Home » Inteligencia artificial (Page 6)
Category Archives: Inteligencia artificial
Sistema multiagente para el diseño, ejecución y seguimiento del proceso de planificación estratégica ágil en las organizaciones inteligentes
SMAPE: Sistema multiagente para el diseño, ejecución y seguimiento del proceso de planificación estratégica ágil en las organizaciones inteligentes
Juan Luis Dalmau Espert
Tesis Doctoral
Directores: Dr. Rafael Molina Carmona y Dr. Faraón Llorens Largo
Universidad de Alicante
Alicante, Enero 2016
Acceso al documento completo en RUA
Resumen:
Desde finales de la década de 1980 e inicio del siglo XXI han acaecido una serie de hechos que, tomados en conjunto, dibujan un nuevo panorama dentro del mundo de las organizaciones. Estos nuevos tiempos están caracterizados por la incertidumbre y la complejidad del entorno en el que éstas tienen que desarrollarse e interactuar. Bajo estas condiciones las organizaciones han visto la necesidad de cambiar su modelo y su estructura, evolucionando hacia otros modelos y estructuras que garanticen una mayor participación de los grupos implicados de la organización, que posibiliten la toma de decisiones de forma distribuida y que, además, proporcionen a la organización un incremento de la flexibilidad y de la agilidad para adaptarse rápidamente a los constantes cambios que sufre el entorno que le rodea.
El conocimiento y el aprendizaje son hoy en día las piezas fundamentales de este nuevo modelo por ser el medio clave a través del cual es posible reducir la complejidad e incertidumbre que caracteriza este entorno organizacional. Este cambio conlleva la necesidad de una revisión del resto de los procesos vinculados a la organización tradicional en aras de adaptarlos al nuevo enfoque. Entre estos procesos destacan, por su relación con el conocimiento y el empleo del mismo para la dirección estratégica, el proceso de Aprendizaje Organizacional y el de Planificación Estratégica.
En este trabajo de tesis se propone una revisión al proceso de planificación estratégica que esté en consonancia con el nuevo modelo de organización y que dé solución a la problemática actual que tienen las organizaciones para llevarlo a cabo de forma eficaz y eficiente. En esta revisión se propone un modelo que permite diseñar el proceso de planificación estratégica, ejecutarlo para obtener el plan estratégico y, posteriormente, poder realizar el seguimiento de dicho plan. Dada la vinculación e importancia que dentro del proceso de planificación estratégica tiene el proceso de aprendizaje organizacional éste es integrado también dentro del modelo. Debido a la necesidad en la actualidad de ajuste del plan estratégico por los cambios constantes en el entorno y la dificultad para hacerlo, el modelo permite el rediseño ágil y flexible del proceso de planificación estratégica para obtener nuevos planes estratégicos en periodos de tiempo más cortos, logrando así que la organización tenga una mejor sincronía con su entorno.
A nivel de diseño el modelo que se propone está basado en la tecnología multiagente y en el uso de una ontología que permite la formalización del proceso de planificación estratégica y de la información que se maneja. La combinación de ambos elementos posibilita que en la ejecución del proceso de planificación estratégica sea posible que los participantes puedan colaborar, interactuar, generar información y conocimiento que sirva para realizar cada uno de los pasos del proceso y para constituir una experiencia aprovechable para la realización de futuros procesos de planificación estratégica. Esta experiencia constituye además el elemento clave que el modelo propone que puede ser empleado para automatizar los pasos del proceso y mejorar la toma de decisiones.
En definitiva, el modelo propuesto es una solución formal, integral, ágil y flexible para llevar a cabo el proceso de planificación estratégica en las organizaciones actuales y bajo las condiciones que rodean a éstas.
Sistema predictivo progresivo de clasificación probabilística como guía para el aprendizaje
Sistema predictivo progresivo de clasificación probabilística como guía para el aprendizaje
Carlos J. Villagrá Arnedo
Tesis Doctoral
Directores: Dr. Rafael Molina Carmona y Dr. Faraón Llorens Largo
Universidad de Alicante
Alicante, Enero 2016
Acceso al documento completo en RUA
Resumen:
El trabajo realizado en esta tesis está basado en el desarrollo de un modelo de predicción progresiva que mejora el proceso de enseñanza-aprendizaje a través del uso de las tecnologías de la información y, en particular, de las técnicas de inteligencia artificial.
Este modelo tiene como base un sistema interactivo gamificado que gestiona las prácticas de la asignatura Matemáticas I, en las que se aprende razonamiento lógico a través de un videojuego llamado PLMan, muy similar al comecocos (PacMan). Los estudiantes acceden durante el curso a este sistema y van progresando y acumulando nota en las prácticas de la asignatura mediante la resolución de mapas del videojuego PLMan.
Los datos procedentes de la interacción de los estudiantes con el sistema gamificado se registran en una base de datos. A partir de estos, se extraen unas características representativas del estado de los estudiantes, consistentes en datos de uso del sistema y resultados de aprendizaje.
El modelo usa la técnica de Machine Learning SVM, y obtiene como resultado la clasificación semanal de los estudiantes en forma de probabilidad de que se encuentren en cada una de tres posibles clases: rendimiento alto, normal y bajo, acumulando los datos recogidos hasta la semana en curso.
Se han realizado experimentos con los datos recogidos durante el curso 2014/15, correspondientes a 336 estudiantes, obteniendo buenos resultados en cuanto a la precisión del algoritmo SVM propuesto. A continuación, se ha realizado un análisis exhaustivo de la correlación de las características empleadas con la nota final, extrayendo las que presentan una mayor relación lineal con esta última. Después, se ha realizado un nuevo experimento empleando sólo estas características seleccionadas, obteniendo unos resultados similares aunque ligeramente inferiores a los de la experiencia inicial, lo que denota que pueden existir relaciones no lineales entre las variables que la técnica SVM puede detectar.
Por último, el modelo planteado presenta los resultados obtenidos de forma que proporcionen información valiosa para profesores y estudiantes. Esta información se muestra en forma de gráficas fáciles de interpretar, constituyendo un mecanismo que permite detectar estudiantes que están en riesgo de fracasar y, en cualquier caso, permite guiarlos para que obtengan el máximo rendimiento.
En definitiva, se trata de un modelo de predicción del rendimiento del estudiante con dos aportaciones principales: clasificación en tres clases con valores de probabilidad y de forma progresiva, y la información visual en forma de gráficas, que representan un mecanismo de guía para la mejora del proceso de enseñanza-aprendizaje.
Estimating difficulty of learning activities in design stages: A novel application of Neuroevolution
Estimating difficulty of learning activities in design stages: A novel application of Neuroevolution
Francisco José Gallego Durán
Tesis Doctoral
Director: Dr. Faraón Llorens Largo
Universidad de Alicante
Alicante, 2015
Acceso al documento completo en RUA
Abstract:
In every learning or training environment, learning activities are the basis for practical learning. Learners need to practice in order to acquire new abilities and perfect those previously gained. The key for an optimized learning process is correctly assigning learning activities to learners. Each learner has specific needs depending on previous knowledge and personal skills. A correct assignment for a given learner would be selecting a learning activity that closely matches learner’s skills and knowledge. This brings up the concept of difficulty. Difficulty of a learning activity could be defined as the effort that a learner has to make to successfully complete the learning activity and obtain its associated learning outcomes. So, a difficult activity would simply require much effort to be successfully completed.
Learners presented with too difficult learning activities tend to abandon rather than performing required effort. This situation could be better understood as the learner perceiving the activity as an unbalanced invested-return ratio: too much effort for the expected learning outcomes. A similar case occurs when difficulty is too easy. In that case, effort perceived is low, but learning outcomes are perceived as even lower. If the activity does not pose a challenge for the learner is because the learner already masters the involved abilities, and that makes learning outcomes tend to zero. Both situations drive learners to losing interest.
To prevent this from happening, teachers and trainers estimate difficulties of learning activities based on their own experience. However, this procedure suffers an effect called the Curse of Knowledge: every person that masters an activity, becomes biased for estimating the effort required to master that same activity. Therefore, correctly estimating difficulties of learning activities is an error-prone task when expert-knowledge is used to estimate them. But estimating difficulty without carrying out the learning activity would probably yield even worse results.
In order to escape from this error-prone cycle, the first solution would be to measure the effort involved in successfully completing the learning activity. For that purpose, an objective effort measurement should be defined. This approach has been followed by many previous works and it is the general approach in the field of Learning Analytics. Although this approach yields many types of considerable results, it has an important drawback. It is impossible to have a measure without learners performing the learning activity. Therefore, at design stages of the learning activity, how does the designer know whether the activity is too hard/too easy? Is there a way to have an valid estimation of difficulty of a learning activity before handing it to learners?
This work proposes a new approach to tackle this problem. The approach consists in training a Machine Learning algorithm and measure the “effort” the algorithm requires to find successful solutions to learning activities. The “effort” will be the learning cost: the time the algorithm requires for training. After that, results obtained from training the Machine Learning algorithm will be compared to results measured from actual learners. Under the assumption that learning costs for Machine Learning algorithms and those for learners have some kind of correlation, results from comparing them should show that correlation. If that were the case, then the learning cost that Machine Learning algorithms invest in training could be used as an estimation of the difficulty of the learning activity for learners.
In order to implement this approach and to obtain experimental data, two Neuroevolution algorithms have been selected for the Machine Learning part: Neuroevolution of Augmenting Topologies (NEAT) and Hypercube-based Neuroevolution of Augmenting Topologies (HyperNEAT).
Implementing this proposed approach has yielded several contributions that are presented in this work:
• A new definition of difficulty as a function, based on the progress made over time as an inverse measure of the effort/learning cost.
• A similarity measure to compare Machine Learning results to those of learners and know the accuracy of the estimation.
• A game called PLMan that is used as learning activity in the exper- iments. It is a Pacman-like game composed of up to 220 different mazes, that is used to teach Prolog programming, Logics and a light introduction to Artificial Intelligence.
• An application of NEAT and HyperNEAT to learn to automatically solve PLMan mazes.
• A novel application of Neuroevolution to estimate difficulty of learning activities at design stages.
Experimental results confirm that there exists a correlation between learning costs of Neuroevolution and those of students. Goodness of the presented results is limited by the scope of this study and its empirical nature. Nevertheless, they are greatly significant and may open up a new line of research on the relation between Machine Learning and humans with respect to the process of learning itself.
Applying Neuroevolution to Estimate the Difficulty of Learning Activities
Applying Neuroevolution to Estimate the Difficulty of Learning Activities
Francisco J. Gallego-Durán , Carlos J. Villagrá-Arnedo, Rafael Molina-Carmona, Faraón Llorens-Largo
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
16th Conference of the Spanish Association for Artificial Intelligence (CAEPIA 2015)
November 9–12, 2015, Albacete, Spain
http://simd.albacete.org/caepia15
Acceso a las Actas
Abstract
Learning practical abilities through exercises is a key aspect of any educational environment. To optimize learning, exercise difficulty should match abilities of the learner so that the exercises are neither so easy to bore learners nor so difficult to discourage them. The process of assigning a level of difficulty to an exercise is traditionally manual, so it is subject to teachers’ bias. Our hypothesis is about the possibility of establishing a relation between human and machine learning. In other words, we wonder if exercises that are difficult to be solved by a person are also difficult to be solved by the computer, and vice versa.
To try to bring some light to this problem we have used a game for learning Computational Logic, to build neuroevolutionary algorithms to estimate exercise difficulty at the moment of exercise creation, without previous user data. The method is based on measuring the computational cost that neuroevolutionary algorithms take to find a solution and establishing similarities with previously gathered information from learners.
Results show that there is a high degree of similarity between learner difficulty to solve different exercises and neuroevolutionary algorithms performance, suggesting that the approach is valid.
Detección precoz de dificultades en el aprendizaje. Herramienta para la predicción del rendimiento de los estudiantes
Detección precoz de dificultades en el aprendizaje. Herramienta para la predicción del rendimiento de los estudiantes
Carlos J. Villagrá-Arnedo, Francisco J. Gallego-Durán, Faraón Llorens-Largo, Patricia Compañ-Rosique, Rosana Satorre-Cuerda, Rafael Molina-Carmona
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
III Congreso Internacional sobre Aprendizaje, Innovación y Competitividad (CINAIC 2015)
Madrid, 14-16 de Octubre de 2015
http://www.cinaic.com
Acceso a las Actas
Resumen
Inspirados por las estrategias de detección precoz aplicadas en medicina, proponemos el diseño y construcción de un sistema de predicción que permita detectar los problemas de aprendizaje de los estudiantes de forma temprana. Partimos de un sistema gamificado para el aprendizaje de Lógica Computacional, del que se recolectan masivamente datos de uso y, sobre todo, resultados de aprendizaje de los estudiantes en la resolución de problemas. Todos estos datos se analizan utilizando técnicas de Machine Learning que ofrecen, como resultado, una predicción del rendimiento de cada alumno. La información se presenta semanalmente en forma de un gráfico de progresión, de fácil interpretación pero con información muy valiosa. El sistema resultante tiene un alto grado de automatización, es progresivo, ofrece resultados desde el principio del curso con predicciones cada vez más precisas, utiliza resultados de aprendizaje y no solo datos de uso, permite evaluar y hacer predicciones sobre las competencias y habilidades adquiridas y contribuye a una evaluación realmente formativa. En definitiva, permite a los profesores guiar a los estudiantes en una mejora de su rendimiento desde etapas muy tempranas, pudiendo reconducir a tiempo los posibles fracasos y motivando a los estudiantes.
Presentación
A Multi-Agent Strategic Planning System based on Blackboard
A Multi-Agent Strategic Planning System based on Blackboard
Juan Luis Dalmau-Espert, Faraón Llorens-Largo and Rafael Molina-Carmona
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
9th International Symposium on Intelligent Distributed Computing (IDC’2015)
7th-9th October 2015, Guimarães, Portugal
http://islab.di.uminho.pt/idc2015
Acceso a las Actas
Abstract
In the last years, the organizations have faced deep changes in their envi- ronments that have led them to a new complex and uncertain world. More participatory, flexible and distributed structures are needed to address and reduce this uncertainty and complexity. This new form of governance in- volves changes in the Strategic Planning process to meet the new situation. A new agile, collaborative, integrated, and automated architecture of a Multi-Agent Strategic Planning System is presented. It is based on a black- board and an ontology, and it lets the participating experts (human or not) cooperate and interact to ensure better decisions.
Enseñando a programar: un camino directo para desarrollar el pensamiento computacional
Enseñando a programar: un camino directo para desarrollar el pensamiento computacional
Patricia Compañ-Rosique, Rosana Satorre-Cuerda, Faraón Llorens-Largo y Rafael Molina-Carmona
Universidad de Alicante
RED (Revista de Educación a Distancia).
Número 46, 15 de Septiembre de 2015, Número monográfico sobre “Pensamiento computacional”.
Está ampliamente aceptado que es fundamental desarrollar la habilidad de resolver problemas. El pensamiento computacional se basa en resolver problemas haciendo uso de conceptos fundamentales de la informática. Nada mejor para desarrollar la habilidad de resolver problemas usando conceptos informáticos que una asignatura de introducción a la programación. Este trabajo presenta nuestras reflexiones acerca de cómo iniciar a un estudiante en el campo de la programación de computadores. El trabajo no detalla los contenidos a impartir, sino que se centra en aspectos metodológicos, con la inclusión de experiencias y ejemplos concretos, a la vez que generales, extensibles a cualquier enseñanza de programación. En general, aunque se van desarrollado lenguajes cada vez más cercanos al lenguaje humano, la programación de ordenadores utilizando lenguajes formales no es una materia intuitiva y de fácil comprensión por parte de los estudiantes. A la persona que ya sabe programar le parece una tarea sencilla, pero al neófito no. Es más, dominar el arte de la programación es complejo. Por esta razón es indispensable utilizar todas las técnicas y herramientas posibles que faciliten dicha labor.
Boosting the Learning Process with Progressive Performance Prediction
Boosting the Learning Process with Progressive Performance Prediction
Carlos Villagrá-Arnedo, Francisco J. Gallego-Durán, Rafael Molina-Carmona and Faraón Llorens-Largo
Departamento de Ciencia de la Computación e Inteligencia Artificial
Universidad de Alicante
10th European Conference on Technology Enhanced Learning (EC-TEL 2015)
Toledo, Spain, September 15-18, 2015
http://www.ec-tel.eu
Actas:
Design for Teaching and Learning in a Networked World
Lecture Notes in Computer Science 9307 (LNCS 9307)
http://www.springer.com/gp/book/9783319242576
Abstract.
A prediction system to early detect learning problems is presented. The starting point is a gamified learning system from which a massive set of usage and learning data is collected. They are analyzed using Machine Learning techniques and a prediction of each student’s performance is obtained. The information is weekly presented as a progression chart, with valuable information about students’ progression. The system has a high degree of automation, is progressive, uses learning outcomes as well as usage data, allows the evaluation and prediction of the acquired skills, and contributes to a truly formative assessment.
Keywords:
Performance prediction · Machine learning · Gamified systems · Automatic assessment · Learning process
Inteligencia Artificial para Juegos de Estrategia
Inteligencia Artificial para Juegos de Estrategia
Jorge Hernández Párraga
Tutores: Faraón Llorens Largo y Francisco J. Gallego Durán
Trabajo Fin de Grado en Ingeniería Multimedia
Escuela Politécnica Superior
Universidad de Alicante
Junio de 2015
Resumen:
El trabajo desarrollado en este proyecto se basa en el diseño e implementación de una inteligencia artificial diseñada para juegos de género MOBA, juegos de estrategia en tiempo real, que se encuentran en auge en la actualidad.
Estudio y análisis de la toma de decisiones de una IA desarrollada para este género, basado en un análisis estadístico del entorno, utilizando la información obtenida mediante sensores y rangos, y utilizándola de forma no lineal.
Análisis de como podrá variar la inteligencia artificial en distintas partidas, aun dándose las mismas situaciones, con la posibilidad de modificar el estado interno en tiempo real para controlar el comportamiento, así como la toma de decisiones de nuestra inteligencia artificial.
Desarrollo de una interfaz donde será posible visualizar los cambios realizados, así como ajustarlos en función del usuario.
En último lugar, implementación de la IA, junto a su estudio realizado anteriormente, dentro de un minijuego. El minijuego fue realizado para el debug de la inteligencia artificial y observar su funcionamiento, con un panel de control para poder visualizar y analizar el estado de la IA además de realizar modificaciones para ajustar el funcionamiento de la misma a los fines requeridos.
Relatos desde los dos lados del cerebro
Relatos desde los dos lados del cerebro.
Una vida dedicada a la neurociencia
Michael S. Gazzaniga
Paidos
Planeta de Libros
http://www.planetadelibros.com/relatos-desde-los-dos-lados-del-cerebro-libro-197920.html
Enlaces de interés:
Página web personal
Edición original: Tales from Both Sides of the Brain (HarperCollinsPublishers)
Frases entresacadas e ideas interesantes que puedo utilizar:
(Página 146)
“Creo que, en la vida, las cosas simplemente suceden, y bastante después de que hayan ocurrido nos inventamos una historia para que todo parezca racional. A todos nos gustan las historias sencillas que dan a entender que los acontecimientos de la vida siguen una cadena causal. Sin embargo, la aleatoriedad está siempre presente.”