes
de voz y el control con derrapaje controlado de un modelo de coche de carreras.
Dentro del sector automovilstico existen gran nmero de patentes sobre sistemas de frenado y
cambio de marcha automticos (Nissan).
En el sector de la fabricacin de electrodomsticos se han diseado buen nmero de aplicaciones
neuro-fuzzy como lavadoras que evalan la carga y ajustan por s mismas, el detergente necesario,
la temperatura del agua y el tipo de ciclo de lavado (Matsushita, Hitachi, Siemens), tostadoras de
pan, controles para la calefaccin y el aire acondicionado, televisiones (SONY), que
automticamente ajustan el contraste, el brillo y las tonalidades de color.
Para el control de maquinaria destaca el control de frenado de metro de Sendai realizado por Hitachi
(en funcionamiento desde julio de 1987) para mantener los trenes rodando rpidamente a lo largo
de la ruta, frenando y acelerando suavemente, deslizndose entre las estaciones, parando con
precisin sin perder un solo segundo o sacudir fuertemente a los pasajeros. Se han utilizado para el
control de una mquina de perforacin de tneles y para el control de ascensores (Mitsusbishi-Elec.,
Hitachi, Fuji Tech) que mejoran la eficiencia en el procedimiento manual que siempre se presenta
cuando grandes grupos esperan para usar el ascensor al mismo tiempo, o para gras en el manejo y
elevacin de contenedores (Hitachi).
Se han aplicado tambin al procesado de imgenes y al reconocimiento de caracteres que reconoce
los nmeros de los cheques bancarios utilizando un sensor CCD y un microcontrolador.
Se utiliza tambin en verificadores de ortografa, los cuales sugieren una lista de palabras probables
para reemplazar una palabra mal escrita o en correctores de voz para sugerir un listado de
probables palabras para sustituir a una mal dicha.
Podramos resumir que la utilizacin de la lgica borrosa es aconsejable para procesos muy
complejos, es decir, cuando se carece de un modelo matemtico simple o para procesos altamente
no lineales, o si el procesamiento del (lingsticamente formulado) conocimiento experto puede ser
desempeado.
Pero quiz es mejor evitar su uso si el control convencional tericamente rinde un resultado
satisfactorio, o cuando existe un modelo matemtico fcilmente soluble y adecuado o tambin
cuando el problema no tiene solucin.
Para concluir diremos la utilizacin de la lgica borrosa para el control de sistemas tiene sus
ventajas y desventajas y por lo tanto hay que conocerlas y analizarlas, entre otras plantearemos las
siguientes:
Con los sistemas basados en la lgica borrosa se pueden evaluar mayor cantidad de variables, entre
otras, variables lingsticas, no numricas, simulando el conocimiento humano.
Se relaciona entradas y salidas, sin tener que entender todas las variables, permitiendo que el
sistema pueda ser ms confiable y estable que uno con un sistema de control convencional.
Se puede simplificar la asignacin de soluciones previas a problemas sin resolver.
Es posible obtener prototipos, rpidamente, ya que no requiere conocer todas las variables acerca
del sistema antes de empezar a trabajar, siendo su desarrollo ms econmico que el de sistemas
convencionales, porque son ms fciles de designar.
Se simplifica, tambin la adquisicin y representacin del conocimiento y unas pocas reglas abarcan
gran cantidad de complejidades.
Por todo lo anterior, que por un lado puede ser una ventaja y por otro un posible riesgo, los
sistemas basados en la lgica borrosa requieren mayor simulacin y una excelente depuracin y
prueba antes de pasar a ser operacionales.
Una de las disciplinas matemticas
ms activas, en la actualidad, es la
mal llamada "Lgica borrosa o
difusa", aquella que utiliza
expresiones que no son ni
totalmente ciertas ni
completamente falsas, como las
que utilizamos en nuestra
comunicacin cotidiana. Cuando
realizamos enunciados tales como
"Juan es un hombre alto" o "Pedro
es calvo", que todos entendemos
con claridad, utilizamos conceptos
cuya definicin, si se pretende que
sea entendida por una
computadora, acarrea una serie de
problemas inherentes al hecho de
que tanto "alto" como "calvo" son
conceptos relativos. Siempre se es
alto o calvo con relacin a algo que
no se puede expresar mediante
una definicin clara; por ejemplo,
si suponemos que son altos los que
superan 1,80 m de altura,
podemos concluir, de manera
errnea, que un hombre de 1,79 m
es bajo. La Lgica borrosa o difusa
es la Lgica aplicada a conceptos
que pueden ostentar un valor
cualquiera de veracidad dentro de
un conjunto continuo de valores
que oscilan entre dos extremos.
Conviene recalcar que lo que es
"borroso", impreciso o vago no es

Algunos textos sobre Lgica
fuzzy

la lgica en s, sino el objeto que
estudia: expresa la falta de
definicin del concepto a que se
aplica. As, hay muchos autores
que prefieren utilizar expresiones
como "lgica de los enunciados
vagos", como traduccin de la
expresin inglesa fuzzy logic. La
lgica difusa fue investigada, por
vez primera, por el ingeniero
estadounidense Lotfi Zadeh en la
dcada de 1960, cuando se dio
cuenta de que, en los sistemas
complejos, el intento de precisin
en la descripcin de una tarea
automtica conllevaba un aumento
muy significativo de la informacin
que se requera en los enunciados,
y que stos no tenan por qu
redundar en una mejor realizacin
de la tarea. A modo de ejemplo, es
muy difcil describir con precisin
matemtica cmo se aparca
correctamente un vehculo; si se
hiciera, un eventual dispositivo
automtico de aparcamiento
lograra colocar siempre el vehculo
a la misma distancia de los
vehculos anterior y posterior, y a
la misma distancia de la acera. Sin
embargo, resulta mucho ms
sencillo describir intuitivamente el
proceso, utilizando expresiones
poco rigurosas, del tipo: "cuando
sobresalga un poco la parte de
atrs del coche con relacin a la
parte de atrs del coche anterior,
gira completamente el volante y da
marcha atrs". El resultado de
aparcar de este modo es bueno,
pero posee cierto margen de error
inherente, aunque perfectamente
asumible e irrelevante.
Los investigadores en
sistemas de ingeniera
artificial creen, con buen
criterio, que, si se
quieren construir
sistemas automticos
que interaccionen de
forma natural con el
hombre, stos deberan
ser capaces de entender
el modo de relaciones
lgicas que se
establecen con
conceptos indefinidos,
MediaLab del MIT, uno de los mejores
centros de investigacin en Inteligencia
dado que el hombre los
emplea con naturalidad.
Y se estn dedicando a
elaborar programas
informticos capaces de
simular, con bastante
fortuna, estas
condiciones. Por
ejemplo, hace ya
tiempo que funcionan
lavadoras capaces de
autorregular la cantidad
de jabn que requiere
un lavado, dependiendo
del grado de suciedad
que tenga la ropa;
cuentan con un chip que
responde, de manera
lgica, a las condiciones
del proceso: si el agua
esta sucia, aade jabn,
y si est muy sucia,
aade ms jabn. Otros
juguetes tecnolgicos
que funcionan de la
misma manera son unas
mquinas de cocer
arroz, capaces de
elaborar diversas
variedades de arroz de
forma automtica,
regulando la cantidad
de agua y la
temperatura, en cada
caso, para obtener un
grano cocido suelto.

Artificial
Vehculo submarino autnomo, desarrollado
por el MIT
Aparatos de aire acondicionado,
mecanismos de atraque automtico
de naves espaciales, sistemas
automticos de regulacin de la
cantidad de anestesia que se
suministra a los pacientes en un
quirfano -aunque bajo supervisin
mdica, por supuesto-, sistemas que
regulan la aceleracin y el frenado de
los trenes de metro segn el nmero
de pasajeros que viajen o sistemas
de concesin -o denegacin-
automtica de crditos segn el perfil
econmico del solicitante son otras
de las muchsimas aplicaciones de la
lgica difusa, que ya estn
funcionando en el campo de los
llamados sistemas expertos. Todos
estos sistemas utilizan informacin,
esencialmente, imprecisa con el fin
de lograr sus cometidos.
La lgica difusa est teniendo, por lo tanto, bastante xito en su utilizacin sobre los
sistemas de control, aplicacin que ya podra considerarse como rutinaria. Sin
embargo, los investigadores buscan nuevos campos de aplicacin de esta tcnica.
Hasta el momento, la lgica difusa se est utilizando ms como un conjunto de
recetas dispersas de resultado emprico probado, que como aplicacin de una teora
bien desarrollada. Por ello, los matemticos investigan la formalizacin matemtica
de la lgica difusa, con el propsito de encontrar muchos ms campos de aplicacin
en el conjunto de las actividades humanas. Se investiga en reas como el
reconocimiento de patrones visuales o la identificacin de segmentos de ADN, por
mencionar dos ejemplos.
Cocedora de arroz de la marca
Zojirushi, su funcionamiento
est basado en los fundamentos
de la Ciencia fuzzy
El metro de la ciudad japonesa de
Sendai acelera y frena mediante
un sistema inteligente, en funcin
del nmero de pasajeros
Uno de los aspectos ms llamativos de toda esta tecnologa reside en que, para
programar un chip capaz de realizar ciertas tareas con variables que no tienen una
definicin precisa, no es preciso definir las condiciones de funcionamiento en el
entorno de un formalismo matemtico excesivamente riguroso; basta con establecer
ciertas reglas de actuacin que pueden ser muy vagas; un ejemplo, para el caso ya
mencionado de la lavadora, sera el de aadir ms jabn en caso de que el agua
est muy sucia. Esta mayor facilidad para describir tareas complejas, sin ayuda de
la descripcin matemtica, plantea ciertas cuestiones, que no debemos pasar por
alto, sujetas a viva polmica.
Uno de los hechos ms destacables de la ciencia del ltimo medio siglo ha sido
la constatacin de que los sistemas fsicos reales son, en su mayor parte,
complejos: las leyes fsicas lineales, como la conocida Ley de Ohm !oltaje "
intensidad # resistencia$, por poner un ejemplo, slo se cumplen para unos
!alores de las !ariables muy especficos, y fuera de estos regmenes de trabajo
son no lineales para el caso anterior, el !oltaje depende de funciones
polinmicas muy complicadas, de la intensidad y la resistencia$% &s decir, que
se necesita mucha gimnasia matemtica para describir fielmente el mundo
fsico% '( porqu) no echar mano de la lgica difusa* '+odemos conformarnos
con una descripcin apro#imada de la realidad, es decir, elaborar una ciencia
difusa* '+uede ser posible elaborar una ciencia basada en conceptos que son
parcialmente ciertos y parcialmente falsos o, por el contrario, y como se ha
supuesto desde los tiempos del +ositi!ismo, la ciencia, basada en las
ine#orables leyes que se e#presan mediante e#presiones matemticas,
constituye la representacin de la realidad ms cercana a la !erdad que
conocemos*
Fuzzy engineering, libro de Bart Kosko,
uno de los ms destacados
representantes de la Ciencia fuzzy
Quienes opinan que es posible
trabajar en entornos de ciencia
difusa difusa creen firmemente
que no existe tal cosa como una
realidad, es decir, encuentran
como igualmente equivalente
cualquier tipo de representacin
que se adopte. Entre ellos,
podemos encontrar a toda la
plana mayor de los gurs del
pensamiento actual, como
Nicholas Negroponte, Paul
Virilio, Bart Kosko, Eduardo Kac,
Roy Ascott y muchos otros. No
ponen lmites en imaginar que,
con ayuda de la tecnologa, el
hombre pronto ver superadas
sus ataduras corporales; hay
quien, incluso, pretende que es
posible la transferencia de toda
la informacin alojada en un
cerebro a un chip apropiado,
logrando con ello, nada menos,
que la inmortalidad. Son
entusiastas defensores de la
realidad virtual como una forma
igualmente vlida de realidad,
algunos van ms all y se
atreven a hablar de la "realidad
vegetal, espiritual, vinculada a
la tecnologa de las plantas
psicoactivas" (Roy Ascott). A
veces adoptan formatos de
pseudosecta, como los llamados
extrpicos, quienes pretenden
utilizar la Ingeniera gentica, la
Nanotecnologa, los avances en
ciruga protsica y la realidad
virtual para vencer el principio
termodinmico de aumento de
la entropa. No obstante, se
debe reconocer que, con su
libertad total de pensamiento,
estos autores y sus seguidores
estn profundizando en temas
de gran calado fsico, como el
concepto de realidad, y
filosfico, como qu es el ser
humano y cules son sus modos
de percepcin, aprendizaje, etc.
En el otro lado de la discusin se encuentran los hombres de ciencia tradicional, los
que creen que realidad slo hay una, y que su representacin ms ajustada es la
que proporciona el discurso cientfico, transcribible mediante leyes matemticas.
Son de la opinin de que, por muy complicado que sea el mundo real, siempre es
mejor una descripcin complicada, pero rigurosa, que una descripcin sencilla pero
aproximada, y por eso no dudan en calificar la Lgica borrosa, y toda pretensin de
extender su uso fuera de su natural mbito tecnolgico, con la metfora, tal vez
excesiva aunque quien sabe si acertada, de "la cocana de las matemticas".
La discusin entre ambas posturas, poco compatibles entre s, ocupa gran parte del
debate cientfico actual, y presumiblemente lo seguir ocupando durante los
prximos aos. Es un debate francamente fructfero, que est modificando
radicalmente el modo de ver las cosas que nos rodean.


CONJUNO! BO""O!O! # L$%IC& BO""O!&
La principal motivacin de la teora de conjuntos borrosos [Zadeh, 1965] es la construccin de
un marco formal que permita el tratamiento y la manipulacin de la incertidumbre presentes en
numerosos mbitos del conocimiento humano.
Todos conocemos que la teora clsica de conjuntos establece que los distintos elementos de un
universo pueden pertenecer a un conjunto o no. As, por ejemplo, si consideramos el universo de
los nmeros naturales positivos
U={1, 2, 3, 4, 5, .}
podramos decir que 3 pertenece al conjunto de los n'meros impares, mientras que 8 no.
Igualmente, 9 pertenece al conjunto de los n'meros ma(ores )ue *, mientras que 3 no. La
pertenencia a un conjunto de diferentes elementos suele representarse grficamente mediante la
denominada funcin de pertenencia, como la que se muestra en la Figura 1. En la funcin de
pertenencia toman valor 1 aquellos elementos que pertenecen al conjunto, mientras que toman
valor 0 aquellos que no pertenecen.
+igura ,- "epresentacin gr.fica de la funcin de pertenencia del conjunto /n'meros
ma(ores )ue */0 La funcin toma valor , para a)uellos elementos del universo )ue
pertenecen al conjunto1 ( 2 para el resto0
La teora de conjuntos borrosos propone la extensin del concepto de pertenencia para que
admita graduacin entre la no pertenencia y la pertenencia total al conjunto. As, si hablamos del
conjunto de las personas mayores, podramos decir que una persona de 30 aos pertenece a
dicho conjunto con grado 0 (es decir, no pertenece), una de 50 pertenece con algn grado
(digamos 0,4) y una persona de 78 aos pertenecera con grado 1 (es decir, pertenece
completamente). Utilizando la idea de funcin de pertenencia de este conjunto borroso
tendramos, para este ejemplo, la representacin que se indica en la Figura 2.
+igura 3- "epresentacin gr.fica de la funcin de pertenencia del conjunto 4orroso
/persona ma(or/.
Los conjuntos borrosos proporcionan una manera de definir conjuntos para los que la
pertenencia sea una cuestin de grado, o no est completamente definida. Establecen una
frontera gradual entre la no pertenencia y la pertenencia, y por tanto conforman una
herramienta para el modelado de la imprecisin o la incertidumbre.
El modelado de la imprecisin mediante conjuntos borrosos ha permitido tratar numerosos
problemas cuya resolucin segn esquemas y/o tcnicas clsicas no es completamente
satisfactoria. Algunos de los dominios donde la imprecisin o la vaguedad son parte intrnseca del
conocimiento son los siguientes:
problemas de clasificacin
reconocimiento de patrones
procesado de seal
bases de datos
sistemas basados en conocimiento (tambin denominados sistemas expertos)
razonamiento temporal
El caso de los Sistemas Basados en conocimiento es paradigmtico, dado su extenso mbito de
aplicacin, que abarca multitud de problemas de todo tipo, desde el ms elemental control de
sistemas, hasta los ms complejos Sistemas Expertos Borrosos. Lo abordaremos en primer lugar.
Conjuntos difusos
De manera intuitiva se tiene el concepto de conjunto como una coleccin bien definida de
elementos, en la que es posible determinar para un objeto cualquiera, en un universo dado, si
acaso ste pertenece o no al conjunto. La decisin, naturalmente, es ``s pertenece'' o bien
``no pertenece''. Por ejemplo, consideremos como universo a la poblacin econmicamente
activa
1
en Mxico, es decir, al conjunto formado por las personas residentes en ese pas con una
edad entre 18 aos (cumplidos) y 66 aos (por cumplir). Consideremos un mes cualquiera,
digamos, diciembre de 2000 (y no porque entonces hubiera habido un cambio, sino porque era
se el ltimo mes del siglo XX). El conjunto de personas empleadas en Mxico en ese mes,
podramos pensar, est bien determinado: una persona en nuestro universo que entonces
hubiera vendido su fuerza de trabajo, bajo un contrato de empleo, a una empresa legalmente
constituda, sin duda alguna era una persona empleada, y alguien que no tuvo salario alguno en
ese mes y no estuvo vinculado a ningn patrn bajo una relacin contractual, pues no era
empleado. El lector observar la sobresimplificacin del criterio de pertenencia enunciado. En
efecto, ni falta el funcionario de la Secretara del Trabajo que dir: ``Todo ciudadano que haya
trabajado al menos una hora en ese mes y por eso haya recibido un pago, es un empleado'', y
tampoco faltar quien diga: ``Qu empleo? No hall trabajo en todo el 2000 y slo en su ltimo
mes, mi primo me emple a destajo para envolver regalos en su tienda: Yo no soy ningn
empleado''. La nocin intuitiva de conjunto puede, as, ser muy estrecha. En un conjunto difuso a
cada elemento del universo se le asocia un grado de pertenencia, que es un nmero entre 0 y 1,
a ese conjunto. Un conjunto difuso es pues una correspondencia (o funcin) que a cada elemento
del universo le asocia su grado de pertenencia. Enunciada as esta definicin parece ser cclica,
mas no lo es: un conjunto difuso es una funcin cuyo dominio es el universo y cuyo
contradominio es el intervalo . En tanto el grado de pertenencia sea ms cercano a 1 tanto
ms estar el elemento en el conjunto y en tanto el grado de pertenencia sea ms cercano a 0
tanto menos estar el elemento en el conjunto. Por ejemplo, los siguientes son conjuntos
difusos, dados como funciones , que pueden abarcar el concepto de empleado:
De estad5stica optimista
``Uno es empleado si trabaja al menos una hora, bajo pago, en un mes.'' Para cada
persona sea el nmero de horas trabajadas bajo pago el mes en cuestin.
Hagamos si y si .
De porcentaje en tiempo
``Uno es empleado en proporcin al tiempo trabajado.'' Supongamos que el total de
horas posibles a ser laboradas en un mes sea . Hagamos igual al
valor mnimo que resulte de comparar 1 con la razn .
De porcentaje en ingreso
``Uno es empleado en proporcin con que pueda adquirir los bienes de consumo
necesarios para su familia.'' Denotemos por a la paga que recibe el ciudadano por
hora de su trabajo. Supongamos que la ``canasta bsica'' la evala la Secretara de
Comercio en pesos al mes, por persona, y que cada trabajador tiene en promedio 2
dependientes econmicos, adems de l mismo. El salario del trabajador ha de mantener
a 3 personas. Hagamos igual al valor mnimo que resulte de comparar 1 con la
razn .
6onderacin de tiempo e ingreso
``Uno es empleado cuando trabaje mucho aunque no coma o no tenga apuros
econmicos aunque no trabaje.'' Sean y dos coeficientes entre 0 y 1 tales que
. Hagamos .
El grado de pertenencia a un conjunto difuso puede ser interpretado de diversas
maneras, en contextos diferentes. Las siguientes son slo algunas posibles interpretaciones:
6roporcin en la )ue se posee un atri4uto
Si consideramos que es un atributo, entonces para cada objeto , es el
``porcentaje'' con el que posee .
6ro4a4ilidad
Si consideramos que es un evento probabilista (una variable aleatoria, segn se dice
en la Teora de la Probabilidad, con valores en el conjunto de partes del universo),
entonces para cada objeto , es la probabilidad de que ocurra en el evento
, es decir, .
7edida de creencia
Si consideramos que es un atributo, entonces para cada objeto , es un
grado con el que se cree que posee el atributo .
Por ejemplo, , definida anteriormente, es ciertamente una proporcin del tiempo laborado.
es una medida de creencia (y la seleccin de pesos y sesga el
nfasis que se le quiera dar al tiempo laborado o al ingreso obtenido). Para ilustrar la
connotacin probabilista, consideremos el conjunto difuso .
Entonces, para cada , sera una probabilidad de que sea feliz. Un conjunto, en el
sentido intuitivo, posee una funcin caracterstica: En cada elemento, la caracterstica vale 1
(``s'') si el elemento est en el conjunto y vale 0 (``no'') en caso contrario. En consecuencia,
todo conjunto intuitivo es en s un conjunto difuso. Recprocamente, dado un conjunto difuso
con funcin de pertenencia , se puede fijar un umbral entre 0 y 1, inclusive, para formar el
conjunto, en el sentido intuitivo, de elementos con grado de pertenencia al menos : est en
si y slo si . Diremos que es el corte a altura de . El corte a altura 0
es entonces todo el universo, en tanto que el corte a altura 1 consta de los elementos con valor
de pertenencia 1 al conjunto. Es bien sabido que los conjuntos intuitivos pueden combinarse
mediante las operaciones, llamadas booleanas, de complemento, unin e interseccin: El
complemento de un conjunto est formado por los elementos del universo que no estn en l, la
unin de dos conjuntos la forman los elementos que estn en uno o en otro conjunto y la
interseccin la conforman los elementos en ambos conjuntos. Si nos referimos a funciones
caractersticas, se tiene que la caracterstica del complemento posee el valor opuesto al de la
caracterstica del conjunto, la caracterstica de la unin de dos conjuntos vale uno si al menos
una de las caractersticas de los conjuntos vale uno, y la caracterstica de la interseccin vale uno
si las caractersticas de ambos conjuntos valen uno. Esto puede servir de motivacin para definir
operadores de composicin de conjuntos difusos. De hecho, para cada una de las
interpretaciones descritas arriba se puede introducir una coleccin particular de operadores.
Veamos en cada caso operaciones de complemento, unin e interseccin:
6roporcin en la )ue se posee un atri4uto
En este caso, los grados de pertenencia se interpretan como proporciones, por lo cual se
definen las operaciones como sigue:
Complemento
El complemento de un conjunto difuso asigna a cada objeto el grado
``complementario'': .
Interseccin
La interseccin de dos conjuntos difusos , asocia el mnimo de los grados de
pertenencia, es decir, para cada objeto : .
Unin
De manera similar, la unin de dos conjuntos difusos , asocia el mximo de los
grados de pertenencia, es decir, para cada objeto :
.
6ro4a4ilidad
Vistos los grados de pertenencia como probabilidades, se tiene:
Complemento
La probabilidad del complemento de un conjunto difuso es la probabilidad
``complementaria'': .
Interseccin
sta es la probabilidad de la ocurrencia simultnea de dos eventos. La interseccin est
muy ligada al concepto de probabilidad condicional. Si denotamos por a la
probabilidad de que ``ocurra dado que ha ocurrido '', entonces por un clebre
resultado de la Teora de la Probabilidad, llamado el Teorema de Bayes, ha de valer la
identidad . El valor comn en esta
igualdad es, precisamente, la probabilidad de la interseccin . As pues,
teniendo una funcin que a dos eventos cualesquiera , les asocia una ``densidad
de probabilidad condicional'' tal que a cada objeto le asocia un valor
de manera que
(1)
entonces para dos conjuntos difusos cualesquiera , se puede definir el grado de
pertenencia a la interseccin como . Una densidad de
probabilidad condicional que satisfaga la ec. (1) podra definirse haciendo, por ejemplo,
que para cualesquiera dos eventos distintos e ``independientes'' y :
. Evidentemente, la nocin de independencia depender del
universo en cuestin. Por ejemplo, si consideramos a la poblacin econmicamente
activa, el conjunto ``de profesores que ensean en instituciones de educacin
superior'' y el conjunto de ``empleados con salarios altos'' pueden ser considerados
independientes pues ciertamente se dan los casos de profesores universitarios con bajos
salarios, de profesores universitarios con altos salarios, de empleados con altos salarios
que no son profesores y de empleados con bajos salarios que no son profesores. As pues,
para cualquier ciudadano , y , es decir,
se cumple la relacin (1). Vemos pues que para definir la operacin de interseccin, basta
tener un operador de ``probabilidad condicional''. De manera recproca, si se tiene
definida de alguna manera al operador de interseccin, entonces siguiendo el teorema de
Bayes se puede definir un operador de ``probabilidad condicional''. Por tanto, las
nociones de interseccin (probabilista) de conjuntos difusos y la de probabilidad
condicional son reducibles una a la otra.
Unin
La probabilidad de que ocurra uno u otro evento es la probabilidad de uno, ms la
probabilidad del otro, menos la probabilidad de que ocurran ambos eventos:
.
7edida de creencia
Las siguientes funciones pueden parecer definidas de manera arbitraria, pero ciertamente
tienen una motivacin intuitiva:
Complemento
Como en los casos anteriores, se hace: .
Interseccin
Dados dos conjuntos difusos , con sendos grados de pertenencia y , si para
un punto dado , la suma es menor que entonces descartamos que
ese punto sea comn a ambos conjuntos, es decir, no debe estar ``en la interseccin''.
En otro caso, se toma como grado de pertenencia, a la interseccin, a la razn de la
diferencia entre el mximo de y . En smbolos
Unin
Dados dos conjuntos difusos , con sendos grados de pertenencia y , si para
un punto dado , la suma es mayor que entonces convenimos en
que ese punto est ``en la unin''. En otro caso, se toma como grado de pertenencia, a
la unin, al mximo de las razones y . En
smbolos
En la figura 1 mostramos las grficas correspondientes a estos operadores de interseccn
y de unin.
+igura ,- Grados de pertenencia, segn el enfoque de ``medida de creencia'', de (a)
interseccin, , y (b) unin, , en trminos de los grados de creencia
y .
A partir de operaciones de complemento, unin e interseccin, se obtienen conjuntos difusos
``ms complejos'' como resultado de aplicar sucesivamente estos operadores partiendo de una
coleccin de conjuntos difusos, digamos, ``primitivos''. Para hablar con un poco de ms
precisin: Si son conjuntos difusos primitivos, para operadores de complemento,
de interseccin y de unin fijos, la clase de conjuntos definibles, partiendo de los conjuntos
primitivos, son los que se obtienen mediante las reglas siguientes:
1. Todo conjunto primitivo es definible.
2. El complemento de todo definible es, a su vez, definible.
3. La interseccin y la unin de dos conjuntos definibles, son, a su vez, definibles, tambin.
As, por ejemplo, si son tres conjuntos difusos primitivos, los siguientes son meros
ejemplos de conjuntos difusos definibles a partir de ellos:
Denotemos a un conjunto definible como , slo para enfatizar el hecho de que
se obtiene de los conjuntos . Cada tal conjunto tiene asociada una funcin que
a cada objeto del universo le asocia un grado de pertenencia al conjunto
definible, la cual, naturalmente, se escribe como una composicin de los grados de pertenencia
de los conjuntos primitivos. Existen dos problemas fundamentales en cualquier teora de
conjuntos difusos:
6ro4lema 30, (de deduccin) Para un conjunto definible y un objeto dado
, si se sabe que cada grado de pertenencia cae en un intervalo , entonces se ha
de estimar en qu intervalo ha de caer el grado de pertenencia .
Utilizando una jerga tcnica actual, podemos decir que ste es un problema de tipo ``hacia
adelante'': conociendo los valores iniciales , mediante las funciones de los conectivos de
complemento, unin e interseccin, se calcula consecutivamente los grados de pertenencia de los
conjuntos involucrados hasta obtener el valor . En etapas de aplicacin, un
resolvedor de este problema se ve como un agente que realiza ``pronsticos'': ``Si los valores
iniciales son de tales caractersticas, los finales han de ser de tales cuales''.
6ro4lema 303 (de inferencia) Para un conjunto definible y un objeto dado
, si se sabe que el grado de pertenencia cae en un intervalo , y que para
algunos conjuntos primitivos sus correspondientes grados de pertenencia
caen en intervalos , , entonces se ha de estimar para los otros
ndices en qu intervalos debieron caer los correspondientes grados
de pertenencia .
Tambin en jerga tcnica, podemos decir que ste es un problema de tipo ``hacia atrs'':
conociendo los valores finales y algunos iniciales , teniendo en cuenta
las funciones de los conectivos de complemento, unin e interseccin, se busca determinar los
valores que debieron asumir los dems grados de pertenencia iniciales para obtener el valor
final. En etapas de aplicacin, un resolvedor de este problema se ve como un agente que realiza
``diagnsticos'': ``Si los valores observados (finales) son de tales caractersticas en unas
ciertas condiciones (iniciales), entonces las dems variables iniciales han de haber cumplido con
tales hiptesis''.
Vemos pues que los conjuntos difusos involucran de manera esencial procedimientos de clculo
numrico o simblico. Al contrario de una primera idea sugerida por su nombre, veremos que la
lgica difusa es un rea de clculo preciso. Ambos problemas, de deduccin y de inferencia,
pueden ser resueltos, efectiva y eficientemente, analizando los tipos de las funciones
matemticas involucradas en los grados de pertenencia y en los conectivos lgicos.
!I!E7&! B&!&DO! EN CONOCI7IENO BO""O!O
Un ejemplo clsico dentro de la ingeniera de control lo constituye el control de un
pndulo invertido en una dimensin como el que se ilustra en la Figura 3. En l, una
barra slida o pndulo pivota sobre un mvil con un nico grado de libertad.
Mediante la accin de una fuerza sobre este mvil se intenta mantener en equilibrio
el pndulo.
Una modelizacin fsica de este problema (realizando algunas simplificaciones) nos
conduce al siguiente par de ecuaciones:
donde m representa la masa del pndulo, ! " su longitud, #$%m" su momento de
inercia, el ngulo que forma con la vertical, su aceleracin angular, & la aceleracin
del mvil, ' la fuerza que acta sobre l, M la masa del mvil y g la constante de
gravedad.
La solucin a este problema ofrece, en principio, una gran complejidad de clculo
(intervienen las variables &, ? y ), y una elevada dependencia con las caractersticas
fsicas del sistema (masa del mvil, masa y longitud del pndulo, directamente y a
travs de su momento de inercia).
+igura 80 Es)uema del p9ndulo invertido0 Las flechas indican el sentido
positivo para las varia4les )ue se indican0
Frente a este modelo fsico del problema, la experiencia nos dice que cualquier
persona con un mnimo de prctica, y sin ser consciente de las ecuaciones que
gobiernan la dinmica del proceso, podra controlar dicho sistema intuitivamente sin
dificultad. Si se le pregunta por la estrategia que utiliza para la accin de control,
probablemente, entre otras, nos proporcionara reglas como las siguientes:
A diferencia de un sistema de control clsico, que pretende modelar el proceso en
s, esta descripcin en forma de reglas de control borrosas plasma, de una forma
directa, la experiencia de un experto humano sobre el proceso, y lo hace a travs
de un conjunto de proposiciones prximas a la forma imprecisa con la que dicho
experto humano se expresa.
Evidentemente, si deseamos que la funcin de control sea realizada por un sistema
artificial tomando como partida una base de reglas borrosas como la expresada
anteriormente, ser necesario entender de alguna forma qu se pretende
comunicar cuando se utilizan expresiones como PEQUEO POSITIVO o BAJA
POSITIVA.
Asimismo, ser imprescindible realizar operaciones como la conjuncin de las
proposiciones descritas en la Parte Antecedente de las reglas (conectivo "Y" de
conjuncin) y llevar a cabo el proceso de inferencia (implicacin "SI?ENTONCES").
En general se pretender, a travs de estos elementos, y otros que describiremos
posteriormente, que, a partir de los valores observados para unas variables (en el
ejemplo, las variables NGULO y VELOCIDAD DE CADA) obtener los valores de
control correspondientes para otras variables (FUERZA), mediante un
procedimiento de razonamiento que se ha denominado borroso. La lgica borrosa
proporciona las tcnicas, modelos y procedimientos para capturar el conocimiento
impreciso de los expertos humanos y construir reglas como las anteriormente
mencionadas, con el objeto de razonar sobre ellas y obtener conclusiones vlidas.
Gran parte del xito de la lgica borrosa, en particular en aplicaciones de control,
radica en sus posibilidades para modelar el conocimiento que el experto humano
posee para llevar a cabo este tipo de tareas. En aquellos casos en los que los
procesos estn mal definidos, cuando no exista modelo del sistema o ste sea muy
complejo y, en general, cuando resulte ms fcil modelar el conocimiento y/o el
comportamiento del experto que el propio proceso, la lgica borrosa se muestra
como una potente herramienta.
!I!E7&! DE CON"OL BO""O!O
A lo largo de muchos aos, el mbito del control de procesos se ha mostrado como una
de las reas de mayor xito en la aplicacin de la lgica borrosa, habindose
desarrollado numerosas aplicaciones en mbitos como el control industrial, guiado de
gras y trenes, navegacin de robots mviles autnomos, sistemas expertos en
medicina, monitorizacin de pacientes, junto a innumerables aplicaciones comerciales
en los ms variados aspectos de la vida diaria (cmaras fotogrficas y de vdeo, aire
acondicionado, electrodomsticos, .), que han contribuido a difundir con gran xito la
teora borrosa en general y la lgica borrosa en particular.
Los pasos a seguir para construir un sistema de este tipo est bien definidos, existiendo
incluso numerosas herramientas software de ayuda al diseo (por ejemplo, el entorno
FuzzyTech, www.fuzzytech.com). El esquema bsico se presenta en la Figura 4.
Figura 4. Esquema de un controlador borroso.
Fijmonos en que, mientras que es usual que el proceso de razonamiento sobre las
variables se realice manejando valores borrosos, tanto las acciones de control sobre el
sistema como la entrada de valores de las variables de estado suelen ser valores
ntidos. Por ello, es necesario que existan etapas de transformacin entre el dominio
borroso y el dominio numrico, que actan a modo de interfase entre el sistema bajo
control y el propio controlador.
La interfase de borrosificacin ("fuzzyfication") realiza la transformacin de los valores
puntuales de entrada en conjuntos borrosos, que sirven como entrada al conjunto de
reglas encargado de realizar el proceso de razonamiento.
La base de conocimiento borroso sintetiza los conceptos que maneja mentalmente el
controlador humano cuyo comportamiento experto deseamos modelar. Est compuesta
de proposiciones borrosas (variables y valores) que conforman reglas del tipo SI
condicin ENTONCES accin de control. El objetivo de la Base de Conocimiento Borroso
es obtener valores borrosos para las variables de control, una vez realizado el
razonamiento aplicando todas las reglas que sean relevantes para los valores actuales
de las variables de estado.
Finalmente, el proceso de desborrosificacin ("defuzzyfication") convierte los valores
borrosos inferidos para las variables de control en valores numricos que constituyen la
accin puntual final de control a realizar sobre el sistema.
DEL CON"OL BO""O!O &L CON"OL E76O"&L
BO""O!O
Pese al indudable xito que la teora de conjuntos borrosos tiene en aplicaciones
orientadas al anlisis, monitorizacin y control de sistemas, resulta tambin patente
que la estructura de sus reglas borrosas puede resultar un tanto limitada para
aplicaciones de cierta complejidad. As, se pueden encontrar expresiones como: "La
temperatura ha sido muy baja durante unos pocos segundos", "Los vmitos
comenzaron ms de 15 minutos despus del inicio de la exposicin a la radiacin",
"En algn momento en la ltima hora la temperatura de la caldera 1 fue mucho
mayor que la temperatura de la caldera 2" o "La distancia a la pared es baja en
aproximadamente las tres ltimas medidas". En todos estos ejemplos la variable
tiempo aparece de manera explcita, jugando un papel relevante en el significado
de la proposicin, ya sea como referencia temporal de los eventos ("durante unos
pocos segundos", "en la ltima hora", "en las tres ltimas medidas"), o como una
relacin entre la ocurrencia de distintos eventos ("15 minutos despus").
Existen propuestas de controladores temporales borrosos [Cariena, 2003, Flix,
1999] que permiten manejar de forma explcita expresiones con mayor capacidad
que las anteriores, en el sentido siguiente:
evaluar el cumplimiento de una determinada condicin en un intervalo de
tiempo (concepto de persistencia) que puede exigirse en todo el intervalo,
o simplemente en alguno de los puntos del mismo (por ejemplo, "La
distancia ha sido alta en la mayor parte de la ltima hora").
manejar tendencias de las variables de estado mediante representaciones
ms sutiles que la simple diferencia entre valores consecutivos (por
ejemplo, "la temperatura aument considerablemente ...").
manejar relaciones entre eventos (por ejemplo "la velocidad era alta poco
despus de una reduccin paulatina de la distancia" ).
modelar operadores de diversos tipos ("la mnima de las velocidades en
las cercanas de un obstculo" o "El valor medio de la temperatura en las
ltimas 48 horas fue moderado".
&6LIC&CI$N EN "OB$IC&
La lgica borrosa tambin ha demostrado ser una herramienta especialmente
til en un campo como el de la robtica, caracterizado por la presencia de
incertidumbre en el conocimiento que se tiene del entorno. Existen distintos
tipos o formas de incertidumbre [Saffiotti, 1997]. As, si se dice que "el robot
se encuentra en el almacn" se est proporcionando una informacin
imprecisa, pues no se da una nica posicin del robot. Si la informacin que se
proporciona es que "el robot se encuentra aproximadamente en el centro del
almacn", esta informacin es vaga ya que la posicin proporcionada no es
exacta. Por ltimo, la sentencia "el robot estaba ayer en la posicin (2, 3)"
suministra una informacin no fiable, en tanto que puede que el robot ya no
est en esa posicin. En los tres casos la informacin se puede calificar como
incierta ya que no es posible conocer con exactitud la posicin real actual del
robot.
Cualquier intento para controlar un sistema dinmico necesita utilizar algn
conocimiento o modelo del sistema a controlar. En el caso de la robtica el
sistema est formado por el propio robot y el entorno en que ste opera.
Aunque normalmente se puede obtener el modelo del robot, no ocurre lo
mismo cuando se considera al robot situado en un entorno no estructurado.
Los entornos estn caracterizados por una fuerte presencia de incertidumbre
debido, por ejemplo, a la existencia de personas que se desplazan, objetos
que pueden cambiar de posicin, nuevos obstculos, etc. Imaginemos, por
ejemplo, un almacn donde se desplaza la mercanca modificando
parcialmente la estructura del mismo, bloqueando pasillos con maquinaria,
donde existe movimiento de vehculos y personas, etc.
Una de las aplicaciones ms extendida de las tcnicas borrosas es el diseo de
comportamientos. Sern comportamientos tareas como evitar obstculos fijos,
seguir un contorno, evitar obstculos mviles, cruzar puertas, seguir una
trayectoria, empujar o cargar un objeto, etc. Como se puede observar, son
tareas de muy diferente complejidad que se han solucionado de mltiples
maneras. Desde el uso de controladores PID, hasta la utilizacin de diferentes
tcnicas de inteligencia artificial, como pueden ser redes neuronales [Iglesias,
1998] , algoritmos evolutivos [Nordin, 1998] o lgica borrosa [Braunstingl,
1995; Arrue, 1997]. Los controladores borrosos incorporan conocimiento
heurstico en forma de reglas del tipo si-entonces, y son una alternativa
adecuada en el caso de que no se pueda obtener un modelo preciso del
sistema a controlar. Algunas de las ventajas del control borroso son su
robustez frente a cambios en el sistema as como su capacidad de manejar
informacin que contiene ruido y gran incertidumbre. Por todo ello el control
borroso se presenta como una alternativa muy interesante en el campo de la
robtica, caracterizado por:
La imposibilidad de disponer de un modelo matemtico fiable de un
entorno real, cuando ste alcanza unos mnimos niveles de
complejidad.
La incertidumbre e imprecisin de los datos proporcionados por los
sensores.
La necesidad de operar en tiempo real.
Algunas de las ventajas del control borroso son, en primer lugar, que el
formato de las reglas hace que sea muy sencillo desarrollar controladores para
los distintos comportamientos sin utilizar complejos modelos matemticos. En
segundo lugar, debido a su naturaleza cualitativa, es posible utilizar los
mismos controladores sobre diferentes plataformas sin realizar muchos
cambios. Por ltimo, la naturaleza interpolativa del control borroso produce
movimientos suaves del robot y pequeas degradaciones en el
comportamiento debido a errores en los datos proporcionados por los
sensores.
El diseo de los controladores borrosos no puede abordarse mediante
estrategias tericas definidas unvocamente, como sucede con el control
clsico. Existen sin embargo, resultados que garantizan que es posible realizar
un diseo adecuado que se aproxime tanto como se desee al comportamiento
requerido. Estas garantas se han descrito para los controladores borrosos de
tipo Mamdani y Sugeno, y no proporcionan mtodos constructivos, que deben
ser enfocados ms bien mediante mecanismos ms prximos a la ingeniera
del conocimiento, aunque s pueden realizarse anlisis de estabilidad de los
mismos.

&6LIC&CI$N EN &UO7&I:&CI$N E76O"&L
En los ltimos aos, la lgica difusa ha demostrado un gran potencial para el
desarrollo de aplicaciones relacionadas con la automatizacin de procesos
industriales y con la gestin logstica.
En relacin con la automatizacin de procesos industriales es muy interesante la
aplicacin de tcnicas de planificacin borrosa en sistemas robticos. Existen
numerosos factores que pueden conducir a un sistema robtica a un estado errneo
durante la ejecucin de una secuencia de tareas: errores sensoriales, factores
debidos al ambiente de trabajo, informacin imprecisa del proceso, informacin
errnea, etc. En este sentido la planificacin borrosa incorpora al sistema la
capacidad para recuperarse de los posibles errores, presentando as a la vez
robustez en la deteccin y recuperacin de estos estados errneos.
En sistemas de este tipo presentan mucho inters las metodologas basadas en
Redes de Petri (RP), y su extensin como Redes de Petri Borrosas [Cao, 1996, S.H.
Nasution, 1999]. Las RP son un formalismo grfico de gran utilidad para el anlisis,
modelado y diseo de sistemas de eventos discretos dinmicos, tal y como
demuestra su aplicacin en muy diversos mbitos [Murata, 1989, Zurawski, 1994]:
modelado de automatizacin industrial, sistemas tolerantes a fallos, sistemas de
ofimtica, control de manufacturacin flexible e incluso sntesis y verificacin de
circuitos. Una RP est formada por arcos, lugares y transiciones, a los que
normalmente se asocia un significado consistente con el sistema a modelar. El
estado de una RP queda definido por un conjunto de marcas asociadas a los
lugares, que dan lugar a la activacin y disparo de algunas de las transiciones
(Figura 5). El disparo de las transiciones activas modifica la marcacin, lo que da
lugar a nuevas activaciones y disparos, modelndose de este modo nuevos estados
de la red. Habitualmente la activacin de una transicin suele estar asociada con el
cumplimiento de ciertos requisitos para que un determinado proceso se ponga en
marcha, mientras que el disparo de dicha transicin se asocia a la realizacin de
dicho proceso, modelndose de esta manera la evolucin dinmica del sistema.
Una de estas alternativas, las Redes de Petri borrosas suelen considerar marcas
borrosas, de manera que la pertenencia de la red al espacio de estados no es
completa. En relacin con los sistemas robticos el tratamiento de la borrosidad
permite representaciones aproximadas de la geometra del problema (por ejemplo,
en un sistema de ensamblaje), ordenacin de las distintas alternativas (subtareas)
en funcin de la pertenencia a los estados previos (por ejemplo, con estados de
recuperacin cuando el objetivo previo no es completamente alcanzado),
tratamiento de incertidumbre en las medidas de los sensores, etc. En este sentido
un conjunto de reglas borrosas permite seleccionar la transicin a activar y obtener
las marcas borrosas asociadas a cada transicin.
En otros mbitos como la gestin logstica se han utilizado los conjuntos borrosos
para extender la aplicacin y posibilidades de tcnicas ms convencionales. Por
ejemplo, el mtodo del camino crtico (CPM) es una tcnica muy empleada en la
resolucin de problemas de planificacin y control de proyectos complejos, cuyo
determinismo restringe su aplicabilidad a problemas donde se siguen
procedimientos estndares en la representacin de la secuencia de actividades o
donde se conocen con certeza las duraciones de las mismas. Por ello, la
representacin de actividades con ciertas dosis de incertidumbre se hace compleja,
ya que en estos casos la incertidumbre no puede resolverse directamente a travs
de mtodos probabilsticos. La solucin a esta situacin consiste en introducir la
teora de conjuntos borrosos a la planificacin CPM, incorporando as incertidumbre
en la duracin de las actividades, en la duracin de los caminos y en sus holguras.
El modelo matemtico resultante se basa por lo tanto en que la incertidumbre en la
duracin de las actividades tambin genera incertidumbre en los caminos en sus
holguras y en su ordenacin.
&L%UN&! "E+E"ENCI&!
[Arrue, 1997] B.C. Arre, F. Cuesta, R. Braunstingl, y A. Ollero, A. A fuzzy
behaviours combination to control a non-holonomic robot using virtual perception
memory. En Proceedings of the sixth IEEE International Conference on Fuzzy
Systems, pgs. 1239-1244.
[Bordogna, 2000] Bordogna, G. and Pasi. G. Modeling vagueness in information
retrieval. Lectures on Information Retrieval (Lecture Notes in Computer Science
1980), 207-241, 2000.
[Bordogna, 2000] Bordogna, G. and Pasi. G. Application of fuzzy set theory to
extend boolean information retrieval. In Soft Computing in Information Retrieval:
techniques and applications, pp 21-47, 2000.
[Braunstingl, 1995] R. Braunstingl, J. Mujika, J. y J.P. Uribe. 'A wall following robot
with a fuzzy logic controller optimized by a genetic algorithm'. En Proceedings of
the International Joint Conference of the Fourth IEEE International Conference on
Fuzzy Systems and the Second International Fuzzy Engineering Symposium, tomo
5, pgs. 77-82.
[Cao, 1996] T. Cao, A.C. Sanderson. Intelligent task planning using fuzzy petri
nets. Series in Intelligent Control and Intelligent Automation Vol. 3. World Scientific
[Cariena, 2003] P. Cariena. Un modelo de reglas temporales borrosas para el
razonamiento sobre sistemas dinmicos. Tesis Doctoral. Universidad de Santiago de
Compostela.
[Flix, 1999] P. Flix. Perfiles temporales borrosos: un modelo para la
representacin y reconocimiento de patrones sobre seal. Tesis Doctoral.
Universidad de Santiago de Compostela.
[Iglesias, 1998] R. Iglesias, C.V. Regueiro, J. Correa y S. Barro. 'Supervised
reinforcement learning: application to a wall following behaviour in a mobile robot'.
En Tasks and Methods in Applied Artificial Intelligence (IEA-98-AIE), tomo 2 de
Lecture Notes in Computer Science, pgs. 300-309. Springer-Verlag.
[Murata, 1989] T. Murata. Petri Nets: properties, analysis and applications.
Proceedings of the IEEE, 541, 580.
[Nasution, 1999]. S.H. Nasution. Techniques and Applications of Fuzzy Theory to
Critical Path Methods, 1562-1597. En C.T. Leondes (Ed.) Fuzzy Theory Systems,
Techniques and Applications, Vol 4. Edited by Cornelius T. Leondes. Academic
Press.
[Nordin, 1998] P. Nordin, W. Banzhaf, y M. Brameier, M. 'Evolution of a world
model for a miniature robot using genetic programing. Robotics and Autonomous
Systems, 25, 105-116.
[Saffiotti, 1997] A. Saffiotti. 'The uses of fuzzy logic in autonomous robot
navigation'. Soft Computing, 1, 4, 180-197.
[Zurawski, 1994] R. Zurawski y M.C. Zhou. Petri nets and industrial applications. A
tutorial. IEEE Trans. Industrial Electronics, 41, 6, 567-583.
[Zadeh, 1965] L.A. Zadeh. Fuzzy Sets. Information Sciences, 8, 338-353.
&6LIC&CI$N EN "ECU6E"&CI$N DE IN+O"7&CI$N
La Teora de Conjuntos Borrosos ha sido aplicada tambin en Recuperacin de
Informacin en bases de datos documentales [Bordogna, 2000]. La vaguedad
inherente a las consultas formuladas por usuarios y la incompletitud e
imprecisin que caracterizan el proceso de indexacin de documentos son
mbitos en los cuales las propiedades de los modelos borrosos son oportunas
y beneficiosas. En concreto, existen tcnicas borrosas para indexado de
documentos mediante las que se proporcionan representaciones de los
documentos ms especficas y exhaustivas. La definicin de lenguajes de
consulta usando modelos borrosos tiene por objetivo proporcionar al usuario
medios expresivos y naturales mediante los que pueda formular su necesidad
de informacin de modo ms preciso.
Otras herramientas que se suelen utilizar como soporte en los sistemas de
Recuperacin de Informacin son los tesauros. Los mecanismos borrosos
tambin han mostrado sus ventajas a la hora de modelar este tipo de
herramientas lingsticas porque permiten representar relaciones entre los
trminos con distintos grados de significancia.
L$%IC& BO""O!& EN INE"NE- I76LE7EN&CI$N
EN J&;& DE !I!E7&! E<6E"O! DE +O"7&CI$N0
Olivas
1y2
, J. A., Ordax
1
, J. M., Ocaa
1
, P. A.
1. Escuela Politcnica Superior.
Departamento de Informtica.
ICAI. Universidad Pontificia de Comillas, Madrid.
2. Laboratorio de Cognicin, Colaboracin y Aprendizaje
Departamento de Informtica. Universidad de Castilla-La Mancha
Ciudad Real 13071 Espaa

(esumen)
En este trabajo se presenta un ejemplo de como utilizar lgica borrosa (Fuzzy
Logic) y en general herramientas de la Ingeniera del Conocimiento y la Inteligencia
Artificial, en Sistemas de formacin de personal cualificado, y de cmo al utilizar un
entorno como JAVA, que permite el uso en Internet de dichos sistemas.
El objetivo es mostrar las pautas para el desarrollo de un sistema experto para
formar a un asesor financiero en aconsejar a cada cliente que tipos de Fondos de
Inversin son los ms adecuados segn su perfil particular, independientemente de
la sociedad gestora que lo est administrando.
1. FONDOS DE INVERSION. ADQUISICIN DE CONOCIMIENTO.
Como se puede ver en el siguiente cuadro (en millones de pesetas), la aceptacin
de los fondos de inversin por la sociedad espaola como producto de ahorro, ha
ido creciendo paulatinamente, sobre todo a partir de 1996, siendo actualmente los
grandes protagonistas de la liquidez creciente en el mercado espaol durante 1996
y 1997.
1994 1995 1996 Septiembre 1997
Volumen
%
s/total
Volumen
%
s/total
Volumen
%
s/total
Volumen
%
s/total
FIAMM 5.957.090 53,02 6.988.384 57,35 9.491.773 50,76 9.790.349 41,77
FIM
Renta
Fija
4.158.149 37,01 4.196.528 34,44 7.426.464 39,71 9.429.385 40,23
FIM
Mixtos
734.647 6,54 636.552 5,22 1.065.791 5,70 2.075.908 8,86
FIM
Renta
Variable
171.088 1,52 167.991 1,38 496.072 2,65 1.525.397 6,51
Los fondos de inversin (una forma de inversin colectiva) adems del apoyo por
parte de la Administracin que la dota de seguridad, control y normalmente de una
fiscalidad favorable, ofrece al inversor grandes ventajas (frente a otros productos
alternativos) desde el punto de vista operativo que se traducen en poner
diversificacin y rentabilidad al alcance de cualquier cantidad invertida y a muy bajo
coste.
El patrimonio de los Fondos est dividido en participaciones que se compran en
cuando se ingresa dinero en el Fondo. Estos Fondos se invierten en activos
financieros de Renta Fija o en valores cotizados de Renta Variable, en funcin de la
poltica de inversin de cada uno de ellos. Los rendimientos de las inversiones de lo
Fondos se incorporan diariamente al valor de cada participacin.
La inversin colectiva (y por tanto los fondos de inversin) tiene su base histrica
en la incapacidad de las pensiones mundiales de garantizar una jubilacin digna al
cabo de unos determinados aos. La pirmide de poblacin en este momento es
prcticamente menos trabajadores que jubilados, por lo que obligar a los estados
a reducir las prestaciones del sistema pblico. Conscientes de ello, los particulares
estn financiando ya sus propios planes privados, o simplemente ahorrando a
travs de fondos de inversin.
La importancia de los fondos de inversin queda reflejada debido a que ya no se
pueden entender los mercados financieros mundiales sin valorar la contribucin a
los mismos del inversor particular, agrupado a travs de la inversin colectiva.
Desde 1996, el nuevo cambio fiscal aumenta la movilidad de las inversiones
generadoras de incrementos de patrimonio y por otro, la cada certeza de la
convergencia de los tipos de intereses con Europa, unida a la reduccin de la
inflacin, hace que las rentabilidad de los productos tpicamente bancarios dejen de
ser rentables para el inversor y, en muchos casos, tambin para los propios bancos
y cajas de ahorro. En esta situacin, los fondos de inversin se consagran como la
alternativa ms eficiente que tiene cualquier inversor para rentabilizar sus ahorros.
As al canalizarse el ahorro de mltiples inversores, la rentabilidad obtenida es
superior a la que podra acceder cualquier inversor particular.
Los elementos fundamentales de un fondo de inversin son los siguientes:
Los partcipes, personas fsicas o jurdicas que aportan su dinero (ahorros) al
fondo y son propietarias del mismo. Su derecho de propiedad se representa
mediante un certificado de participacin o mediante el sistema de
anotaciones en cuenta.
La sociedad gestora, a quin, a pesar de no ser la propietaria del fondo, se
atribuye las facultades de dominio y representacin del fondo. A ella
corresponde la administracin y gestin del fondo, as como la decisin
sobre las inversiones a realizar, siendo responsables ante los partcipes de la
buena marcha del fondo.
Una entidad depositaria, que custodia los valores del fondo, tiene depositada
su tesorera y ejerce funciones de control y vigilancia sobre la actuacin de
la sociedad gestora. Es, generalmente, un banco o caja de ahorros a travs
del cual se efectan la suscripcin y reembolso de las participaciones.
Las clasificaciones que se hacen de los Fondo de Inversin son mltiples. Como ms
significativas podemos distinguir las dos siguientes:
La Ley y el Reglamento de Instituciones de Inversin Colectiva los clasifica
atendiendo al destino de sus beneficios:
1. Fondos de capitalizacin: No reparten dividendos; los beneficios obtenidos
se reinvierten sistemticamente, incrementando el valor de las
participaciones. En la prctica la mayor eficiencia fiscal hace que
prcticamente todos los fondos sean de capitalizacin.
1. Fondos de reparto: Reparten peridicamente dividendos sobre los beneficios
obtenidos.
La CNMV clasifica los fondos de inversin atendiendo a la composicin de la
cartera al final de cada trimestre:
1. Fondos de Inversin Mobiliaria (FIM):
Fondos de renta fija: Invierten el 100 por 100 de su cartera en activos de
renta fija pblica o privada.
Fondos de renta fija mixta: Tienen ms del 75 por 100 y menos del 100 por
100 de su cartera invertidos en activos de renta fija pblica o privada
Fondos de renta variable mixta: Tienen menos del 75 por 100 y ms del 30
por 100 de su cartera invertida en activos de renta fija.
Fondos de renta variable: Tienen menos del 30 por 100 de su cartera
invertida en activos de renta fija
1. Fondos de Inversin en Activos de Mercado Monetarios (FIAMM):
Invierten en activos financieros a corto plazo.
1. OPERATIVA ACTUAL DE LOS ASESORES.
Los asesores realizan una serie de preguntas personales y econmicas, para
averiguar el perfil de inversin del cliente. Los perfiles definidos son los siguientes:
Conservador.
Moderado.
Arriesgado.
Una vez realizado el paso anterior, se establece la cartera de inversin ptima:
FIAMM.
Fondos Fijos.
Fondos Variables.
Despus de conocer la cartera ptima de inversin, el asesor estudiar los
productos especficos de las Sociedades Gestoras para las que trabaje, y emitir las
rdenes de compra correspondientes.
1. OBJETIVOS DE LA TAREA DE APRENDIZAJE.
1. Identificar como funciona un fondo.
A. Los fondos no tienen personalidad jurdica; y por tanto la administracin y
gestin de los mismos se encomienda a una sociedad gestora , es decir, a
una sociedad annima cuyo objeto social es precisamente la direccin,
administracin y representacin de fondos de inversin.Las sociedades
gestoras estn obligadas a elegir como depositario de los distintos valores
que forman su cartera a un banco, caja de ahorros (incluida la
Confederacin Espaola de Cajas de Ahorro), Caja Postal, sociedad o
agencia de valores o a una cooperativa de crdito. En todo caso la tesorera
deber estar depositada en una entidad de depsito. Cada Fondo de
Inversin tendr un solo depositario.
1. Cuales son las ventajas que aportan los Fondos de Inversin.
FISCALIDAD
Personas fsicas. No se pagarn impuestos hasta que se retire la inversin. Al
retirar parte o la totalidad de la inversin no se practica retencin sobre los
rendimientos obtenidos. De la parte retirada slo tributa el incremento de valor
obtenido, hacindolo en rgimen de incremento patrimonial, segn el Real Decreto
de ley 7/1996.
Personas jurdicas. FIAMM - Tributa en el impuesto de sociedades por las rentas
generadas en cada ejercicio econmico. FIM - Permite diferir el pago del impuesto
de sociedades de ejercicio econmico en que se produce el reembolso de
participaciones.
Personas Fsicas y Jurdicas no residentes en Espaa. Salvo lo dispuesto en los
tratados vigentes para evitar la doble imposicin y rgimen especial de exencin
para residentes en la Unin Europea, el incremento de patrimonio obtenido por el
reembolso de participaciones estar gravado al tipo del 35%.
DIVERSIFICACION
Diversificar equivale a reducir riesgo y cuanto mayor sea el grado de diversificacin
menor ser la fluctuacin de la rentabilidad en el medio - largo plazo.
Para cualquier volumen de ahorro los Fondos de Inversin permiten alcanzar
niveles de diversificacin hasta ahora reservados a las grandes inversiones.
SEGURIDAD
La legislacin vigente establece una serie de limitaciones en materia de inversiones,
tanto en cuanto al tipo de activos como en cuanto a los porcentajes mximos de
inversin en un mismo valor. De esta manera se pretende garantizar la liquidez de
los activos y una adecuada diversificacin del Fondo.
El equipo de profesionales del Gestor cuida con esmero variables tales como la
liquidez y la solvencia del emisor del activo.
La Sociedad Gestora debe informar peridicamente a la Comisin Nacional del
Mercado de Valores de la situacin del Fondo. La Comisin vigila as el
cumplimiento de la normativa en favor de los partcipes.
LIQUIDEZ
Invirtiendo en Fondos se sabe que puede disponer de su dinero en el momento que
se necesite ya que en general y en un plazo de 24 horas desde que se solicita el
reembolso, se tendr abonado el importe en una cuenta corriente.(Para reembolsos
superiores a 100 MM. de Pesetas el Plazo es de 72 h. Algunos Fondos
Internacionales pueden tener plazos de reembolso superiores a las 24 h).
RENTABILIDAD
El elevado grado de profesionalidad de los gestores, unido a los grandes volmenes
con los que operan, permite obtener condiciones especialmente favorables de
contratacin que repercuten en favor del Fondo y sus partcipes.
La fiscalidad es otro factor importante ya que el Fondo como institucin est
prcticamente exento de impuestos.
Por ltimo, las importantes ventajas fiscales de que goza el partcipe en su
declaracin del IRPF le permitirn obtener una rentabilidad financiero - fiscal
difcilmente comparable con ningn otro producto de ahorro existente en el
mercado actual.
1. Aclarar conceptos relacionados.
A. Se llamar riesgo financiero a la fluctuacin de la rentabilidad en el tiempo.
As, por ejemplo, en los ltimos aos se han visto las Letras del Tesoro en
niveles del 11%, 12%, 13% y ahora estn en niveles del 5-6%, los Bonos
del Estado y Obligaciones han pasado del 14, 25% al 6-7% y la Bolsa ha
obtenido una rentabilidad entre el -13% y el 50%. As, se dice que el riesgo
es mayor cuanto ms amplia es la banda de fluctuacin de la rentabilidad.
B. Normalmente, cuanto mayor es la rentabilidad esperada de una inversin,
mayor es el riesgo, es decir, mayor es la banda de fluctuacin de la
rentabilidad. Esta relacin rentabilidad - riesgo es la piedra angular sobre la
que se deben apoyar nuestras decisiones de inversin. Puesto que no es
posible obtener la mxima rentabilidad sin riesgo, es necesario elegir entre:
a! mayor rentabilidad asumiendo mayor riesgo* es decir* mayores
fluctuaciones!
b+ o ausencia de riesgo ,entendido como fluctuacin de la
rentabilidad+ y menor rentabilidad!
A. Diversificar consiste en distribuir las inversiones entre distintos mercados y
activos cuya evolucin se compense entre s. Invirtiendo en un solo mercado
o activo nos sometemos a las fluctuaciones de ese mercado o activo. Sin
embargo, diversificando reducimos fluctuaciones sin reducir rentabilidad, es
decir, ganamos estabilidad en la rentabilidad global de la inversin en el
largo plazo. Esto es as debido a que los mercados financieros no estn
sincronizados, es decir, no todos los mercados estn bien o mal a un tiempo,
sino que en cada momento del ciclo econmico hay unos mercados que
estn mejor que otros.
Puesto que no es fcil adelantarse a los mercados y entrar siempre en el
momento justo, lo mejor es planificar sus inversiones a largo plazo
distribuyndolas de una forma eficiente y acorde a su situacin personal y
expectativas.
1. Identificar los factores a tener en cuenta para determinar el perfil del
inversor.
Cada persona tiene sus propias ideas y necesidades a la hora de invertir su dinero.
El grado de satisfaccin que se obtenga con las inversiones depende en gran
medida de la adecuacin que se alcance entre los propios objetivos de inversin y
los productos, mercados y activos financieros que se elijan para invertir los ahorros.
A travs de la diversificacin es posible crear mltiples combinaciones de mercados
y activos con distintos niveles de rentabilidad / riesgo.
Su eleccin vendr determinada principalmente por:
Su situacin personal.
Edad.
Nmero de personas a su cargo.
El plazo al que piensa mantener la inversin.
Su situacin econmica
Evolucin esperada de sus ingresos.
Porcentaje de los ahorros que desea invertir.
Por tanto, para ver cumplidas las expectativas y para poder valorar adecuadamente
la evolucin de los ahorros, es imprescindible buscar la coherencia entre las metas
y las inversiones que cada cual selecciona. La mejor manera de invertir a largo
plazo es distribuir las inversiones de forma que el comportamiento de unas y otras
se complementen, dotando de estabilidad al conjunto de la inversin.
Si no se desea asumir riesgo y, en cualquier caso, si su horizonte de inversin es
inferior a dos aos, se recomienda invertir en Mercados Monetarios al objeto de
maximizar la rentabilidad dentro de un mximo nivel de seguridad.
1. DESARROLLLO DEL SISTEMA.
A continuacin se presentan las reglas que gobiernan el sistema en forma de
cuadro:
EDAD
NUMERO
DE
PERSONAS
A SU
CARGO
EVOLUCION DE LOS
INGRESOS
AHORROS
A INVERTIR
TIEMPO A
INVERTIR
TIPO
<
35
35
-
50
>
50
0
1-
2
<
2
PROGRESA
NIVEL
ACTUAL
BAJA
<
1/3
1/3
-
2/3
>
2/3
2-
3
4-
7
>7
CONSER-
VADOR
0 50 75 10 25 50 25 50 75 75 50 25 60 45 35
MODERA-
DO
25 25 25 35 35 35 35 35 25 25 30 40 30 30 30
ARRIES-
GADO
75 25 0 55 40 15 40 15 0 0 20 35 10 25 35
Nota : Los datos mostrados en el interior de la tabla son todos porcentuales.
Debido a que para confeccionar la cartera a medida del inversor se utilizan
conceptos vagos tales como: Poco / Medio / Muy y el perfil del inversor
Conservador / Moderado / Arriesgado parece recomendable utilizar tcnicas de
Lgica Borrosa. En este caso se utiliza el manejo de etiquetas lingsticas mediante
el mtodo de Mandani para extraer conclusiones a partir de reglas.
Por ejemplo, los conjuntos borrosos empleados para el perfil del inversor son los
siguientes:
POCO CONSERVADOR CONSERVADOR MEDIO MUY CONSERVADOR
POCO MODERADO MEDIO MODERADO

MUY MODERADO
POCO ARRIESGADO MEDIO ARRIESGADO MUY ARRIESGADO

A continuacin se muestra un extracto de la implementacin (basada en el Control
Borroso de Mamdani) en JAVA. Esta implementacin nicamente pretende ser un
gua educativa, y nunca debe ser tomada como una solucin definitiva.
Se utilizar como ejemplo la siguiente regla:
Por orden, de izquierda a derecha, los conjuntos borrosos son:
Medio conservador.
Medio moderado.
Poco arriesgado.
Media inversin.
El primer paso consiste en implementar mtodos para calcular el grado de
pertenencia de un valor determinado a los conjuntos borrosos de las reglas. En este
caso:
public double medioConservador(int num)
{
if(num <= 20)
return 0;
else if(num > 20 && num < 40)
return (num/20.-1.);
else if(num == 40)
return 1;
else if(num > 40 && num < 60)
return ((-num)/20.+3.);
else
return 0;
}
public double medioModerado(int num)
{
if(num <= 20)
return 0;
else if(num > 20 && num < 40)
return (num/20.-1.);
else if(num == 40)
return 1;
else if(num > 40 && num < 60)
return ((-num)/20.+3.);
else
return 0;
}
public double pocoArriesgado(int num)
{
if(num < 10)
return ((-0.1)*num+1.);
else
return 0;
}
public double mediaInversion(double num)
{
if(num <= 25)
return 0;
else if(num > 25 && num < 50)
return (num/25.-1.);
else if(num == 50)
return 1;
else if(num > 50 && num < 75)
return ((-num)/25.+3.);
else
return 0;
}
El siguiente paso a realizar es crear y rellenar un array que represente el conjunto
borroso media inversin, es deicr, el conjunto borroso consecuente en la regla:
for(int i=0;i<11;i++)
{
mediaInversion[i] = mediaInversion(i*10);
}
A continuacin, se aplica la regla dejando en las variables aux1, aux2 y aux3 los
grados de pertenencia de los datos de entrada a los respectivos conjuntos borrosos.
Por ltimo se establece como `mando de la regla, el menor de los tres, guardndolo
en un cache:
aux1 = medioConservador(numConservador);
aux2 = medioModerado(numModerado);
aux3 = pocoArriesgado(numArriesgado);
if (aux2 < aux1)
aux1 = aux2;
if (aux3 < aux1)
aux1 = aux3;
if (aux1 > mediaInversionCache)
mediaInversionCache = aux1;

Lo siguiente ser aplicar el `mando al conjunto borroso consecuente de la regla
para calcular el nuevo conjunto borroso resultante de la aplicacin de los datos de
entrada a la regla:
for(int i=0;i<11;i++)
{
if(mediaInversion[i] > mediaInversionCache)
mediaInversion[i] = mediaInversionCache;
}
A continuacin se combinan en un nico conjunto borroso solucin la unin de los
conjuntos borrosos consecuentes:
for(int i=0;i<11;i++)
{
solucion[i] = muyPocaInversion[i];
if(solucion[i] < pocaInversion[i])
solucion[i] = pocaInversion[i];
if(solucion[i] < mediaInversion[i])
solucion[i] = mediaInversion[i];
if(solucion[i] < muchaInversion[i])
solucion[i] = muchaInversion[i];
if(solucion[i] < muyMuchaInversion[i])
solucion[i] = muyMuchaInversion[i];
}
Como ltimo paso, se desborrosifica mediante el mtodo denominado `Centro de
Gravedad:
for(int i=0;i<11;i++)
if(solucion[i] != 0)
{
numerador += solucion[i]*i*10;
denominador += solucion[i];
}
if (denominador != 0)
return (int)(numerador/denominador);
else
return 0;
El interfaz del sistema est realizado para poder usado en entorno Windows y
desde Internet, de la forma ms amistosa posible. En las figuras representadas a
continuacin se pueden ver pantallas de introduccin de datos personales,
valoracin de caractersticas y resultados ofrecidos por el sistema.

1. CONCLUSIONES
Se ha descrito un sistema experto orientado a la educacin y utilizable a
travs de Internet, desarrollado con la experiencia adquirida en el desarrollo
de sistemas para la prediccin de incendios, el diagnstico mdico y otras
aplicaciones. Se ha tratado de que sea lo ms sencillo posible de utilizar por
el usuario, y lo ms cercano al manejo del lenguaje natural, lo que se logra
mediante el uso de Fuzzy Logic. El sistema tambin usa tcnicas avanzadas
de Data Mining, razonamiento en base a prototipos y otras tcnicas
novedosas en el mundo de la Inteligencia artificial, pero que no es el
objetivo de este trabajo detallarlas.

2. BIBLIOGRAFA
Bonissone, P. P.; Tong R. M.: "inguistic solutions to fu--y decision
problems. TIMS/Studies in Management Sciences, 20. Elsevier
Science Pub, 1984, pp. 323 - 334.
Bremermann, H.: .attern (ecognition. H. Bossel: Systems Theory in
the Social Sciences. Birkhuser Verlag, 1976, pp. 116 - 159.
Castro, J.L.; Trillas, E.: The management of the inconsistency in
expert systems. Fuzzy Sets and Systems 58, North Holland, 1993,
pp. 51 - 57.
Cuena, J. (ed.): #nteligencia /rtificial) 0istemas 1xpertos. Alianza
Editorial. Madrid, 1986.
Glymour, C; Madigan, D.; Pregibon, D.; Smyth, P.: 0tatistical
#nference and 2ata Mining. Communications of the ACM, November
1996/ Vol 39, N 11, pp. 35 - 41.
Lago, R.; Olivas, J. A.; Sobrino, A.: 2istribucin de medios en
#341325#/ mediante tcnicas de "gica Borrosa. S.Barro and A.
Sobrino (eds.): III Congreso Espaol sobre Tecnologas y Lgica
Fuzzy. Comunicaciones. Universidad de Santiago de Compostela,
1993, pp. 107 - 113.
Olivas, J. A.; R. Lago, J. A. Megido, C. Grvalos y J. Prez: INFEDEC
2.1: Sistema de ayuda en la decisin de diagnstico y tratamiento de
Enfermedades Infecciosas, Actas de ESTYLF96: VI Congreso Espaol
sobre Tecnologas y Lgica Fuzzy, Universidad de Oviedo, 1996. pp.
271 - 275.
Olivas, J. A.: 1l tratamiento del lenguaje impreciso en los 0istemas
1xpertos. Inchaurralde C., Olivares C. & Navarro P. (Eds.):
Semntica y Lenguajes especializados. Universidad de Zaragoza,
1992, pp. 127 - 137.
Olivas, J. A.; Sobrino, A.: /n /pplication of 6adeh7s .rototype Theory
to the .rediction of 8orest 8ire in a 9no:ledge5based 0ystem.
Proceedings of the 5th. International IPMU (Information Processing
and Management of Uncertainty in Knowledge-based Systems), VOL.
II, Paris, 1994, pp. 747 - 752.
Sobrino A.; Olivas, J. A.; Adn, M. C.: Temas de "gica Borrosa y
(a-onamiento /proximado) .asado* .resente y .royecciones 8uturas
,4aptulo #+. S. Barro y A. Sobrino (eds.): Estudios de lgica borrosa
y sus aplicaciones. Universidad de Santiago de Compostela, 1993,
pp. 13 - 48.
Zadeh, L. A.: / note on prototype set theory and fu--y sets.
Cognition 12, 1982, pp. 291-297.
El poder de la imprecisin
,omado de: &l +as
-./012 32LO-O/& , +alma de -allorca 45674688$% La lgica difusa ha conquistado ya el
terreno de las aplicaciones dom)sticas y se plantea ahora nue!os retos: desde el control de
centrales nucleares hasta el desarrollo de computadoras que puedan, por ejemplo, hablar% &l
centenar de participantes en la reunin de la 3ociedad &spa9ola de Lgica :ifusa, organi;ada
la semana pasada en -allorca por la Uni!ersidad de las 0slas <aleares y el 1301, e#plic cmo
gracias a esta t)cnica hay ya helicpteros que buscan solos el mejor terreno para aterri;ar y
potabili;adoras de agua en las que una computadora sustituye a los t)cnicos especiali;ados%
=La lgica difusa baraja reglas imprecisas, y as aborda problemas que para los sistemas
tradicionales son demasiado complejos=, e#plica &nric ,rillas, catedrtico de 1iencias de la
1omputacin e 0nteligencia 2rtificial de la Uni!ersidad +olit)cnica de -adrid y pionero en esta
especialidad en &spa9a%
+one un ejemplo sencillo: =Un payaso que sostiene un palo !erticalmente en la palma de la
mano, un p)ndulo in!ertido> la descripcin matemtica de ese sistema se conoce muy bien,
pero con t)cnicas clsicas un ordenador no puede reproducirlo: aparecen demasiados errores%
?&n cambio con lgica difusa s se puede@ 3e logra transmitir al programa lo que hace el
payaso=%
'1mo se hace esa transmisin* =?2h, )so es lo complicado@=, responde Arancesc &ste!a,
director del 0nstituto de 0n!estigacin en 0nteligencia 2rtificial del 1onsejo 3uperior de
0n!estigaciones 1ientficas 1301$, en <arcelona% =Bay que con!ertir lo que sabe el humano en
una funcin, que es lo que metes en el programa=% &sa funcin es una pendiente, de forma que
los parmetros que inter!ienen en el problema pueden asumir todo un rango de !alores
intermedios% +ara un programa clsico que aprende que joven es hasta los C4 a9os, alguien
con C7 ya no lo es% &n cambio, la lgica difusa le permitira clasificarlo como menos joven , sin
incluirlo en el grupo de los !iejos% 3i se intenta hacer ms preciso el programa clsico creando
ms subdi!isiones 6de C4 a CD, de CD a E4%%%6, el programa perder eficacia%
Centrales nucleares
&l coreano :a Fuan ha desarrollado con lgica difusa un sistema para controlar centrales
nucleares% Lo prob por primera !e; el a9o pasado en un reactor e#perimental en <)lgica%
=Baba un interruptor: si algo fallaba, se pasaba automticamente al control tradicional% +ero no
pas nunca=% 1on su programa, afirma :a Fuan, se elimina el error humano y el mantenimiento
es ms efica;% =&n principio, se podra rempla;ar a los humanos, pero es un rea tan peligrosa
que eso no ocurrir nunca=%
Los humanos s han sido sustituidos totalmente en una depuradora en Gapn% ,ras tres a9os de
entre!istas con los operadores, -ichio 3ugeno, del 0nstituto de ,ecnologa de ,oHio, desarroll
un sistema capa; de a9adir los productos qumicos al agua en la cantidad adecuada% =:epende
de la suciedad del agua, de la temperatura, de la estacin del a9o, de si llue!e o no%%% &s muy
complicado, y debe ser muy seguro porque de ah beben millones de personas% /o se haba
logrado controlar la planta de modo con!encional, slo lo hacan operadores con die; a9os de
e#periencia=%
3ugeno, considerado uno de los magos de las aplicaciones, ha creado tambi)n un helicptero
no tripulado que entiende rdenes imprecisas y procesa informacin !isual, idneo para
incedios forestales% &s el aparato estrella de la lgica difusa> con )l, segn los e#pertos, esta
herramienta ha superado su e#amen ms difcil en cuanto al control de sistemas%
&n &spa9a, la 3ociedad de Lgica :ifusa es pionera en &uropa% Ba promo!ido la fundacin la
pasada semana en -allorca de la sociedad europea correspondiente% +ero &ste!a, su
presidente, ,rillas y los dems e#pertos se quejan de que los )#itos tericos apenas tienen eco
en la industria espa9ola%
Bay e#cepciones% Arancisco Berrera, de la Uni!ersidad de Iranada, ha desarrollado con lgica
difusa y redes neuronales un m)todo para clasificar clientes, cuyo uso estudia ahora una caja
de ahorros% =1omo a menudo no hay una distincin clara entre clases de clientes esta t)cnica
establece un grado de pertenencia a cada clase% 3e puede estar en !arias, con distintos grados
de pertenencia=% 3u grupo aplica tambi)n estas herramientas imprecisas al dise9o de robots, y
participa en un proyecto europeo para controlar el aire acondicionado en edificios de modo ms
eficiente%
+ero 3ugeno tiene miras muy amplias para el futuro de la lgica difusa: desarrollar una
computadora con la que se pueda hablar, y !ice!ersa% 1on esta herramienta, dice, se
conseguir mucho antes que con otras estrategias de inteligencia artificial% =&l problema del
lenguaje se ha abordado siempre con matemticas, por eso no se ha resuelto: no se pueden
usar m)todos matemticos para anali;ar el lenguaje% (o uso la teora del lenguaje% 1reo que
tendremos un ordenador con el que hablar dentro de 74 a9os=, afirma%
Lloren Valverde
L.A. ZADEH: DEL CONTROL ANALTICO AL
CONTROL BORROSO
Lloren Valverde
Universia de les Illes Balears
T!ve la o"or!nidad de #ono#er "ersonal$ene a Lo%i
Zade& ''a&ora "ro%esor e$(rio de #ien#ias de la
#o$"!a#i)n en la Universi* o% Cali%ornia a Ber+ele*'' en
,-./0 en Las 1al$as de 2ran Canaria0 donde se #ele3ra3a la Se#ond 4orld
Con%eren#e on 5a&e$ai#s a &e Servi#e o% 5an. En realidad a#!( #o$o
%o)6ra%o $ienras le enrevisavan "ara la revisa de div!l6a#i)n #ien7%i#a
#aalana 8Ci9n#ia8. 1osi3le$ene "or ello0 * "ese :!e el "ro%esor Zade& $e &a3ia
%a#iliado diversas esan#ias ''en ,-.; * ,-.<'' #o$o visiin6 s#&olar en s!
de"ara$eno de la Universidad de Ber+ele*0 no "are#i) sor"renderse #!ando0
die= a>os des"!(s0 en $ar=o de ,--/ $e $osr( ineresado en 6ra3ar !na
#onversa#i)n #on (l "ara darle0 "oserior$ene0 %or$a de enrevisa div!l6aiva
so3re la l)6i#a 3orrosa. La verdad es :!e la 6ra3a#i)n se reali=) el dia ;? de $ar=o
de ese $is$o a>o0 en s! ai3orrado des"a#&o del Evans Hall de Ber+ele*0 * &a
"er$ane#ido sin rans#ri3ir &asa :!e0 &a#e !nos dias Enri# Trillas s!"o de ella *
$e ani$) a rans#ri3irla "ara ese n@$ero es"e#ial de Ar3or.
En realidad $e &e li$iado "rA#i#a$ene ''dada la #laridad * orden de las ideas
$ani%esadas "or el "ro%esor Zade&'' a rans#ri3ir0 rad!#iendo al $is$o ie$"o0
la #onversa#i)n :!e *o inen( #enrar0 de enrada0 en la evol!#i)n eB"eri$enada
"or la eor7a de los #onC!nos 3orrosos desde s! 7$ida * "ro3le$Ai#a ''"ara
al6!nos'' inrod!##i)n &asa la a#!al eB"losi)n :!e &a #onverido la l)6i#a
3orrosa en !n e$a de $oda: "ri$era "A6ina de los "eri)di#os $As i$"oranes
del $!ndo0 revisas ano de in%or$a#i)n 6eneral #o$o es"e#iali=adas en #ien#ia *
e#nolo6ia ! oras dis#i"linas0 #o$o e#ono$ia. 5oda :!e0 "or ora "are0 no &a
&e#&o $As :!e a!$enar en el a>o rans#!rrido desde la reali=a#i)n de la
enrevisa.
A!n:!e $i arevi$ieno lle6) &asa "edirle :!e eB"li#ara en "o#as "ala3ras lo :!e
era la l)6i#a 3orrosa * "ara :!e servia0 e$"e#( "or &a3lar del &e#&o :!e a&ora se
"od7an #o$"rar en odo el $!ndo ''* en es"e#ial en Da")n'' ele#rodo$(si#os :!e
in#or"oran al6@n $e#anis$o de #onrol 3asado en la l)6i#a 3orrosa * "re6!narle
a :!ien inrod!Co0 en ,-<E0 el #on#e"o de #onC!no 3orroso s! visi)n so3re el #oro
"er7odo de ie$"o rans#!rrido enre la inrod!##i)n de la eor7a * s!
i$"lana#i)n a nivel ind!srial0 $As si se iene en #!ena :!e s! a#o6ida %!e o3Ceo
de !na re#e"#i)n an %ria en Esados Unidos * E!ro"a #o$o en!siasa en Da"on.
La verdad es :!e no !ve ni o"#i)n ni ne#esidad de inervenir en eB#eso0 "o#o a
"o#o el "ro%esor Zade& %!e &a3lando de los e$as :!e a $i $As $e ineresa3a oir
de s! 3o#a: la &isoria de la evol!#i)n de la l)6i#a 3orrosa0 el "or:!( de s! (Bio *
s! evol!#i)n %!!ra0 as7 #o$o s! a#!al i$"lana#i)n * a#e"a#i)n en los #7r#!los
a#ad($i#os. Lo :!e si6!e es el res!lado #asi lieral de $As de !na &ora de a$ena *
%l!ida #onversa#i)n.
UNOS VEINTICINCO AFOS DES1UGS...
LAZ: Creo que su pregunta es muy interesante y tratar de responderla con toda la
extensin que me sea posible. En mi experiencia, no es tan fcil predecir el curso de los
acontecimientos: cuando escrib mi primer artculo sobre conjuntos borrosos, pensaba
que la mayor parte de sus aplicaciones iban a ser en el caso de sistemas umansticos o
biolgicos y en aquellos sistemas para los que las tcnicas con!encionales basadas en
ecuaciones diferenciales, ecuaciones en diferencias y similares, no funcionaban tan bien
como era de esperar. "or lo tanto qui#s era necesaria una forma de tratar con estos
sistemas que no permita un anlisis con!encional, estas eran mis expectati!as cuando
escrib el primer artculo sobre conjuntos borrosos: esperaba que las aplicaciones seran
en ling$stica, psicologa, sociologa, filosofa y campos afines.
%nos cinco a&os ms tarde, es
decir alrededor de '()*,
empec a pensar que poda
aber algunas aplicaciones en
control. +e tal manera que en
'(), escrib un artculo corto
titulado -. rationale for
/u##y Control-. +os o tres
a&os ms tarde, 0andani y
.ssilian publicaron su
conocido artculo en el que
demuestran como la teora de
los conjuntos borrosos, las
!ariables ling$sticas y las
reglas borrosas - 1i entonces-
pueden ser usadas para
controlar efecti!amente un
sistema real . +e todas
formas, asta '(2*, la
mayora de las aplicaciones
que eran -!isibles-
pertenecan al campo de los
sistemas basados en el conocimiento, sistemas expertos y cosas parecidas. 1i uno da una
ojeada a la literatura sobre conjuntos borrosos en ese perodo se da cuenta de que abia
muy pocos trabajos que tu!ieran que !er con problemas de control.
En este poca empe#aron algunos desarrollos interesantes: ingenieros de 3itaci, en
4apn, empe#aron a trabajar en el sistema de trenes subterraneos de 1endai, trabajo que
les lle! unos 2 a&os. Creo que, en mucos aspectos, este fue el punto de cambio:
demostr que el control mediante lgica borrosa poda ser y era efecti!o al tratar con
problemas significati!os como el control de un tren, que no se trataba de un juguete. "or
otra parte, este fue un tipo de aplicacin que recibi muca publicidad. .nteriormente,
alrededor de '()5, aba abido otra aplicacin con xito del control borroso: un orno
de cemento 6que no aban recibido, por sus propias caractersticas, tanta publicidad7,
pero que result ser lo suficientemente efica# como para que unos a&os despus ubiera
!arias plantas del mismo tipo funcionando.
LlV: Todo eso nos si@a alrededor de ,-.?0 noH
LAZ: +e eco los primeros artculos fueron publicados en '()5, pero la madure# de
estas aplicaciones no fue constatada asta 8 a&os despus, en '(2*, cuando se inicia el
proyecto de los trenes de 1endai, que empe#aron a funcionar en '(2).
LlV: Ese es a$3ien el a>o en :!e se #ele3ra en To+*o la se6!nda re!ni)n de la
Inernaional I!==* S*se$s Asso#iaion0 IISA Jla "ri$era &a3ia enido l!6ar en
1al$a de 5allor#a0 dos a>os anes0 en ,-.EK.
LAZ: "recisamente, como recordar, fue durante este congreso de 9o:yo en el que se
anunci la aparicin del primer electrodomstico que usaba de la lgica borrosa: se
trataba de un regulador para ducas de "anasonic, era tan slo un prototipo, toda!ia no
estaba a la !enta. +e eco los primeros productos aperecieron en el mercado en '(22;
2(./ueron una la!adora y una aspiradora. 0s tarde aparecieron los ornos de
microondas, los aparatos para cocer arro# y mucas otras aplicaciones en fotografa:
cmaras de fotografa y de !ideo con autofoco, en aparatos de tele!isin, en aire
acondicionado, etc...
Empie#an a aparecer, pues, aplicaciones de la lgica borrosa en control que son muy
!isibles para el p<blico en general. = creo que a sido esta alta !isibilidad la que a
cambiado el clima con respecto a los conjuntos borrosos, de tal manera que antes no
abia demasiada gente que supiera de la lgica borrosa y de sus aplicaciones. . partir
de su uso en electrodomsticos an aparecido, como >d. a mencionado antes, en la
prensa popular ;;no especiali#ada;; una infinidad de artculos sobre la lgica borrosa.
+e tal manera que muca gente, especialmente en el mundo acadmico, que antes no
creia que la lgica borrosa fuera algo digno de atencin empe#aron a cambiar sus puntos
de !ista. 3oy, asistimos a una especie de explosin en el inters sobre la lgica borrosa:
artculos, proyectos de in!estigacin , desarrollos, nue!as aplicaciones, ...
1e trata pues de una autntica moda, esta moda ;como todas; no durar eternamente. 1in
embargo, est surgiendo otra circunstancia que parece ser muy prometedora, como es
esta especie de matrimonio entre la lgica borrosa y la teoria de las redes neuronales,
que empe# aproximadamente acia '(22;2(. Estamos empe#ando a !er mucos
electrodomsticos ;de nue!o en 4apon, basicamente; que incorporan sistemas de control
basados en lgica borrosa y en los que tcnicas de redes neuronales son usadas para
dotarlos de capacidades adaptati!as o de aprendi#aje. +e tal forma que en un futuro
prximo espero la aparicin de toda una nue!a generacin de productos -neuro;fu##y- o
-fu##y;neuro-, que tendran un alto 0?@ 60acine ?ntelligence @uocient7.
3asta aora solo emos ablado de aplicaciones relacionadas con el control, pero cada
!e# ms estamos !iendo ;especialmente en Europa; ms aplicaciones en el campo de los
sistemas basados en conocimiento: los sistemas expertos. = esto est con!irtindose en
algo cada !e# ms acentuado, posiblemente como resultado directo del xito de las
aplicaciones de la lgica borrosa en electrodomsticos. En otras palabras, los grupos que
lle!an tiempo trabajando en este campo se an !isto animadas por los xitos que acabo
de mencionar.
En resumidas cuentas, por aora !eo una especie de bifurcacin en las aplicaciones de
la lgica borrosa, por una parte estan las aplicaciones en control y por la otra las
aplicaciones en el desarrollo de sistemas expertos. Creo que, con el paso del tempo esta
<ltima ir adquiriendo ms y ms importancia. 9ambin creo que las aplicaciones de la
lgica borrosa en control sern cada !e# ms sofisticadas, todo ello sin excluir la
posibilidad que apare#can productos que combinen los dos tipos de aplicaciones.
UN CRCULO LUE SE CIERRA.
LlV: Si no eso* $al in%or$ado Vd. ini#ial$ene0 anes de los #onC!nos 3orrosos0
esa3a es"e#iali=ado en la eoria de #onrol de sise$as. De &e#&o0 al6!nos de los
"ri$eros eCe$"los #on los :!e se "resena3a la eoria esa3an dire#a$ene
rela#ionados #on "ro3le$as de di#&o #a$"o. L!e6o d!rane $As de ,E a>os no se
v!elve a &a3lar de #onrol &asa "rod!#irse la a#!al e#losi)n #o$o lo eB"li#ariaH.
LAZ: Aue!amente toca >d. un buen punto. 1us informes son correctos. Ba explicacin
a esto es bastante sencilla: +esde mis trabajos en anlisis de sistemas fui adquiriendo
cada !e# ms el fuerte con!encimiento de que las tcnicas disponibles en aquel
momento no funcionaban bien para lo que podriamos llamar -sistemas matemticos
umansticos-: es decir para los sistemas en los que la percepcin, sentimiento y juicios
umanos juegan un papel importante, como tampoco funcionaban del todo bien con los
sistemas biolgicos, por lo tanto existia una necesidad de encontrar erramientas que
permitieran anali#ar los sistemas de este tipo, es decir sistemas no mecansticos. Esta
fue la moti!acin de la teoria de los conjuntos borrosos. 3abia tambin ra#ones que
pro!enian del campo de la clasificacin de patrones: una !e# ms nos encontramos ante
un tipo de problema para el que las tcnicas con!encionales ;;que asumen que en todo
proceso de clasificacin, las diferentes clases estan perfectamente diferenciadas;; no
tenian respuestas con!enientes.
>ol!iendo pues a su pregunta, en mi caso particular, lo que ocurri es que cuando
escrib el artculo -/u##y 1ets- era director de mi departamento, por lo que no tenia
muco tiempo para acer in!estigacin, puesto que andaba ocupado con todos los
asuntos administrati!os correspondientes. Cuando dej de serlo, al principio de '(52,
decid retirarme por un tiempo para poder reorientar mis acti!idades ms
especificamente acia las ciencias de la computacin y empec por pasar ese a&o en el
0?9 y en ?C0 dedicandome a estudiar cosas como teoria de lenguajes de programacin
y temas relacionados. Cuando regres a Cer:eley al a&o siguiente, dej de dar clases de
anlisis de sistemas y empec a dar cursos relacionados con estos lenguajes. Esto me
lle! a interesarme con los problemas relacionados con la representacin y
procesamiento del lenguaje natural, sobre lo que escrib mi primer artculo sobre
semntica borrosa en '(5(. = este inters, a su !e#, me lle! al estudio de algunos
problemas relacionados con los sistemas expertos, asi que en '()D empec a impartir un
curso sobre ellos.
+e acuerdo con este inters, antes en '()E, abia pasado alg<n tiempo en el Centro de
?n!estigacin que tiene ?C0 en 1an 4os, donde estu!e trabajando en temas
relacionados con teorias sobre bases de datos. +e eco por un tiempo particip en el
proyecto llamado -Fende# >ous- que tenia como objeti!o esencial la construccin de
una interfase en lenguaje natural para sistemas de bases de datos. 9odo esto explica la
orientacin y contenido de mi artculo de '()2 en el que se describe un lenguaje de
representacin de significados relacional llamado "F%/ 6acrnimo de "ossibilistic
Felational %ni!ersal /u##y7 basado en la lgica borrosa.
Con todo, al principio de la dcada de los 2* me !ol! a interesar por los problemas
relacionados con control de sistemas, asta entonces y debido sobre todo al tipo y
contenido de los cursos que abia estado impartiendo en Cer:eley, estaba ms orientado
a problemas relacionados con sistemas basados en conocimiento y sistemas expertos y
procesamiento del lenguaje natural. "ero en ese momento me doy cuenta que los
sistemas de control presentaban problemas fascinantes, con la !entaja adicional de que
la implementacin necesaria para comprobar una iptesis era muco ms fcil que en
el campo de los sistemas expertos donde la construccin de bases de conocimiento son
muy costosas ya que exigen una tremenda cantidad de tiempo, sin embargo, en control
uno tiene una idea y es muco ms sencillo implementarla y comprobar que si funciona
o no.
LUG ES M 1ARA LUG SIRVE
LLV: La verdad es :!e la$eno &a#erle la si6!iene "re6!na0 "ero #reo :!e es
inevia3le si !no se "one en la "osi#i)n de al6!ien :!e o*e &a3lar "or "ri$era ve=
de ello: L!( es eso de la l)6i#a 3orrosa * el &e#&o :!e !n deer$inado a"arao
es( 3asado o no en ella va a si$"li%i#ar $i vida o0 "or el #onrario0 va si6ni%i#ar
!na di%i#!lad $AsH.
LAZ: "ermtame decirle que, en realidad se trata de dos preguntas. En primer lugar, y
por lo que se refiere a la cuestin de qu es la lgica borrosa, creo que la forma ms
simple de describirla es refirindose a que su principal objecti!o es tratar con los modos
de ra#onamiento que son ms aproximados que exactos y en esto difiere esencialmente
de la lgica clsica. "ero toda!ia ay ms, cualquier sistema clsico puede ser extendido
mediante borrosificacin. "or ejemplo, tome >d la lgica modal y puede construir un
sistema borroso de lgica modal, y lo mismo ocurre con otros tipos de lgica, como la
epistmica o la deontolgica, etc. ...
Es importante obser!ar que el trmino lgica borrosa es usada en dos sentidos
diferentes. "or una parte, uno es un sentido restringido y que se refiere a ella como una
sistema ms de lgica que, como acabo de mencionar, trata de representar modos de
ra#onamiento aproximado. El otro sentido, ms amplio, identifica esencialmente la
lgica borrosa con la teora de los conjuntos borrosos, entendidos estos como clases en
las que sus fronteras no estan bien definidas, la teoria de los conjuntos borrosos es ms
amplia que la lgica borrosa. En la teoria de los conjuntos borrosos existen apartados
como aritmtica borrosa, grafos borrosos, topologia, reconocimiento y clasificacin de
patrones, control ...temas todos ellos que !an ms allG de la lgica borrosa cuando esta
se interpreta en sentido restringido. Ba !erdad es que el uso ms extendido del trmino
se refiere al amplio, es decir al que identifica la lgica borrosa y la teoria de los
conjuntos borrosos. Ba ra#n probablemente estribe en que el trmino lgica borrosa
suena muco mejor que el de conjunto borroso. =o lo uso en sentido amplio.
"or lo que se refiere a la segunda parte de su pregunta, creo que una de las ra#ones por
las que algunas compa&ias japonesas, como 0atsusita, 1ony, etc. se an interesado en
la lgica borrosa est en el eco en que se an dado cuenta que ello les permitir
fabricar productos de uso ms amigable 6user;friendly7. = esta es una consideracin
muy importante, porque saben que, cada !e# ms, el mercado depende precisamente de
esta facilidad de uso por parte del consumidor. "or mi parte, estoy con!encido de que
esta necesidad es cada dia ms e!idente puesto que el uso de cosas tan elementales
como un reloj digital se est con!irtiendo en algo extraordinariamente complicado, se
tiene que emplear un tiempo increiblemente excesi!o para aprender su funcionamiento.
1in ir ms lejos, yo tengo uno y toda!ia no e conseguido aprender la mayor parte de
sus funciones.
Creo que ay muca gente que piensa como yo, que estos aparatos no son de uso
ra#onablemente amigable y la lgica borrosa puede contribuir decisi!amente a mejorar
esta faceta de nuestra !ida corriente. 9al !e# el ejemplo ms notable en este aspecto lo
constituya el !ideo de "anasonic, que ya se comerciali#a en 4apn, y que gracias al uso
de la lgica borrosa puede ser programado mediante instrucciones abladas como
-9endrias que grabar el programa que empie#a a las seis en el canal tres-. Esto ya puede
acerse 6en japons de momento7 y a medida que el tiempo !aya pasando las
aplicaciones de la lgica borrosa permitiran cada !e# ms aproximar el uso de estos
aparatos a todo el mundo, como ya estG ocurriendo a con las cmaras de fotografia y las
de !ideo.
LlV: O sea0 "ara de#irlo %A#il$ene0 la l)6i#a 3orrosa va a "er$iir dis"oner de0
"or eCe$"lo0 a"araos de el(%ono a los :!e les "odre$os de#ir 8"or %avor $ar#a el
n@$ero de Ana8 *0 lo :!e es $As i$"orane0 el a"arao re"onderA e%e#iva$ene0
$ar#ando el n@$ero de Ana. Nos lo ene$os :!e #reer0 o es an s)lo !n deseoH.
LAZ: Creo que estan slo una cuestin de tiempo, dos o tres a&os. "ero la aportacin
ms importante en este aspecto de la lgica borrosa es su economia. El uso de la lgica
borrosa en esta clase de aparatos no es la <nica solucin, creo que podrian construirse
tambien sin usarla, pero creo que la opcin ms econmica es la que proporciona la
lgica borrosa, esto es algo que tambien an empe#ado a notar las compa&ias
in!olucradas en la fabricacin de esta clase de productos.
LlV: C!ales son las di%eren#ias 3Asi#as enre las (#ni#as #lAsi#as de #onrol * las
:!e esAn 3asadas en la l)6i#a 3orrosaH
LAZ: Creo que el control borroso permite el uso de mucos ms sensores ;;y por
consiguiente !ariables;; que las tcnicas basadas en control clsico, puesto que los
!alores recogidos por dicos sensores son usados reglas lingusticas de la forma -si
entonces- para tomar las decisiones referentes a las acciones adecuadas para el sistema.
"or ejemplo en el metro de 1endai, se tienen en cuenta factores como el confort del
pasajero, la aceleracin, fuer#a de frenado, el consumo de electricidad, etc. En
definiti!a, un n<mero excesi!o de !ariables para poder ser tenidas en cuenta de una
forma precisa usando tcnicas de control ptimo y parecidas. "or el contrario, usando
lgica borrosa pueden ser tenidas en cuenta todas ellas para obtener un mejor
funcionamiento del tren.
Htro aspecto a tener en
cuenta tiene que !er con
la economia de consumo
que supone el uso de
control inteligente y de la
lgica borrosa, en mucas
situaciones este es un
factor muy importante,
como por ejemplo en las
comunicaciones a tra!s
del espacio 6space
communications7 donde el
tama&o y peso de los
equipos estn fuertemente
limitados: el disponer de
sistemas de control que
consuman menos energia pasa a ser un aspecto muy importante. Ba economia surge del
eco que en lgica borrosa el n<mero de reglas que se necesita para controlar un
determinado sistema es ciertamiente reducido, puesto que es posible una cierta
interpolacin: si el resultado de la lectura de los sensores no se ajusta exactamente a lo
establecido en la regla siempre es posible acti!ar dica regla produciendo una respuesta
que est de acuerdo con el grado de adecuacin de la lectura del sensor y de la iptesis
de la regla y al tener que usar menos reglas el sistema es ms robusto.
En resumen las caractersticas principales de un sistema de control borroso son las
siguientes: 1on ms amigables en su uso, consumen menos energia, pueden tratar con
informacin !aga e imprecisa, no usan un n<mero excesi!o de reglas, es decir, son ms
robustos y todo ello los ace muco ms econmicos. Casicamente la lgica borrosa
explota el poder propio de la imprecisin umana.
EL ESTATUS ACADG5ICO
LlV: Co$o Vd &a $en#ionado anes0 &a3ia !n re#&a=o &a#ia la l)6i#a 3orrosa "or
!na "are del $!ndo a#ad($i#o0 :!e no #reia :!e la eoria de los #onC!nos
3orrosos sea al6o #onsisene desde el "!no de visa #ien7%i#o'$ae$Ai#o. Cree
Vd :!e los (Bios de las a"li#a#iones de la l)6i#a 3orrosa "!ede #onri3!ir a
#a$3iar las ideas de esos 6r!"os en %or$a si6ni%i#aivaH
LAZ: +efiniti!amente as lo creo. +e todas maneras obser!e >d. que si nos
remontamos a la decada de los )*;2* la mayor parte del trabajo en conjuntos borrosos lo
reali#aban matemticos como >d. y sus artculos eran tericos y esencialmente
matemticos, no abia mucos artculos sobre aplicaciones. .ora la situacin a
cambiado, ay mucos ms trabajos relacionados con aplicaciones de la lgica borrosa,
la gente que acia estudios tericos como >d. que a eco un trabajo excelente con el
estudio de las relaciones de indistinguibilidad, por ejemplo, sigue en ello, y son cosas
que presumiblemente se !eran aplicadas en un futuro no muy lejano. Creo que el
escepticismo y ostilidad iniciales acia los conjuntos borrosos !an perdiendo fuer#a y
cada !e# son ms dbiles. .unque toda!ia los ay que no creen que las cosas que
funcionan bien lo agan debido a la lgica borrosa y afirman que cualquier cosa que se
pueda acer usando lgica borrosa se puede acer tambien usando mtodos bayesianos.
Creo que es una simple cuestin de tiempo que se den cuenta de su gran error, a medida
que !ayan apareciendo ms y ms cosas que no puedan acerse ra#onablemente sin usar
la lgica borrosa.
"or lo tanto y aunque toda!ia no son mucas las uni!ersidades en las que existen cursos
de lgica borrosa ;;los ay en di!ersas uni!ersidades aqu en los EE%%, en 4apn, por
supuesto, y en Europa: en Carcelona y en 0adrid, >d. mismo en su uni!ersidad, etc.;;
creo que es cuestin de un a&o o dos el que apare#can buenos textos de lgica borrosa y
ello facilitar a<n ms su implantacin. +esde este punto de !ista creo que el futuro se
presenta como muy prometedor. . medida que !ayan aumentando las aplicaciones de la
lgica borrosa y que !ayan aumentando asmismo los campos de aplicacin se ir
implantando en los curriculums acadmicos. "or ejemplo, en medicina parece que !an
adquiriendo importancia las posibles aplicaciones en cuestiones como anestesia y su
control, sistemas de diagnstico, control de administracin de medicamentos: todas ellas
son reas importantes de aplicacin futura de la lgica borrosa en combinacin, en
algunos casos, con redes neuronales.
Hasa a:!70 $As o $enos0 lle6a la 6ra3a#i)n de la #onversa#i)n0 #asi $on)lo6o0 #on
el "ro%esor Zade&. D!rane la $is$a0 !ve o#asi)n de leer los 7!los de al6!nas de
las n!$erosas "!3li#a#iones so3re #onC!nos 3orrosos :!e en7a en la li3reria :!e
:!eda3a a s! es"alda. Re#ono#7 enre ellas li3ros * esis do#orales de a!ores de
los :!e no #ono#ia ni s! no$3re en el a>o ,-./ * :!e a&ora0 6ra#ias al e$a #o$@n
de invesi6a#i)n0 nos &e$os #onverido en 3!enos a$i6os0 #o$o el "ro"io "ro%esor
Zade&0 #!*a 6enile=a0 a$a3ilidad * %ran:!e=a son "rover3iales * &aro #ono#idas
de odos los ine6ranes de la #o$!nidad rela#ionada #on los #onC!nos 3orrosos.
Co$o en la enrevisa del a>o ,-./ en esa o#asi)n a$3i(n a#@o de %o)6ra%o *0
"or s!"!eso0 #o$o enon#es0 el "ro%esor Zade& $e a#onseCa0 dada s! #ono#ida
6ran a%i#i)n "or la %oo6ra%7a :!e0 en s! #aso &a a!$enado desde enon#es *0 en el
$io0 se &a ido dil!*endo. Insiso en :!e "ara :!e $e :!ede al6!na %oo6ra%ia de
#alidad ra=ona3le "ara s! "osi3le re"rod!##i)n de3o reali=ar $!#&as: $i
"ri$iiva #A$ara no dis"one a@n de #onrol 3orroso.
BlorenI >al!erde
Edifici .nselm 9urmeda
Campus de la %?C
Carretera de >alldemossa, Jm. ).D
*)*)' "alma de 0allorca.
Es la lgica que utilizan los humanos
-% 3 , +alma de -allorca 45674688$% Lotfi Jadeh, de KL a9os, estadounidense de origen iran,
es el padre de la lgica difusa% 0ngeniero electrnico de formacin 6=aunque siempre muy
cercano a las matemticas=6, est ahora en el rea de 1iencias de la 1omputacin de la
Uni!ersidad de 1alifornia, en <erHeley% =:esde que escrib el primer artculo sobre lgica difusa
en 785D han pasado muchas cosas% 2l principio hubo quien se lo tom a broma> ahora est en
muchsimas aplicaciones de consumo masi!o=, comenta%
3e trata de una t)cnica que traduce a lenguaje matemtico instrucciones imprecisas, del tipo
lava un poco ms , y permite a las la!adoras la!ar segn la suciedad de la ropa, automati;ar la
concesin de cr)ditos y hasta controlar el !uelo de un helicptero no tripulado%
Pregunta. 'Mu) es la lgica difusa*
Respuesta. /o es un concepto sencillo% &s la lgica que utili;an los humanos% La lgica clsica
es muy precisa, la lgica difusa , o borrosa, no% +or ejemplo, cuando conduces debes tomar
decisiones, pero no estn basadas en una informacin muy precisa% La lgica difusa intenta
copiar la forma en que los humanos toman decisiones% Lo curioso es que, aunque baraja
informacin imprecisa, esta lgica es en cierto modo muy precisa: se puede aparcar un coche
en muy poco espacio sin darle al de detrs% 3uena a paradoja, pero es as%
Pensaba en las aplicaciones que tendra, cuando la cre?
/o% &ntonces yo esperaba que la lgica difusa se aplicara en lingustica, en sociologa%%%
campos ajenos a la ingeniera% -e lle!) una sorpresa enorme cuando !i, a finales de los
ochenta, que la mayora de las aplicaciones eran en ingeniera de consumo: cmaras,
la!adoras, tele!isiones, grabadoras, ascensores%%% Boy esas son las principales aplicaciones,
aunque a menudo no se dicen en la etiqueta del producto%
Y qu pasa con las aplicaciones mayores, como en plantas industriales o incluso en
centrales nucleares?
La principal aplicacin importante para control de sistemas fue en 78LK en Gapn, en la ciudad
de 3endai% La aplicaron al metro, y el resultado fue muy bueno: el metro frena y arranca con
mucha sua!idad% 2hora se usa en muchas otras ciudades% +ero en Occidente la acogida fue
menos positi!a% ,iene que !er probablemente con la cultura% &n 2sia aceptan que el mundo no
es blanco o negro, !erdad o mentira% &n Occidente todo es 2 o <, mientras que en lgica difusa
todo es cosa de grados% '&s esto !erdad* <ueno, en su mayora es !erdad, digamos que es un
4,8 !erdad% ,odo tiene matices% 2s es la lgica difusa%
Pero parece que ahora se buscan aplicaciones distintas a las del control...
3% &l control es ya una rutina% 2hora se buscan aplicaciones en la banca, en medicina%%% &n la
concesin de cr)ditos: tu formulario !a a una mquina que decide si te lo concede% &l propio
programa establece los criterios segn su e#periencia> sabe que es muy probable que si tu
posicin es estable y tus ingresos altos t de!uel!as el cr)dito% ,ambi)n se usa lgica borrosa,
aunque slo como asistente, a la hora de anestesiar un paciente, por ejemplo%
!er"n alg#n da las m"quinas me$ores que los humanos?
&n las tareas imprecisas, como traducir, o resumir un te#to, las mquinas tardarn muchos
a9os en hacerlo mejor que el hombre% Los humanos tenemos habilidades que an no
entendemos bien, y entenderlas bien es indispensable para ense9arlas a las mquinas% (o me
doy cuenta de que una madre y su hijo se parecen, pero no s) por qu)> un ordenador no puede
hacerlo%
%a e&olucin, aplicada a la inteligencia arti'icial. Programas que se
adaptan generacin tras generacin
,omado de: &l +as &spa9a$
+B0L0+ <2LL 78647644$
La inteligencia artificial 02$, que durante mucho tiempo consisti en transferir la capacidad
humana a unos algoritmos, !i!e una peque9a re!olucin% Unos in!estigadores se inspiran en la
teora de la e!olucin para hacer aparecer, en programas o sistemas de control de robots,
comportamientos adaptados a la tarea requerida% 3imulaciones y cambios en la programacin
permiten conser!ar, generacin tras generacin, slo los ms aptos.
Ner tambi)n: :arOin, fecunda fuente de inspiracin para la robtica
&sta seleccin artificial ha permitido a dos in!estigadores estadounidenses !er un algoritmo
capa; de jugar a las damas inglesas de forma muy decorosa% Los juegos de estrategia, en los
que el hombre trata de resistir a la potencia del ordenador, ofrecen un banco de pruebas para
esta programacin e!olucionista, que apasiona a los especialistas en robtica y empie;a a
seducir a los empresarios%
:a!id Aogel, de la empresa /atural 3election, de La Golla 1alifornia$, y Pumar 1hellapilla, de
la Uni!ersidad de 1alifornia 3an :iego, han hecho e!olucionar un programa informtico capa;
de disputar una partida de damas inglesas de alto ni!el% ,an slo introdujeron en el ordenador
las indicaciones que se dan a un jugador principiante y luego le dejaron crear di!ersos
algoritmos conjuntos de datos que permiten decidir el siguiente mo!imiento$% +ara ajustar
estos algoritmos, procedentes de redes neuronales que imitan el funcionamiento del cerebro
humano, hicieron que se enfrentasen en una lucha en la que sobre!i!i el mejor%
&l resultado es impresionante: tras QD4 generaciones surgidas de una poblacin inicial de 7D
redes neuronales, el mejor de estos programas jug contra todos los ad!ersarios humanos
deseosos de aceptar el desafo a tra!)s de 0nternet% &n L4 partidas, la red neuronal se coloc
en el ni!el 2 de la clasificacin estndar de los jugadores de damas, slo por detrs de los
e#pertos y de los maestros% -ejor an: consigui derrotar a un ad!ersario e#perimentado% Una
!ictoria ms notable toda!a porque el conjunto del proceso e!olucionista slo requiri unos
cuantos das de clculos en un ordenador dom)stico de 7CC megahercios$, con una potencia
incomparablemente menor a la de los supercalculadores a menudo utili;ados en inteligencia
artificial%
Los ro4ots cada ve= m.s parecidos al hom4re
El catedrtico de Inteligencia Artificial de la Universidad Politcnica de Madrid, Enric
Trillas, cree posible la consecucin de robots con inteligencia artificial capaces de
sustituir al hombre ya que "hasta ahora cada vez que alguien ha predicho que algo
jams lo conseguira la informtica o los robots se ha equivocado"
La investigacin sobre inteligencia artificial se convierte en el gran reto de los
cientficos. Prueba de ello es Sasex, un ingendro informtico con inteligencia
artificial capaz de interpretar melodas de jazz. Es un virtuoso del saxo por su
creatividad. Ninguna de sus interpretaciones se parece, aunque se trate de la
misma cancin, porque a todas les aporta su toque "personal". Unas veces alarga
las notas, otras acelera los ritmos, todo depende de la "emocin del momento".
Segn su creador, Ramn Lpez de Mntaras, cientfico del Instituto de
Investigacin de Inteligencia Artificial del CSIC, "si uno escucha su msica es muy
difcil distinguir sus interpetaciones de las de un humano. El hace msica creativa".
Otro ejemplo lo constituye Deep Blue, una mquina capaz de realizar 200
millones de posiciones de ajedrez por segundo, fue capaz de ganar al campen del
mundo Gay Kasparov. Asmismo, Steven Spielberg ha realizado la pelcula
"Inteligencia Artificial", en la que cuenta que en el futuro habr robots-nios con
sentimientos, deseos y sueos que pueden suplantar a los hijos.
El fsico Stephen Haewking ha lanzado una advertencia: "Como no se mejore
genticamente al hombre pronto ser superado por los robots y existe el peligro
real de que asuman el control del mundo".
Los cientficos italianos han preguntado al Papa si es tico investigar en
inteligencia artificial y el Vaticano ha respondido que no hay problema.
"Los robots futuros con inteligencia artificial sern como otra especie distinta al
hombre con la que aprenderemos a convivir. No sern como hombres aunque
puedan hacer lo que l hace.Es como un avin: no es un ave pero vuela. El robot
siempre se diferenciar del hombre en dos aspectos: no posee experiencia vital que
le permita saber si hace fro o calor y tampoco tendr emociones como la tristeza,
la frustracin, la melancola...", explica Lpez de Mntaras.
Pero los cientficos tambin quieren dotarlos de estas caractersticas humanas.
La primera, la capacidad de hacer juicios de valor no exactos, se conseguira con la
denominada lgica difusa o borrosa, una rama de la inteligencia artificial que imita
la conducta humana. "Es la lgica de la imprecisin", matiza el catedrtico de la
UPM, Enric Trillas, considerado como uno de los mayores expertos del mundo en
esta extraa disciplina a caballo entre la informtica y la filosofa. A diferencia de la
lgica binaria que usan los ordenadores actuales y que slo les permite distinguir
entre dos valores, blanco o negro, verdadero o falso, la lgica borrosa posibilita
establecer toda la amplia gama intermedia entre dos estados.
El cientfico canadiense, Chris Mckinstry, con su superordenador GAC (Conciencia
Artificial General), el Instituto Tecnolgico de Massachussets con el "Open Mind" o
la NASA, entre otros, estn convencidos de que un ordenador puede acumular
experiencia vital.
El Mundo del da 24 de Septiembre de 2001.
Uso de Tcnicas de Inteligencia
Artificial para Aplicaciones Financieras
Carlos &0 Coello Coello>
7a0 %uadalupe Castillo apia>>
El creciente desarrollo de la tecnologa ha incrementado considerablemente los
volmenes de informacin que las empresas actuales deben manipular, no slo
para realizar sus operaciones cotidianas, sino tambin para expandir sus mercados
y para dirigir sus productos al pblico adecuado.
Al usarse una tarjeta de crdito, por ejemplo, suelen acumularse datos sobre
patrones de consumo que despus se vendern a diversas empresas. Sobre la base
de los pagos efectuados en dicha tarjeta de crdito, los bancos e instituciones de
crdito irn elaborando un historial del usuario, el cual se utilizar para autorizar
una transaccin, para decidir cundo extender el crdito y para detectar fraudes.
Este tipo de procesos requiere de chequeos que suelen resultar bastante complejos,
adems del uso de criterios variables para poder tomar una decisin final en torno a
la autorizacin de una cierta transaccin. Claro que, al manejar enormes volmenes
de informacin, como las 16 millones de transacciones que Visa International debe
verificar diariamente, no resulta nada fcil poder detectar un fraude. Aunque es
evidente la necesidad de automatizar este proceso, no es del todo obvio incorporar
el comportamiento "inteligente" requerido en un programa de computadora que
reemplace a un evaluador humano.
A travs de los aos, se han utilizado diversas tcnicas de Inteligencia Artificial (IA)
para emular dichos "comportamientos inteligentes". Al software que hace uso de
dichas tcnicas se le denomina, de forma genrica, "sistema inteligente", y la gama
de aplicaciones financieras donde incide es cada vez ms amplia, como se muestra
en la grfica de la pgina 2. (tomada de(1)).
En este artculo se revisarn brevemente algunas aplicaciones financieras del
mundo real de las cuatro tcnicas de IA ms ampliamente utilizadas en la
actualidad: los algoritmos genticos, las redes neuronales, la lgica difusa y los
sistemas expertos.
&lgoritmos gen9ticos
En los ltimos aos ha habido un notable incremento en las aplicaciones de los
algoritmos genticos a problemas financieros de diversa ndole, y las aplicaciones
presentadas a continuacin son simplemente representativas.
Kingdon y Feldman(2) han usado algoritmos genticos para predecir la bancarrota
de una corporacin. El objetivo de este problema es determinar si la capacidad
financiera de una empresa es suficiente como para absorber un prstamo, y as
decidir si se le otorga o no. Los mtodos tradicionales para este proceso son las
tcnicas de programacin lineal, principalmente el anlisis discriminante mltiple. El
algoritmo gentico propuesto por Kingdon y Feldman(2) ha sido capaz de inferir
reglas para predecir la bancarrota de una empresa usando su informacin
financiera (datos sobre ventas, ingresos, activos, etc.). En promedio, los autores
reportaron que el algoritmo gentico produjo resultados un 15% mejores que los
modelos tradicionales. Esta es una aplicacin muy interesante, porque el algoritmo
gentico produce reglas que ayudan a predecir a un humano la posibilidad de que
una cierta empresa se vaya a la quiebra. Debido a que estas reglas pueden ser
analizadas por un humano, los usuarios del sistema (en este caso una agencia de
crdito italiana) prefirieron el uso de algoritmos genticos por encima de las redes
neuronales, ya que aunque estas ltimas proporcionaban resultados similares, las
decisiones se producan sin generar reglas, lo que haca dudar a los usuarios sobre
la veracidad de los resultados (1,2).
Packard(3)utiliz un algoritmo gentico para determinar la asignacin del
presupuesto gubernamental de un estado. En esta aplicacin se consideraron 730
dependencias, entre las cuales se repartira el presupuesto, y cada una de las
cuales debi llenar un cuestionario en el que detallaban el tipo de productos que
deseaban adquirir. Dicho cuestionario contaba con 19 preguntas, y cada una
contena tena 12 respuestas posibles. El algoritmo gentico se utiliz para inferir
reglas que indicaran cules eran las mejores decisiones sobre la asignacin de
recursos sobre la base de varios aos de informacin histrica. Packard(3) logr
encontrar ciertas combinaciones de respuestas especficas que conducan a
maximizar la eficiencia del proceso (la eficiencia se meda dividiendo el dinero
gastado entre el dinero asignado; conforme este valor se aproximaba ms a uno,
mayor resultaba la eficiencia). Los resultados proporcionados por el algoritmo
gentico resultaron muy buenos, comparados con los producidos mediante tcnicas
tradicionales de asignacin de recursos.
Walker et al.(4) reportan el uso de programacin gentica para generar frmulas
que mapeen valores observados en salidas esperadas, dado un conjunto cualquiera
de datos (bsicamente, se trata de un problema de regresin simblica). Walker y
sus colegas aplicaron programacin gentica a la evaluacin de crditos, y esta
mostr ser una alternativa viable para las tcnicas tradicionalmente utilizadas en
este dominio: mtodos estadsticos, redes neuronales y algoritmos de aprendizaje
mediante ejemplos (como el ID3).
"edes Neuronales
Visa International tiene actualmente en operacin un sistema de detecccin de
fraudes que usa redes neuronales, el cual ha sido empleado por 5 bancos
canadienses y 10 bancos norteamericanos, cubriendo a unos 40 millones de
tarjetahabientes(1). La red neuronal se entrena en este caso para detectar
actividades fraudulentas, comparando transacciones legales con casos previos de
fraude. Una vez que la red ha aprendido ciertos patrones de comportamiento
"sospechosos", se le utiliza para alertar a un experto humano cuando una cierta
transaccin pudiese resultar fraudulenta. Este sistema, llamado Cardholder Risk
Identification Service (CHRIS) le ahorr a Visa International unos 40 millones de
dlares solamente durante sus primeros 6 meses de operacin(5).
Dutta y Shekhar(6) describen el uso de una red neuronal para predecir la
clasificacin de los bonos de una empresa. Los bonos que emite una cierta
compaa son clasificados (por ejemplo, AAA, AAB, etc.) por organizaciones
independientes sobre la base de sus riesgos posibles. Esta clasificacin estima la
capacidad de una compaa de poder re-pagar estos bonos en el tiempo convenido,
con la tasa de inters acordada. Claro que los mtodos usados por estas
organizaciones para producir tales clasificaciones son estrictamente confidenciales,
a fin de evitar la especulacin. La idea de la tcnica de Dutta y Shekhar fue usar
informacin de dominio pblico sobre la empresa (por ejemplo, sus balances
financieros) para predecir la clasificacin que se le asignar a sus bonos. Si se logra
predecir esta clasificacin con una cierta tolerancia, se pueden hacer inversiones
muy afortunadas, y de ah la importancia de esta aplicacin. Tradicionalmente, se
han utilizado mtodos de regresin estadstica para tratar de realizar estas
predicciones, producindose resultados con una precisin del 60% en promedio. La
red neuronal de Dutta y Shekhar fue capaz de efectuar predicciones con una
precisin del 82% usando 10 variables de entrada que describen el estado
financiero de una compaa (entre ellas se incluyen su liquidez, sus activos, la
relacin entre ganancias y ventas, el capital de trabajo, los porcentajes de
crecimiento y su porcentaje de endeudamiento).
Lgica difusa
El Fuji Bank, en Tokio, usa un sistema que maneja lgica difusa para efectuar
transacciones con bonos a corto plazo(7). Este sistema ha estado en operacin
durante los dos ltimos aos, y consta de unas 200 reglas difusas que se basan en
estrategias financieras de uso comn. Dado que en la vida real este tipo de reglas
tienen un tiempo de vida limitado, las reglas difusas del sistema son tambin
actualizadas regularmente por expertos humanos, usando como base datos
histricos y su propia experiencia. Se ha estimado que este sistema le ha permitido
al Fuji Bank ganar unos 770,000 dlares mensuales(7).
Un rea de aplicacin de la lgica difusa que ha crecido considerablemente en los
ltimos aos es la extraccin de informacin de bases de datos. En la extraccin
convencional de informacin no se permite el tipo de flexibilidad a la que los
humanos estamos acostumbrados, porque el tipo de bsqueda que se efectuara
poda pasar por alto detalles importantes que para un ser humano resultaran
obvios. Por ejemplo, si queremos detectar a agentes de ventas jvenes que sean
prometedores, tendramos que definir qu entendemos por "joven" y por
"prometedor". Si, por ejemplo, para nosotros, alguien de menos de 25 aos es
joven, entonces podramos pasar por alto el desempeo de vendedores de 26 aos.
Anlogamente, si para nosotros es "prometedor" alguien que vende ms de
100,000 pesos en un ao, podramos ignorar a quien vende 99,000 pesos. La lgica
difusa permite definir de manera ms flexible el tipo de bsqueda que deseamos
realizar, y nos proporcionara mucha mayor informacin que las tcnicas
tradicionales. McNeil y Freiberger(7) presentan ejemplos reales de este tipo de
aplicaciones.
Cox(8) presenta un sistema de deteccin de fraudes en el suministro de servicios
de salud que usa lgica difusa. Esta aplicacin intenta disminuir las prdidas
millonarias que se producen por concepto de fraudes en el sector salud en los
Estados Unidos (que se estima ascienden a entre el 10% y 12% de los 650,000
millones de dlares que se gastan anualmente en servicios mdicos en aquel pas).
Este sistema se basa en la deteccin de patrones anmalos o sospechosos de
comportamiento usando reglas derivadas de expertos humanos, a las que la lgica
difusa proporciona la flexibilidad necesaria para hacerlas tiles en un sistema de
cmputo.
!istemas E?pertos
Existe un gran nmero de aplicaciones exitosas de sistemas expertos reportadas en
la literatura(9,10,11). Algunos ejemplos de empresas que los utilizan son:
American Express, Citibank, Manufacturers Hanover Trust, Yamaichi Securities y
National Westminister Bank, que los han empleado para efectuar evaluacin de
prstamos personales, manejo de inversiones, y para predicciones de mercados
financieros(1).
La empresa californiana Countrywide Funding usa un gigantesco sistema experto
para evaluar sus hipotecas. El objetivo de la empresa era desarrollar un sistema
inteligente capaz de evaluar hasta 50,000 aplicaciones mensuales de una forma
ms eficiente que la utilizada tradicionalmente(12). Aunque inicialmente se
evaluaron otras tcnicas, tales como las redes neuronales, se opt por los sistemas
expertos debido a su capacidad de explicar la forma en que se llega a una cierta
decisin. Tradicionalmente, el proceso de evaluacin de hipotecas es efectuado por
personal altamente calificado que analiza hasta unos 150 elementos para tomar su
decisin, incluyendo la solvencia del cliente y el valor de la propiedad. En promedio,
el proceso de evaluacin manual toma unos 50 minutos. El sistema experto que
Countrywide Funding usa ahora, llamado CLUES, tiene unas 1,000 reglas y requiere
de entre 1 y 2 minutos para procesar una aplicacin(12). El sistema aprueba
automticamente el 55% de las aplicaciones y desaprueba todas aquellas que un
humano rechazara. Si el sistema recomienda que se rechace una aplicacin, la
decisin final la debe tomar un evaluador humano, quien verifica el proceso que
sigui el programa para tomar esa decisin.
La empresa aseguradora Continental Canada ha desarrollado un sistema experto
para evaluar aplicaciones de seguros para automviles de una forma eficiente(13).
Este sistema contiene cientos de reglas derivadas de expertos humanos en plizas
de seguros. Por ejemplo, hay reglas especficas para asignar un riesgo ms alto a
aquellos casos en que el cliente sea joven (y por tanto inexperto) y cuando se
tengan vehculos ms viejos (y por ende ms propensos a fallas mecnicas). El
sistema procesa todas las aplicaciones y activa ciertas alertas cuando se detectan
posibles problemas. En estos casos, la decisin final queda a cargo nuevamente de
un experto humano. Continental Canada afirma que este sistema experto redujo los
gastos administrativos de la empresa en un 55%, incrementado las ganancias en
un 30%.
endencias +uturas
Indudablemente, el uso de los sistemas inteligentes en aplicaciones financieras se
extender considerablemente en los aos venideros, pues se ha percibido una
fuerte tendencia en esa direccin en los ltimos aos, con el advenimiento de
varias conferencias especializadas, la formacin de postgrados y la publicacin de
libros y revistas especializadas.
Es importante hacer notar que, aunque los sistemas inteligentes suelen presentar
varias ventajas con respecto a las tcnicas tradicionales de programacin lineal o
de clculo de series de tiempo, que se suelen utilizar en diversas reas financieras,
su uso no intenta reemplazar a los expertos humanos totalmente, sino ms bien
auxiliarlos para realizar ms rpida y eficientemente su tarea.
Una de las tendencias ms marcadas en la actualidad es mezclar diferentes tcnicas
en una misma aplicacin, aprovechando las ventajas de cada una. Por ejemplo, el
London Stock Exchange ha concluido la primera fase de un sistema automatizado
de deteccin de fraudes, que son sumamente difciles de descubrir por medios
manuales. El sistema que utilizan, llamado MonITARS (Monitoring Insider Trading
and Regulatory Surveillance) usa una combinacin de algoritmos genticos, lgica
difusa y redes neuronales para detectar transacciones sospechosas(14). Detectar
transacciones fraudulentas en este entorno es sumamente difcil por medios
convencionales, pues resulta fcil ocultarlas entre las ms de 100,000 operaciones
que se efectan diariamente en la bolsa de valores londinense.
El sistema moniTARS usa una combinacin de tcnicas estadsticas y redes
neuronales para identificar conductas inusuales en el mercado, sobre la base de los
perfiles de los individuos y empresas que efectan transacciones regularmente. Un
sistema que usa algoritmos genticos y lgica difusa se encarga de buscar patrones
especficos, o combinaciones de ellos, que puedan ser calificados de "conductas
sospechosas". El sistema es incluso capaz de detectar anillos de distribucin, en los
cuales varios individuos (o un individuo con varias cuentas) efectan transacciones
a travs de todas sus cuentas, con el propsito de manipular el mercado o
beneficiarse ilegalmente de la especulacin.
En trminos de aplicaciones, parece haber una tendencia hacia el crecimiento del
sector de ventas al menudeo, debido sobre todo al incremento en el uso del
Internet. En trminos de tcnicas de Inteligencia Artificial, parece claro que los
agentes(15,16) jugarn un papel preponderante en los sistemas inteligentes del
futuro.
Los agentes tienen la capacidad de negociar a nombre de sus dueos, y navegan a
travs de recursos en lnea (digamos, en el Internet) para obtener informacin o
servicios. Por ejemplo, se les puede usar para efectuar transacciones en la bolsa de
valores, envindolos a travs de los ndices de diferentes pases, y usndolos para
extraer informacin de diversas bases de datos. En el futuro, tal vez las
transacciones mismas se efecten entre agentes electrnicos, que sern capaces de
negociar entre s los precios de las acciones. Una de las tendencias en esta
disciplina es el disear "agentes autnomos", los cuales podrn decidir por s
mismos en torno a una cierta accin, cuando la intervencin humana pueda hacer
perder segundos valiosos en una transaccin. Algunos de estos agentes podran
tambin permanecer "dormidos" en algn lugar de una enorme red financiera, y
"despertar" slo cuando se presenten ciertas oportunidades para efectuar
transacciones que le interesen a su dueo. Claro que este tipo de tcnicas son
todava una posibilidad, y las consecuencias que su uso podra traer an no se han
analizado en toda su magnitud.
"eferencias-
(1) Goonatilake, Suran. "Intelligent Systems for Finance and Business: An
Overview", en Goona-tilake, Suran & Treleaven, Philip (Eds). Intelligent Systems for
Finance and Business, John Wiley & Sons, 1996, pp. 1-28.(2) Kingdon, J. &
Feldman, K. "Genetic Algorithms for Bankruptcy Prediction", Search Space Research
Report No. 01-95, SearchSpace Ltd, Londres, 1995.
(3) Packard, N. H. "A Genetic Learning Algorithm for the Analysis of Complex Data",
(Complex Systems, 4, 543-572).
(4) Walker, R. F.; Haasdijk, E. W. & Gerrets, M. C. "Credit Evaluation Using a
Genetic Algorithm", en Goonatilake, Suran & Treleaven, Philip (Eds). (Intelligent
Systems for Finance and Business, John Wiley & Sons, 1996, pp. 39-59).
(5) Holder, V. "War on Suspicious Payments", Financial Times, 7, February, 1995.
(6) Dutta, S. & Shekhar, S. "Bond Rating: A Non-Conservative Application of Neural
Networks", Proceedings of the IEEE International Conference on Neural Networks,
San Diego, California, 1988.
(7) McNeil, Daniel & Freiberger, Paul. "Fuzzy Logic", Simon & Schuster, 1993.
(8) Cox, Earl, "A Fuzzy System for Detecting Anomalous Behaviors in Healthcare
Provider Claims", en Goonatilake, Suran & Treleaven, Philip (Eds). (Intelligent
Systems for Finance and Business, John Wiley & Sons, 1996, pp. 111-134).
(9) Feigenbaum, E.; McCorduck, P. & Nii, H. "The Rise of the Expert Company",
Macmillan, 1988.
(10) "Financial Applications",(IEEE Expert, Special Issue, Vol. 2, No. 3, 1987).
(11) Leinweber, D. "Knowledge-Based Systems for Financial Applications", (IEEE
Expert, Vol. 3, No. 3, pp. 18-31, 1988).
(12) Intertek Group, "Adaptive Computational Methods in Retail Banking and
Finance", 1994.
(13) Pilote, M. & Fillion, M. "Automated Underwriting at Continental Canada:
Results and Major Obstacles", (Proceedings of the First AI Conference on Wall
Street, IEEE Computer Press, 1991).
(14) Holder, V. "Tackling Insider Dealing with Fuzzy Logic", (Financial Times, 29,
September, 1994).
(15) Maes, P. "Agents That Reduce Work and Information Overload",
(Communications of the ACM, July, 1994).
(16) Russell, Stuart & Norvig, Peter. "Artificial Intelligence. A Modern Approach",
Prentice-Hall, 1995.
!oft@are desarrollado
UN%ENEICO-
Una librera orientada a objetos, e implementada en C++ para la utilizacin
de Algoritmos Genticos en los que la codificacin del genoma puede
contener tipos binarios, enteros, reales, etc.. Visite la pgina principal del
proyecto.
UN+U::# ,03-
Software para el Anlisis, Diseo, Simulacin e Implementacin de Sistemas
de Lgica Difusa. Corre en plataformas Win32. Puede obtener el manual del
usuario(198 Kb) en formato Word 6.0 , aunque la informacin de este
manual se encuentra contenida en la Ayuda en lnea del programa
La versin 1.2 presenta dos novedades respecto a la versin 1.1:
Se incluye un programa adicional, UNF.EXE, que permite emplear los
Sistemas de Lgica Difusa diseados previemente con UNFUZZY, sin
necesidad de desplegar la interfaz grfica. Los datos de entrada y de
salida se almacenan en archivos de texto.
UNFUZZY est ahora disponible tambin en otros idiomas, aunque el
Manual de Usuario y la Ayuda en Lnea estn an (y permacer por
algn tiempo) en Espaol):
o Espaol (890 Kb)
o Ingls (890 Kb)
o Italiano (890 Kb): Traducido por Mirko Sitta
o Checo (890 Kb): Traducido por Jan Prochazka (Algunos
acentos no se visualizan, o lo hacen de forma incorrecta)
Deseas obtener UNFUZZY en un idioma diferente? Para ello
necesitamos tu ayuda: slo tienes que descargar un archivo en
Espaol(2.3Kb) o en Ingls(2.3Kb), traducirl o a tu idioma, y enviarlo
a Oscar Duarte. En unos das estar disponible la versin en tu
idioma. Gracias a la colaboracin desinteresada de Mirko Sitta y Jan
Prochazka tenemos ahora las vers iones en Italiano y en Checo."
'38'66; is no: available in other languages* but the 'ser7s Manual
and the <elp 8iles are still ,and :ill remain for some time+ in 0panish)
o 0panish ,=>? 9b+
o 1nglish ,=>? 9b+
o #talian ,=>? 9b+) Translated by Mir@o 0itta
o 4-ech ,=>? 9b+) Translated by Aan .rocha-@a ,some special
characters are not displayed* or they are :rong+
2o you :ant to get '38'66; in a different languageB Ce need your
help) ;ou just have to do:nload a file :ritten in 0panish,!D9b+ or in
1nglish,!D9b+* transalte it to your langua ge* and send it to Escar
2uarte! #n a fe: days your language version :ill be availablea!
Than@s to the colaboration of Mir@o 0itta and Aan .rocha-@a :e have
no: the #talian and 4-ech versions!
Ejemplos de UN+U::#-
Tres ejemplos desarrollados usando UNFUZZY. Aqu encontrar codigo fuente
de un Controlador de Pndulo Invertido(834 Kb), un Identificador(903 Kb) de
una planta, y un sistema de prediccin(1160 Kb) para la serie de tiempo del
caudal mensual del ro Bogot
9cnicas Difusas de Evaluacin de Impacto &m4iental -(825 Kb)
Un completo programa para efectuar Evaluaciones de Impacto Ambiental
utilizando como marco de referencia las Tcnicas Difusas. El soporte terico
de esta aplicacin lo encuentra en este Texto (100 6 Kb).
La4&g(1315 Kb):
Un Programa para experimentar con los Algoritmos Genticos de Codificacin
Real. Dispone de una amplia gama de operadores para evaluar su
comportamiento ante cuatro funciones de prueba de distinta complejidad.
Corre en plataformas Windows de 32 bits.
CA7E&N!(1030 Kb):
Una herramienta para la utilizacin del popular algoritmo de agrupamiento
difuso c-means en varias dimensiones. Corre en plataformas Windows de 32
bits.
CA7E&N! ejemplo m5nimo(45 Kb):
Un sencillo programa demostrativo del algoritmo de agrupamiento difuso c-
means. Corre en DOS, y se trata de agrupar los nmeros enteros del 1 al 20.
Se incluye el cdigo fuente.
ITERNET:
ttp:KKLLL.iespana.esKiabotKcienciaKsoftLareKiaKinteligenciaMartificial.tm
ttp:KKLLL.monografias.comKtrabajos'*KintelartKintelart.stml
ttp:KKmembers.fortunecity.esKrobertextoKarci!o',KinteliMartif.tm
ttp:KKciberconta.uni#ar.esKBECC?HAKsistexpatK'**.390
ttp:KKLLL.redcientifica.comKdocKdoc,**,*5'(***'.tml
ttp:KKLLL.madrimasd.orgKculturaCientificaKateneoKtemascandentesKinteligenciaartifiKde
fault.asp
ttp:KKLLL.molLic:.comKmemint.esKam';'*,;educacioncerebro.tmlN9exto
ttp:KKome.Lorldonline.esKjmariocrKintroduccion.tm