RREEDD NNEEUURROONNAALL AARRTTIIFFIICCIIAALL PPAARRAA DDIIFFEERREENNCCIIAARR JJEEFFEESS DDEE VVEENNTTAASS CCOONN AALLTTOO OO BBAAJJOO CCUUMMPPLLIIMMIIEENNTTOO SSEEGGÚÚNN SSUU PPEERRFFIILL DDEE PPEERRSSOONNAALLIIDDAADD

NORMA CONSTANZA RODRÍGUEZ TORRES CLAUDIA MARCELA SIERRA SEPULVEDA

UNIVERSIDAD DE SAN BUENAVENTURA FACULTAD DE INGENIERÍA

PROGRAMA INGENIERÍA DE SISTEMAS BOGOTÁ, D.C.

2005

RREEDD NNEEUURROONNAALL AARRTTIIFFIICCIIAALL PPAARRAA DDIIFFEERREENNCCIIAARR JJEEFFEESS DDEE VVEENNTTAASS CCOONN AALLTTOO OO BBAAJJOO CCUUMMPPLLIIMMIIEENNTTOO SSEEGGÚÚNN SSUU PPEERRFFIILL DDEE PPEERRSSOONNAALLIIDDAADD

NORMA CONSTANZA RODRÍGUEZ TORRES CLAUDIA MARCELA SIERRA SEPULVEDA

Trabajo de grado para optar al título de Ingeniero de Sistemas.

Director CARLOS ANDRES LOZANO GARZÓN

Ingeniero de Sistemas

UNIVERSIDAD DE SAN BUENAVENTURA FACULTAD DE INGENIERÍA

PROGRAMA INGENIERÍA DE SISTEMAS BOGOTÁ, D.C.

2005

Nota de aceptación:

__________________________________________

__________________________________________

__________________________________________

__________________________________________

__________________________________________

__________________________________________

__________________________________________ Firma del presidente del jurado

__________________________________________ Firma del jurado

__________________________________________ Firma del jurado

__________________________________________ Firma asesor metodológico

Bogotá, D.C. 19 de enero de 2006

Dedicamos este proyecto a nuestros padres.

AGRADECIMIENTOS Queremos agradecer enormemente la colaboración recibida por tres personas que con sus valiosos aportes guiaron el desarrollo de este proyecto: Fabio Leonardo Parra Anzola. Ingeniero de Sistemas. Universidad Nacional de Colombia. Octavio Augusto Escobar. Psicólogo. Pontificia Universidad Javeriana. Carlos Andres Lozano Garzón. Ingeniero de Sistemas. Universidad Nacional de Colombia. Erika Cuadros. Psicóloga. Universidad de los Andes.

INTRODUCCIÓN

Al sondear el campo de las redes neuronales artificiales, como eje central de la investigación, la simple idea de su funcionamiento, inspirado en la forma como el cerebro soluciona los problemas, resulta fascinante. Desarrollar software, emulando el comportamiento de las neuronas biológicas, su interconexión, el procesamiento en paralelo, la representación interna de la información y su capacidad de aprender de la experiencia, conlleva a obtener resultados óptimos, cuando se trata de tareas sencillas para el ser humano como la clasificación de patrones; por lo tanto, construir un sistema inteligente de procesamiento de la información, que sea capaz de aprovechar las características propias de las redes neuronales biológicas, permite ofrecer soluciones a bajo costo y fáciles de implementar, incluso para problemas complejos, de forma más eficiente que la programación convencional. La finalidad del presente estudio es comprobar cómo mediante una red neuronal artificial es posible clasificar jefes de ventas con alto o bajo cumplimiento según su perfil de personalidad para lo cual se deben realizar dos procesos fundamentales, crear la RNA que incluye el entrenamiento y configuración de la misma y comprobar su óptimo funcionamiento, ajustándola posteriormente en caso de ser necesario para garantizar su efectividad. Buscando alcanzar esta meta, se ha diseñado y desarrollado una red neuronal artificial Perceptron multicapa, con mecanismo de aprendizaje Backpropagation, que ha sido entrenada con datos reales, del perfil de personalidad de jefes de ventas, obtenido mediante la prueba psicotécnica 16PF, tanto para aquellos que han demostrado ser exitosos en su cumplimiento, como para aquellos que no lo han sido; consiguiendo una clasificación muy precisa, sin tomar en cuenta necesariamente, factores como la experiencia y el nivel de estudios, que en la actualidad tienen gran relevancia en el proceso de selección de personal. Como medio para el desarrollo del proyecto y producto del mismo, se ha construido la herramienta ClasiV Pro, “Clasificador inteligente de vendedores”, mediante el lenguaje de programación Object Pascal, utilizando el programa para desarrollo de aplicaciones Delphi 2005; con el que se ofrece dos modalidades de uso:

9

o La primera, que permite la migración de un archivo con los patrones de entrenamiento, correspondientes a cada uno de los perfiles de personalidad y una vez entrenada la red, se brinda la posibilidad de guardar la configuración obtenida e iniciar la fase de funcionamiento para clasificar candidatos a vendedores. o La otra modalidad permite la migración de un archivo de configuración óptima de la red neuronal artificial y posteriormente se puede iniciar la fase de funcionamiento para clasificar candidatos a vendedores, dando la posibilidad en ambos casos de guardar dichos resultados. Esta alternativa de clasificación de personal de ventas, representa para la organización una mayor productividad, pues se garantiza que el perfil de personalidad de todo su recurso humano se aproxima al perfil del vendedor ideal, por otra parte, la Universidad se ve favorecida al explorar en diversos campos del saber, que ofrecen mayor eficiencia en la solución de problemas comunes. Es preciso enfatizar que la labor ingenieril, a largo de este proyecto, no se basa solamente en seleccionar las herramientas más apropiadas, sino que radica en analizar el comportamiento y evolución de la red construida, proceso mediante el cual se ajusta hasta lograr una configuración adecuada, donde finalmente se obtiene una solución óptima a problemas reales, como el planteado.

Para finalizar, esta aproximación al tema, servirá a Ingenieros, Psicólogos, docentes y estudiantes, o a cualquier persona interesada en conocer la aplicabilidad de esta tendencia de la computación, a la clasificación de patrones y específicamente en el proceso de selección de personal de ventas, en una empresa, con base en el perfil de personalidad.

10

1. PLANTEAMIENTO DEL PROBLEMA 1.1 TÍTULO DEL PROYECTO RReedd NNeeuurroonnaall AArrttiiffiicciiaall ppaarraa ddiiffeerreenncciiaarr jjeeffeess ddee vveennttaass ccoonn aallttoo oo bbaajjoo ccuummpplliimmiieennttoo sseeggúúnn ssuu ppeerrffiill ddee ppeerrssoonnaalliiddaadd 1.2 ANTECEDENTES Cuando el psicólogo o grupo de psicólogos deben clasificar una persona con base en su perfil de personalidad en uno de dos grupos opuestos específicos, tales como:

o Jefes eficientes y no eficientes. o Estudiantes nivelados y no nivelados. o Mujeres maltratadas y mujeres no maltratadas. o Empresarios exitosos y empleados que expresan no querer ser empresarios. o Personas que no son padres y expresan que no quieren serlo y personas que han demostrado ser buenos padres.

Lo puede hacer de forma manual, aplicando las pruebas de personalidad a cada grupo, calificarlas, interpretarlas y analizarlas para poder distinguir un grupo de otro, posteriormente aplica la prueba a una persona para verificar y o comprobar a cual de los dos grupos pertenece, comparando sus resultados con las tendencias de cada grupo, en lo cual debe invertir gran cantidad de tiempo y esfuerzo, convirtiéndose en un proceso complejo y tedioso. En la actualidad el psicólogo puede hacer uso de herramientas informáticas que le facilitan la tarea de calificación de pruebas psicotécnicas, tales como: o Test 1.3 contiene las siguientes pruebas psicotécnicas: CLEAVER, LÜSCHER,

DOMINOS, GORDON, TERMAN MERRIN, KUDER, IPV, MMPI y 16PF. o Enciclopedia Océano multimedia Test de orientación vocacional, 2003.

11

Sin embargo el problema de clasificar persiste pues se puede construir software con programación tradicional que realice la clasificación entre dos grupos pero

15

solo para un problema especifico, si se busca resolver cualquier otro, se debe agregar nuevo código y/o modificar el existente, volviéndose una tarea desgastante para el programador e incrementando considerablemente la posibilidad del error y la imprecisión de los resultados. Adicionalmente para dicha clasificación no se esta comparando contra ejemplos reales, simplemente se validan ciertas condiciones como: if factorA >=8 then begin afectivo := true; showMessage(“tiende a ser afable, reposada y emocionalmente

expresiva…”); end; Pero entonces ¿Como se podría afirmar que una persona es un empresario exitoso o que una persona es un buen padre?, para realizar dicha afirmación es preciso tomar como base un conjunto amplio de ejemplos e históricos de los resultados de la prueba de personalidad 16PF aplicada a cada grupo, para lo cual la solución mas apropiada es utilizar otro campo de las ciencias de la computación, conocido como Computación cognitiva, Computación del mundo real, Brainware o Redes Neuronales Artificiales, el cual utiliza métodos distintos para la resolución de problemas que no pueden ser descritos fácilmente mediante un enfoque algorítmico tradicional. Las redes neuronales artificiales (RNA), son una solución apropiada para esta tipo de problemas, de bajo costo y relativamente fácil de implementar en comparación con herramientas de DatawareHouse, DataMining, inteligencia de negocios, análisis discriminante y regresión lineal SPSS. En relación a la aplicación de las redes neuronales artificiales en el campo de la psicología y específicamente en la psicometría, se han desarrollado diversos aportes a nivel mundial, tales como: La investigación realizada por Norbert Jankowski y Jerzy Gomuła en el Departamento de métodos computacionales y el de Psicología Clínica de la Universidad Nicholas Copernicus en Polonia, titulada “Simultaneous Differential Diagnoses Basing on MMPI Inventory Using Neural Networks and Decision Trees

16

Methods”, donde el objetivo planteado fue construir un modelo usando redes neuronales artificiales y técnicas de aprendizaje que puedan ser capaces de diagnosticar indicadores psicológicos y reducir en gran medida las dificultades del test MMPI. Por otra parte, existe un trabajo titulado “Relevance learning for mental disease Classification” desarrollado por Barbara Hammer, Andreas Rechtien, Marc Strickert y Thomas Villmann de Clausthal University of Technology, Institute of Computer Science, Osnabrück University, Mathematics/Computing Sciences Department, IPK Gatersleben, Pattern Recognition Group, Gatersleben, Leipzig University, Clinic for Psychotherapy and Psychosomatic Medicine, respectivamente; donde probaron tres prototipos basados en modelos neuronales que combinan representaciones neuronales y representaciones de información explicita en comparación con los árboles de decisión clásicos, para clasificar enfermedades mentales. También es importante nombrar el estudio titulado “Improvements in personnel selection with artificial neural networks” realizado por Gernot Schuhfried de la organización Schuhfried en Austria, con el fin de clasificar candidatos a conductores de automóvil y pilotos tanto comerciales como militares con el mas bajo riesgo de accidentalidad. En la tabla 1 se presenta algunas de las pruebas aplicadas a los aspirantes a pilotos militares: Tabla 1. Pruebas utilizadas durante el proceso de selección de candidatos a pilotos militares.

DIMENSIÓN A PROBAR NOMBRE PRUEBA DURACCIÓN PRUEBA

RRaazzoonnaammiieennttoo llóóggiiccoo Adaptive Matrices Test 40 min.

CCoommpprreennssiióónn eessppaacciiaall Adaptive Spatial Ability Test 15 min.

FFuunncciióónn ddee mmeemmoorriiaa Verbal Memory Test Visual Memory Test

15 min. 15 min.

CCoonncceennttrraacciióónn Cognitrone 15 min.

VViiggiillaanncciiaa Vigilante 30 min.

TToolleerraanncciiaa aall ssttrreessss Determination Test 6 min.

CCoooorrddiinnaacciióónn PPssiiccoommoottrriizz Sensomotor-Coordination 10 min.

Fuente: “Improvements in personnel selection with artificial neural networks”, Gernot Schuhfried.

17

A nivel nacional ya se han desarrollado experiencias de investigación por parte de la organización Psicología Científica dedicada a la divulgación del conocimiento científico en el área de la psicología. En dicha organización se han realizado múltiples seminarios-taller dirigidos por el psicólogo Octavio Escobar, quien ha trabajado en la aplicación de RNAs a la clasificación de patrones, entre sus investigaciones más destacadas se encuentran: o "Perfil del empresario exitoso", con el Centro de Investigación CRECE en Colombia, utilizando la prueba 16PF y las técnicas de análisis discriminante y redes neuronales. o "Perfil de Personalidad de 15 secuestradores colombianos condenados por la justicia, utilizando la prueba 16PF, y las técnicas de análisis discriminante y redes neuronales. o "Perfil de discriminante de personalidad de consumidores de sustancias psicoactivas". o "Perfil del investigador del futuro", patrocinada por Colciencias y la Corporación para Investigaciones Biológicas, evaluando el perfil de personalidad de científicos, docentes y estudiantes universitarios colombianos. Todos estos antecedentes permiten obtener una visión más amplia de los avances logrados hasta el momento con respecto al tema planteado, además permiten reafirmar que es viable aplicar esta tecnología para solucionar problemas de clasificación con base en resultados de pruebas psicotécnicas como el cuestionario de personalidad 16PF, y que es una alternativa óptima y de apoyo complementario en el proceso de selección de personal. 1.3 DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMA Se puede identificar claramente como en el proceso de selección de personal en una empresa, no se está aprovechando de la mejor manera la interpretación que se puede realizar del perfil de personalidad. En un proceso formal de selección de personal de ventas, se toman en cuenta los resultados de la prueba de personalidad, la entrevista, la experiencia del candidato y el nivel de estudios; en relación a la personalidad, los psicólogos verifican que los

18

resultados de la prueba se encuentren dentro de los límites aceptables (por ejemplo que no contenga indicadores clínicos) y realizan por lo general una interpretación subjetiva de los mismos, de tal forma que no se compara dicho perfil con base en el perfil de personalidad de un conjunto de vendedores que han demostrado ser exitosos en su cumplimiento de ventas; si por el contrario, se realizara esta comparación, se lograría una predicción y una clasificación precisa, sin tomar en cuenta la experiencia del candidato. Esta alternativa de clasificación de personal de ventas, se traduce en términos de mayor productividad para la organización, pues se garantiza que el perfil de personalidad de todo su recurso humano se aproxima al perfil del vendedor ideal. El problema se origina porque el psicólogo tiene que invertir gran cantidad de tiempo, en el proceso de clasificación manual del candidato con base en su personalidad, si intenta correlacionar todas las posibles permutaciones entre el conjunto de ejemplos de vendedores con alto cumplimiento y los resultados de la prueba aplicada al candidato, se convierte en una labor larga, ardua y tediosa, que incluso puede llegar a tener un alto porcentaje de error. Por otro lado, una causa relevante es que no existen herramientas que le faciliten al psicólogo realizar la labor de clasificación, pues los sistemas actuales de cómputo, que son de naturaleza secuencial, no resuelven eficientemente problemas de reconocimiento de patrones. Se ha planteado el siguiente interrogante a solucionar a lo largo del proyecto: ¿¿CCóómmoo mmeeddiiaannttee uunnaa rreedd nneeuurroonnaall aarrttiiffiicciiaall eess ppoossiibbllee ccllaassiiffiiccaarr jjeeffeess ddee vveennttaass ccoonn aallttoo oo bbaajjoo ccuummpplliimmiieennttoo sseeggúúnn ssuu ppeerrffiill ddee ppeerrssoonnaalliiddaadd?? 1.4 JUSTIFICACIÓN

El hecho de clasificar patrones es algo natural e inherente al ser vivo; existen muchas formas de realizar esta clasificación en base a prejuicios, experiencias y conocimientos, todo por medio de los sentidos, esta gran facultad puede ser imitada de forma poco eficiente con programación tradicional desarrollando aplicaciones hechas a la medida que solucionan solo un tipo especifico de clasificación.

19

Tanto la forma manual de clasificación como el uso de la programación tradicional no son la mejor alternativa de solución; este es el motivo principal por el que se hace necesario y urgente usar las redes neuronales artificiales como una mejor opción para realizar este proceso. Debido a las características y la estructura propia de las redes neuronales artificiales es posible aprovechar ventajas como la facilidad de implementación y el bajo costo incluso para aplicaciones robustas, el aprendizaje adaptativo, la tolerancia a fallos, la operación en tiempo real y la facilidad de inserción dentro de la tecnología existente. Esta solución ofrece beneficios a los psicólogos en el proceso de selección de personal, ya que es capaz de recibir como entrada, un perfil de personalidad determinado por la prueba psicotécnica 16PF y clasificar al candidato como jefe de ventas con alto o bajo cumplimiento de manera eficiente; los beneficios para las empresas se ven reflejados en una mayor productividad de sus empleados y por otra parte, la Universidad se ve favorecida al explorar en diversos campos que ofrecen mayor eficiencia en la solución de problemas comunes.

1.5 OBJETIVOS DE LA INVESTIGACIÓN 1.5.1 Objetivo general

DDeessaarrrroollllaarr uunnaa rreedd nneeuurroonnaall aarrttiiffiicciiaall qquuee ppeerrmmiittaa ddiiffeerreenncciiaarr jjeeffeess ddee vveennttaass ccoonn aallttoo oo bbaajjoo ccuummpplliimmiieennttoo sseeggúúnn ssuu ppeerrffiill ddee ppeerrssoonnaalliiddaadd..

1.5.2 Objetivos específicos o Seleccionar el modelo de RNA utilizado para el desarrollo del proyecto. o Seleccionar la prueba psicotécnica de personalidad que será utilizada para obtener los datos de entrada a la RNA. o Comprender el análisis y la interpretación de la prueba psicotécnica seleccionada. o Obtener el conjunto de patrones de entrada que se ingresarán a la RNA. o Definir el mecanismo de aprendizaje que será usado para entrenar la RNA.

20

o Diseñar la RNA. o Definir el lenguaje de programación utilizado para la implementación de la RNA. o Implementar la RNA. o Entrenar la RNA para obtener la configuración óptima que solucione el problema. o Realizar pruebas para evaluar y comprobar la efectividad de la RNA utilizando patrones que no hallan sido ingresados durante la fase de entrenamiento. 1.6 ALCANCES Y LIMITACIONES 1.6.1 Alcances. El proyecto contempla el diseño, implementación, entrenamiento y pruebas de una red neuronal artificial para clasificación de jefes de ventas con alto o bajo cumplimiento según su perfil de personalidad; convirtiéndose en una herramienta de apoyo para el psicólogo en el proceso de selección de personal. Las áreas del conocimiento en las cuales se enmarca el proyecto son la computación basada en modelos de redes neuronales artificiales y la psicometría. 1.6.2 Limitaciones. Los obstáculos presentados en el desarrollo del proyecto son: o ESPACIO – TEMPORALES: Las pruebas psicotécnicas deben ser revisadas en

el laboratorio de psicología y en horarios específicos.

o TÉCNICAS:

� Dificultad para obtener el conjunto de resultados de las pruebas psicotécnicas, requerido para la fase de entrenamiento de la red neuronal artificial.

� Pocas asesorías en el campo de las redes neuronales artificiales.

21

2. MARCO DE REFERENCIA

2.1 MARCO CONCEPTUAL o ADALINE: La red ADAptive LINear Element, fue desarrollada por Bernie Widrow en la universidad de Stanford, su arquitectura es básicamente la misma que la del perceptron, utiliza neuronas con función de transferencia de tipo escalón. Esta red tiene una única neurona de salida y se diferencia del perceptron en el mecanismo de aprendizaje utilizado, basado en la regla Delta de Widrow-Hoff o regla del mínimo error cuadrado medio LMS, que consiste en la búsqueda del mínimo de una expresión del error entre la salida deseada y la salida lineal obtenida, antes de aplicarle la función de activación escalón. o APRENDIZAJE NO SUPERVISADO: Conocido también como autosupervisado, este proceso de aprendizaje no necesita de influencia externa para ajustar los pesos de las conexiones entre las neuronas. Las redes deben ser capaces de encontrar las características, regularidades, correlaciones o categorías, que se puedan establecer entre los datos que se presenten en su entrada. En general se suelen considerar dos formas para obtener este tipo de aprendizaje: el aprendizaje hebbiano y el aprendizaje competitivo y cooperativo. o APRENDIZAJE SUPERVISADO: Es el proceso de aprendizaje que se realiza mediante un entrenamiento controlado por un agente externo que determina la respuesta que debería generar la red a partir de una entrada determinada. El agente externo comprueba la salida de la red y en el caso de que no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada. Existen tres formas de llevar a cabo este tipo de aprendizaje, aprendizaje por corrección de error, por refuerzo y estocástico.

22

o ART: Es el modelo de resonancia adaptativa, desarrollado por Grossberg, Carpenter y otros colaboradores. Este modelo tiene la capacidad de aprender nuevos conceptos sin necesidad de olvidar otros aprendidos en el pasado. Esta red utiliza un tipo de aprendizaje competitivo, en la que al presentar una información de entrada solo una de las neuronas de salida se activa, esta neurona recibe el nombre de vencedora. Existen dos variantes de este modelo ART1 y ART2, la primera trabaja con entradas binarias y la segunda con entradas continuas o analógicas.

25

o BACKFORWARD: Es un tipo de conexiones entre neuronas organizadas en capas distintas, que se presentan hacia atrás. o BACKPROPAGATION: Método conocido como propagación del error hacia atrás o retropropagación, formalizado en 1986 por Rumelhart, Hinton y Williams. Este mecanismo de aprendizaje esta basado en la regla delta generalizada, que permite su utilización en redes con más de dos niveles de neuronas, con el fin de que la red aprenda la asociación que existe entre los patrones de entrada y las distintas clases o salidas deseadas; dicha asociación es imposible de encontrar mediante una red sin capas intermedias, razón por la que este algoritmo es el más utilizado, cuando se trata de realizar un entrenamiento supervisado. o BAREMOS: Son tablas para convertir las puntuaciones de una prueba de personalidad, como el 16PF, a una escala común y única basada en muestras y estadísticos, ofreciendo fiabilidad y validez en la corrección y en los resultados de su aplicación. Se debe seleccionar la tabla de baremos adecuada en cuanto a origen, edad y sexo. o CAPA O NIVEL: Es un conjunto de neuronas cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino, que puede ser otra capa de neuronas. o COMPUTACIÓN NEURONAL: Campo o tendencia de las ciencias de la computación que integra los diferentes métodos de resolución de problemas, que no pueden ser descritos fácilmente mediante un enfoque algorítmico tradicional. También se conoce como computación cognitiva, computación del mundo real, computación soft o brainware y busca emular de manera más o menos inteligente, mediante software, el comportamiento de los sistemas biológicos. o DECATIPOS: Son los resultados de la conversión de las puntuaciones directas a una escala que comprende los valores entre 1 y 10 con base en las normas interpretativas del manual del 16PF. Para iniciar el proceso de evaluación e interpretación las puntuaciones directas deben convertirse en una escala común y única que sitúe la calificación del sujeto (adolescente, universitario o de la población general adulta) en relación con las obtenidas por un grupo normativo y definido de la población.

26

o FASE DE ENTRENAMIENTO: También conocida como fase de aprendizaje, es un proceso iterativo, que se emplea en las redes supervisadas y no supervisadas, durante el cual se ajustan los pesos de las conexiones en función de la diferencia entre los valores deseados y los obtenidos en la salida de la red, es decir, en función del error cometido en la salida. Esta fase culmina cuando los pesos se estabilizan y el error converge. o FASE DE PRUEBA: También conocida como fase de funcionamiento, es el proceso durante el cual se comprueba si la red ha sido entrenada correctamente, ingresando patrones de entrada y comparando la salida obtenida con la salida deseada, si los resultados en esta fase no son satisfactorios, se debe realizar de nuevo la fase de entrenamiento. Si los patrones utilizados para comprobar la efectividad de la red no han sido clasificados de manera precisa, es porque la red no ha sido entrenada lo suficiente o esta mal configurada. o FEEDFORWARD: Es un tipo de conexiones entre neuronas organizadas en diferentes capas, las cuales se presentan hacia adelante. o IPV: Conocido como inventario de personalidad para vendedores, en la cual se evalúan nueve rasgos de la personalidad de los vendedores, obteniéndose también factores generales receptividad, agresividad y disposición general para la venta. Su aplicación es colectiva, el tiempo de duración es de 40 minutos, aproximadamente y esta dirigido a adolescentes y adultos. o INTELIGENCIA ARTIFICIAL: Campo de la ciencia de la computación cuyo propósito es mejorar las computadoras, dotándolas de algunas características asociadas con la inteligencia humana, como la capacidad de comprender el lenguaje natural y razonar bajo condiciones de incertidumbre. Con el avance de la ciencia moderna la búsqueda de la IA ha tomado dos caminos fundamentales, la investigación psicológica y fisiológica de la naturaleza del pensamiento humano, y el desarrollo tecnológico de sistemas informáticos cada vez más complejos. o ITERACIÓN: Es el paso de todo el conjunto de patrones entrada-salida que se ingresa a la RNA.

27

o MADALINE: Es la red neuronal artificial conocida como Multiple ADALINE que consiste en una combinación de módulos ADALINE básicos en capas. Es posible aplicar el algoritmo de aprendizaje LMS, pero sustituyendo la función de salida por una función continua derivable; también existe otro método conocido como regla II de MADALINE (MRII), parecido a un procedimiento de acierto y error con una característica adicional basada en un principio de mínima perturbación, donde el entrenamiento equivale a hacer una reducción del número de neuronas de salida incorrectos para cada uno de los patrones de entrenamiento. o MECANISMO DE APRENDIZAJE: Es un conjunto de características que se deben definir para realizar el proceso en el que se pretende que la red memorice información relevante, producto de la asociación entre patrones. Entre las características se debe establecer el tipo de aprendizaje ya sea supervisado o no supervisado, la forma en que se lleva a cabo ya sea por corrección de error, por refuerzo o estocástico para el caso supervisado, hebbiano o competitivo para el caso no supervisado, cómo se realiza el aprendizaje bien sea ONLINE u OFFLINE, el tipo de asociación utilizado sea heteroasociativa o autoasociativa y sobre todo el modelo matemático apropiado. o MMPI: Conocido como el Inventario Multifásico de la Personalidad de Minessota, creada por S.R. Hathaway y J.C. Mcklinley, es uno de los instrumentos más importantes y utilizados que existen para evaluar la personalidad. Esta prueba fue diseñada en un principio para investigar cuestiones de psicología clínica, psicopatología y psiquiatría, sin embargo en la actualidad se emplea con gran confiabilidad para la selección de personal, gracias a que en el transcurso de 50 años se han hecho gran cantidad de investigaciones y actualizaciones por países como Estados Unidos, Japón, Israel, Sudáfrica, Suecia y México. El tiempo a invertirse en la administración de la prueba es aproximadamente 120 minutos, pero lo vale si el cargo vacante es de gran responsabilidad o de fuerte presión laboral. o MODELO DE HOPFIELD: Modelo de RNA desarrollado por J. Hopfield, con el número suficiente de simplificaciones como para poder extraer analíticamente información sobre las características relevantes del sistema, conservando las ideas fundamentales de redes anteriores y presentando una serie de funciones básicas de sistemas neuronales reales. Además, J. Holfield impulso el estudio de las redes autoasociativas, caracterizadas por tener una arquitectura, funcionamiento y reglas

28

de aprendizaje muy distintas a las redes con estructura feedforward tales como Adaline/Madaline y Perceptron. o MODELO DE KOHONEN: Modelo de RNA desarrollado por T. Kohonen en 1982, que consiste en una red con capacidad para formar mapas de características similares a como ocurre en el cerebro. Hay evidencias que demuestran que las neuronas biológicas se organizan en zonas, de forma que la información de entrada se representa internamente en forma de mapas bidimensionales. Se trata de una red de tipo competitivo ya que al presentar una entrada, la red evoluciona hasta una situación estable en la que se activa una neurona de salida, la vencedora. Este modelo de red tiene dos variantes conocidas como LVQ (Learning Vector Quantization) y TMP (Topology – Preserving Map) o SOM (Self – Organizing Map) ambas basadas en el principio de formación de mapas topológicos, aunque difieren en las dimensiones de los vectores de la información de entrada a la red, siendo de una dimensión para LVQ y bidimensional o tridimensional en el caso de TPM o SOM. o NEO P-IR: Es un instrumento para medir la personalidad en condiciones normales; tiene una estructura de cinco factores de personalidad: Neuroticismo, Extraversión, Apertura, Amabilidad y Responsabilidad. La aplicación del test es colectiva, el tiempo es de cuarenta minutos aproximadamente y esta dirigido a personas en edad adulta. o NEURONA ARTIFICIAL: Es la unidad básica de la red o dispositivo elemental de proceso, a partir del cual, se pueden generar representaciones especificas, de tal forma que el estado de un conjunto de neuronas en un momento determinado, puede significar una letra, un número o cualquier otro objeto; además tiene la capacidad de comunicarse dado que recibe una entrada, la procesa y genera una salida, que es enviada a las neuronas con las que se encuentra conectada. Las neuronas artificiales se clasifican en neuronas de entrada, ocultas y de salida. o NEURONA DE ENTRADA: Son las neuronas que tienen contacto con el exterior, y por tanto reciben la información de entrada.

29

o NEURONA DE SALIDA: Son las unidades cuya misión es dar la respuesta del sistema. o NEURONA OCULTA: Son los elementos que se ocupan del procesamiento de la información, es en la sinapsis o conexión de estas neuronas donde se genera cualquier tipo de representación de la información. o LATERAL: Es el tipo de conexión en la que las neuronas de una misma capa, se comunican entre si. o LMS: Regla de aprendizaje del mínimo error cuadrado medio (Least Mean Square) el cual es un método para hallar el vector de pesos W deseado que debe ser único y asociar con éxito cada vector del conjunto de vectores de entrada y su correspondiente valor de salida. El entrenamiento de la red neuronal artificial consiste en adaptar los pesos a medida que se vayan presentando los patrones de entrenamiento y salidas deseadas para cada uno de ellos. Para cada combinación entrada-salida se realiza un proceso automático de pequeños ajustes en los valores de los pesos hasta que se obtienen las salidas correctas. o LÓGICA BORROSA: Es una tecnología para el procesamiento de información imprecisa, basada en la lógica multivaluada cuyos principios fueron desarrollados en 1920 por J. Lukasiewicz donde sus enunciados pueden tener valores de verdad comprendidos entre 0 (falso) y 1 (cierto) de la lógica binaria clásica. En 1965, L. Zadeth aplicó la lógica multivaluada a la teoría de conjuntos, estableciendo la posibilidad de que los elementos pudieran tener diferentes grados de pertenencia a un conjunto; también introdujo el termino fuzzy (borroso) y desarrollo un algebra completa para los conjuntos fuzzy. o PASCAL: El lenguaje de programación Pascal fue diseñado originalmente en 1971 por Niklaus Wirth, profesor en el Politécnico de Zúrich, Suiza, el nombre de este lenguaje ha sido atribuido en honor a Blaise Pascal, matemático y filosofo del siglo XVII, fue desarrollado para la enseñanza de la programación estructurada en ambientes académicos.

30

o PATRONES DE ENTRADA-SALIDA: Son los ejemplos para la fase de aprendizaje y para la fase de pruebas ingresados a la RNA. o PERCEPTRON: Fue el primer modelo de RNA, desarrollado por Rosenblatt en 1958, consta de una capa de entrada y otra de salida con una única neurona, tiene una capacidad de representación bastante limitada, solo es capaz de discriminar patrones muy sencillos, linealmente separables. La separabilidad lineal limita las redes con solo dos capas a la resolución de problemas, en los cuales el conjunto de puntos (correspondientes a los valores de entrada) sean separables geométricamente; esta limitación es solucionada con las redes perceptron multinivel. El mecanismo de aprendizaje del perceptron es de tipo supervisado, lo cual requiere que el resultado sea evaluado con respecto al esperado y se ajusten o modifiquen los pesos si es necesario. o PERCEPTRON MULTINIVEL: Es una red neuronal artificial PERCEPTRON de N capas de tipo Feedforward, que permite establecer regiones de decisión mucho mas complejas que las de dos semiplanos como hacia el perceptron de un solo nivel. o PERSONALIDAD: Patrones distintivos del comportamiento que incluye no solo conducta, sino también pensamientos y emociones, que caracterizan la adaptación de cada individuo a las situaciones de su vida. o PROBLEMA DE CLASIFICACIÓN: Consiste en asignar a cada caso su clase correspondiente, a partir de un conjunto de ejemplos. o PROBLEMA DE GENERALIZACIÓN: En este tipo de problemas la RNA se entrena con un conjunto de patrones de entrada y se prueba con otros casos diferentes. Dentro de los problemas típicos de generalización se encuentran los de clasificación y predicción. El presente proyecto se encuadra dentro de los problemas de clasificación y predicción. o PROBLEMA DE OPTIMIZACIÓN: Grupo de problemas que tratan de determinar una solución que sea óptima, por ejemplo en el gestión empresarial, encontrar los niveles adecuados de existencias o de producción.

31

o PROBLEMA DE RECONOCIMIENTO: Grupo de problemas en los que se entrena una RNA con entradas como sonidos, números, letras, imágenes, y se procede a la fase de pruebas, presentando esos mismos patrones con ruido, incompletos o distorsionados. o PROBLEMA DE PREDICCIÓN: En este tipo de problemas, la RNA detecta los rasgos que distinguen una clase de otra totalmente opuesta. o PRUEBAS PSICOTÉCNICAS: Son un conjunto de preguntas que sirven de apoyo para el análisis de las cualidades y capacidades de cada individuo. o PSEUDOTESTS: Son aquellos cuestionarios de personalidad e incluso de aptitudes, que no reúnen los fundamentos psicométricos necesarios para que una evaluación pueda considerarse fiable y válida. Simplemente no han sido diseñados con variables de psicometría, ni aportan baremos comparativos adecuados y en algunos casos ninguno. o PSICOMETRÍA: Es la ciencia de la medida de los aspectos "psicológicos" de una persona, tales como conocimiento, habilidades, capacidades, o personalidad.

o P-IPG: Este test es un instrumento denominado Perfil e Inventario de Personalidad de Gordon. Este combina el PPG o Perfil de Personalidad de Gordon y el IPG o Inventario de Personalidad Gordon. Esta prueba mide cuatro rasgos de personalidad que son importantes en el comportamiento diario del individuo normal, Ascendencia A, Responsabilidad R, Estabilidad Emocional E y Sociabilidad S, que corresponden al perfil y cuatro rasgos adicionales que son Cautela C, Originalidad O, Relaciones Personales P y Vigor V, que corresponden al inventario. De esta manera, la prueba ofrece una apreciación de ocho rasgos relevantes de la personalidad, además de una medida de autoestima, basada en la suma de las cuatro puntuaciones del perfil. El P-IPG es confiable, puede ser autoaplicable y es fácil de calificar, por lo general se requieren de 20 a 25 minutos para aplicar la prueba. o RED NEURONAL ARTIFICIAL: Una RNA es una forma de computación, inspirada en modelos biológicos; constituida por un conjunto de neuronas, conectadas y organizadas en una o más capas, que utiliza para la resolución de

32

problemas, modelos matemáticos y procedimientos iterativos con el fin de minimizar funciones de error. o SISTEMAS EXPERTOS: Programa de computadora que contiene gran parte de los conocimientos de un experto en un campo específico, contiene una base de conocimientos expresada mediante una serie de reglas IF/THEN y un mecanismo capaz de extraer inferencias de la base de conocimientos. El sistema le pide al usuario que aporte la información necesaria para valorar la situación y llegar a una conclusión. o TASA DE APRENDIZAJE: También conocida como constante de proporcionalidad, es un parámetro para el entrenamiento de la red neuronal artificial que define la velocidad con la que la red neuronal artificial aprende. o TEST INTROSPECTIVOS: Miden los niveles del candidato ante diferentes rasgos de personalidad como sociabilidad, liderazgo, emocionabilidad, nivel de extroversión, adaptabilidad, logrando por medio de preguntas definir el perfil del candidato. o 16PF: Es un cuestionario de personalidad, creado por Raymond B. Cattell, mediante el cual se realiza una valoración objetiva, rápida y muy completa de la personalidad, producto de una investigación psicológica. Ofrece una visión amplia de los 16 rasgos de personalidad, aplicando cualquiera de las formas de este cuestionario, que ha sido diseñado para diferentes individuos con base en su edad y formación académica. Las formas C y D están dirigidas a sujetos con formación media-baja, la A y B destinadas a personas con niveles de formación igual o superior al de Bachillerato y las formas E y F se aplican a sujetos con formación y nivel de comprensión lectora deficientes. Además de los dieseis factores de personalidad de primer orden, también se valoran cuatro de segundo orden, la distorsión motivacional en las formas A, C y D y la negación en la forma A, todo enmarcado dentro del contexto de una teoría general de la personalidad. Esta prueba tiene una duración que varía entre 45 o 60 minutos para las formas A y B y de 30 a 40 minutos para las formas C o D. 2.2 MARCO LEGAL O NORMATIVO A la fecha, en relación a la regulación en el campo de las Redes Neuronales Artificiales, no existen estándares o normativas que legislen el desarrollo de

33

sistemas basados en esta tecnología, sin embargo, lo más aproximado que se ha encontrado son diversos debates acerca de la propiedad intelectual de creación de maquinas. Cuando se trabaja con redes neuronales el computador puede encontrar una solución óptima a un problema en particular o puede plantearnos un método de solución de algún tipo de problema, pero en ese punto surge un interrogante ¿De quién es la propiedad intelectual de la solución o creación generada por una Red Neuronal Artificial? En muchos lugares del mundo se han debatido las siguientes alternativas con relación a la inteligencia artificial: o Los derechos sobre la creación le corresponden al programador o Los derechos le corresponden al usuario del programa o Los derechos corresponden a ambos, programador y/o usuario o Los derechos corresponden al computador (ordenador) o Los derechos no le corresponden a nadie A nivel nacional cabe mencionar el comentario del profesor Ernesto Rengifo García, creador de la obra “EL MODERNO DERECHO DE AUTOR, primera edición, 1996, de la Universidad Externado de Colombia” e investigador Canadiense de la Organización Mundial de la Propiedad Intelectual (OMPI) quien plantea que en el caso de creaciones generadas de manera autónoma por computadores la propiedad intelectual es de dominio público, ya que las leyes de propiedad intelectual no le brindan ningún respaldo a este tipo de creaciones. En el Reino Unido en 1988 se creo la Ley de Derechos de Autor, Diseños y Patentes del Reino Unido (“Copyright, Designs and Patents Act, 1988, United Kingdom”) la cual afirma en la sección número 178 de la misma: "In the case of a literary, dramatic, musical or artistic work which is computer generated, the author shall be taken to be the person by whom the arrangements necessary for creation of the work are undertaken.” Esta ley asegura que en una creación de computador la propiedad intelectual pertenece a quien permitió que el computador realizara dicha creación. En otras palabras, corresponde al programador que ayudó a la RNA a hallar la solución. Adicionalmente han sido encontrados diversos antecedentes para el caso de Estados Unidos: En 1973 la suprema corte dictó una medida donde se menciona lo siguiente “para efectos de predicar la autoría original sobre una obra se requiere que el autor le involucre cualquier elemento de interpretación o traducción psicológico al fruto de la creatividad intelectual o a la labor estética”. Dado que el computador halla de

34

alguna forma un método de solución, sin tener ni poder brindar creatividad ni elemento estético no se podrían dar los derechos de autor a un computador. En 1978 se emitió un informe de la comisión nacional de nuevas tecnologías, la cual fue creada por el congreso, se enuncia que es el usuario del programa el que tendría la propiedad intelectual de las soluciones que halle el programa que él ha comprado. Otra opinión importante, es la del profesor Thomas K. Dreier, miembro del Research Staff del Instituto Max - Planck de Munich en Alemania, quien plantea que en el uso de un computador como instrumento para hallar la solución a un problema se tiene una coautoria entre el programador que construye las rutinas y el usuario que define las condiciones. Adicionalmente, en 1996, se discutido y planteo al interior de la organización mundial de propiedad intelectual OMPI, el convenio de Berna, donde se trataron los temas de propiedad intelectual de creaciones producidas por ordenadores, pero al final no se llegó a ninguna conclusión y no se establecieron normas para este tipo de creaciones. A pesar de que no se ha llegado a ningún acuerdo, la mayor parte de los comentarios coinciden en que siempre se tendrá algún tipo de intervención por parte del ser humano y que la propiedad intelectual debería ser de la persona o personas que hicieron posible que el computador realizara la creación.

1.7 MARCO TEÓRICO En esta sección, se presentará la teoría básica sobre la cual se apoya el proyecto y aquella que sirve como fundamento a la solución planteada. 1.7.1 Redes neuronales artificiales. En los últimos años de exploración en inteligencia artificial, los investigadores se han enfocado en las redes neuronales por las ventajas que ofrece su funcionamiento. Como su nombre lo indica, una red neuronal artificial consiste en una red de neuronas artificiales interconectadas. El concepto se basa en la forma como el cerebro soluciona los problemas y procesa la información. Un cerebro consiste en un sistema de células interconectadas, las cuales son aparentemente responsables de los pensamientos, la memoria y la conciencia. Las neuronas se conectan a muchas otras neuronas formando uniones llamadas sinapsis; las señales electroquímicas se propagan de una neurona a otra a través de esta conexión. Las neuronas demuestran plasticidad: una habilidad de cambiar su respuesta a los estímulos en el tiempo, o aprender; en una red

35

neuronal artificial, se imitan estas habilidades por software [Hilera González & Martínez Hernando, 2000]. La red neuronal artificial se puede definir como un enfoque de computación distinto al tradicional, inspirado en modelos biológicos, compuesto por un gran número de elementos procesales interconectados en uno o más niveles y que utiliza un modelo matemático para la solución del problema. o Redes neuronales e Inteligencia artificial. El enfoque de las redes neuronales artificiales se sitúa dentro de una rama muy amplia de la inteligencia artificial denominada redes de autoproceso, sin embargo existen diferencias muy marcadas entre ellas, como lo son: En otros campos de la inteligencia artificial, la representación del conocimiento se realiza con base en reglas semánticas, marcos y/o esquemas, entre otros, mientras que con las RNA´s la representación se realiza de forma distribuida. La tabla 2, sitúa y compara las RNA’s dentro de la computación en general, siendo el punto de partida para conocer las características propias de cada una y sus diferencias. Tabla 2. Formas básicas de computación.

COMPUTACIÓN CONVENCIONAL

COMPUTACIÓN SIMBÓLICA

COMPUTACIÓN NEURONAL

BASADO EN: Arquitectura Von Neumann Lógica Cognitiva Neurobiología

APROPIADA PARA: Algoritmos conocidos Heurística Adaptación

NO APROPIADA PARA: Condiciones difusas Causalidad desconocida Cálculos precisos

TIPO DE MEMORIA: Precisa, estática Bases de conocimiento Distribuida

METODOLOGÍA: Diseño, programación y pruebas

Representación del conocimiento + motor de inferencia

Configuración y aprendizaje

SOPORTE: Ordenadores secuenciales Máquinas LISP Procesadores paralelos

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

o Ventajas. Debido a su funcionamiento y características, las redes neuronales artificiales presentan un gran número de semejanzas de funcionamiento a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante o incompleta, asociar correctamente gran cantidad de información, entre otras [Hilera González & Martínez Hernando, 2000]. En consecuencia, ofrece numerosas ventajas, como:

36

� Aprendizaje adaptativo: Capacidad de aprender a realizar correctamente ciertas

tareas, mediante un entrenamiento basado en un conjunto redundante y/o excesivo de ejemplos.

� Facilidad de implementación y mantenimiento: No se necesita programar

explícitamente todo lo que la RNA debe hacer, pues es capaz de cambiar por si misma para adaptarse a las nuevas condiciones.

� Autoorganización: Una red neuronal puede crear su propia organización o

representación de la información que recibe mediante una etapa de aprendizaje.

� Tolerancia a fallos. La destrucción parcial de una red conduce a una

degradación de su estructura; no obstante, las capacidades de la red se mantienen, incluso sufriendo un gran daño.

� Operación en tiempo real: Los computadores neuronales pueden ser realizados

en paralelo, y se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.

o Grupos y organizaciones. Cabe destacar las diversas instituciones y organizaciones especializadas que promueven la investigación en el campo de las redes neuronales artificiales y la computación cognitiva, entre las cuales se encuentran: o La reunión anual Neural Network for computing, organizada por el Instituto

Americano de Física desde 1985. o La conferencia internacional sobre redes neuronales organizada por el IEEE

desde 1987, con más de 1800 asistentes y 19 nuevos productos mostrados para esta fecha.

o La Internacional Neural Network Society (INNS), constituida en 1987 bajo la

iniciativa y dirección de Grossberg en los Estados Unidos., Kohonen en Finlandia y Amari en Japón; con 3000 socios durante sus 2 primeros años.

o La Internacional Joint Conference on Neural Networks (IJCNN), constituida

en 1988 por la union del IEEE y la INNS, produjo en 1989, 430 artículos de las cuales 63 están enfocados a una de las aplicaciones en este campo.

37

o La Sociedad Europea de Redes Neuronales quien organiza actualmente la Internacional Conference on Artificial Neural Networks (ICANN).

o Y el representante con el nivel mas alto de calidad científica es la reunión anual

Neural Information Procesing Systems (NIPS). En lo referente a las revistas especializadas y bibliografías en el área de las redes neuronales se encuentran: o La revista oficial Neural Networks de la Sociedad internacional de redes

neuronales (INNS) o Las publicaciones del IEEE Neural Networks Council, Network, Computation in

Neural System, IEEE Transactions on Neural Networks y la International Journal of Neural Systems.

o El libro Neural Network Study, patrocinado por la Oficina de Tecnología Táctica

de la Agencia de Proyectos de Investigación del departamento de defensa de Estados Unidos (DARPA/TTO) y llevado a cabo en el Instituto Tecnológico de Massachussets (MIT) entre 1987 y 1988, que contiene el estado de las redes neuronales y sus diversas aplicaciones.

o Elementos. Cualquier modelo de red neuronal consta de dispositivos elementales de proceso: las neuronas. A partir de ellas, se puede generar representaciones específicas de tal forma que un estado conjunto de ellas pueda significar una letra, un número o cualquier otro objeto. Es útil definir los tres tipos de unidades que pueden existir en una RNA: � Unidades de Entrada: reciben información desde el exterior. � Unidades de Salida: envían la señal fuera del sistema (salidas de la red). � Unidades Ocultas: son aquellas cuyas entradas y salidas se encuentran dentro del sistema; es decir que no tienen contacto con el exterior. A su vez estos elementos se organizan en uno o más grupos, conocidos como capas o niveles cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino. La neurona artificial busca emular las características más importantes de las neuronas biológicas. Cada neurona i-ésima está caracterizada en cualquier instante por un valor numérico, denominado valor o estado de activación ai(t); asociado a cada unidad existe una función de salida, fi , que transforma el estado actual de activación en una señal de salida yi. Dicha señal es enviada a través de

38

los canales de comunicación a otras unidades de la red; en estos canales la señal se modifica de acuerdo con la sinapsis (el peso, wji) asociada a cada uno de ellos según una determinada regla. Las señales que llegan a la unidad j-ésima se combinan entre ellas generando así la entrada total, netpk, determinada por la fórmula 1. Fórmula 1. Entrada neta a una neurona de la capa oculta.

Fuente: Creación del autor.

Los estados de activación del todas las neuronas, son los estados del sistema en un tiempo t determinado, especificados por un vector de N números reales A(t) = (a1(t), a2(t), a3(t), a4(t), …, ai(t)). El procesamiento de la información que realiza la red neuronal artificial puede definirse como la evolución de un patrón de activación en el conjunto de unidades que lo componen a través del tiempo. Existen dos posibles estados en los que se encuentra cada neurona de la red, en reposo o excitado, los cuales pueden ser continuos cuando sus valores se encuentran entre el rango [0,1] o [-1,1] utilizando una función sigmoidal o discretos cuando toman un conjunto pequeño de valores o valores binarios ya sea 1 para activo o 0 para pasivo. Una función de activación, F, determina el nuevo estado de activación aj(t+1) de la neurona, teniendo en cuenta la entrada total calculada y el anterior estado de activación aj(t). Si se tienen N unidades (neuronas), pueden ser ordenadas arbitrariamente y designar la j-ésima unidad como Uj. Su trabajo es simple y único, y consiste en recibir las entradas de las células vecinas y calcular un valor de salida, el cual es enviado a todas las células restantes.

Figura 1. Entradas y salidas de una neurona Uj.

net o

pk =

L

j = 1 Σ

w o

kj y

pj + θ o

k

Unidad

Unidad

yi

yi wj

wj

wj

.

Netj F(aj(t), Netj)

=

aj (t+1)

fj(aj(t+1)) =

yj

yj

39

Fuente: Creación del autor.

o Características. Una red neuronal artificial se caracteriza principalmente por su topología, mecanismo de aprendizaje, tipo asociación realizada entre la información de entrada y salida, y finalmente la forma de representación de esta información. � Topología. La topología o arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas en la red formando capas o agrupaciones de neuronas más o menos alejadas de la entrada y salida de la red. A partir de lo anterior, los parámetros fundamentales de la red son: el número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas. • Redes monocapa. En relación al número de capas, existen redes en las que las neuronas se agrupan en una única capa, conocidas como redes monocapa, en las que se establecen conexiones laterales entre las neuronas que pertenecen a la única capa que constituye la red. También pueden existir conexiones autorrecurrrentes (salida de una neurona conectada a su propia entrada). Tabla 3. Tipos de conexiones en las redes monocapa más conocidas.

TTIIPPOOSS DDEE CCOONNEEXXIIOONNEESS

MMOODDEELLOO DDEE RREEDD NNEEUURROONNAALL

AARRTTIIFFIICCIIAALL

CONEXIONES CONEXIONES BRAIN-STATE-IN-A-BOX

40

ADDITIVE GROSSBERG (AG) SHUTING GROSSBERG (SG)

AUTORRECURRENTES

OPTIMAL LINEAR ASOCIATIVE MEMORY HOPFIELD BOLTZMANN MACHINE

LATERALES EXPLÍCITAS

NO AUTORRECURRENTES CAUCHY MACHINE

CROSSBAR LEARNING MATRIX

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

• Redes multicapa. Por otro lado existen las redes multicapa, caracterizadas por

su disposición de un conjunto de neuronas agrupadas en varios niveles o capas. Normalmente, todas las neuronas de una capa reciben señales de entrada de otra capa anterior, más cercana a las entradas de la red, y envían señales de salida a una capa posterior, más cercana a la salida de la red; a estas conexiones se les denomina conexiones hacia adelante o feedforward. Sin embargo, en un gran número de estas redes también existe la posibilidad de conectar las salidas de las neuronas de capas posteriores a las entradas de las capas anteriores, a estas conexiones se las denomina conexiones hacia atrás o feedback.

Tabla 4. Tipos de conexiones en las redes neuronales multicapa mas conocidas.

NNoo.. DDEE CCAAPPAASS

TTIIPPOO DDEE CCOONNEEXXIIOONNEESS MMOODDEELLOO DDEE RREEDD

ADELINE / MADELINE

PERCEPTRON

LINEAR / ASSOC REWARD PENALTY

LINEAR ASSOCIATIVE MEMORY

OPTIMAL LINEAR ASSOC. MEM.

DRIVE-REINFORCEMENT (DR)

LEARNING VECTOR QUANTIZER

CONEXIONES HACIA ADELANTE FEEDFORWARD

CONEXIONES LATERALES IMPLICITAS Y AUTORRE- CURRENTES

TOPOLOGY PRESERVING MAP (TPM)

BIDIRECTIONAL ASSOC. MEM. (BAM)

ADAPTIVE BAM

DOS CAPAS

CONEX. ADELANTE / ATRÁS (FEEDFORWARD / FEEDBACK)

SIN CONEXIONES LATERALES

TEMPORAL ASSOC. MEMORY (TAM)

41

FUZZY ASSOCIATIVE MEMORY (FAM)

COMPETITIVE ADAPTIVE BAM CON CONEXIONES LATERALES Y AUTORRECURRENTES

ADAPTIVE RESONANCE THEORY (ART)

ADAPTIVE HEURISTIC CRITIC (AHC)

SIN CONEXIONES LATERALES BOLTZMANN / CAUCHY MACHINE

COUNTERPROPAGATION

CONEXIONES HACIA ADELANTE (FEEDFORWARD) CON

CONEXIONES LATERALES BOLTZMANN / CAUCHY MACHINE

TRES

CONEXIONES ADELANTE / ATRÁS Y LATERALES BOLTZMANN / CAUCHY MACHINE

CONEXIONES HACIA ADELANTE BACK-PROPAGATION (BPN)

N FEEDFORWARD-FEEDBACK (JERARQUIA DE NIVELES DE CAPAS BIDIMENSIONALES)

COGNITRON / NEOCOGNITRON

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

� Mecanismo de aprendizaje. El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destrucción, modificación y creación de conexiones. En los modelos de redes neuronales artificiales, la creación de una nueva conexión implica que el peso de la misma pasa a tener un valor distinto de cero. Durante el proceso de aprendizaje, los pesos de las conexiones de la red sufren modificaciones, por tanto se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables o el margen de error es menor o igual al que se ha definido como aceptable. Un aspecto importante respecto al aprendizaje en las redes neuronales es el conocer cómo se modifican los valores de los pesos; es decir, cuáles son los criterios que se siguen para cambiar el valor asignado a las conexiones cuando se pretende que la red aprenda una nueva información. Estos criterios determinan lo que se conoce como la regla de aprendizaje de la red. De forma general, se suelen considerar dos tipos de reglas: las que responden a lo que habitualmente se conoce como aprendizaje supervisado, y las correspondientes a un aprendizaje no supervisado. La diferencia fundamental entre ambos tipos de aprendizaje está en la existencia o no de un agente externo (supervisor) que controle el proceso de aprendizaje de la red.

42

Otro criterio que se puede utilizar para diferenciar las reglas de aprendizaje se basa en considerar si la red puede aprender durante su funcionamiento habitual o si el aprendizaje supone la desconexión de la red; es decir su inhabilitación hasta que el proceso termine. En el primer caso, se trata de un aprendizaje ON LINE, mientras que el segundo es lo que se conoce como aprendizaje OFF LINE. En las redes con aprendizaje ON LINE no se distingue entre una fase de entrenamiento y de operación, de tal forma que los pesos varían dinámicamente siempre que se presente una nueva información al sistema. Cuando el aprendizaje es OFF LINE, se distingue entre una fase de aprendizaje o entrenamiento y una fase de operación o funcionamiento, existiendo un conjunto de datos de entrenamiento y un conjunto de datos de test o prueba que serán utilizados en la correspondiente fase. En estas redes, los pesos de las conexiones permanecen fijos después que termina la etapa de entrenamiento de la red. • Redes con aprendizaje supervisado. El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada. En este tipo de aprendizaje se suelen considerar, a su vez, tres formas: � Aprendizaje por corrección de error, en la que se ajustan los pesos con base en la diferencia de los valores deseados y los obtenidos en la salida de la red neuronal artificial. � Aprendizaje por refuerzo, en la que no se indica exactamente la salida deseada durante el entrenamiento, si no que se ofrece una opinión sobre la respuesta obtenida de la red neuronal artificial, como lo haría un crítico. � Aprendizaje estocástico, con la cual se realizan cambios en los pesos de las conexiones aleatoriamente y se evalúa su salida en relación a la deseada. La técnica mayormente utilizada para realizar un aprendizaje supervisado consiste en ajustar los pesos de la red en función de la diferencia entre los valores deseados y los obtenidos en la salida de la red; es decir, una función de error cometido en la salida.

43

Tabla 5. Tipos de redes con aprendizaje supervisado más conocidos

TTIIPPOO DDEE AAPPRREENNDDIIZZAAJJEE SSUUPPEERRVVIISSAADDOO MMOODDEELLOO DDEE RREEDD NNEEUURROONNAALL AARRTTIIFFIICCIIAALL

PERCEPTRON

ADALINE / MADELINE

BACKPROPAGATION

BRAIN-STATE-IN-A-BOX

APRENDIZAJE POR CORRECCIÓN DE ERROR

OFF LINE

COUNTERPROPAGATION

LINEAR REWARD PENALTY

ASSOCIATIVE REW. PENALTY APRENDIZAJE POR REFUERZO ON LINE

ADAPTIVE HEURISTIC CRITIC

BOLTZMANN MACHINE APRENDIZAJE ESTOCÁSTICO

OFF LINE

CAUCHY MACHINE

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

• Redes con aprendizaje no supervisado. Las redes con aprendizaje no supervisado no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no es correcta; por ello, suele decirse que estas redes son capaces de autoorganizarse. Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se puedan establecer entre los datos que se presentan en su entrada. En algunos casos, la salida representa el grado de familiaridad o similitud entre la información que se le está presentando en la entrada y las informaciones que se le han mostrado hasta entonces (en el pasado). En otro caso podría realizar una clusterización o establecimiento de patrones o categorías, indicando la red a la salida a qué categoría pertenece la información presentada a la entrada, siendo la propia red quien debe encontrar las categorías apropiadas a partir de las correlaciones entre las informaciones presentadas. Una variación de esta categorización es el prototipado. En este caso, la red obtiene ejemplares o prototipos representantes de las clases a las que pertenecen las informaciones de entrada. Finalmente, algunas redes con aprendizaje no supervisado lo que realizan es un mapeo de características, obteniéndose en las neuronas de salida una disposición geométrica que representa un mapa topográfico de las características de los datos de entrada, de tal forma que si se presentan a la red informaciones similares,

44

siempre sean afectadas neuronas de salida próximas entre sí, en la misma zona del mapa. En cuanto a los algoritmos de este tipo de aprendizaje, se suelen considerar dos tipos: � Aprendizaje hebbiano: Este método pretende extraer características de los datos de entrada fundamentado en la suposición de que si dos neuronas Ni y Nj están activas el peso entre ambas se incrementa o se produce un reforzamiento de la conexión, si por el contrario una está activa y la otra pasiva se genera un debilitamiento de la conexión. � Aprendizaje competitivo y comparativo: En este modelo se tiene como objetivo clusterizar la información de entrada similar en categorías, de tal forma que cuando se presente a la red neuronal artificial cierta información de entrada solo una de las neuronas de salida se active o alcance su valor de respuesta máximo, quedando una o una activada por cada categoría, siendo la neurona vencedora. Tabla 6. Redes con aprendizaje no supervisado más conocidas

TTIIPPOO DDEE AAPPRREENNDDIIZZAAJJEE NNOO SSUUPPEERRVVIISSAADDOO MMOODDEELLOO DDEE RREEDD

HOPFIELD

LEARNING MATRIX

TEMPORAL ASSOC. MEMORY

LINEAR ASSOCIATIVE MEMORY (LAM)

OPTIMAL LAM

DRIVE - REINFORCEMENT

OFFLINE

FUZZY ASSOCIATIVE MEMORY

ADDITIVE GROSSBERG

SHUNTING GROSSBERG

BIDIRECTIONAL ASSOCIATIVE MEMORY (BAM)

APRENDIZAJE HEBBIANO

ONLINE

ADAPTIVE BAM

LEARNING VECTOR QUANTIZER

COGNITRON / NEOCOGNITRON OFFLINE

TOPOLOGY PRESERVING MAP

APRENDIZAJE COMPETITIVO / COOPERATIVO

ONLINES ADAPTIVE RESONANCE THEORY

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

45

� Funcionamiento de las redes neuronales. Es interesante citar una clasificación que divide las RNA’s en tres categorías según su funcionamiento: • Redes de transferencia de señal. • Redes de transición de estados. • Redes con aprendizaje competitivo. En las redes de transferencia de señal, la señal de entrada se transforma en una señal de salida. La señal atraviesa la red y experimenta una transformación de algún tipo. Estas redes tienen usualmente un conjunto de funciones prefijadas, que se parametrizan. En las redes de transición de estados el comportamiento dinámico de la red es esencial. Dada una señal de entrada, la red converge a un estado estable que si se tiene éxito corresponde a una solución del problema que se le presentó. Finalmente, en las redes con aprendizaje competitivo o redes autoorganizables, todas las neuronas de la red reciben la misma señal de entrada; las celdas compiten con sus vecinas laterales y la que mayor actividad tiene “gana”. El aprendizaje se basa en el concepto de la “neurona ganadora”, como se manifiesta en el modelo de Kohonen que se presentará en la sección Modelos más importantes.

� Tipo de asociación entre la información de entrada y salida. Las redes neuronales son sistemas que almacenan cierta información aprendida. Esta información se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas. Por tanto, puede imaginarse una red como cierto tipo de memoria que almacena datos de forma estable, datos que se grabarán en dicha memoria como consecuencia del aprendizaje de la red y que podrán ser leídos a la salida como respuesta a cierta información de entrada, comportándose entonces la red neuronal artificial como lo que habitualmente se conoce por memoria asociativa: cuando se aplica un estímulo de entrada, la red responde con una salida asociada a dicha información de entrada. Las RNA’s pueden realizar dos tipos distintos de asociación: � Redes heteroasociativas. Las redes heteroasociativas, requieren al menos de dos capas, una para captar y retener la información de entrada y otra para mantener la salida con la información asociada. Si esto no fuese así, se perdería la información inicial al obtenerse el dato asociado, lo cual no debe ocurrir, ya que en

46

el proceso de obtención de la salida se puede necesitar acceder varias veces a esta información que deberá permanecer en la capa de entrada. En cuanto a su conectividad, pueden ser redes con conexiones hacia adelante o feedforward o conexiones hacia atrás feedforward/feedback, o bien con conexiones laterales. � Redes autoasociativas. Las redes autoasociativas asocian una información de entrada con el ejemplar más parecido de los almacenados conocidos por la red. Estos tipos de redes pueden implementarse con una sola capa de neuronas. Esta capa comenzará reteniendo la información inicial a la entrada, y terminará representando la información autoasociada. Si se quiere mantener la información de entrada y salida, se deberían añadir capas adicionales, sin embargo, la funcionalidad de la red puede conseguirse en una sola capa. En cuanto a su conectividad, pueden se de conexiones laterales y, en algunos casos, conexiones autorrecurrentes. Tabla 7. Clasificación de las redes neuronales en función del tipo de asociación

RREEDDEESS HHEETTEERROOAASSOOCCIIAATTIIVVAASS RREEDDEESS AAUUTTOOAASSOOCCIIAATTIIVVAASS

PERCEPTRON BRAIN-STATE-IN-A-BOX ADALINE / MADALINE HOPFIELD BACKPROPAGATION LINEAR REWARD PENALTY

OPTIMAL LINEAR ASSOCIATIVE MEMORY

ASSOCIATIVE REWARD PENALTY ADDITIVE GROSSBERG ADAPTIVE HEURISTIC CRITIC SHUNTING GROSSBERG BOLTZMANN MACHINE CAUCHY MACHINE LEARNING MATRIX TEMPORAL ASSOCIATIVE MEMORY LINEAR ASSOCIATIVE MEMORY OPTIMAL LINEAR ASSOCIATIVE MEMORY DRIVE – REINFORCEMENT FUZZY ASSOCIATIVE MEMORY ADAPTIVE BIDIRECTIONAL ASSOCIATIVE MEMORY COGNITRON / NEOCOGNITRON TOPOLOGY PRESERVING MAP LEARNING VECTOR QUANTIZER ADAPTIVE RESONANCE THEORY

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

� Representación de la información de entrada y salida. Esta característica hace referencia a la naturaleza de los datos ingresados a la red neuronal artificial como también a los datos generados en la salida. Estos datos pueden ser análogos o discretos.

47

Los datos son análogos cuando sus valores son continuos, normalizados en un rango específico y su valor absoluto es menor que la unidad. Además, las funciones de activación de las neuronas son también continuas, como la sigmoidal o la lineal. Los datos de naturaleza discreta son de tipo binario tomando como valor 0 o 1, en tal caso las funciones de activación utilizadas son de tipo escalón. Tabla 8. Clasificación de las redes neuronales en función del tipo de representación de las informaciones de entrada y salida.

RREEDDEESS CCOONNTTIINNUUAASS EE:: AANNAALLÓÓGGIICCAA SS:: AANNAALLÓÓGGIICCAA

RREEDDEESS HHIIBBRRIIDDAASS EE:: AANNAALLÓÓGGIICCAA

SS:: BBIINNAARRIIAA

RREEDDEESS DDIISSCCRREETTAASS EE:: BBIINNAARRIIAA SS:: BBIINNAARRIIAA

BBAACCKKPPRROOPPAAGGAATTIIOONN PERCEPTRON DISCRETE HOPFIELD

BBRRAAIINN--SSTTAATTEE--IINN--AA--BBOOXX ADALINE/MADALINE LEARNING MATRIX

CCOONNTTIINNOOUUSS HHOOPPFFIIEELLDD LINEAR/ASSOCIATIVE REWARD PENALTY

TEMPORAL ASSOCIATIVE MEMORY

LLIINNEEAARR AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY ADAPTIVE HEURISTIC CRITIC BIDIRECTIONAL ASSOCIATIVE MEMORY

OOPPTTIIMMAALL LLIINNEEAARR AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY

COGNITRON / NEOCOGNITRON

DDRRIIVVEE –– RRAAIINNFFOORRCCEEMMEENNTT ADAPTIVE RESONANCE THEORY I

CCOOUUNNTTEERRPPRROOPPAAGGAATTIIOONN BOLTZMANN MACHINE

AADDDDIITTIIVVEE GGRROOSSSSBBEERRGG CAUCHY MACHINE

SSHHUUNNTTIINNGG GGRROOSSSSBBEERRGG

AADDAAPPTTIIVVEE BBAAMM

LLEEAARRNNIINNGG VVEECCTTOORR QQUUAANNTTIIZZEERR

TTOOPPOOLLOOGGYY PPRREESSEERRVVIINNGG MMAAPP

AADDAAPPTTIIVVEE RREESSOONNAANNCCEE TTHHEEOORRYY 22

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez. Recapitulando la información anterior, a continuación se presenta una tabla con las características de los modelos más relevantes de redes neuronales artificiales.

59

Tabla 9. Características de los modelos de redes neuronales mas conocidos.

APRENDIZAJE

MODELO DE RED TOPOLOGIA

OONN // OOFFFF LLIINNEE

SSUUPPEERRVVIISSAA // NNOO

SSUUPPEERRVVIISSAA RREEGGLLAA

ASOCIACIÓN AUTO / HETERO

INFORMACIÓN DE ENTRADA

Y SALIDA AUTORES

AADDAALLIINNEE // MMAADDAALLIINNEE

2 CAPAS Feedforward

OFF SUPERVIS. CORRECCION ERROR (“LEAST MEANS SQUARE”)

HETEROASOC. E: ANALOG S: BINARI.

WIDROW HOFF 1960

AADDAAPPTTIIVVEE BBIIDDIIRREECCTTIIOONNAALL AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY AABBAAMM

2 CAPAS Feedforward /FEEDBACK

ON NO SUPERV.

HEBBIANO DIFERENCIAL

HETEROASOC. ANALOG. KOSKO 1987

AADDAAPPTTIIVVEE HHEEUURRIISSTTIICC CCRRIITTIICC AAHHCC..

3 CAPAS Feedforward

ON SUPERVIS. REFUERZO POR AJUSTE TEMPORAL

HETEROASOC. E: ANALOG S: BINARI.

BARTO 1983

AADDAAPPTTIIVVEE RREESSOONNAANNCCEE TTHHEEOORRYY LLAARRTT11

2 CAPAS Feedforward /FEEDBACK CONEX. LAT AUTO-RECU

ON NO SUPERV.

COMPETITIVO (RESONANCIA ADAPTATIVA)

HETEROASOC. BINARIAS CARPENTER GROSSBERG 1986

AADDAAPPTTIIVVEE RREESSOONNAANNCCEE TTHHEEOORRYY 22 AARRTT 22

2 CAPAS Feedforward /FEEDBACK CONEX. LAT AUTO-RECU

ON NO SUPERV.

COMPETITIVO (RESONANCIA ADAPTATIVA)

HETEROASOC. ANALOG. CARPENTER GROSSBERG 1987

AADDIITTIIVVEE GGRROOSSBBEERRGG.. AAGG

1 CAPA CONEXIONES LATERALES AUTO-RECU

ON NO SUPERV.

HEBBIANO O COMPETITIVO AUTOASOC. ANALOG.

GROSSBERG 1968

AASSOOCCIIAATTIIVVEE RREEWWAARRDD PPEENNAALLTTYY.. AARRPP

2 CAPAS Feedforward ON SUPERVIS.

REFUERZO ESTOCASTICO HETEROASOC.

E: ANALOG S: BINARI.

BARTO 1985

BBAACCKK--PPRROOPPAAGGAATTIIOONN

N CAPAS Feedforward OFF SUPERVIS.

CORRECCIÓN ERROR (REGLA DELTA GENERALIZADA)

HETEROASOC. ANALOG. RUMELHART etc. 1986

RREECCUURRRREENNTT BBAACCKKPPRROOPPAAGGAATTIIOONN

N CAPAS FF/FEEDBACK OFF SUPERVIS.

CORRECCIÓN ERROR (REGLA DELTA GENERALIZADA)

HETEROASOC. ANALOG. PINEDA etc. 1987

BBIIDDIIRREECCTTIIOONNAALL AASSOOCCIIAATTIIVVEE MMEEMMOORRYY.. BBAAMM

2 CAPAS FF/F.BACK

ON NO SUPÈRV.

HEBBIANO HETEROASOC. BINARIAS

KOSKO 1988

BBOOLLTTZZMMAANNNN MMAACCHHIINNEE.. BBMM

1 CAPA CONEX. LAT. 3 CAPAS Feedforward

OFF SUPERVIS.

ESTOCASTICO (“SIMULATED ANNEALING”) + HEBBIANO O + CORRECION ERROR

HETEROASOC. BINARIAS

HINTON ACKLEY SEJNOWISKI 1984

BBRRAAIINN--SSTTAATTEE--IINN--AA--BBOOXX

1 CAPA CONEX. LAT. AUTO-RECU

OFF SUPERVIS.

CORRECCION ERROR (DELTA GENERALIZADA)

AUTOASOCIATIVA ANALOG. ANDERSON 1977

CCAAUUCCHHYY MMAACCHHIINNEE.. CCMM

1 CAPA CONEX. LAT. 3 CAPAS Feedforward

OFF NO SUPERV.

ESTOCÁSTICO (“FAST SIMULATED ANNEALING”)

HETEROASOC. E: ANALOG S: BINARI.

SZU 1986

CCOOGGNNIITTRROONN // NNEEOOCCOOGGNNIITTRROONN

JERARQUIA DE NIVELES CON CAPAS. BIDIMENS. FF/F.BACK

OFF NO SUPERV. COMPETITIVO HETEROASOC. BINARIAS FUKUSHIMA

CCOOMMPPEETTIITTIIVVEE AABBAAMM.. CCAABBAAMM

2 CAPAS FF/F.BACK CONEX. LAT. AUTO-RECU.

ON/ OFF

NO SUPERV.

HEBBIANO + COMPETITIVO

HETEROASOC. ANALOG. KOSKO 1987

CCOOUUNNTTEERR-- PPRROOPPAAGGAATTIIOONN

3 CAPAS FF/F.BACK CONEX. LAT. AUTO-RECU.

OFF SUPERVIS. CORRECION ERROR + COMPETITIVO

HETEROASOC. ANALOG. HETCH-NIEL-SEN87

DDRRIIVVEE-- RREEIINNFFOORRCCEEMMEENNTT

2 CAPAS Feedforward OFF

NO SUPERV.

HEBBIANO (DRIVE REINFORCEMENT) HETEROASOC. ANALOG.

KLOPF 1986

60

FFUUZZZZYY AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY FFAAMM

2 CAPAS FF/FEEDBACK OFF

NO SUPERV.

HEBBIANO BORROSO HETEROASOC. ANALOG.

KOSKO 1987

CCOONNTTIINNOOUUSS HHOOPPFFIIEELLDD

1 CAPA CONEX. LATERALES

OFF NO SUPERV. HEBBIANO AUTOASOC. ANALOG.

HOPFIELD 1984

DDIISSCCRREETTEE HHOOPPFFIIEELLDD

1 CAPA CONEX. LAT. OFF

NO SUPERV. HEBBIANO AUTOASOC. BINARIAS

HOPFIELD 1982

LLEEAARRNN.. MMAATTRRIIXX.. LLMM

1 CAPA CROSSBAR OFF

NO SUPERV. HEBBIANO HETROASOC. BINARIAS

STEINBUSH 1961

LLEEAARRNNIINNGG VVEECCTTOORR QQUUAANNTTIIZZEERR.. LLVVQQ

2 CAPAS FF CONEX. LAT. IMPLIC. AUTORREC.

OFF NO SUPERV.

COMPETITIVO HETEROASOC. ANALOG. KOHONEN 1981

LLIINNEEAARR AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY.. LLAAMM

2 CAPAS Feedforward OFF

NO SUPERV. HEBBIANO HETEROASOC. ANALOG.

ANDERSON 1968 KOHONEN 1977

LLIINNEEAARR RREEWWAARRDD PPEENNAALLTTYY.. LLRRPP

2 CAPAS Feedforward ON SUPERVIS.

REFUERZO ESTOCÁSTICO HETEROASOC.

E: ANALOG S: BINARI BARTO 1985

OOPPTTIIMMAALL LLIINNEEAARR AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY OOLLAAMM

2 CAPAS /FF. --- 1 CAPA CONEX. LAT. AUTO-RECU.

OFF NO SUPERV.

HEBBIANO (“OPTIMAL LEAST MEAN SQUARE CORRELATION”)

HETEROASOC -- AUTOASOC.

ANALOG. WEE 1968 KOHONEN73

PPEERRCCEEPPTTRROONN 2 CAPAS Feedforward OFF SUPERVIS.

CORRECCION ERROR HETEROASOC.

E: ANALOG S: BINARI

ROSENBLAT 1958

SSHHUUNNTTIINNGG GGRROOSSSSBBEERRGG.. SSGG

1 CAPA CONEX. LAT. AUTO-RECU.

ON NO SUPERV.

HEBBIANO O COMPETITIVO

AUTOASOC. ANALOG GROSSBERG 1973

SSPPAARRSSEE DDIISSTTRRIIBBUUTTEEDD MMEEMMOORRYY.. SSDDMM

3 CAPAS Feedforward

OFF NO SUPERV.

HEBBIANO + RANDOM VECTOR (LVQ) PREPROCESSING

HETEROASOC. BINARIAS KANERVA 1984

TTEEMMPPOORRAALL AASSSSOOCCIIAATTIIVVEE MMEEMMOORRYY.. TTAAMM

2 CAPAS FF/FEEDBACK

OFF NO SUPERV.

HEBBIANO HETEROASOC. BINARIAS AMARI 1972

TTOOPPOOLLOOGGYY PPRREESSEERRVVIINNGG MMAAPP.. TTPPMM

2 CAPAS FF CONEX. LAT. IMPLIC. AUTORRECU.

OFF NO SUPERV.

COMPETITIVO HETEROASOC. ANALOG. KOHONEN 1982

Fuente: Redes neuronales Artificiales, fundamentos, modelos y aplicaciones José Hilera y Víctor Martínez.

o Aplicaciones. Las redes neuronales son una tendencia computacional que puede ser utilizada en un gran número de aplicaciones, entre las cuales se destacan las siguientes: Biología:

� Aprender más acerca del cerebro y otros sistemas. � Obtención de modelos de la retina.

Empresa: � Evaluación de probabilidad de formaciones geológicas y petrolíferas. � Identificación de candidatos para posiciones específicas. � Explotación de bases de datos. � Optimización de plazas y horarios en líneas de vuelo. � Optimización del flujo del tránsito controlando convenientemente la � Temporización de los semáforos. � Reconocimiento de caracteres escritos.

61

Medio ambiente:

� Analizar tendencias y patrones. � Previsión del tiempo.

Finanzas: � Previsión de la evolución de los precios. � Valoración del riesgo de los créditos. � Identificación de falsificaciones. � Interpretación de firmas.

Manufacturación:

� Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.).

� Control de producción en líneas de procesos. � Inspección de la calidad.

Medicina: � Analizadores del habla para ayudar en la audición de sordos profundos. � Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos

electrocardiograma, encefalogramas, análisis sanguíneo, etc.). � Monitorización en cirugías. � Predicción de reacciones adversas en los medicamentos. � Entendimiento de la causa de los ataques cardíacos.

Militares: � Clasificación de las señales de radar. � Creación de armas inteligentes. � Optimización del uso de recursos escasos. � Reconocimiento y seguimiento en el tiro al blanco.

� Reconocimiento de patrones. Se refiere a la detección de formas simples, tales como caracteres escritos a mano, mapas del tiempo y espectros del lenguaje. Su objetivo ha sido implementar la percepción artificial, es decir, imitar las funciones de los sistemas sensoriales biológicos en su forma más compleja. o Modelos más importantes. Existe una serie de redes neuronales artificiales que gracias a sus aportes se han convertido en las más reconocidas a lo largo de la historia, las cuales se resumen en la tabla 10.

62

� Perceptron. Este fue el primer modelo de red neuronal artificial desarrollado por Rosenblatt en 1958. Un Perceptron, formado por varias neuronas lineales para recibir las entradas a la red y una neurona de salida, es capaz de decidir cuándo una entrada presentada a la red neuronal artificial, pertenece a una de las dos clases que es capaz de reconocer. Es una red que utiliza aprendizaje supervisado OFF LINE con conexiones hacia delante o Feedforward. La única salida del Perceptron realiza la suma ponderada de las entradas, resta el umbral y pasa el resultado a una función de transferencia de tipo escalón. La regla de decisión se basa en responder +1 si el patrón presentado pertenece a la clase A, o –1 si el mismo pertenece a la clase B. La salida dependerá de la entrada neta (suma de las entradas Xi ponderadas) y del valor umbral θ. Sin embargo, este modelo de red neuronal no tiene demasiadas aplicaciones ya que solo puede clasificar las entradas en solo dos grupos diferentes; es por ello que se utiliza el Perceptron multicapa que contiene varias capas de neuronas entre la entrada y la salida de la misma. Esta red permite establecer regiones de decisión mucho más complejas. El Perceptron básico de dos capas sólo puede establecer dos regiones separadas por una frontera lineal en el espacio de patrones de entrada; un Perceptron multicapa puede formar cualquier región convexa en este espacio. La regla de aprendizaje utiliza una técnica de corrección de error como la explicada anteriormente y consiste en inicializar los pesos de la red con valores aleatorios, presentar un patrón de entrada y propagar los valores hasta calcular la salida, adaptar los pesos basados en el error cometido teniendo en cuenta la salida esperada. Este procedimiento se realiza hasta que el error obtenido es menor o igual al error aceptado. � Kohonen. Existen evidencias que demuestran que en el cerebro hay neuronas que se organizan en muchas zonas, de forma que las informaciones captadas del entorno a través de los órganos sensoriales se representan internamente en forma de mapas bidimensionales [Beveridge, 1996]. Por ejemplo, en el sistema visual se han detectado mapas del espacio visual en zonas del córtex (capa externa del cerebro); también en el sistema auditivo se detecta una organización según la frecuencia a la que cada neurona alcanza mayor respuesta [Hilera González & Martínez Hernando, 2000].

63

Aunque en gran medida esta organización neuronal está predeterminada genéticamente, es probable que parte de ella se origine mediante el aprendizaje. Esto sugiere, por tanto, que el cerebro podría poseer capacidad inherente de formar mapas topológicos de las informaciones recibidas del exterior. A partir de estas ideas, Teuvo Kohonen presentó en 1982 [Kohonen, 1982] un sistema con un comportamiento semejante; se trata de un modelo de red neuronal con capacidad para formar mapas de características de manera similar a como ocurre en el cerebro. El objetivo de Kohonen era demostrar que un estímulo externo (información de entrada) por sí solo, suponiendo una estructura propia y una descripción funcional del comportamiento de la red, era suficiente para forzar la formación de mapas. Modelo de RNA desarrollado por T. Kohonen en 1982, que consiste en una red con capacidad para formar mapas de características similar a como ocurre en el cerebro, hay evidencias que demuestran que las neuronas biológicas se organizan en zonas, de forma que la información de entrada se representa internamente en forma de mapas bidimensionales, se trata de una red de tipo competitivo ya que al presentar una entrada, la red evoluciona hasta una situación estable en la que se activa una neurona de salida, la vencedora. Este modelo de red tiene dos variantes conocidas como LVQ (Learning Vector Quantization) y TMP (Topology – Preserving Map) o SOM (Self – Organizing Map) ambas basadas en el principio de formación de mapas topológicos, aunque difieren en las dimensiones de los vectores de la información de entrada a la red, siendo de una dimensión para LVQ y bidimensional o tridimensional en el caso de TPM o SOM. La Arquitectura de este modelo se caracteriza por tener dos capas, con N neuronas de entrada y M de salida, utiliza conexiones de tipo feedforward o conexiones hacia adelante entre las neuronas de entrada y las de salida y conexiones laterales entre las neuronas de la salida; la influencia que ejerce una neurona sobre la otra, depende de la distancia que existe entre ellas, siendo muy pequeña cuando están muy alejadas. El funcionamiento del modelo de Kohonen se basa en una tarea de clasificación, ya que la neurona de salida activada ante una entrada representa la clase a la que corresponde dicha información de entrada, además como ante otra entrada parecida se activa la misma neurona de salida u otra cercana, debido a la semejanza entre las clases, se garantiza que las neuronas topológicamente

64

próximas sean sensibles a entradas físicamente similares, por esta razón la red es útil para establecer relaciones desconocidas previamente entre conjuntos de datos. Este modelo utiliza un aprendizaje de tipo no supervisado, offline, por lo que se distingue entre una fase de aprendizaje y otra de funcionamiento. Durante la etapa de entrenamiento se presenta a la red varias veces todos los patrones de entrada, para que esta establezca, en función de la semejanza entre los datos, las diferentes categorías. Cabe mencionar aplicaciones como el reconocimiento de patrones de voz, texto, imágenes y señales, codificación de datos, robótica y resolución de problemas de optimización. � Hopfield. Modelo de RNA desarrollado por J. Hopfield, con el número suficiente de simplificaciones como para poder extraer analíticamente información sobre las características relevantes del sistema, conservando las ideas fundamentales de redes anteriores y presentando una serie de funciones básicas de sistemas neuronales reales. Además, J. Hopfield impulso el estudio de las redes autoasociativas, caracterizadas por tener una arquitectura, funcionamiento y reglas de aprendizaje muy distintas a las redes con estructura feedforward tales como Adaline/Madaline y Perceptron. Su arquitectura consiste en una red neuronal artificial monocapa, con N neuronas, cuyos valores de salida son binarios 0/1 ó -1/+1. En el modelo discreto de Hopfield (DH Discrete Hopfield) las funciones de activación son de tipo escalón y en la versión continua (CH Continous Hopfield) las funciones de activación son de tipo sigmoidal y las entradas y salidas son analógicas. En relación a la conexión entre neuronas, cada una se encuentra conectada a todas las demás mediante conexiones laterales, pero no consigo misma, es decir no existen conexiones autorrecurrentes. También, se debe mencionar que los pesos de las conexiones son simétricos, en otras palabras, el peso de la conexión entre la neurona i y la neurona j, tiene el mismo valor que el peso de la conexión entre la neurona j y la neurona i (Wij = Wji). La red neuronal artificial de Hopfield funciona como una memoria autoasociativa, en la que varias informaciones o patrones de entrada diferentes, pueden ser almacenadas en la red durante la fase de aprendizaje, posteriormente, si se presenta en la entrada un patrón, la red neuronal artificial evoluciona hasta estabilizarse ofreciendo en la salida la información almacenada que coincida con la presentada en la entrada o la más parecida.

65

Esta red neuronal artificial tiene un mecanismo de aprendizaje offline, existiendo una etapa de aprendizaje y otra de funcionamiento; además el aprendizaje es tipo no supervisado y hebbiano, lo cual garantiza la estabilidad de la red, ya que converge hacia una respuesta estable cuando se presenta una información de entrada. A pesar de las limitaciones de esta red, es una de las más utilizadas gracias a su facilidad de implementación física. Este modelo es aplicado al reconocimiento de imágenes y voz, el control de motores y la resolución de problemas de optimización. Figura 2. Topología de la red de Hopfield.

Fuente: Creación del autor Las redes de Hopfield se engloban dentro de las denominadas redes autoasociativas, en las que la red neuronal artificial almacena un conjunto de vectores de entrada, mediante la presentación repetitiva de dichos patrones a la red y la adaptación de los pesos. Una vez memorizados dichos vectores, se trata de que la red sea capaz de recuperar el vector original a partir de una descripción parcial o distorsionada del mismo. Por lo tanto, la autoasociación implica un aprendizaje no supervisado. � ADALINE. La red ADAptive LINear Element, fue desarrollada por Bernie Widrow en la universidad de Stanford, su arquitectura es básicamente la misma que la del perceptron, utiliza neuronas con función de transferencia de tipo escalón, esta red tienen una única neurona de salida y se diferencia del perceptron en el mecanismo de aprendizaje utilizado, basado en la regla Delta de Hidrow-Hoff

66

o regla del mínimo error cuadrado medio LMS, que consiste en la búsqueda del mínimo de una expresión del error entre la salida deseada y la salida lineal obtenida, antes de aplicarle la función de activación escalón. Esta red neuronal artificial utiliza un aprendizaje de tipo offline, supervisado, conocido como LMS (Least Mean Squared) o regla delta, pues trata de minimizar una delta o error, que es la diferencia entre el valor observado y el deseado en la salida. La regla LMS o Regla de aprendizaje del mínimo error cuadrado medio (Least Mean Square) es un método para hallar el vector de pesos W deseado que debe ser único y asociar con éxito cada vector del conjunto de vectores de entrada y su correspondiente valor de salida. El entrenamiento de la red neuronal artificial consiste en adaptar los pesos a medida que se vayan presentando los patrones de entrenamiento y salidas deseadas para cada uno de ellos. Para cada combinación entrada-salida se realiza un proceso automático de pequeños ajustes en los valores de los pesos hasta que se obtienen las salidas correctas.

La principal aplicación de este tipo de redes es el procesamiento de señales, y la realización de filtros que eliminen el ruido en señales portadoras de información. Se destaca su uso como canceladores adaptativos del eco para el filtrado de señales en comunicaciones telefónicas de larga distancia y comunicaciones vía satélite; también ha sido usada para la cancelación del ruido materno de las grabaciones electrocardiográficas (ECG) del latido del corazón del feto humano, así como para la eliminación de ecos en circuitos telefónicos. � MADALINE. Es la red neuronal artificial conocida como Multiple ADALINE que consiste en una combinación de módulos ADALINE básicos en capas. Es posible aplicar el algoritmo de aprendizaje LMS, pero sustituyendo la función de salida por una función continua derivable; también existe otro método conocido como regla II de MADALINE (MRII), parecido a un procedimiento de acierto y error con una característica adicional basada en un principio de mínima perturbación, donde el entrenamiento equivale a hacer una reducción del número de neuronas de salida incorrectos para cada uno de los patrones de entrenamiento. � ART. Es el modelo de resonancia adaptativa, desarrollado por Grossberg, Carpenter y otros colaboradores, que tiene la capacidad de aprender nuevos conceptos sin necesidad de olvidar otros aprendidos en el pasado; esta red utiliza

67

un tipo de aprendizaje competitivo, en la que al presentar una información de entrada solo una de las neuronas de salida se activa, esta neurona recibe el nombre de vencedora. Existen dos variantes de este modelo ART1 y ART2, la primera trabaja con entradas binarias y la segunda con entradas continuas o analógicas. Su arquitectura consiste de dos capas entre las que se establecen conexiones hacia adelante y hacia atrás (feedforward/feedback), en la capa de salida las conexiones son autorrecurrentes y laterales de inhibición con peso negativo para que exista la competencia entre ellas. Su funcionamiento se basa en la idea de hacer resonar la información de entrada con los prototipos de las categorías que reconoce la red, si entra en resonancia con alguno, es decir, es similar, la red considera que pertenece a dicha categoría o clase y únicamente realiza una pequeña adaptación del prototipo almacenado, representante de la categoría, para que incorpore algunas características del dato presentado. Cuando no resuena con ninguno, es decir, no se parece a ninguno de los existentes, recordados por la red hasta ese momento, la red crea una nueva categoría con el dato de entrada como prototipo de la misma. Utiliza un aprendizaje no supervisado, de tipo competitivo y online, por lo que no se diferencia entre las etapas de entrenamiento y de funcionamiento. Las aplicaciones de este modelo de red están relacionadas con tareas de reconocimiento de patrones, ya que se trata de una red especialmente útil en aquellas aplicaciones que requieran el establecimiento automático de categorías. También es ampliamente usado en el diseño de sistemas de control y diagnostico adaptativos. o Mecanismo de aprendizaje Backpropagation. Método conocido como propagación del error hacia atrás o retropropagación, formalizado en 1986 por Rumelhart, Hinton y Williams. Este mecanismo de aprendizaje esta basado en la regla delta generalizada, que permite su utilización en redes con más de dos niveles de neuronas, con el fin de que la red aprenda la asociación que existe entre los patrones de entrada y las distintas clases o salidas deseadas; dicha asociación es imposible de encontrar mediante una red sin capas intermedias, razón por la que este algoritmo es el más utilizado, cuando se trata de realizar un entrenamiento supervisado.

68

Es relevante el hecho de que este algoritmo genera una representación interna del conocimiento, que es capaz de organizar en la capa intermedia o capa oculta de las neuronas para conseguir cualquier correspondencia entre la entrada y la salida de la red neuronal artificial. � Explicación del algoritmo. La aplicación de este algoritmo tiene dos fases una hacia delante y otra hacia atrás, durante la primera fase el patrón de entrada es presentado a la red neuronal artificial y propagado a través de las capas hasta llegar a la de salida, obtenidos los valores de la red neuronal artificial, se inicia la segunda fase, realizando la comparación de estos valores con la salida esperada para obtener el error. Se ajustan los pesos de la ultima capa proporcionalmente al error. Se pasa a la capa anterior con una retropropagación, ajustando convenientemente los pesos y continuando con este proceso hasta llegar a la primera capa. Se esta manera se han modificado los pesos de las conexiones de la red para cada ejemplo o patrón de aprendizaje del problema. Paso 1. Crear la matriz de pesos y el vector de ganancias con valores iniciales aleatorios pequeños entre -1 y 1. Paso 2. Presentar un patrón de entrada Xp : xp1, xp2, …, xpn y especificar la salida deseada que debe generar la red d1, d2,…, dm. Paso 3. Calcular la salida actual de la red, presentado el patrón de entrada a la red y calculamos la salida que se genera en cada capa hasta llegar a la capa de salida, esta será la salida de la red para este patrón de aprendizaje. Los pasos son los siguientes: 1. Se calculan las entradas netas para cada una de las neuronas ocultas, procedentes de las neuronas de entrada:

2. Se calculan las salidas de las neuronas ocultas:

net h

pj =

N

i = 1 Σ

w h

ji x

pi + θ h

j

y

pj = f h

j (net )

h

pj

69

Utilizaremos la función de salida o de transferencia de tipo sigmoidal que cumple el requisito de ser continua, derivable, y no decreciente, está definida por la expresión: 3. Se realizan los mismos cálculos para obtener las salidas de las neuronas de salida Paso 4. Calcular los términos de error para todas las neuronas. Si la neurona k es una neurona de la capa de salida, el valor de la delta es:

Si la neurona j no es de salida la expresión utilizada es: Paso 5. Actualización de los pesos.

f (x) =

(1 + ) e -x

1

net o

pk =

L

j = 1 Σ

w o

kj y

pj + θ o

k

δ o

pk = ( - )

pk d

pk y f

o’

k

(net ) o

pk

δ

o

pk = ( - )

pk d

pk y y

pk

(1 - y )

pk

δ

h

pj = (1 - )

pi x

pi x

k Σ

δ o

pk w

o

kj

ji w (t+1) =

ji w (t) + [ α β ∆ ] δ

pj y

pi +

ji w (t)

y

pk = f o

k (net )

o

pk

70

Para calcular el incremento de los pesos existentes entre una capa y la siguiente que no sea la capa externa usamos: Para calcular el incremento a realizar a los pesos existentes entre una capa y la capa externa, usamos: 1.7.2 Pruebas Psicotécnicas. Cada vez más las empresas y organizaciones demandan instrumentos científicos que contribuyan a evaluar los estilos profesionales y actitudes de los candidatos o empleados, que sean capaces de establecer criterios predictivos en su comportamiento. Los cuestionarios de personalidad científicos, no los "pseudotests", son herramientas eficaces a la hora de aportar información relevante para conseguir seleccionar la persona adecuada para un puesto. Es importante nombrar los diferentes tipos en que se clasifican las pruebas psicotécnicas y algunas de ellas: � Test de inteligencia

• Escala Wechsler de inteligencia para adultos • WAISS III • MEPSA test de inteligencia no verbal

� Test de personalidad y adaptación • Cuestionario factorial de Personalidad 16PF. • MMPI Inventario multifacético de personalidad de Minnesota. • Perfil-Inventario de la personalidad P-IPG. • Inventario de personalidad para vendedores IPV

∆w

ji =

k Σ α ( )

pk ∂

pj w y

pj ( ) 1 -

pj y y

pi

∆w

ji α = ( - )

pj d

pj y

pj y ( ) 1 -

pj y y

pi

71

• Test de Personalidad de TEA TPT • Inventario de Personalidad NEO revisado NEO – PIR • Cuestionario de Personalidad para adolescentes HSPQ • Test de los colores • WARTEC

� Test y escalas de desarrollo � Test de intereses y aptitudes

• KUDER-C • CIPSA • IPP • Strong • McCarthy

� Test proyectivos • Test del árbol • Test de RORSCHACH

� Test de evaluación neuropsicológico y de neurodesarrollo

• Test de percepción de diferencias Caras • Test de formas idénticas • Prueba perceptiva y de atención Toulouse Pieron

o Pruebas psicotécnicas de personalidad mas importantes

� Cuestionario factorial de Personalidad 16PF • Datos generales Nombre original: “Sixteen Personality Factor Questionnaire (16PF)”. Institute for personality and ability testing, Champaign, Illinois, U.S.A. Autor: Raymond B. Cattell. Nombre de la adaptación española: Sección de estudios de TEA Ediciones, S.A. Madrid, 1975.

72

Administración: Individual y colectiva. Duración: variable entre 45 y 60 minutos para las formas A o B y 30 a 40 minutos para las formas C o D. Aplicación: adolescentes y adultos, con un nivel cultural equivalente al de la enseñanza media para las formas A y B; menor exigencia para las formas C y D. Significación: Apreciación de dieciséis rasgos de primer orden y cuatro de segundo orden de la personalidad; posible medida de la distorsión motivacional en las formas A, C y D, y de la negación en la forma A. Baremación: Tablas de decatipos para varones y mujeres, adolescentes y adultos, para las formas A, B y C; existen también baremos de A+B para adultos de cada sexo. Material: Manual, cuadernillos (Formas A, B y C), hojas de respuestas y plantillas de corrección. • Descripción Con una historia de más de 50 años desde que el doctor Raymond Cattell lo publicó en 1.949 y continuamente renovado, capaz de ser pasado en papel o por Internet, en más de 16 lenguas distintas (incluyendo el catalán y el euskera) y disponiendo además de cuatro versiones para los diferentes usos del inglés, dos del español y dos del portugués, el 16PF habrá tenido cientos de miles de usuarios y es una de las pruebas de personalidad sobre la que más libros y monografías se han escrito. Solamente en España, según datos de Tea-Ediciones (www.teaediciones.com) el editor del 16PF, se calcula que unas 150.000 personas lo pasan anualmente, solo en España, en sus diferentes versiones. Es un cuestionario de personalidad, creado por Raymond B. Cattell, mediante el cual se realiza una valoración objetiva, rápida y muy completa de la personalidad, producto de una investigación psicológica. Ofrece una visión amplia de los 16 rasgos de personalidad, aplicando cualquiera de las seis formas de este cuestionario, todas miden los mismos factores, son evaluadas de la misma manera y sirven para obtener la misma información. La diferencia radica en que han sido diseñadas para diferentes individuos con base en su edad y formación académica. Las formas C y D están dirigidas a sujetos con formación media-baja, la A y B destinadas a personas con niveles de formación igual o superior al de Bachillerato

73

y las formas E y F se aplican a sujetos con formación y nivel de comprensión lectora deficientes, tambien varían en el tiempo requerido para administrar la prueba. Cattell desarrolla la primera versión del 16PF en el año 1949. La Forma A es la versión estándar para adultos, y la Forma B es una forma alterna de la Forma A. Ambas contienen 187 items, ofreciendo una cantidad de 10 a 13 items para la medida de cada factor. El tiempo de administración que requieren es de 45 a 60 minutos. La Forma A es la que se utiliza con mayor frecuencia. Las Formas C y D son similares a las Formas A y B, pero contienen una menor cantidad total de items; ofreciendo siete items para la exploración de cada factor. Además de los dieseis factores de personalidad de primer orden, también se valoran cuatro de segundo orden, la distorsión motivacional en las formas A, C y D y la negación en la forma A, todo enmarcado dentro del contexto de una teoría general de la personalidad. El 16PF provee además unos valores específicos para la corrección de edad en las escalas que puedan verse significativamente afectadas por esta variable. La prueba ha sido traducida a más de cuarenta idiomas; y existen adaptaciones de la misma para cinco diferentes culturas de habla anglo-sajona, con el propósito de facilitar y fomentar estudios transculturales. Formas del 16PF Cattell & Krug (1986) proveen una extensa revisión de estudios enfocados hacia la verificación o validación de la estructura de la prueba. Diversos estudios, realizados con miles de personas de diferentes culturas y diversos parámetros demográficos, indican que la estructura factorial básica de la prueba está correcta. • Última edición: A la fecha, se ofrece la quinta edición de esta prueba 16PF-5, CUESTIONARIO FACTORIAL DE PERSONALIDAD, que es una revisión y actualización de las formas anteriores. Tiene 185 elementos y mide, con algunas variaciones y mejoras, las mismas 16 escalas primarias. Las 5 dimensiones superiores se denominan ahora "dimensiones globales" (aunque siguen siendo vectores secundarios definidos mediante análisis factorial), incorpora una escala de "deseabilidad social" (Mi), otra de infrecuencia (IN) y otra de "aquiescencia" (AQ) para controlar los sesgos en las respuestas. Baremos en decatipos para adultos,

74

varones, mujeres y ambos sexos reunidos. Su corrección se realiza con un disco de corrección/perfil o a través de Internet. � MMPI Inventario Multifasico de Personalidad de Minnesota-2 • Datos generales Nombre original: Minnesota Multiphasic Personality Inventory-2 Autor: Hathaway y J.C. Mcklinley Nombre de la adaptación española: MMPI Inventario Multifasico de Personalidad de Minnesota-2 Administración: Individual o colectiva. Duración: Variable en torno a 60 minutos Aplicación: Adultos. Significación: Evaluación de la personalidad normal y patológica, con la posibilidad de considerar hasta 77 variables. Material: Manual y Plantillas de calificación. • Descripción Es la versión actualizada y revisada de uno de los instrumentos más importantes para evaluar la personalidad. Aunque se mantienen la mayor parte de las características básicas del MMPI, se han introducido muchas e importantes mejoras: nuevos elementos para evaluar áreas no contempladas antes; indicadores de validez más completos; nuevas escalas suplementarias de gran utilidad; baremos actuales basados en una amplia muestra representativa de la población española. El MMPI-2 aporta una gran riqueza de información sobre la estructura de la personalidad y sus posibles trastornos: 3 escalas de validez, 10 escalas básicas, 15 escalas de contenido, 18 escalas suplementarias y 31 subescalas.

75

El MMPI-2 se basa en la experiencia de 50 años de investigación. La versión básica de corrección manual, con plantillas, permite obtener los resultados de 3 escalas de validez, las 10 escalas básicas y las 15 escalas de contenido. � Perfil – Inventario de la Personalidad P-IPG • Datos generales Nombre original: Inventario de Personalidad para vendedores IPV Autor: Leonard Gordon V. Administración: Individual, colectiva o autoaplicable. Duración: se requieren entre 20 y 25 minutos. Aplicación: Adolescentes y Adultos. Significación: Medir rasgos estables de la personalidad y un factor de autoestima relacionados con la adaptación y la eficiencia del sujeto en situaciones sociales, educativas y laborales. Material: Manual y Plantillas de calificación. • Descripción P-IPG combina las Pruebas de Personalidad de Gordon (PPG) y el Inventario de Personalidad Gordon (IPG) que originalmente se manejaban por separado. El Perfil mide cuatro rasgos de la personalidad Ascendencia (A), Responsabilidad (R), Estabilidad emocional (E) y Sociabilidad (S), mientras que el Inventario mide cuatro rasgos adicionales, Cautela (C), Originalidad (O), Relaciones personales (P) y Vigor (V). El PPG consta de 18 grupos de reactivos y el IPG de 20; cada grupo está formado por cuatro frases descriptivas (tétradas), el sistema de elección es forzosa pues consistente en tener que marcar de cada tétrada, la aseveración que más se asemeje al sujeto (+) y la que se le parezca menos (-). En esta versión totalmente actualizada se ofrece una gran variedad de tablas normativas pertinentes a muy diversos grupos poblacionales: estudiantes universitarios, gerentes, representantes de ventas, ejecutivos y muchos más.

76

El P-IPG proporciona información útil para las empresas, instituciones educativas, de salud y otras superando a las técnicas tradicionales de autoinforme. � Inventario de Personalidad para vendedores IPV • Datos generales Nombre original: Inventario de Personalidad para vendedores IPV Autor: Raymond B. Cattell Nombre de la adaptación española: Administración: Individual y colectiva. Duración: 40 minutos aproximadamente. Aplicación: Adolescentes y adultos. Significación: Evaluación de nueve rasgos primarios de personalidad de vendedores. Material: Manual y cuadernillos • Descripción Es un cuestionario de personalidad, creado por Raymond B. Cattell, mediante la evaluación de nueve rasgos primarios de personalidad de vendedores. Además se obtienen factores como la receptividad, agresividad y disposición general para las ventas, completando un total de 12 variables. Es una prueba que intenta elaborar un perfil de algunas variables de personalidad que forman parte del grupo de características necesarias para el éxito profesional en tareas de venta; la forman 87 elementos que presentan situaciones profesionales y de la vida corriente en las que el sujeto puede proyectarse eligiendo la que le parece más adaptada. � Test de Personalidad de TEA TPT

77

• Datos generales Nombre original: Test de Personalidad de TEA TPT Autor: Sara Corral Gregorio Administración: Individual y colectiva. Duración: 30 minutos, aproximadamente. Aplicación: Adolescentes y Adultos. Significación: Ofrecer puntuaciones en tres grandes factores o dimensiones. Material: Manual y Plantillas de calificación. • Descripción Ofrece puntuaciones en tres grandes factores o dimensiones Estabilidad emocional, Apertura mental y Responsabilidad, a partir de quince escalas: Desajuste, Ansiedad, Depresión, Tolerancia al estrés, Autoconcepto, Tolerancia y flexibilidad, Adaptación a los cambios, Interés por otras culturas, Disponibilidad, Inteligencia social, Integración social, Trabajo en equipo, Autoexigencia profesional, Dinamismo y actividad y Tesón y constancia. Incorpora una escala de control (Sinceridad), y como resumen unitario de toda la personalidad ofrece una puntuación criterial de estimación del Éxito en la vida profesional. Contiene 160 elementos que se contestan en una escala de 4 grados de frecuencia de la conducta concreta de cada frase o elemento. Concebido especialmente para el ámbito laboral es aplicable también en otros contextos educativo o personal. Su corrección se realiza con un disco de corrección/perfil. � Inventario de Personalidad NEO revisado NEO –PIR • Datos generales Nombre original: Inventario de Personalidad NEO revisado NEO –PIR Autor: Paul T. Costa, Robert R. McCrae. Avia Aranda, María Dolores Administración: Individual y colectiva.

78

Duración: 30 minutos, aproximadamente. Aplicación: Adolescentes y Adultos. Significación: Evaluación de la personalidad en los ámbitos profesional y personal. Material: Manual y Plantillas de calificación. • Descripción A pesar de ser muy reciente, es uno de los instrumentos más prestigiosos para la evaluación de la personalidad en condiciones de normalidad, como es el ámbito laboral. La estructura de los "cinco grandes" factores de la personalidad que se recoge en el NEO se ha convertido en una de las más sustentadas y utilizadas. Consta de 240 elementos a los que se responde en una escala Likert de cinco opciones y permite la evaluación de cinco factores principales: Neuroticismo, Extraversión, Apertura, Amabilidad y Responsabilidad. Cada factor se descompone en seis facetas, lo que permite un análisis de la personalidad más fino, obteniendo 35 puntuaciones diferentes. Existe una versión reducida, llamada NEO-FFI, que recoge los 60 mejores elementos y permite evaluar en un tiempo mínimo los cinco factores pero sin el desglose en facetas. � Cuestionario de Personalidad para adolescentes HSPQ • Datos generales Autor: R. B. Cattell y M. D. Cattell Nombre de la adaptación española: Cuestionario de Personalidad para adolescentes HSPQ Administración: Individual y colectiva. Duración: De 30 a 90 minutos

79

Aplicación: adolescentes. Significación: Evaluación de 14 factores primarios de la personalidad, de los que pueden obtenerse cuatro factores básicos secundarios. Material: Manual y Plantillas de calificación. • Descripción Evaluación de 14 factores primarios de la personalidad, de los que pueden obtenerse cuatro factores básicos secundarios. Procede de la investigación factorial y es muy utilizado por los psicólogos para evaluar la personalidad de los alumnos fundamentalmente durante el periodo de la enseñanza secundaria. La adaptación española se refiere a la Forma A, que consta de 140 elementos con tres alternativas. Las escalas o factores a evaluar son: o Reservado – abierto o Inteligencia Baja – alta o Emocionalmente afectado – estable o Calmoso – excitable o Sumiso – dominante o Sobrio – entusiasta o Despreocupado – consciente o Cohibido – emprendedor o Sensibilidad dura – blanda o Seguro – dubitativo o Sereno – aprensivo o Sociable – autosuficiente o Menos - más integrado o Relajado - tenso

3. METODOLOGÍA Con el fin de encontrar la alternativa práctica y funcional más conveniente para solucionar el problema objeto de estudio, se llevó a cabo el tipo de investigación correlacional y explicativa, porque se ha identificado la relación existente entre los hechos de construir, configurar y probar una RNA y se ha argumentado como influye cada uno en la comprobación de la hipótesis.

80

Entre los métodos y herramientas utilizadas en la investigación, se pueden nombrar: o Análisis de textos que son la base de la investigación documental o bibliográfica y que se anexan al final de este documento. o Ensayos con los cuales se realiza la comprobación del funcionamiento del sistema mediante acierto y error. Por otro lado se han consultado diversas fuentes de información, tales como tesis, libros, papers, artículos y antecedentes en Internet, de las cuales han sido seleccionadas las más actuales, de origen confiable y pertinente con el tema del proyecto. Con respecto al tema central de la investigación se consultaron diversas fuentes como el libro Redes Neuronales Artificiales, fundamentos, modelos y aplicaciones de Hilera y Martínez, proyectos de investigación llevados a cabo en otras Universidades a nivel mundial y documentos como el desarrollado en el año 2000 por la Universidad Tecnológica de Pereira acerca de la regla de aprendizaje Backpropagation. En relación a las pruebas psicotécnicas se han consultado fuentes confiables como TEA Ediciones, S.A., PSEA LTDA. Consultores en Gestión de Recursos Humanos, y Manual Moderno Colombia Ltda. Además, personas conocedoras del tema, tanto Ingenieros como Psicólogos han aportado sus conocimientos y experiencia durante la evolución del proyecto, así como también los usuarios y las personas involucradas en el proceso de selección de personal quienes establecen y evalúan los requisitos del sistema. Las consultas fueron realizadas en su gran mayoría mediante entrevistas. El proyecto fue desarrollado a través de un modelo incremental, con el cual es posible retomar el análisis, el diseño, la codificación y las pruebas del producto,

utilizando un proceso iterativo que permite desarrollar versiones cada vez mas completas como se observa en la Figura 3. Se llevaron a cabo tres incrementos; presentando una versión limitada pero funcional en el primer incremento que incluía los requisitos esenciales del sistema y en los subsiguientes incrementos se iba implementando detalles adicionales a la funcionalidad central a medida que se profundizaba y avanzaba en el proyecto. Figura 3. Metodología utilizada en el desarrollo del proyecto.

FFuueennttee:: Ingeniería de software, Un enfoque practico. Roger S. Presuman.

3.1 ENFOQUE DE LA INVESTIGACIÓN El enfoque de investigación empleado en el proyecto es el EMPIRICO-ANALITICO. 3.2 LÍNEA DE INVESTIGACIÓN DE USB / SUB-LÍNEA DE FACULTAD / CAMPO TEMÁTICO DEL PROGRAMA El Campo temático del programa de Ingeniería de Sistemas al cual se suscribe el proyecto es Almacenamiento de información. Con respecto a la sublinea de la facultad Sistemas de Información y Comunicación. La línea de investigación de la universidad en la que se encuentra enmarcado es Tecnologías actuales y sociedad. 3.3 TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN

Para realizar el levantamiento de información referente al proyecto fueron utilizadas técnicas como entrevistas, encuestas, visitas y observaciones directas del entorno de trabajo. Es importante presentar una de las entrevistas realizadas al Psicólogo Octavio Escobar quien ha desarrollado proyectos exitosos y de amplia acogida, aplicando pruebas Psicotécnicas, Redes Neuronales Artificiales y técnicas de análisis discriminante. A continuación se presenta el formato de dicha entrevista y posteriormente las respuestas.

ENTREVISTA Nombre del Entrevistado: Octavio Augusto Escobar Cargo del Entrevistado: Psicólogo Fecha: 10 de Mayo del 2005 Hora: Lugar: Bogotá Asunto u objetivo de la entrevista:

� Conocer las razones por las cuales desarrollaron un programa de textos interpretativos en base a un tipo de prueba para la selección de personal.

� Analizar la importancia de utilizar herramientas como redes neuronales para la resolución de problemas

� Comprender el impacto y el beneficio que ofrece el software en las empresas. Presentación del entrevistador: Norma Constanza Rodríguez estudiante de noveno semestre de Ingeniería de Sistemas de la Universidad de San Buenaventura en Bogotá, Colombia. Claudia Marcela Sierra estudiante de noveno semestre de Ingeniería de Sistemas de la Universidad de San Buenaventura en Bogotá, Colombia. Presentación del propósito al entrevistado: Más que un sistema de clasificación de perfiles profesionales, buscamos desarrollar un sistema de ayuda

o de apoyo en la toma de decisiones dentro del área de selección de personal para cualquier empresa. El

cual facilite el proceso de búsqueda y análisis de perfiles profesionales que satisfagan las necesidades de

la empresa que esta necesitando una persona con las cualidades requeridas. Por lo tanto, nuestra

intención es diseñar un prototipo de una red neuronal que sea capaz de identificar y clasificar los perfiles

profesionales.

1). ¿ Cuáles son los ventajas y cuáles son las desventajas que usted encuentra al utilizar el programa de textos interpretativos en vez de realizar el análisis de forma manual en el proceso de selección de personal? 2). ¿ Qué lo impulsó a investigar, con el centro de investigación CRECE en Colombia, acerca de pruebas de personalidad utilizando herramientas de inteligencia artificial como las redes neuronales, y no el tipo de desarrollo de software convencional? 3). ¿ Qué prueba de selección de personal escogieron y por qué? 4). ¿ A qué tipo de empresa va dirigido el software? 5). ¿ El programa esta dirigido o enfocado a algún tipo de cargo en particular? Cuál o cuáles son y por qué los eligieron? 6). ¿ Cómo se realiza el proceso de selección de personal? 7). ¿Cuál es el impacto que tiene el programa con los usuarios, tanto entrevistados como entrevistadores?

8). En el proceso de selección de personal son utilizadas las pruebas psicotécnicas, ¿Cuáles son los parámetros de entrada que se requieren para el análisis de la prueba aplicada? 9). ¿Cómo es el análisis que se debe llevar a cabo para obtener los resultados de la prueba que utiliza el programa? 10). ¿Sobre qué sistemas operativos se puede utilizar el programa? 11). ¿Qué herramienta de software utilizaron para desarrollar el programa? Y cuáles son sus ventajas y desventajas? Gracias por compartir sus opiniones que serán de gran utilidad para el desarrollo de nuestro proyecto. Las siguientes líneas corresponden a las respuestas del cuestionario anterior las cuales fueron contestadas a través del Chat.

Clau dice: Buenas noches Octavio

Octavio Escobar dice: Hola!

Clau dice: aqui tengo algunas preguntas sobre el programa que desarrollaron

Octavio Escobar dice: cuenta

Clau dice: 1). ¿ Cuáles son los ventajas y cuáles son las desventajas que usted encuentra al utilizar el programa de textos interpretativos en vez de realizar el análisis de forma manual en el proceso de selección de personal?

Octavio Escobar dice: Ventajas: 1 rapidez

Octavio Escobar dice: 2 precision

Octavio Escobar dice: 3 economia

Octavio Escobar dice: desv:

Octavio Escobar dice: posible mecanizacion

Clau dice: y por que rapidez?

Octavio Escobar dice: comparando la forma manual con la sistematizada

Clau dice: podrias decirme cuanto tiempo dura el proceso de forma manual mas o menos?

Octavio Escobar dice: como 10 min

Clau dice: y con la sistematizada?

Octavio Escobar dice: 1 min

Octavio Escobar dice: (datos aprox)

Clau dice: si es rapida!!

Octavio Escobar dice: yess

Clau dice: podrias explicarme por que es mejor por economía?

Octavio Escobar dice: bueno, costos de personal

Clau dice: a claro

Clau dice: y precisión?

Octavio Escobar dice: costo de oportunidad en la entrega de la info

Octavio Escobar dice:

menos errores. La forma manual tiene muchas fuentes de errores Clau dice:

disminuye al mínimo el error Clau dice:

? Octavio Escobar dice:

yes Clau dice:

que errores puede tener la forma manual? Octavio Escobar dice:

al poner la plantilla se corre Octavio Escobar dice:

al mirar en la tabla Octavio Escobar dice:

ak hacer los calculos Clau dice:

y por que una de las desventajas es la posible mecanización? Octavio Escobar dice:

del psicologo Octavio Escobar dice:

le hace todo el programa Clau dice:

pero el software no seria de apoyo para el psicólogo en la toma de desición? Octavio Escobar dice:

siiii Clau dice:

¿Qué lo impulsó a investigar, con el centro de investigación CRECE en Colombia, acerca de pruebas de personalidad utilizando herramientas de inteligencia artificial como las redes neuronales, y no el tipo de desarrollo de software convencional?

Octavio Escobar dice: buscar un modelo más preciso, más predictivo

Octavio Escobar dice: mira el artículo en psicologiacientifica.com

Clau dice: listo ya lo voy a mirar

Clau dice: 3). ¿Por que escogieron la prueba de selección de personal 16PF?

Octavio Escobar dice: por su confiabilidad y validez

Clau dice: Que evalua esta prueba?

Octavio Escobar dice: ohhh

Octavio Escobar envía: Abrir(Alt+P) Clau dice:

es decir, por lo que entiendo existen muchos tipos de pruebas psicotécnicas, que tipo de prueba es? Octavio Escobar envía: Abrir(Alt+P) Octavio Escobar dice:

factorial de personalidad Has recibido satisfactoriamente C:\Documents and Settings\FAMILIA SIERRA\Mis documentos\Mis archivos recibidos\El 16PF como instrumento.doc de Octavio Escobar. Has recibido satisfactoriamente C:\Documents and Settings\FAMILIA SIERRA\Mis documentos\Mis archivos recibidos\20 razones para utilizar el 16PF sistematizado en Selección.doc de Octavio Escobar. Clau dice:

gracias voy a mirarlos! Clau dice:

¿A qué tipo de empresa va dirigido el software? Octavio Escobar dice:

empresas que utilizan el 16pf Octavio Escobar dice:

o psicologos Clau dice:

Sin importar si la empresa es pequeña, mediana o grande? Octavio Escobar dice:

no importa Clau dice:

Por que 16PF y no MMPI O P-IPG?

Octavio Escobar dice: conozco el 16pf hace como 15 años, lo he estudiado mucho. y tiene más mercado entre psicologos organizacionales.

Clau dice: Y que pasa con las otras pruebas, podria pensarse en desarrollar un software basado en ellas?

Octavio Escobar dice: si

Octavio Escobar dice: pero el mercado es mas reducido

Octavio Escobar dice: podria ser

Clau dice: ¿ El programa esta dirigido o enfocado a algún tipo de cargo en particular? Cuál o cuáles son y por qué los eligieron?

Octavio Escobar dice: no

Clau dice: pero entrenaron a la red con un perfil en particular?

Octavio Escobar dice: claro

Octavio Escobar dice: es que son dos cosas distintas

Octavio Escobar dice: 1. El programa de calificación de la prueba... no usa redes

Octavio Escobar dice: 2. Una clasificación especifica de dos perfiles opuestos usando redes

Octavio Escobar dice: Hasta ahora te entiendo

Clau dice: es decir, desarrollaron 2 programas distintos?

Octavio Escobar dice: desarrollé

Clau dice: ahhh ya

Octavio Escobar dice: si, son dos cosas distintas

Clau dice: ósea que tu sabes programar?

Octavio Escobar dice: el programa de calificación lo hice en Excel

Clau dice: y el que utiliza redes neuronales?

Clau dice: qué herramienta de desarrollo usaste?

Octavio Escobar dice: neuroshell classifier

Clau dice: Sobre qué sistemas operativos se puede utilizar el programa?

Octavio Escobar dice: miralo en internet please

Clau dice: listo...

Octavio Escobar dice: http://www.wardsystems.com/products.asp?p=classifier

Clau dice: Que es el Centro de Investigación CRECE en Colombia?

Octavio Escobar dice: http://www.recintodelpensamiento.com/crece/crece.asp

Octavio Escobar dice: cual es tu interés?

Clau dice: Diseñar un modelo de identificación y clasificación de perfiles profesionales para facilitar la toma de decisiones en el área de selección de personal de cualquier empresa, mediante el uso de herramientas de inteligencia artificial como las redes neuronales artificiales.

Clau dice: ese es el objetivo del proyecto

Clau dice: Nuestra intención es facilitar el proceso de búsqueda y análisis de perfiles profesionales que satisfagan las necesidades de la empresa que esta necesitando una persona con las cualidades requeridas.

Octavio Escobar dice: mmm interesante

Clau dice: lo que más nos interesa es profundizar en esta tecnología, que para nosotras es totalmente nueva

Clau dice: Nunca hemos diseñado una red neuronal

Octavio Escobar dice: ok

Octavio Escobar dice: Interesante

Clau dice: por ahora hemos recogido información sobre redes neuronales, hemos leido, pero todo ha sido teorico

Octavio Escobar dice: ok

Octavio Escobar dice: hagan una

Clau dice: nuestros objetivos específicos son: Diseñar la red neuronal y Realizar pruebas para evaluar la efectividad de la red.

Octavio Escobar dice: ok

Octavio Escobar dice: te debo dejar por ahora ahora quedamos en contacto

Clau dice: listo y muchas gracias

Clau dice: si quedamos en contacto

Octavio Escobar dice: Ok

Octavio Escobar dice: bye

3.4 POBLACIÓN Y MUESTRA La información que será utilizada como entrada a la RNA, fue facilitada por el Psicólogo Octavio Escobar, quien aplicó la prueba de personalidad 16PF a alrededor de 220000 jefes de ventas de droguería, de diferentes ciudades, tanto hombres como mujeres, apoyándose en estadísticas reales de cumplimiento anual de presupuesto de ventas y porcentajes de crecimiento semestral; como parte de un estudio científico de la iinnfflluueenncciiaa qquuee ttiieennee llaa ppeerrssoonnaalliiddaadd eenn eell ddeesseemmppeeññoo llaabboorraall.. La gráfica 1 muestra como indudablemente existen diferencias relevantes entre los perfiles de personalidad de jefes de ventas con alto cumplimiento y jefes de ventas con bajo cumplimiento, lo cual reafirma la hipótesis de que la personalidad tiene gran influencia en el desempeño de una persona en actividades de un cargo especifico, y el cargo de ventas no podía ser la excepción. Gráfica 1. Gráfica comparativa del perfil de personalidad de jefes de ventas de alto y bajo cumplimiento.

Perfil de personalidad 16PF según tipo de cumplimiento de jefes ventas droguería

3,0

3,5

4,0

4,5

5,0

5,5

6,0

6,5

7,0

A B C E F G H I L M N O Q1 Q2 Q3 Q4

ALTO BAJO

Fuente: Investigación Psicólogo Octavio Escobar.

La gráfica presentada en seguida, muestra las diferencias del perfil de personalidad entre mujeres y hombres para los datos de la muestra. Ver gráfica 2. Gráfica 2. Gráfica comparativa del perfil de personalidad de jefes de ventas hombres y mujeres.

Perfil de personalidad 16PF

2

3

45

6

7

8

A B C E F G H I L M N O Q1 Q2 Q3 Q4

Hombre

Mujer

Fuente: Investigación Psicólogo Octavio Escobar.

En la presente investigación, se utilizan para el entrenamiento de la RNA únicamente los patrones de jefes de ventas de alto cumplimiento que son 62 ejemplos y los patrones de jefes de ventas de bajo cumplimiento que son 56, los cuales suman un total de 118 patrones para la configuración óptima de la RNA. Para las pruebas de funcionamiento que serán realizadas a la RNA

después de su configuración, se utilizaran 15, donde 8 son ejemplos de jefes de ventas de bajo cumplimiento y 7 de alto cumplimiento. Con estos perfiles de personalidad de los cuales conocemos su clasificación ya sea alto o bajo cumplimiento, se logrará entrenar la RNA propuesta, con el propósito de que tenga la capacidad de clasificar efectivamente, patrones nunca antes vistos, con base en la asociación realizada de la información aprendida. 3.5 HIPÓTESIS MMeeddiiaannttee uunnaa rreedd nneeuurroonnaall aarrttiiffiicciiaall eess ppoossiibbllee ccllaassiiffiiccaarr jjeeffeess ddee vveennttaass ccoonn aallttoo oo bbaajjoo ccuummpplliimmiieennttoo sseeggúúnn ssuu ppeerrffiill ddee ppeerrssoonnaalliiddaadd.. 3.6 VARIABLES Es necesario hacer claridad, que existen dos procesos para la solución del problema, crear la red (entrenar la red) y comprobar que funciona (probar la red). A continuación serán presentadas las variables (independientes y dependientes) y las constantes, que han sido identificadas en cada uno de los procesos. 3.6.1 Proceso de creación de la RNA. Este proceso incluye únicamente el entrenamiento y la configuración (no necesariamente óptima) de la RNA. No obstante puede ser ajustada con base en el proceso de pruebas, para lograr la configuración óptima que solucione el problema. o Variables independientes � Valores del estímulo de entrada: Son los 16 decatipos para cada factor de personalidad del cuestionario 16PF, que corresponde a cada componente del patrón de entrada. � Tasa de aprendizaje α: es la velocidad con la que aprende la RNA. � Cantidad de iteraciones: cantidad de veces que se aplica a la red un conjunto de patrones durante la fase de entrenamiento. � Cantidad de patrones ingresados a la RNA: corresponde al número de ejemplos que se decida ingresar en la fase de entrenamiento, en la fase de pruebas y en la fase de funcionamiento.

� Número de neuronas de la capa oculta: neurona o neuronas en las que se realiza el procesamiento y la asociación entre el conjunto de patrones de entrada y salida. � Error: es la delta de la diferencia entre la salida obtenida y la salida deseada que debe ser ajustada para reducirla. � Valores de activación o salida de la RNA. o Variables dependientes � Pesos de las conexiones de la capa de entrada y de la capa oculta. � Umbrales en la capa oculta y en la capa de salida. o Constantes � Cantidad de componentes del patrón de entrada ingresados a la red: Son los 16 factores de personalidad de cada individuo. � Número de neuronas de la capa de entrada: Dieciséis neuronas, una por cada componente del patrón de entrada. � Número de neuronas de la capa de salida: Una neurona, cuyo valor de activación indica la clase a la que pertenece la información de entrada. � Tipo de conexiones: define la forma como se encuentran conectadas las neuronas de la RNA. � Número de capas o niveles que componen la RNA.

3.6.2 Proceso de comprobación de la RNA. En este proceso se ingresan nuevos patrones de entrada-salida a la RNA para probar que la red clasifica correctamente. Este proceso solo puede ser iniciado si la RNA ya ha sido entrenada. o Variables independientes � Valores del estímulo de entrada: Son los 16 decatipos para cada factor de personalidad del cuestionario 16PF, que corresponde a cada componente del patrón de entrada.

� Cantidad de patrones ingresados a la RNA: corresponde al número de ejemplos que se decida ingresar en la fase de entrenamiento, en la fase de pruebas y en la fase de funcionamiento. o Variables dependientes � Error: es la delta de la diferencia entre la salida obtenida y la salida deseada que debe ser ajustada para reducirla. � Valores de activación o salida de la RNA. o Constantes � Pesos de las conexiones de la capa de entrada y de la capa oculta. � Umbrales en la capa oculta y en la capa de salida. � Número de neuronas de la capa oculta: neurona o neuronas en las que se realiza el procesamiento y la asociación entre el conjunto de patrones de entrada y salida. � Cantidad de componentes del patrón de entrada ingresados a la red: Son los 16 factores de personalidad de cada individuo. � Número de neuronas de la capa de entrada: Dieciséis neuronas, una por cada componente del patrón de entrada. � Número de neuronas de la capa de salida: Una neurona, cuyo valor de activación indica la clase a la que pertenece la información de entrada. � Tipo de conexiones: define la forma como se encuentran conectadas las neuronas de la RNA. � Número de capas o niveles que componen la RNA.

4 PRESENTACIÓN Y ANÁLISIS DE RESULTADOS La red neuronal artificial que ha sido desarrollada tiene la propiedad de generalizar, dado que responde apropiadamente cuando se le presentan datos a los que no había sido expuesta antes.

Con respecto al número de neuronas ocultas, los mejores resultados se han obtenido, estableciendo 8, 10, 12 y 20 neuronas en la capa oculta, empleando tasas de aprendizaje de 0,7. Durante el desarrollo del proyecto se comprobó que no es cierto el hecho de que mientras mas ejemplos se ingresen a la red, mejor será el aprendizaje de la misma, ya que se puede incurrir en el error de sobreentrenar la red, y que esta sea incapaz de generalizar, es decir que sea incapaz de clasificar correctamente patrones nunca antes vistos. Con base en los resultados de las pruebas realizadas, se afirmar que a partir de 1000 iteraciones el error se mantiene constante Tabla #. Especificaciones técnicas del equipo de pruebas de la red. Software: SO: Windows XP Professional, Versión 2002, Service Pack 2 Hardware: CPU: AMD Athlon (tm) XP 2.8 GHrz. RAM: 512 MB Esta prueba se han realizado en un computador con las especificaciones técnicas presentadas en la tabla # una iteración se lleva a cabo en aproximadamente # minutos, por tanto el tiempo total del aprendizaje de la red para obtener los resultados esperados toma 10 minutos. Es posible mejorar los resultados de la red, aumentando el numero de patrones presentados a la red durante la fase de aprendizaje. Esta clasificación obtenida puede ser complementada con otras tecnicas utilizadas durante el proceso de selección de personal como lo son entrevistas, para asi asegurar un correcto proceso de selección de personal de ventas, acorde a las necesidades de cada empresa Con base en diversas investigaciones se ha demostrado que durante el proceso de entrenamiento de una red neuronal artificial con mecanismo de aprendizaje backpropagation se generan relaciones internas entre neuronas para organizar los datos en clases, pudiendo afirmar que todas las unidades de la capa oculta son asociadas de alguna manera a características específicas del patrón de entrada como consecuencia del entrenamiento. No es fácil comprender como se realizó la asociación de los patrones para solucionar el problema, lo importante es que la red encuentra una representación interna que le permite generar la salida deseada cuando se ingresa una entrada en el proceso de

entrenamiento, así como también tiene la capacidad de clasificar patrones que la red no ha visto antes, según las características que compartan con los patrones usados en el aprendizaje. REDES NEURONALES La gestión de las bases de conocimiento en otros métodos de la inteligencia artificial, se vuelve más compleja, pues añadir una regla o eliminar un dato puede tener consecuencias imprevisibles sobre los demás datos, limitación que es superada por las RNA’s, puesto que la información se representa de forma distribuida, de igual forma que la memoria humana, lo cual implica que al recordar un hecho se activara una familia especifica de neuronas. Por tanto: o La red neuronal artificial puede crear su propia organización de la información. o Varios hechos se memorizan por la activación de clases de neuronas no

necesariamente cercanas. o La perdida de neuronas no implica que se deje de recordar, para lo cual se

requiere que la información sea almacenada de manera redundante. Se inicia la fase de pruebas utilizando los valores de los pesos que permanecen fijos al finalizar la etapa de entrenamiento haciendo que la red sea de carácter estático. Con base en pruebas que se han aplicado, es posible afirmar que la red neuronal artificial ha aprendido cuando los pesos de las conexiones entre neuronas, los cuales se modifican continuamente, permanecen estables; y cuando la salida obtenida coincide o se aproxima a la salida deseada, en este punto la fase de aprendizaje ha finalizado.

5. DESARROLLO INGENIERIL Este capítulo presenta al lector el proceso mediante el cual se encontró la solución al problema planteado, organizado sistemáticamente, a través del modelo de desarrollo incremental. Es preciso hacer claridad que la solución del problema planteado se fundamenta principalmente en el modelo de red neuronal artificial Perceptron multicapa, el mecanismo de aprendizaje Backpropagation y la prueba de personalidad 16PF, detallados en el marco teórico. A continuación encontrará como mediante cada uno de los incrementos o secuencias realizadas durante la evolución del proyecto, se fueron alcanzando tanto el objetivo general como los objetivos específicos, presentando los argumentos y las justificaciones para considerar la alternativa propuesta como la más eficiente. 5.1 PRIMER INCREMENTO Durante esta secuencia se realiza el levantamiento de información tanto de los requisitos esenciales que debe implementar la solución, como de los elementos más convenientes a utilizar. Se elabora el diagrama de casos de uso inicial, se construye el primer prototipo de la aplicación y se realizan las primeras pruebas del funcionamiento del sistema. 5.1.1 Análisis. Esta etapa de la metodología constituye la base para llevar a cabo el proyecto, pues en ella se definen los componentes estructurales de la solución. o Determinación del Modelo de Red Neuronal Artificial. Por medio de la indagación realizada, se definió el ppeerrcceeppttrroonn mmuullttiiccaappaa como el modelo de red neuronal artificial a implementar; sus características, fortalezas y nivel de aplicabilidad, se detallan a continuación. De forma general, el perceptron multicapa utilizado consta de tres capas de neuronas, una capa de entrada, una oculta y una de salida, ampliando las capacidades del perceptron original de dos capas, que solo podía hacer clasificaciones sencillas. Este tipo de red neuronal artificial utiliza conexiones feedforward y su aprendizaje es supervisado, compuesto de una etapa de entrenamiento y una de pruebas.

El modelo perceptron multicapa es un excelente clasificador de patrones y se aplica ampliamente a distintas clases de problemas, además de ser el mas utilizado en la actualidad. Para el caso de Adaline y Madaline, que también pertenecen al grupo de redes con aprendizaje supervisado, se continúa presentando la limitación de resolver únicamente problemas sencillos de clasificación. El modelo de Hopfield es uno de los de mayor uso, sus aplicaciones mas destacadas son el reconocimiento de imágenes y de voz, control de motores, y sobre todo la resolución de problemas de optimización, como el del viajante, también se utiliza para el reconocimiento de patrones pero en menor grado que el perceptron multicapa, adicionalmente posee dos grandes problemas: � La cantidad de información que es capaz de aprender o almacenar esta muy limitada. Se ha demostrado que el número máximo de patrones distintos que puede almacenar es igual al 13,8% del número de neuronas N, para arrojar una salida aceptable y N/(4*ln(N)) para una salida perfecta, por tanto para almacenar unas pocas informaciones se necesitará de una gran cantidad de neuronas y muchísimas conexiones. Por ejemplo una red formada por 100 neuronas que tendría 9900 conexiones solo podría aprender 13 informaciones. � No se garantiza que la red neuronal artificial realice una asociación correcta entre una entrada y una de las informaciones almacenadas, ya que si las clases aprendidas no son lo suficientemente diferentes entre ellas se puede generar una salida diferente a las almacenadas en la red. � Requiere mucho tiempo de procesamiento hasta converger a una solución estable, lo que limita su aplicabilidad. � Tiende a caer en mínimos locales, como las redes que utilizan backpropagation, sin embargo la red perceptron multicapa con algoritmo backpropagation, que ha sido seleccionada como objeto de estudio, supera esta dificultad, al controlar parámetros como el valor de la tasa de aprendizaje α, que debe ser aumentada a medida que el error disminuye para acelerar el aprendizaje o el valor del termino momento con el que se filtran oscilaciones. A raíz de estas limitaciones del modelo de hopfield algunos autores han propuesto otros modelos no supervisados que podrían ser mucho mas eficientes, como es el caso de la red Brain-state-in-a-box, creada por J. Anderson, que puede aprender un número de informaciones igual al número de neuronas de la red, en representación de esto, si la red esta compuesta por 100 neuronas lograría almacenar un máximo de 100 informaciones, no obstante, se sigue presentando el problema de no garantizar una asociación correcta y por tanto generar salidas no correspondientes. Una razón más para escoger Perceptron Multicapa con mecanismo de aprendizaje

Backpropagation, pues si está correctamente entrenada, se puede tener la seguridad de obtener una salida aceptable. Ver Tabla 10. El Modelo de Resonancia Adaptativa ART es uno de los modelos más potentes con aprendizaje no supervisado, sin embargo presenta varias limitaciones en la clasificación, tales como: � Gran sensibilidad ante el ruido o distorsión, que por el contrario, la red perceptron multicapa con algoritmo de aprendizaje backpropagation es capaz de abstraer las características similares entre una entrada desconocida y las ya aprendidas sin que ninguna señal de ruido lo afecte. � El modelo ART original es de carácter discreto, obligando a trabajar con informaciones binarias, aunque este problema es resuelto utilizando la extensión continua del modelo denominado ART2. El modelo de Kohonen, es uno de los más útiles, gracias a su capacidad para establecer clases o categorías de datos sin supervisión, pero posee limitaciones como: � La duración del proceso de aprendizaje. � La imposibilidad de aprender nuevos datos sin tener que volver a repetir el

proceso de aprendizaje con todos los patrones. Otra alternativa de red es la conocida como Counterpropagation que combina el modelo competitivo de Kohonen y el perceptron multicapa, por tanto utiliza aprendizaje supervisado y no supervisado a la vez, es considerado una variante del conocido backpropagation. Al utilizar la combinación de los dos tipos de aprendizaje se puede reducir el tiempo total de entrenamiento especialmente en redes con más de una capa oculta, por otro lado una gran desventaja de esta red es que para obtener resultados aceptables se debe cumplir la condición de que vectores parecidos de entrada deben producir informaciones parecidas de salida, si esto no se cumple se hace necesario aumentar el número de neuronas ocultas. Se considera que esta red neuronal permite acelerar del orden de 10 a 100 veces el proceso de aprendizaje respecto al algoritmo backpropagation, sin embargo no es un algoritmo óptimo, como este último, y por tanto solo debe utilizarse cuando se tenga pocos patrones de entrenamiento, menor o igual a la cantidad de neuronas ocultas o mayor si los más parecidos generan también salidas parecidas. El modelo Perceptron multicapa con algoritmo de aprendizaje backpropagation, continua siendo la mejor alternativa, pues para el problema que se quiere solucionar, el tiempo que se invertirá en el aprendizaje de la red es muy corto, debido a las capacidades de procesamiento de los sistemas de computo

actuales; de hecho, el beneficio que ofrece Counterpropagation solo se ve reflejado en redes con mas de una capa oculta, y para este proyecto, solo será implementada una de estas capas, como se mencionó al principio de la sección. A continuación se presenta una tabla comparativa que resume las principales características y limitaciones de los modelos de RNA mas conocidos. Tabla 10. Características de las redes neuronales más importantes.

NNOOMMBBRREE DDEE LLAA RRNNAA

AAÑÑOO AAPPLLIICCAACCIIOONNEESS

MMAASS IIMMPPOORRTTAANNTTEESS

CCOOMMEENNTTAARRIIOOSS LLIIMMIITTAACCIIOONNEESS IINNVVEENNTTAADDAA //

DDEESSAARRRROOLLLLAADDAA PPOORR

AAvvaallaanncchhaa 1967

Reconocimiento de habla continúa. Control brazos robot

Su implementación no es sencilla

No es fácil alterar la velocidad o interpolar el movimiento

Stephen Grossberg

TTeeoorrííaa rreessoonnaanncciiaa aaddaappttaattiivvaa ((AARRTT))

1986 Reconocimiento de patrones (radar, sonar, etc.)

Sofisticada, poco utilizada

Sensible a la distorsión y al ruido

Gail Carpenter, Stephen Grossberg.

AADDAALLIINNEE // MMAADDAALLIINNEE

1960

Filtrado de señales, Ecualizador adaptativo, modems

Rápida, fácil de implementar con circuitos analógicos o VLSI

Solo es posible clasificar espacios linealmente separados

Bernand Widrow

PPeerrcceeppttrroonn MMuullttiiccaappaa ccoonn aapprreennddiizzaajjee BBaacckk PPrrooppaaggaattiioonn

11997744--8855

RReeccoonnoocciimmiieennttoo ddee ppaattrroonneess.. SSíínntteessiiss ddee vvoozz ddeessddee tteexxttoo.. CCoonnttrrooll ddee rroobboottss.. PPrreeddiicccciióónn..

RReedd mmááss ppooppuullaarr.. NNuummeerroossaass aapplliiccaacciioonneess ccoonn ééxxiittoo.. FFaacciilliiddaadd ddee aapprreennddiizzaajjee.. PPootteennttee..

NNeecceessiittaa mmuucchhoo ttiieemmppoo ppaarraa eell aapprreennddiizzaajjee yy mmuucchhooss eejjeemmppllooss

PPaauull VVeerrbbooss,, DDaavviidd PPaarrkkeerr,, DDaavviidd RRuummeellhhaarrtt

MMeemmoorriiaa aassoocciiaattiivvaa bbiiddiirreecccciioonnaall

1985

Memoria heteroasociativa de acceso por contenido

Aprendizaje y arquitectura simples.

Baja capacidad de almacenamiento. Los datos deben ser codificados

Bart Kosko

MMááqquuiinnaass ddee BBoollttzzmmaann yy CCaauucchhyy

1985-86

Reconocimiento de patrones (imágenes, sonar y radar). Optimización

Redes simples. Capacidad de representación óptima de patrones

La maquina de Boltmann necesita un tiempo muy largo de aprendizaje

Jeffrey Hinton, Terry Sejnowski, Harold Szu

BBrraaiinn--SSttaattee--iinn--aa--bbooxx

1977 Extracción de conocimiento de bases de datos

Posiblemente mejor realización que las redes de Hopfield

Realización y potenciales aplicaciones no estudiadas totalmente

James Anderson

CCeerreebbeellllaattrroonn 1969

Control de movimiento de los brazos de un robot

Semejante a avalancha

Requiere complicadas entradas de control

David Marr. James Albus, Andres Pellionez

CCoouunntteerr--pprrooppaaggaattiioonn

1986 Comprensión de imágenes

Combinación de Perceptron y TMP

Numerosas neuronas y conexiones

Robert Hetcht-Nielsen

HHooppffiieelldd 1982 Reconstrucción de patrones y optimización

Puede implementarse en VLSI. Fácil de conceptualizar.

Su capacidad de almacenamiento y aprendizaje es muy limitada.

John Hopfield

NNeeooccooggnniittrroonn 1978-84

Reconocimiento de caracteres manuscritos

Insensible a la traslación, rotación y escala.

Requiere muchos elementos de proceso o neuronas, niveles y conexiones.

K. Fukushima

PPeerrcceeppttrroonn 1957 Reconocimiento de caracteres impresos

La red más antigua construida.

No puede reconocer caracteres complejos

Frank Rosenblatt

SSeellff--OOrrggaanniizzeedd MMaapp ((SSOOMM)) TTooppoollooggyy-- PPrreesseerrvviinngg-- MMaapp ((TTMMPP))..

1980-84

Reconocimiento de patrones, codificación de datos, optimización.

Realiza mapas de características comunes de los datos aprendidos

Requiere mucho entrenamiento Teuvo Kohonen

Fuente: Creación del autor. o Justificación del mecanismo de aprendizaje. Para el desarrollo del proyecto se ha seleccionado el aallggoorriittmmoo ddee aapprreennddiizzaajjee BBaacckkpprrooppaaggaattiioonn,, como resultado del estudio de las reglas utilizadas en el entrenamiento de algunas RNA. � Primer algoritmo de entrenamiento para redes multicapa. Paul Werbos en 1974, desarrollo el primer algoritmo de entrenamiento para redes con más de una capa, este algoritmo no tuvo gran acogida dentro de la comunidad de desarrolladores de redes neuronales artificiales, puesto que fue desarrollado para cualquier tipo de redes multicapa, sin tomar en cuenta la aplicación especial de esta tecnología. � Regla de aprendizaje del perceptron de Rosenblatt. Esta regla es la utilizada para el entrenamiento de la red Perceptron desarrollada en 1958, la cual presenta limitaciones como el no considerar la magnitud del error global cometido durante el proceso completo de aprendizaje de la red, considerando únicamente, los errores individuales o locales correspondientes al aprendizaje de cada información por separado. Este algoritmo es de tipo supervisado y funciona mediante la corrección del error cometido en la salida. Quizás su más grande desventaja, es que solo puede aprender clasificaciones con un menor grado de complejidad que otros mecanismos más evolucionados, como LMS y Backpropagation, pues únicamente puede solucionar problemas linealmente separables, por lo tanto aquellas aplicaciones que implican un tipo de separación no lineal requieren de otro mecanismo. � LMS de Widrow y Hoff. Este algoritmo es reconocido por mejorar el del perceptron, al reducir el tiempo de entrenamiento, y por ampliar considerablemente el campo de aplicación de las RNA. Es conocido con el nombre de regla delta, regla del mínimo error cuadrado (LMS Error: Least-Mean-Squared Error) o regla de Widrow y Hoff, y es utilizada por las redes ADALINE y MADALINE. Al igual que la regla de aprendizaje del perceptron, este algoritmo es de tipo supervisado y se lleva a cabo por corrección de error, pero a diferencia de este,

LMS cuantifica el error global cometido en cualquier momento durante el proceso de entrenamiento. � Linear Reward-Penalty LR-P y Associative Reward-Penalty AR-P. Estos dos mecanismos son conocidos como algoritmo lineal con recompensa y penalización y algoritmo asociativo con recompensa y penalización respectivamente. Los dos son de tipo supervisado, y utilizan un aprendizaje por refuerzo, mucho más lento que en las redes que aprenden por corrección de error, puesto que no se les proporciona exactamente la respuesta deseada, sino que simplemente se les indica si acertó o no. � Adaptive Heuristic Critic. Este algoritmo al igual que LR-P y AR-P es de tipo supervisado con aprendizaje por refuerzo, por consiguiente el proceso de entrenamiento también es más lento que en el aprendizaje por corrección de error. � Regla de Hebb. Este aprendizaje es de tipo no supervisado, utilizado cuando se desea entrenar una red que no requiere de influencia externa para ajustar los pesos de las conexiones entre las neuronas. En la actualidad este mecanismo esta ampliamente extendido debido a su fácil implementación, principalmente en circuitos integrados VLSI. Sin embargo, para el problema a solucionar en este proyecto, se tiene a disposición el conjunto de patrones entrada-salida, una de las razones por las cuales se ha optado por un aprendizaje supervisado. � Aprendizaje competitivo y cooperativo. Al igual que el aprendizaje hebbiano, este mecanismo es no supervisado, pero a diferencia de este, las neuronas compiten por activarse y solo una o una por categoría resulta ganadora. Este algoritmo es descartado pues los patrones de entrada disponibles en este proyecto, especifican exactamente la salida deseada de la red. � Backpropagation. Fue especialmente diseñado para entrenar redes multicapa, con el firme propósito de superar la desventaja de las redes de dos capas de neuronas, que solo resuelven problemas linealmente separables, esto lo convierte en un mecanismo con mayores capacidades que el algoritmo de aprendizaje del perceptron de Rosenblatt y el LMS de Widrow y Hoff, utilizados por las redes de dos capas. Este algoritmo conocido como propagación del error hacia atrás o LMS Multicapa, se basa en modelos matemáticos que aseguran una alta probabilidad de que el error converja o tienda a cero, es decir que se aproxime a la salida deseada. Es usado en redes con conexiones feedforward y capas o niveles ocultos de neuronas. Con este método, la red neuronal artificial aprende la asociación que existe entre los patrones de entrada a la misma y las clases correspondientes, creando una representación interna del conocimiento organizada en la capa

intermedia u oculta de las células. El problema de establecer esta correspondencia en redes con dos o menos capas donde es imposible encontrar los pesos adecuados para establecer dicha asociación entre la entrada y la salida, se soluciona en redes con neuronas en la capa oculta. Desde su redescubrimiento, a mediados de los años 80, ha logrado ampliar de forma considerable las aplicaciones de las redes neuronales artificiales, pues puede utilizarse para solucionar muchos más problemas que las reglas perceptron, Adaline y Madaline. Es importante resaltar que con backpropagation es posible aprovechar la naturaleza paralela de las redes neuronales para reducir el tiempo requerido por un procesador secuencial cuando intenta determinar la correspondencia o asociación entre los patrones dados. Adicionalmente es un algoritmo de fácil implementación, pues solo requiere de seis pasos para realizar todo el ciclo propagación-adaptación, durante el cual es capaz de abstraer las características semejantes de una entrada arbitraria con los patrones vistos en la fase de entrenamiento, sin que ninguna señal de ruido afecte la clasificación. Una desventaja de este modelo es que la superficie de error no es lineal y por lo tanto es difícil localizar el mínimo global de la función del error y se suele caer en mínimos locales, pero esta limitante se puede solucionar modificando el valor de la tasa de aprendizaje durante la etapa de entrenamiento o adicionando el valor de momento (β), el cual filtra oscilaciones que se puedan presentar y acelera el proceso de aprendizaje. También, utilizar este algoritmo implica invertir tiempo y esfuerzo en la elección de la arquitectura apropiada de la red neuronal artificial que incluye número de capas, número de neuronas por capa, parámetros de aprendizaje como la constante de proporcionalidad alpha y el valor de momento, mediante un proceso de prueba y error que se vuelve necesario si se desea un buen resultado. Adicionalmente, se asegura que este mecanismo presenta lentitud en el aprendizaje debido a la adición de capas ocultas y a la cantidad de pasos que se deben realizar para encontrar la solución, pero esta limitante se ve compensada por la capacidad de procesamiento de los sistemas de cómputo actuales. Uno de los problemas en los que se puede incurrir cuando se entrena la red, es el de sobreentrenarla, volviéndose incapaz de generalizar problemas, por lo que se hace necesario definir convenientemente el número de iteraciones y tasa de aprendizaje, mediante pruebas, para que la red aprenda a clasificar datos similares nunca antes vistos.

o Determinación de la prueba Psicotécnica de personalidad. Mediante el análisis e indagación de las pruebas de personalidad, ver Tabla 12, se seleccionó el CCuueessttiioonnaarriioo ffaaccttoorriiaall ddee ppeerrssoonnaalliiddaadd 1166PPFF como la herramienta a utilizar para medir el perfil de personalidad de los jefes de ventas con alto o bajo cumplimiento, el cual corresponde a la información de entrada tanto para la fase de entrenamiento, como para la fase de pruebas y funcionamiento. Esta decisión fue tomada debido a sus características únicas y a su amplio reconocimiento y aceptación en el campo de la psicología, entre otros motivos que serán presentados a continuación. Este test ofrece una medición muy completa sobre 16 factores de la personalidad, los cuales son: afabilidad, razonamiento, estabilidad, dominancia, animación, atención y respeto a las normas, atrevimiento, sensibilidad, vigilancia, abstracción, privacidad, aprensión, apertura y cambio, autosuficiencia, perfeccionismo, y tensión. También secundariamente se miden dimensiones tales como, extraversión, ansiedad, dureza, independencia y autocontrol. Adicionalmente se puede tener información y puntuaciones sobre liderazgo y autoestima. Es muy útil como modelo para obtener los grados que de una serie de competencias genéricas tiene cada persona. De acuerdo al problema planteado, esta prueba brinda todo lo que se quiere saber de un candidato a vendedor, sobre aspectos tales como la generosidad, la tolerancia, el no estar cerrado a la innovación, la empatía, el disponer de un espíritu competitivo, el deseo de superarse, etc.; esas actitudes son muy importantes, pues se reflejaran posteriormente en la capacidad de liderazgo, de trabajar en equipo, de saber captar necesidades, de ser responsable y tomar a su cargo un problema o una petición hasta resolverla o colaborar en su solución, de estar orientado al cliente y sus requerimientos y de aprovechar las oportunidades comerciales y de negocio, razón por la cual esta prueba es la más aplicada en selección de personal para las empresas y es la de mayor prestigio a nivel internacional. Además, otra de las razones para escoger este instrumento, es el hecho de que el 16PF es sin duda un test y no un pseudotest, puesto que en su elaboración se utilizó una muestra validada de más de 20.000 personas y en muchos países está tipificado para varios miles de casos, incorporando en su última versión, escalas de deseabilidad social y de aceptación para controlar los sesgos en las respuestas con baremos diferentes para adultos y jóvenes, tanto hombres como mujeres. Es importante resaltar que este cuestionario proporciona características particulares que ningún otro; para empezar es un cuestionario consistente, aplicado a múltiples procesos y enfocado a la normalidad de los rasgos de personalidad. Puede ser respondido por Internet o en papel, como se realiza originalmente y obtener el informe en cualquiera de las 24 lenguas en las que se encuentra disponible.

Es una prueba que evoluciona a la par con el desarrollo global, proporcionando al candidato un lenguaje actual y claro. Otro aspecto relevante es el excelente control que se hace de la sinceridad con la que el candidato responde el cuestionario, se puede dar el caso de que la persona manipule las respuestas exagerando sus cualidades en relación con los requerimientos del puesto al que aspira, o el caso de que la persona conteste al azar. Muy pocos cuestionarios realizan este control. Otro cuestionario reconocido a nivel mundial, es el MMPI, el cual es usado ampliamente para diagnostico clínico mas que para selección de personal; además este cuestionario esta compuesto por 566 elementos, que convierten la tarea de aplicación en un proceso largo y tedioso; para el presente estudio, el 16PF es especialmente apropiado por su aplicabilidad en el proceso de selección de personal, su extensión y las escalas de fiabilidad y de validez que ofrece. Ver Tabla 11. Tabla 11. Tabla comparativa de pruebas de personalidad más importantes.

NNOOMMBBRREE VVAARRIIAABBLLEESS AAPPLLIICCAACCIIÓÓNN EELLEEMMEENNTTOOSS HHIISSTTOOGGRRAAMMAA DDEE BBAARRRRAASS LLOONNGGIITTUUDD MMMMPPII 19 ADULTOS 566 NNEEOO--PPIIRR 5 ADULTOS 240 1166PPFF 19 ADULTOS 185 PP--IIPPGG 9 ADULTOS 152 HHSSPPQQ 14 ADOLECENTES 140 IIPPVV 12 ADULTOS 160 TTEEAA TTPPTT 15 ADULTOS 160 NNEEOO--FFFFII 5 ADULTOS 60

Fuente: Creación del autor.

Enseguida se presenta una tabla que comprende las características más relevantes de las pruebas psicotécnicas de personalidad más destacadas.

Tabla 12. Descripción de algunas de las pruebas de personalidad más importantes.

NNOOMMBBRREE PPRRUUEEBBAA

AAUUTTOORR PPRROOCCEEDD.. SSIIGGNNIIFFIICCAACCIIOONN PPRROOPPOOSSIITTOO FFIINNAALLIIDDAADD

AADDMMIINN.. AAPPLLIICCAACCIIÓÓNN//

NNIIVVEELL CCUULLTTUURRAALL

DDUURRAACCIIÓÓNN TTIIPPIIFFIICCAACCIIÓÓNN MMAATTEERRIIAALL

CCuueessttiioonnaarriioo ddee ppeerrssoonnaalliiddaadd 1166 PPFF

RRaayymmoonndd BB.. CCaatteellll

TTEEAA EEddiicciioonneess,, SS..AA,, MMaaddrriidd,, 11997755

AApprreecciiaacciióónn ddee 1166 rraassggooss ddee pprriimmeerr oorrddeenn yy 44 ddee sseegguunnddoo oorrddeenn ddee llaa ppeerrssoonnaalliiddaadd;; ppoossiibbllee mmeeddiiddaa ddee llaa ddiissttoorrssiióónn mmoottiivvaacciioonnaall eenn llaass ffoorrmmaa AA,, CC,, yy DD yy ddee llaa nneeggaacciióónn eenn llaa ffoorrmmaa AA..

MMeeddiirr yy ccoommpprreennddeerr ddee ffoorrmmaa gglloobbaall llaass pprriinncciippaalleess ccaarraacctteerrííssttiiccaass yy ffaaccttoorreess ddee llaa ppeerrssoonnaalliiddaadd yy oobbtteenneerr eell ggrraaddoo ddee ccoommppeetteenncciiaa ddee llaa ppeerrssoonnaa

IInnddiivviidduuaall oo ccoolleeccttiivvaa

AAddoolleesscceenntteess yy aadduullttooss,, aa ppaarrttiirr ddee 1166 aaññooss,, ccoonn uunn nniivveell ccuullttuurraall eeqquuiivvaalleennttee aall ddee llaa eennsseeññaannzzaa mmeeddiiaa ppaarraa llaass ffoorrmmaass AA yy BB;; mmeennoorr eexxiiggeenncciiaa ppaarraa llaass ffoorrmmaass CC yy DD..

VVaarriiaabbllee ,, 4455 aa 6600 mmiinnuuttooss ppaarraa llaass ffoorrmmaass AA yy BB,, 3300 aa 4400 mmiinnuuttooss llaass ffoorrmmaass CC oo DD..

TTaabbllaass ddee ddeeccaattiippooss ppaarraa vvaarroonneess yy mmuujjeerreess,, aaddoolleesscceenntteess yy aadduullttooss,, ppaarraa llaass ffoorrmmaass AA,, BB yy CC.. eexxiisstteenn ttaammbbiiéénn bbaarreemmooss ddee AA++BB ppaarraa aadduullttooss ddee ccaaddaa sseexxoo..

MMaannuuaall,, ccuuaaddeerrnniillllooss ((FFoorrmmaa AA,, BB yy CC)),, hhoojjaass ddee rreessppuueessttaass yy ppllaannttiillllaass ddee ccoorrrreecccciióónn..

MMMMPPII IInnvveennttaarriioo MMuullttiiffaassiiccoo ddee PPeerrssoonnaalliiddaadd ddee MMiinnnneessoottaa--22

Hathaway y J.C. Mcklinley

TEA Ediciones, S.A, Madrid

Evaluación de la personalidad normal y patológica, con la posibilidad de considerar hasta 77 variables.

aportar una gran riqueza de información sobre la estructura de la personalidad y sus posibles trastornos

Individual o colectiva. Adultos.

Variable en torno a 60 minutos

Tablas de baremos basados en una amplia muestra representativa de la población española

Manual y Plantillas de calificación.

PPeerrffiill –– IInnvveennttaarriioo ddee llaa PPeerrssoonnaalliiddaadd PP--IIPPGG

Leonard V. Gordon

Editorial el Manual moderno S.A. 1994

Medir rasgos estables de la personalidad y un factor de autoestima relacionados con la adaptación y la eficiencia del sujeto en situaciones sociales, educativas y laborales.

Evaluación de ocho rasgos básicos de personalidad: ascendencia, estabilidad emocional y sociabilidad en el PPG; cautela, originalidad, comprensión y vitalidad en el IPG. La suma de los resultados de las cuatro escalas PPG, permite una medida de la autoestima.

Individual, colectiva o auto-aplicable

Adolescentes y Adultos.

Se requieren entre 20 y 25 minutos para la culminación de la prueba.

Tablas de percentiles de varios grupos normativos usadas para convertir la puntuación bruta en una que refleje su posición dentro del grupo de referencia.

Manual y Plantillas de calificación

IInnvveennttaarriioo ddee PPeerrssoonnaalliiddaadd ppaarraa vveennddeeddoorreess IIPPVV

Raymond B. Cattell

TEA Ediciones, S.A, Madrid

Evaluación de nueve rasgos primarios de personalidad de vendedores.

intenta elaborar un perfil de algunas variables de personalidad que forman parte del grupo de características necesarias para el éxito profesional en tareas de venta

Individual o colectiva

Adolescentes y adultos.

40 minutos aproximadamente

--------------- Manual, cuadernillos

TTeesstt ddee PPeerrssoonnaalliiddaadd ddee TTEEAA TTPPTT

Sara Corral Gregorio

TEA Ediciones, S.A, Madrid

Ofrecer puntuaciones en tres grandes factores o dimensiones.

Evaluación de la personalidad en los ámbitos profesional y personal.

Individual o colectiva

Adolescentes y Adultos.

30 minutos, aproximadamente

----------------- Manual y Plantillas de calificación.

IInnvveennttaarriioo ddee PPeerrssoonnaalliiddaadd NNEEOO rreevviissaaddoo NNEEOO ––PPIIRR

Paul T. Costa, Robert R. McCrae. Avia Aranda, María Dolores

TEA Ediciones, S.A, Madrid

Evaluación de la personalidad en condiciones de normalidad, como es el ámbito laboral

Evaluación de cinco factores principales: Neuroticismo, Extraversión, Apertura, Amabilidad y Responsabilidad.

Individual o colectiva

Adolescentes y Adultos.

30 minutos, aproximadamente

----------------- Manual y Plantillas de calificación.

CCuueessttiioonnaarriioo ddee PPeerrssoonnaalliiddaadd ppaarraa aaddoolleesscceenntteess HHSSPPQQ

R. B. Cattell y M. D. Cattell

TEA Ediciones, S.A, Madrid

Evaluación de 14 factores primarios de la personalidad, de los que pueden obtenerse cuatro factores básicos secundarios.

evaluar la personalidad de los adolescentes

Individual o colectiva.

Adolescentes entre los 12 y 18 años.

De 30 a 90 minutos

-------------- Manual y Plantillas de calificación.

Fuente: Creación del autor.

o Parametrización de la prueba de personalidad 16PF. Para realizar el proceso de entrenamiento y funcionamiento, se deben ingresar a la red los patrones de entrada-salida, correspondientes a los perfiles de personalidad tanto de jefes de ventas con alto o bajo cumplimiento como de candidatos al cargo de vendedor. Para lo cual se hace necesario presentar al lector, la interpretación de cada uno de los 16 factores que componen la personalidad de un sujeto y el esbozo general de la obtención de su perfil. Para el proyecto solo se tomara en cuenta los factores primarios del 16PF, no los factores de segundo orden, por lo que no se ahondara en ellos. Una vez aplicada la prueba, para obtener los factores primarios, se debe tomar como base las normas para la corrección y puntuación del 16PF, la corrección puede realizarse de forma sistematizada o manual; para la forma sistematizada actualmente se cuenta con programas informáticos que aplican, califican e interpretan la prueba automatizando este proceso; para el caso de corrección manual, se debe utilizar la plantilla transparente de calificación adjunta, esta se coloca sobre la hoja de respuestas para ir sumando los puntos que obtiene el sujeto en cada uno de los factores, los cuales se denominan puntuaciones directas. Posteriormente, estas puntuaciones directas deben ser convertidas a una escala común y única que sitúe al sujeto (jefe de ventas, candidato a vendedor) dentro de un grupo normativo y definido de la población, estos nuevos valores se denominan decatipos. Para esta conversión se debe seleccionar la tabla de baremos adecuada, dependiendo la población ya sea adolescentes o adultos, hombres o mujeres. En la tabla se debe ubicar la puntuación directa obtenida por el sujeto y tomar el valor del decatipo correspondiente, como se muestra en las Figuras 1 y 2. Figura 1. Tabla de baremos mujeres, N = 317, edad promedio: 22 años, forma A adultos.

EEssccaallaa 11 22 33 44 …

A 00 -- 44 5 - 6 7 8 - 9 …

B 0 - 4 5 66 7 …

C 0 - 5 66 7 - 8 9 -11 …

… … … … … …

Fuente: Creación del autor.

Figura 2. Ejemplo conversión de puntuaciones directas a decatipos (mujer 22 años).

Factor A B C E F G H I L M N O Q1 Q2 Q3 Q4

Puntuación directa 22 66 66 7 2 12 9 13 16 10 7 3 6 14 18 11

Decatipo 11 33 22 3 1 5 4 5 9 4 3 1 2 7 10 5

Fuente: Creación del autor. Los 16 factores están identificados de la siguiente manera: A, B, C, E, F, G, H, I, L, M, N, O, Q1, Q2, Q3, y Q4. La interpretación de los factores se basa en que tan alta (8, 9 ó 10) o baja (1, 2 ó 3) es la puntuación obtenida para cada uno de éstos. Por esta razón es que se habla de que una persona sea, por ejemplo, A+ o A-; y así sucesivamente con los demás factores. A continuación se ofrece una descripción de cada uno de estos factores. El Factor A mide el grado en que la persona busca establecer contacto con otras personas porque encuentra satisfactorio y gratificante el relacionarse con éstas. Las personas que obtienen puntuaciones altas (A+) tienen una mayor disposición hacia el afecto, tienden a ser más cariñosos, expresivos, dispuestos a cooperar, generosos, activos, y no temen a las críticas que puedan hacerse de su persona. Los A+ prefieren los proyectos grupales en vez de la competencia a nivel individual, y disfrutan de empleos que enfatizan la interacción social como las ventas, el trabajo social o la enseñanza. Los A- tienden a ser más reservados, formales, impersonales y escépticos. Prefieren trabajar solos y son rígidos y precisos al hacer sus cosas; pueden ser, en ocasiones, altamente críticos y rudos. El Factor B mide inteligencia en base al predominio del pensamiento abstracto o del pensamiento concreto; considerando el predominio del abstracto como característico de una persona de inteligencia mayor y el concreto como indicador de una inteligencia menor. Una persona con puntuaciones altas (B+) demuestra tener un pensamiento abstracto y se le percibe como muy inteligente. Puede captar, analizar y comprender rápidamente y con facilidad las ideas o conceptos que se le presenten; y tienden a ser muy alertas. Los que obtienen puntuaciones bajas (B-) tienden a interpretar la mayoría de las cosas de manera literal y concreta. Tienen dificultades para comprender conceptos y para el aprendizaje en general. Se les describen como lentos al reaccionar y de baja inteligencia. El Factor C está relacionado a la estabilidad emocional de la persona y a la manera en que se adapta al ambiente que le rodea; determina específicamente la fortaleza de ego. Puntuaciones altas (C+) son características de personas realistas y estables emocionalmente. Se les considera maduros, con una alta fortaleza de ego; y se les adjudica una capacidad para mantener sólida la moral de un grupo. Los que obtienen puntuaciones bajas (C-) son por lo general personas que se frustran rápidamente bajo condiciones no-satisfactorias, tienden a evadir la realidad y tienen una fortaleza de ego muy baja, estas personas se ven afectadas fácilmente por los sentimientos, son neuróticos, la mayor parte del tiempo se encuentran insatisfechos; y tienden a padecer de fobias, dificultades al dormir y problemas de tipo psicosomático. El Factor E mide el grado de control que tiende a poseer la persona en sus relaciones con otros seres humanos; se determina en términos de si es dominante o es sumiso. Puntuaciones altas (E+) indican que la persona es muy dominante. A este tipo de persona le resulta muy agradable y atractivo el estar en posiciones de

poder para controlar y criticar a otros. Son agresivos, competitivos, tercos, asertivos y muy seguros de sí mismos. Tienden a ser muy autoritarios con otros y no se someten a la autoridad. Las personas que obtienen puntuaciones bajas (E-) tienden a ser sumisos, humildes y dóciles. Se dejan llevar fácilmente por otros, son conformistas, pasivos y considerados. Debido a que les interesa evitar los conflictos en sus relaciones interpersonales, se esfuerzan en complacer y en ganarse la aprobación de los demás. El Factor F está relacionado al nivel de entusiasmo evidente en contextos sociales. Las personas con puntuaciones altas (F+) tienden a ser altamente entusiastas, espontáneas, expresivas y alegres. Estos individuos son muy francos e impulsivos. Con frecuencia salen electos como líderes. Puntuaciones bajas (F-) son características de personas más sobrias, prudentes, serias y taciturnas. Estas personas son introspectivas, restringidas y, por lo general, pesimistas. El Factor G mide la internalización de los valores morales. Altas puntuaciones en este factor (G+) son representativas de personas altamente moralistas, conformistas, responsables y concienzudas que tienden a actuar siempre de acuerdo a las reglas. Los que obtienen puntuaciones bajas (G-) son personas que no se comportan de acuerdo a las reglas, ni se someten por completo a las normas de la sociedad o de su cultura. El Factor H mide que tan arriesgada puede llegar a ser el sujeto. Las personas que obtienen puntuaciones altas en este factor (H+) son capaces de funcionar bajo altos niveles de estrés, ignoran las señales que indiquen o presagien peligros externos, les encanta correr riesgos y disfrutan del éxtasis que les produce el ser aventureros. Puntuaciones bajas en este factor (H-) estas personas tienden a reaccionar de manera exagerada a cualquier percepción de posible amenaza. Los H- se limitan a lo seguro, predecible y estable, suelen ser tímidos, alejados y cautelosos. El Factor I se utiliza para medir el nivel de influencia que tienen los sentimientos y el pensamiento racional sobre la persona a la hora de tomar decisiones. Los que obtienen puntuaciones altas (I+) actúan bajo el dominio de sus sentimientos. Estas personas tienden a ser muy emotivas y de una sensibilidad extrema. Se les puede describir como distraídos, soñadores, intuitivos, impacientes, temperamentales y, por lo general, no son muy realistas. Los (I-) se rigen por su pensamiento racional, siendo muy prácticos y realistas. Estos individuos son independientes, responsables, escépticos y, en ocasiones, pueden resultar cínicos y rudos. El Factor L explora la identidad social del individuo; específicamente mide en que grado la persona se siente identificada o unida al grupo. Los que puntúan alto (L+) son personas que tienden a desconfiar de los demás, y se ha encontrado que su comportamiento tiende a ser paranoico. Por estas razones, las relaciones interpersonales de los L+ son generalmente problemáticas, deteriorándose por el exceso de celos, sospechas y el escepticismo de estos individuos. Las personas que obtienen bajas puntuaciones (L-) se caracterizan primordialmente por sentirse uno

con los demás. Estas personas no se perciben como un mundo aparte, sino como parte de un mundo compuesto por los demás. Los L- son personas que confían en los demás, se adaptan fácilmente, se preocupan por sus compañeros, son abiertos, tolerantes y muy poco competitivos. El Factor M describe como están caracterizados los intereses y preocupaciones de una persona. La personas con altas puntuaciones (M+) van por el mundo sumergidas en sus pensamientos, distraídos e inatentos a lo que sucede a su alrededor. Son seres con una gran imaginación, muy creativos, poco convencionales e interesados sólo en la esencia de las cosas. Los que tienen un bajo puntaje (M-) responden al mundo externo en vez de al interno. Estas personas son muy realistas y prácticas; valoran lo concreto y lo obvio. Los M- se motivan por resultados inmediatos y evitan metas lejanas. El Factor N está relacionado a las máscaras sociales; describe en que grado las personas se ocultan, mostrando sólo aquellos rasgos que generen las respuestas que desean obtener de los demás. Las personas que obtienen puntuaciones altas (N+) tienden a ser calculadoras, frías, refinadas, diplomáticas y muy conscientes socialmente. Los N+ se pueden describir como utilitaristas; usan sus destrezas sociales para relacionarse con personas a las que les puedan sacar provecho para realizar sus planes. Los que puntean bajo (N-) son personas genuinas, abiertas, directas y sinceras que no se esfuerzan por impresionar a otros. Estos individuos son muy espontáneos y auténticos; si quieren algo, lo piden sin incurrir en planes elaborados de interacciones humanas. El Factor O explora la auto-estima de las personas en base a tendencias a experimentar culpa o inseguridades. Este factor no pretende categorizar a las personas entre altas y bajas auto-estimas ya que el nivel al momento de la prueba puede ser uno de carácter transitorio, influenciado por eventos recientes. Altas puntuaciones (O+) son obtenidas por personas que se preocupan demasiado, experimentan muchos sentimientos de culpa, son inseguros y no se sienten aceptados en situaciones grupales. Los que puntean bajo (O-) tienen una visión muy positiva de su persona, son seguros de sí mismos y no están propensos a experimentar culpa. Estas personas se sienten tan satisfechas con lo que son que, en ocasiones, tienden a ser insensibles hacia los sentimientos y necesidades de los demás, pues creen merecerlo todo. El Factor Q1 explora la tendencia a la rebeldía de la persona. Las personas que la prueba define como Q1+ están abiertas y dispuestas al cambio. Los Q1+ se sienten menos atados a su pasado que el resto de las personas, tienden a ser muy liberales y rechazan lo tradicional y convencional. Estos individuos son, por lo general, intelectuales y escépticos que se preocupan por estar bien informados y están menos inclinados a moralizar y más propensos a experimentar en la vida. Por otro lado se encuentran los Q1-, muy conservadores y tradicionales. Estas personas aceptan lo establecido sin cuestionarlo, no les interesa el pensamiento intelectual o analítico y demuestran una marcada resistencia al cambio.

El Factor Q2 mide el grado de dependencia de la persona. Los que obtienen puntuaciones altas en este factor (Q2+) son individuos autosuficientes que acostumbran tomar decisiones sin preocuparse por las opiniones ajenas, prefieren estar solos la mayor parte del tiempo y hacen sus cosas sin pedir ayuda a los demás. Los que sí demuestran un alto grado de dependencia son los que obtienen puntuaciones bajas en este factor. Los Q2- demuestran una preferencia por estar en grupo la mayor parte del tiempo y toman sus decisiones con base en lo que piensan otros y lo que establece la sociedad, en vez de utilizar su propio juicio. Estas personas necesitan sentir que pertenecen a un grupo donde son aceptados y queridos. El Factor Q3 explora los esfuerzos del individuo por mantener una congruencia entre su yo ideal y su yo real; moldeándose de acuerdo a patrones establecidos y aprobados por la sociedad. Las personas que obtienen puntuaciones altas (Q3+) se esfuerzan por igualar su conducta a la imagen ideal y socialmente aceptable que se han creado. Estas personas tienden a controlar sus emociones, son muy auto-conscientes, compulsivos y perfeccionistas. Por otro lado, los Q3- no se esfuerzan por controlarse y disciplinarse para lograr igualarse a los ideales de conducta, y no le dan importancia alguna a las reglas que establece la sociedad. Estas personas llevan una vida más relajada y menos estresante que la de los Q3+, pero tienden a ser menos exitosos y reconocidos. El Factor Q4 mide la tensión nerviosa y la ansiedad. Las personas que puntean alto (Q4+) experimentan niveles extremos de tensión nerviosa. Estos individuos padecen de una incomodidad subjetiva constante, son impacientes y se distinguen por su incapacidad para mantenerse inactivos. Se les describe además como frustrados, pues su conducta se interpreta como un exceso de impulsos que se expresan inadecuadamente. Por el contrario los Q4-, quienes se caracterizan primordialmente por la ausencia de tensión nerviosa, llevan una existencia tranquila y relajada, regida por la calma, la paciencia y un alto grado de satisfacción que podría conducir a la vagancia y al conformismo. El contenido que ha sido presentado en esta sección, permite al lector comprender con mayor claridad como se obtiene la información (los 16 decatipos del perfil de personalidad de cada sujeto) ingresada a la RNA y la importancia del significado de la misma, que se presentará en la siguiente fase. o Determinación de requerimientos. Durante esta sección se detalla los requisitos esenciales que debe implementar la solución mediante la elaboración del diagrama UML de Casos de Uso. El siguiente diagrama de Casos de Uso define claramente las funcionalidades de la aplicación desde el punto de vista del usuario, en otras palabras, describe las

características que el usuario encontrará en este primer prototipo de la aplicación, tales como: � Ingresar los patrones de entrada – salida. � Configurar la RNA. � Entrenar la RNA. � Probar la RNA. Es importante resaltar, que el hecho de involucrar al usuario en las fases de análisis y diseño del sistema, reduce considerablemente el riesgo y garantiza que cumpla a cabalidad con el fin para el cual ha sido desarrollado. El diagrama UML que encontrará a continuación, modela el primer prototipo básico pero funcional de la aplicación. Figura 3. Diagrama de casos de uso para el primer incremento de la aplicación.

Fuente: Creación del autor.

� Caso de uso: Ingresar patrones de entrada a la RNA. Actor que inicia el caso de uso: Psicólogo. Condiciones previas para el caso de uso: • El usuario debe tener un conjunto de patrones de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. El usuario ingresa a la aplicación. 2. El usuario hace clic en el botón Buscar para seleccionar el archivo de patrones con extensión *.csv. Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene cada patrón de entrada con sus respectivos 16 decatipos entre el rango de 1 a 10, es decir, se muestra al usuario los datos del archivo cargados en una tabla.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Configurar RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe haber ingresado el conjunto de patrones de entrenamiento.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Ingresar patrones de entrada a la RNA 2. El usuario selecciona la pestaña FASE DE ENTRENAMIENTO. 3. El usuario ingresa los parámetros de aprendizaje, cantidad de neuronas de la capa oculta, cantidad de iteraciones y tasa de aprendizaje.

Condiciones posteriores cuando se finaliza el escenario: • El usuario define los valores de configuración.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Entrenar RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario desea iniciar la fase de entrenamiento de la RNA. • El usuario debe tener un conjunto de patrones de entrenamiento.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario del sistema ingresa a la aplicación. 2. Caso de Uso: Ingresar patrones de entrada a la RNA 3. El usuario del sistema selecciona la pestaña de FASE DE ENTRENAMIENTO. 4. Caso de Uso: Configurar RNA 5. El usuario hace clic en el botón Entrenar, para iniciar el aprendizaje.

6. El usuario debe hacer clic en el botón Aceptar de la ventana de información la cual indica que la red ha sido entrenada.

Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene la RNA entrenada, con los patrones y la información que él ha

establecido.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Probar la RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe haber entrenado la RNA. • El usuario desea iniciar la fase de pruebas de la RNA. • El usuario debe tener uno o varios patrones de prueba.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de Uso: Entrenar RNA 2. El usuario del sistema selecciona la pestaña FASE DE FUNCIONAMIENTO Y

PRUEBAS. 3. El usuario ingresa el patrón de prueba, es decir, ingresa los 16 decatipos para el

perfil de personalidad. 4. El usuario hace clic en el botón Probar, para iniciar la clasificación. 5. El usuario hace clic en el botón Aceptar de la ventana de información la cual

indica que ha finalizado la prueba.

Condiciones posteriores cuando se finaliza el escenario: • El usuario, obtiene la clasificación para cada candidato ingresado.

Actor que se beneficia del caso de uso: Psicólogo. El diagrama de Casos de Uso de este primer prototipo funcional que refleja la esencia del proyecto, ira evolucionando a través de toda la metodología de desarrollo, incluyendo en cada incremento nuevas funcionalidades y convirtiéndose junto con el diagrama de clases y el de secuencias en la pauta para diseñar y crear el sistema. 5.1.2 Diseño. En esta fase del desarrollo, se busca construir un plano consistente con los requisitos definidos en la etapa anterior, que garantice la calidad antes de iniciar la codificación del software, reduciendo los errores y riesgos de emprender un desarrollo sin tener claro el camino a seguir.

o Diseño arquitectónico del software. Durante esta actividad, se define la estructura que tendrá el programa, detallando los componentes que lo conforman y las relaciones e interacciones que se presentan entre ellos. Los conceptos que trata este estudio, tales como los diferentes modelos de RNA´s, los tipos de neuronas y la interfaz con la que interactúa el usuario, se pueden agrupar en categorías con características y tareas determinadas. Ver Tabla 1. Dicha tendencia se representa con el Diagrama de Clases, Diagrama 2. Tabla 1. Clases, atributos y métodos de la aplicación.

CCLLAASSEE AATTRRIIBBUUTTOOSS MMEETTOODDOOSS

FFoorrmmuullaarriioo

Botón ingresar patrones Botón entrenar Botón probar Cajas de texto decatipos Cajas de texto parámetros de entrenamiento

Entrenar Probar Cargar datos de entrada

RReedd nneeuurroonnaall

Tasa de aprendizaje Numero de iteraciones Cantidad neuronas capa entrada Cantidad neuronas capa oculta Cantidad neuronas capa salida Función de transferencia Patrón de entrada Patrón de salida

Crear red neuronal Calcular activación Calcular pesos Calcular umbrales Calcular error Ajustar pesos Ajustar umbrales

NNeeuurroonnaa

peso umbral Activación error

Crear neurona

Fuente: Creación del autor.

Diagrama 1. Diagrama de clases de la aplicación.

ProyectoRedNeuronalArtificial::TRedNeuronal

neuronasEntrada: array of TNeurona neuronasOculta: array of TNeurona neuronasSalida: array of TNeurona TA: double tASalida: double error: double e: Double patronEntrada: array of Double patronSalida: array of Double cantNEntrada: Integer cantNOculta: Integer cantNSalida: Integer

constructor TRedNeuronal (ce,co,cs: integer; tasa: Double) Entrenamiento (datosEntrada: TDatosEntrada; cantIteraciones, cantPatrones: Integer; BarraProgreso: TProgressBar; LblMensaje: TLabel) EntrenarPatron ( ) calActivacion ( ) : Double CalcularErrorSalida ( ) : Double CalcularErrorOculta ( ) CalcularUmbrales ( ) CalcularPesosOculta ( ) CalcularPesosEntrada ( ) ErrorIteracion: Double ( ) ArchivoError (iteracion: Integer; error: Double; TS: TStrings) ArchivoConfiguracion ( ) RestaurarConfiguracion (a: array of String) Sigmoidal (ENeta: Double): Double

Conforma la red neuronal artificial y realiza todo el aprendizaje y funcionamiento de la misma

ProyectoRedNeuronalArtificial:: TNeurona

activacion: double umbral: double pesos: array of double error: double error2: double

constructor TNeurona ( ) constructor TNeurona (a, u:double; cantPesos: integer)

Crea cada neurona con todos sus atributos ProyectoRedNeuronalArtificial

neuronasEntrada

neuronasOculta

neuronasSalida

1

1

1

16

1..�

1

1 red

1

ProyectoRedNeuronalArtificial::TFrmSplash

FrmSplash: TFrmSplash PnlSplash: TPanel TmrSplash: TTimer LblAplicacion: TLabel LblClasivPro: TLabel LblVersion: TLabel LblDes: TLabel ImgLogoClasiVPro: TImage

procedure TmrSplashTimer (Sender: TObject)

Muestra el nombre de la aplicación, descripción, versión y el logo

ProyectoRedNeuronalArtificial::TFrmPrincipal

red: TRedNeuronal FrmPrincipal: TFrmPrincipal OpnDlgArchivoPatrones: TOpenDialog PnlBarraEstado: TPanel <<tabs con las funcionalidades>> TbShtPatronsEntrada: TTabSheet TbShtEntrenamiento: TTabSheet … <<info decatipos para cada factor>> EdtFactorA: TLabeledEdit; … StrngGrdPatrones: TStringGrid BtnArchivoConfiguracion: TButton BtnAyuda: TButton; <<opciones fase de entrenamiento>> RdBtnCargarConf: TRadioButton RdBtnIngConf: TRadioButton <<info de configuración>> EdtCantIteraciones: TLabeledEdit EdtCantNeuronasOcultas: TLabeledEdit … BtnEntrenar: TButton <<funcionamiento de la red>> LblEdtFactorA: TLabeledEdit … EdtArchivoPatronesPrueba: TLabeledEdit BttnProbar: TButton

BtnAbrirArchivoPatronesClick (Sender: TObject); CargarGrilla (Ruta: String) ConvertirComponente (Valor: String; Patron: Integer; Componente: Integer) BtnEntrenarClick (Sender: TObject) FormClose (Sender: TObject; var Action: TCloseAction) BttnProbarClick (Sender: TObject) BttnArchivoConfiguracionClick (Sender: TObject) FormCreate (Sender: TObject) EdtCantNeuronasOcultasKeyPress (Sender: TObject; var Key: Char) RecorreArchivoConf (LstBxLineas: TListBox) RdBtnArchivoPatronesClick (Sender: TObject) RdBtnIngresarPatronesClick (Sender: TObject) ChckBxDatosNormalizadosClick (Sender: TObject) RdBtnAltoCumplimientoClick (Sender: TObject) RdBtnBajoCumplimientoClick (Sender: TObject) EdtFactorAKeyUp (Sender: TObject; var Key: Word; Shift: TShiftState) BtnAdicionarClick (Sender: TObject)

Recibe perfil(es) de personalidad y devuelve una clasificación entre jefes de ventas con alto o bajo cumplimiento

TForm

constructor create ( )

Superclase para crear ventanas en Delphi

En el diagrama se aprecia, como las clases están agrupadas en el paquete llamado ProyectoRedNeuronalArtificial, representado por una carpeta tabular. Con respecto a las asociaciones, la clase TRedNeuronal se relaciona con la clase TNeurona y la clase TFrmPrincipal con la clase TRedNeuronal. Para el caso de TFrmPrincipal, que corresponde a la interfaz con el usuario, se encuentra asociada a la clase TRedNeuronal mediante la creación de una instancia llamada Red, con la que se puede acceder a las variables y métodos de la clase TRedNeuronal, como calcular pesos, calcular activaciones y en general entrenar o probar la red. Por otro lado, la clase TRedNeuronal esta asociada a la clase TNeurona, que representa las unidades de proceso mínimas de la red, dicha relación ocurre mediante la creación de los objetos de TNeurona llamados neuronasEntrada, neuronasOculta y neuronasSalida, que corresponden a las tres capas o niveles de la red. Adicionalmente, se ha modelado el diagrama de secuencias con base en el diagrama de casos de uso, detallando cada una de las funcionalidades. A continuación, se presenta el diagrama para el primer incremento. Figura 4. Diagrama de secuencias primer incremento del desarrollo.

Fuente: Creación del autor.

En el diagrama anterior, se especifican las acciones realizadas por los objetos en cada uno de los escenarios del diagrama de casos de uso, el conjunto de todas estas acciones, representa el funcionamiento del programa en este primer prototipo. Ver Tabla 2. Tabla 2. Objetos principales de la aplicación.

OBJETO: CLASE COMENTARIO FFrrmmPPrriinncciippaall:: TTFFrrmmPPrriinncciippaall Formulario principal de la aplicación nneeuurroonnaassEEnnttrraaddaa:: aarrrraayy ooff TTNNeeuurroonnaa nneeuurroonnaassOOccuullttaa:: aarrrraayy ooff TTNNeeuurroonnaa nneeuurroonnaassSSaalliiddaa:: aarrrraayy ooff TTNNeeuurroonnaa

Neuronas de la capa de entrada Neuronas de la capa oculta Neuronas de la capa de salida

rreedd:: TTRReeddNNeeuurroonnaall Red neuronal artificial

Fuente: Creación del autor.

o Definición de la herramienta de desarrollo. Para iniciar la fase de codificación de la solución informática planteada, se hace necesario seleccionar el lenguaje de programación y la herramienta de desarrollo de aplicaciones a utilizar, a continuación se presenta las motivos de dicha elección. Con el auge actual del desarrollo de aplicaciones visuales los programadores encuentran gran cantidad de opciones en el mercado, una de las mas populares, además de ser una excelente alternativa es Delphi. Delphi es un entorno de desarrollo de aplicaciones muy potente que de forma sencilla y con el enfoque de orientación a objetos permite la creación de soluciones robustas en poco tiempo, además ofrece una amplia gama de componentes propios y genera un verdadero código ejecutable permitiendo que las aplicaciones funcionen mucho más rápido. El lenguaje de programación utilizado por Delphi es la versión orientada a objetos de Pascal denominada Object Pascal, la cual ofrece todas las capacidades propias de este enfoque como la posibilidad de reutilización de código, la herencia, el encapsulamiento, el polimorfismo, la abstracción, el uso de interfases, entre muchas otras ventajas. Pascal es un lenguaje de gran trayectoria a nivel mundial, fue diseñado originalmente en 1971 para la enseñanza de la programación estructurada en ambientes académicos, convirtiéndose rápidamente en el lenguaje de enseñanza de la programación de la mayoría de las universidades a nivel mundial.

Del mismo modo, Pascal influyo en gran medida en la evolución de la programación estructurada desde el momento de su introducción, siendo el fundamento para el desarrollo de distintas variantes como ADA 95 con gran acogida a nivel mundial, gracias a su éxito en la industria de la computación. Por otro lado, Delphi se utiliza en infinidad de aplicaciones en la actualidad, de hecho en el Atlantis y la estación rusa Mir, se utilizo una aplicación en delphi para obtener fotografías de la tierra mientras orbitaban alrededor de ella. También se menciona, que cierta parte del código de Corel Draw desde la versión 6 fue desarrollado en Delphi y sustituyo al que se había hecho en C. Asimismo, gran cantidad de universidades y centros de investigación dedicados al procesamiento de imágenes poco a poco están utilizando a delphi como herramienta de desarrollo, pues las librerías más importantes utilizadas para la programación de este tipo de aplicaciones y que fueron desarrolladas en C están siendo migradas a delphi. Finalmente, para el desarrollo de la aplicación, será utilizado el lenguaje de programación Object Pascal y la herramienta de desarrollo de aplicaciones Delphi versión 2005. o Especificación de la solución propuesta. A continuación se describe cuatro aspectos que caracterizan a la RNA: su topología, el mecanismo de aprendizaje utilizado, la información de entrada y de salida, el tipo de asociación realizada y por último, la forma como se representa la información. ���� Topología. Esta característica incluye el modo como se encuentran organizadas las neuronas y el tipo de conexiones entre ellas. La siguiente tabla describe la arquitectura de la RNA a implementar. Tabla 16. Topología o arquitectura de la red neuronal artificial.

NNUUMMEERROO DDEE NNEEUURROONNAASS TTIIPPOO DDEE RREEDD CAPA DE ENTRADA CAPA OCULTA CAPA DE SALIDA

TTIIPPOO DDEE CCOONNEEXXIIOONNEESS EENNTTRREE CCAAPPAASS

PPEERRCCEEPPTTRROONN DDEE TTRREESS CCAAPPAASS

16 VARIABLE 1 CONEXIONES HACIA

ADELANTE O FEEDFORWARD

Fuente: Creación del autor. ���� Información de entrada y salida de la RNA. Para realizar el entrenamiento y prueba de la RNA se debe contar con un conjunto de patrones entrada-salida,

dichos patrones corresponden a los decatipos obtenidos por la prueba de personalidad 16PF aplicada a los jefes de ventas de alto o bajo cumplimiento. Esta información debe estar contenida en un archivo plano con extensión .csv donde los datos se encuentran separados por el carácter “;” como se aprecia en la Figura 3. Figura 3. Archivo de patrones de entrenamiento o pruebas, parejas de patrones entrada-salida.

DDEECCAATTIIPPOOSS SSAALLIIDDAA DDEESSEEAADDAA 4;6;7;4;5;5;6;5;9;7;8;4;5;9;3;4; 10 9;4;6;7;5;8;6;5;6;4;6;4;3;6;9;6; 1 3;6;5;6;8;3;6;4;5;1;2;7;5;5;4;9; 1 6;3;7;7;5;4;8;5;3;5;8;4;4;9;7;5; 10 6;1;8;5;7;4;5;4;2;2;7;3;5;7;4;6; 10

.

.

.

.

.

.

Fuente: Creación del autor.

En la figura anterior (Figura 3), el valor diez en la salida deseada corresponde a jefes de ventas con alto cumplimiento y por el contrario el valor uno corresponde a jefes de ventas con bajo cumplimiento, esta última columna del archivo es indispensable en el proceso de entrenamiento para que la red aprenda a clasificar, como también, es requerida para el proceso de prueba donde con base en esta salida, se evalúa que la clasificación que realiza la red es correcta. Para realizar el proceso ddee ccllaassiiffiiccaacciióónn ddee ccaannddiiddaattooss aall ccaarrggoo ddee vveennddeeddoorr, el archivo de patrones no requiere la última columna de la salida deseada, pues es la red quien realizará la clasificación mediante los decatipos de cada candidato. De igual forma los decatipos deben estar separados entre si por el carácter ”;” como se aprecia en la Figura 4. Figura 4. Archivo de patrones para clasificación. Decatipos de los candidatos al cargo de vendedor.

DDEECCAATTIIPPOOSS 4;6;7;4;5;5;6;5;9;7;8;4;5;9;3;4 9;4;6;7;5;8;6;5;6;4;6;4;3;6;9;6 3;6;5;6;8;3;6;4;5;1;2;7;5;5;4;9 6;3;7;7;5;4;8;5;3;5;8;4;4;9;7;5 6;1;8;5;7;4;5;4;2;2;7;3;5;7;4;6

.

.

.

Fuente: Creación del autor.

���� Mecanismo de aprendizaje. Para la modificación de los pesos de las conexiones entre neuronas a partir de una información de entrada, se implementará el mecanismo de aprendizaje supervisado, con el que se proporciona a la RNA la pareja de patrones entrada – salida deseada, para que determine la asociación entre ellos. Figura 3. Otra característica del mecanismo de aprendizaje es que opera de manera desconectada u offline, haciendo diferenciación entre la fase de aprendizaje o entrenamiento y la fase de operación o funcionamiento, aplicando un conjunto adecuado de datos de entrenamiento y de prueba o test respectivamente para cada fase, establecido con base en los resultados de las pruebas que se realicen. La forma en que será realizado el aprendizaje es por corrección de error, porque se ajustan los pesos de la conexión en función del error cometido. ���� Tipo de asociación entre los patrones de entrada-salida. La RNA debe comportarse como una memoria asociativa después del entrenamiento. El tipo de asociación realizado por la red entre la entrada y la salida será la Heteroasociación, puesto que la red aprende parejas de datos, [(E1,S1), (E2,S2),…(En,Sn)] de tal forma que cuando se presente el patrón de entrada Ej deberá responder su salida correspondiente Sj. ���� Representación de la información de entrada y salida. Los datos tanto de entrada como de salida son de naturaleza analógica, en otras palabras los valores son reales, continuos y normalizados en la escala de 0 a 1, el valor absoluto será siempre menor que la unidad y la función de activación, salida o transferencia a utilizar es de tipo Sigmoidal y por tanto continúa, derivable y no decreciente. En la aplicación se va a implementar un procedimiento que convierte los componentes de cada patrón de entrada en el rango de valores [0.091,0.91]. Aplicando: nuevoValor = (valor * 0.91)/10, se obtiene: Figura 5. Representación de la información de entrada y salida.

Valor normalizado Rango 0.1-0.9

Valor cualitativo

1 0.091 2 0.182 3 0.273 4 0.364 5 0.455 6 0.546

Decatipo o componente de entrada. Rango 1-10

7 0.637

-----------

8 0.728 9 0.819 10 0.91

1 0.091 Bajo Salida deseada 10 0.91 Alto

Fuente: creación del autor

En la siguiente tabla, se resume las características de la RNA que se van a implementar como parte de la solución en la fase de codificación, todas ellas, detalladas durante el estudio presentado hasta el momento. Tabla 18. Características generales de la RNA propuesta.

Fuente: creación del autor.

5.1.3 Código. Durante esta fase se genera el código de la solución informática planteada, tomando como base el diseño y las especificaciones de la fase anterior. o Descripción de la aplicación desarrollada. El producto de esta investigación que finalmente será utilizado por el usuario y que corresponde a la alternativa de solución del problema planteado al inicio de este documento, es el programa denominado CCllaassiiVV--PPrroo que será descrito a lo largo de esta fase. TTaabbllaa 33.. Descripción del programa CCllaassiiVV--PPrroo 11..00

NNOOMMBBRREE DDEE LLAA HHEERRRRAAMMIIEENNTTAA

SSIIGGNNIIFFIICCAADDOO NNOOMMBBRREE

DDEESSCCRRIIPPCCIIÓÓNN GGEENNEERRAALL

DDIIRRIIGGIIDDOO AA

DDEESSAARRRROOLLLLAADDOO PPOORR

VVEERRSSIIÓÓNN

ClasiV-Pro Clasificador Inteligente de Vendedores

Software para la clasificación de vendedores de alto o bajo cumplimiento según su perfil de personalidad

Psicólogos

Norma Constanza Rodríguez Claudia Marcela Sierra

1.0

Fuente: creación del autor.

AAPPRREENNDDIIZZAAJJEE MMOODDEELLOO RREEDD TTOOPPOOLLOOGGÍÍAA

ALGORITMO SUPERV./ NO

SUPERV. ON/OFFLINE REGLA

TTIIPPOO AASSOOCCIIAA--

CCIIÓÓNN

TTIIPPOO DDEE RREEPPRREESSEENNTTAACCIIÓÓNN

DDEE LLAA IINNFFOORRMMAACCIIÓÓNN

PPeerrcceeppttrroonn MMuullttiiccaappaa

3 capas/ Feedforward

Backpropagation (Regla delta generalizada)

Supervisado Offline Corrección de error

Heteroa- Sociación Analógica

� Especificaciones técnicas. A continuación se detalla las especificaciones técnicas del equipo utilizado para el desarrollo del programa y en seguida, los requerimientos para la instalación de la aplicación ClasiV-Pro. Equipo de desarrollo y pruebas: Software: SO: Windows XP Professional, Versión 2002, Service Pack 2 Herramienta de desarrollo de aplicaciones: Delphi 2005 Editor de texto Hardware: CPU: AMD Athlon (tm) XP 2.8 GHz. RAM: 512 MB Disco duro: 80 GHz Equipo cliente: ClasiV-Pro es un programa de 32 bits que requiere las siguientes especificaciones técnicas para su instalación: Software:

SO: Microsoft Windows 98, ME, NT, 2000 Professional, 2000 Server, 2000 Advanced Server, XP Professional, 2003 con Service Pack 2 o superior. Editor de texto: Microsoft Excel, Lotus, Block de notas, Microsoft Word.

Hardware: CPU: AMD Athlon (tm) o Pentium 900 MHz o superior. RAM: 256 MB o superior. Se recomienda 512 MB. Unidad de CD

Mouse Pantalla: Se recomienda una resolución de pantalla de 1024x768.

o Funcionalidades del primer incremento. Al ejecutar la aplicación se presenta al usuario la ventana principal, la cual está conformada por tres pestañas; Patrones de entrada, Fase de entrenamiento y Fase de pruebas. En ellas se han organizado las acciones más importantes y serán presentadas a continuación. Ver figura 6. Figura 6. Paneles de la aplicación ClasiV-Pro.

Fuente: Creación del autor.

Pestaña Patrones de entrada. Esta pestaña ofrece al usuario la posibilidad de migrar el archivo de datos de entrada a la RNA, correspondiente al conjunto de patrones entrada-salida que serán utilizados durante la fase de entrenamiento. El usuario debe hacer clic en el botón Abrir, ver Figura 7, para seleccionar el archivo de patrones en el cuadro de dialogo, que se muestra en la Figura 8. Figura 7. Opción abrir archivo de patrones entrada-salida.

Fuente: Creación del autor. Figura 8. Cuadro de dialogo abrir archivo.

Fuente: Creación del autor.

Cuando el usuario abre el archivo, los datos son cargados automáticamente en la tabla que aparece en la Figura 9. Figura 9. Tabla patrones de entrada-salida

Fuente: Creación del autor. Pestaña Fase de entrenamiento. Una vez el usuario ha migrado el archivo de patrones entrada-salida puede iniciar el entrenamiento de la RNA, para lo cual debe seleccionar la pestaña fase de entrenamiento de la aplicación. En esta funcionalidad el usuario debe ingresar los parámetros de entrenamiento que son: constante de proporcionalidad o tasa de aprendizaje, cantidad de iteraciones y cantidad de neuronas de la capa oculta, como se observa en la Figura tal. Figura 10. Datos de configuración.

Fuente: Creación del autor. Para iniciar el entrenamiento de la red, el usuario debe hacer clic en el botón Entrenar el cual se habilita cuando todos los parámetros han sido ingresados. Figura 11. Entrenamiento de la red neuronal artificial.

Fuente: Creación del autor.

Durante esta fase se presenta al usuario la barra de progreso del proceso de entrenamiento y al finalizar un mensaje que le indica que la red ha sido entrenada. Ver Figura tal. Figura 12. mensaje de confirmación de finalización del entrenamiento de la red.

Fuente: Creación del autor.

Pestaña fase de pruebas y funcionamiento. En esta fase el usuario debe migrar el archivo de patrones con el cual desea realizar la clasificación ya sea para pruebas o para funcionamiento de la red, al hacer clic en el botón buscar debe seleccionar el archivo de patrones mediante el cuadro de dialogo y posteriormente hacer clic en abrir. Automáticamente, el botón Probar se habilita para iniciar la prueba de clasificación y al finalizar se presenta al usuario un mensaje indicando que la red a terminado este proceso, mostrando en la tabla los resultados de la clasificación. Ver Figura tal. Figura 13. Tabla resultados de la clasificación candidatos al cargo de jefes de ventas.

Fuente: Creación del autor.

5.1.4 Pruebas. Esta fase es de crucial importancia durante el desarrollo del proyecto pues en ella se realizó un diagnostico del funcionamiento actual del programa y con base en los resultados, se tomaron las medidas correctivas necesarias para asegurar la fiabilidad y calidad del software. Este proceso se llevo a cabo en cada uno de los tres incrementos de la metodología de desarrollo. Para este primer incremento el objetivo iba encaminado principalmente a verificar el correcto funcionamiento del programa, para lo cual, se realizaron una serie de ensayos, detallados enseguida. Prueba 1 – Compuerta lógica XOR. Este primer ensayo consistió en ejecutar paso a paso el programa y contrastar los cálculos arrojados por el compilador con los calculados manualmente, utilizando un problema sencillo como es el de la compuerta XOR. El archivo de patrones de entrada ingresado para esta prueba contiene las combinaciones de la compuerta lógica XOR, junto con la salida correspondiente. Ver Figura tal. Figura 2. Archivo de patrones de entrenamiento para reconocer la compuerta lógica XOR.

Fuente: Creación del autor.

La RNA utilizada para esta prueba, fue configurada con 2 neuronas en la capa de entrada, 2 en la capa oculta y 1 neurona en la capa de salida, la nomenclatura utilizada para describir la topología de la red en las pruebas es

NroNeuronasEntrada:NroNeuronasOculta:NroNeuronasSalida, para este ejemplo la representación sería 2:2:1. Ver figura tal. Figura 2. Topología de la RNA utilizada para reconocer la compuerta lógica XOR.

Fuente: Creación del autor.

Antes de iniciar la fase de entrenamiento de la RNA, los datos de entrada-salida son normalizados de forma transparente para el usuario, en otras palabras son convertidos al rango de valores entre [0.091,0.91], como se explica en la sección Especificación de la solución propuesta de la fase de Analisis. Ver figuras tales. Figura 2. Patrones de entrada - salida compuerta XOR sin normalizar.

COMPONENTES DE LA ENTRADA

SALIDA DESEADA

0 0 0 0 1 1 1 0 1 1 1 0

Fuente: Creación del autor. Figura tal. Patrones de entrada - salida compuerta XOR normalizados.

COMPONENTES DE LA ENTRADA

SALIDA DESEADA

0.091 0.091 0.091 0.091 0.91 0.91 0.91 0.091 0.91 0.91 0.91 0.091

Fuente: Creación del autor.

1

Capa de salida

W11

W12

W21

W22

Capa de entrada

W11

W21

1

2

Capa oculta

yy11

yy11

yy22

1

2

X1

X2

xx11

xx22

xx11

xx22

Mediante la ejecución paso a paso, cuando se ingresó a la capa de entrada, el primer patrón de entrenamiento 0.091; 0.091; 0.091 se realizo una prueba de escritorio, aplicando las formulas matemáticas manualmente y a su vez contrastando con los valores de las variables que arrojaba el compilador, las cuales se observaban en el Watch del debugger de Delphi 2005. Se calculo todo el ciclo de propagación-adaptación del algoritmo de aprendizaje Backpropagation, conformado por el calculo de los pesos y los umbrales, los cuales son valores pequeños y aleatorios, tomados del debugger, posteriormente se calcula la activación en la capa oculta y de salida, luego se calcula el error, para comenzar con el ciclo de adaptación, donde se propaga el error hacia atrás ajustando los pesos y los umbrales, para empezar nuevamente el ciclo con el siguiente ejemplo 0.091; 0.91; 0.91. Dado que el problema utilizado da la posibilidad de realizar manualmente un ejemplo completo, se evaluaron 3 iteraciones, recuerde que una iteración es el ingreso de todos los patrones de entrada-salida, también conocida como etapa, consulte el marco conceptual para mayor información; a medida que se detectaba alguna inconsistencia con los datos calculados y los generados por la red se iban corrigiendo en el código fuente, de esta manera se realizo la depuración de la aplicación. Se revisaron las formulas utilizadas en el código de la aplicación, para corregir los errores detectados, hasta conseguir que la RNA programada aprendiera a reconocer y realizar la compuerta lógica XOR. En resumen, al culminar esta actividad, se logro refinar el código fuente hasta obtener una versión estable, funcional y que implementara las funcionalidades esenciales. Como podrá notar en esta primera versión no se realizaron pruebas con los datos de jefes de ventas con alto o bajo cumplimiento, pues este era un proceso demasiado tedioso, debido a que la cantidad de conexiones es mucho mayor y es más complejo hacer un seguimiento paso a paso con pruebas de escritorio, por lo tanto, surge la necesidad de implementar nuevas funcionalidades que complementen este prototipo funcional y que serán documentadas en los siguientes incrementos.

5.2 SEGUNDO INCREMENTO 5.2.1 Análisis. Con el fin de mejorar el proceso de pruebas y facilitar la obtención de la configuración óptima de la RNA, se realizó el estudio de las nuevas funcionalidades que debían ser implementadas, para complementar el prototipo del primer incremento; entre ellas se encuentran: o IInnggrreessaarr ppaattrróónn ddee eennttrreennaammiieennttoo:: adicionar a la tabla uno a uno los decatipos para cada jefe de ventas, permitiendo al Psicólogo entrenar la RNA, sin necesidad migrar un archivo .csv. o GGuuaarrddaarr aarrcchhiivvoo ddee ccoonnffiigguurraacciióónn:: generar un archivo plano .csv con la configuración usada para el entrenamiento de la RNA, con el fin de restaurarla para realizar la clasificación, si el Psicólogo considera que esta ha sido buena. o GGuuaarrddaarr aarrcchhiivvoo ddee ccoonnvveerrggeenncciiaa ddeell eerrrroorr: genera un archivo plano .csv con el error calculado en cada iteración, este permite que el Psicólogo, grafique y analice el comportamiento del error. o CCaarrggaarr aarrcchhiivvoo ddee ccoonnffiigguurraacciióónn:: restaurar una configuración obtenida durante un entrenamiento de la RNA. o MMoossttrraarr ppaattrroonneess nnoorrmmaalliizzaaddooss:: convierte los patrones de entrenamiento, al rango de valores [0.091,0.91]. Ver la sección Especificación de la solución propuesta de la fase de Análisis del primer incremento. Todas estas funcionalidades se pueden apreciar claramente en el diagrama de casos de uso, que ha sido elaborado para comprender exactamente que características nuevas requieren ser implementadas y que es lo que el usuario espera y necesita realmente. Figura 2. Diagrama de casos de uso para el segundo incremento de la aplicación.

RNA para diferenciar jefes de ventas con alto o bajo cumplimiento según

su perfil de personalidad

PsicólogoPsicólogo

Guardar

convergencia del error

«extends»

Guardar

configuración

«extends»Configurar RNA

«uses»

Cargar archivo de

configuración

Ingresar

configuración

«hereda»

«hereda»

Entrenar RNA

Probar RNAIngresar patrones de

entrada a la RNA

«uses»

«uses»

Ingresar patron de

entrada a la RNA

«hereda»

Cargar archivo de

patrones de entrada

«hereda»

Mostrar patrones

normalizados

«extends»«extends»

«extends»

«extends»

Fuente: Creación del autor. � Caso de uso: Ingresar patrón de entrada a la RNA. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe tener uno o más patrones de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario ingresa a la aplicación.

2. El usuario selecciona la opción de ingresar patrón de entrada. 3. El usuario digita cada uno de los 16 decatipos del patrón de entrada. 4. El usuario hace clic en el botón adicionar para agregar dicho patrón a la tabla. Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario en la tabla el patrón de entrada con sus respectivos 16 decatipos entre el rango de 1 a 10.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Cargar archivo de patrones de entrada. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe tener un archivo .csv de patrones de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario ingresa a la aplicación. 2. El usuario selecciona la opción cargar archivo de patrones de entrada. 3. El usuario hace clic en el botón Buscar para seleccionar el archivo de patrones con extensión *.csv. 4. El usuario hace clic en el botón abrir del cuadro de dialogo para cargar su contenido en la tabla de patrones de entrada. Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene cada patrón de entrada con sus respectivos 16 decatipos entre el rango de 1 a 10, es decir, se muestra al usuario los datos del archivo cargados en una tabla.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Mostrar patrones normalizados. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe cargar el archivo de patrones de entrada-salida o ingresar el patrón de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. Caso de uso: Cargar archivo de patrones de entrada o Caso de uso: ingresar patrón de entrada. 2. El usuario selecciona el CheckButton para convertir los datos de la tabla de patrones al rango de valores de 0.091 a 0.91.

Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario en la tabla el patrón o patrones de entrada-salida normalizados (convertidos a la escala 0.091-0.91).

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Cargar archivo de configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El archivo de configuración debe existir.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario debe seleccionar la opción de cargar archivo de configuración de la

RNA. 2. El usuario debe hacer clic en el botón buscar para abrir el archivo de

configuración. 3. El usuario debe seleccionar y abrir el archivo de configuración con formato .csv. Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario la configuración contenida en el archivo en las cajas de texto correspondientes.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Ingresar configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe haber cargado los patrones de entrada-salida a la RNA. • EL usuario debe haber definido los parámetros de configuración.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Ingresar patrón de entrada o Caso de uso: Cargar archivo de patrones. 2. El usuario debe seleccionar la opción ingresar configuración.

3. El usuario debe ingresar cada uno de los datos de la configuración.

Condiciones posteriores cuando se finaliza el escenario: • La RNA está lista para ser entrenada.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Entrenar RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario desea iniciar la fase de entrenamiento de la RNA. • El usuario debe tener un conjunto de patrones de entrenamiento.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. El usuario del sistema ingresa a la aplicación. 2. Caso de uso: Ingresar patrón de entrada a la RNA o Caso de uso: Cargar

archivo de patrones. 3. El usuario selecciona la pestaña FASE DE ENTRENAMIENTO o hace clic

en el botón siguiente. 4. Caso de uso: Cargar archivo de configuración de la RNA o Caso de uso:

Ingresar configuración. 5. El usuario hace clic en el botón Entrenar, para iniciar el aprendizaje. 6. El usuario debe hacer clic en el botón Aceptar de la ventana de información

la cual indica que la red ha sido entrenada.

Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene la RNA entrenada, con los patrones y la información que él ha establecido.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Guardar archivo de convergencia del error. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe hacer clic en el botón entrenar.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. El usuario debe seleccionar el checkbutton si desea guardar el archivo de la convergencia del error.

2. Caso de uso: Entrenar RNA

Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene el archivo .csv con el error registrado en cada iteración.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Guardar configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: o La RNA debe haber sido entrenada por el usuario.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. Caso de uso: Entrenar RNA. 2. El usuario hace clic en el botón guardar archivo de configuración.

Condiciones posteriores cuando se finaliza el escenario: •••• Se presenta al usuario un cuadro de diálogo que le indica la ruta donde ha sido guardado el archivo.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de Uso: Probar la RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: o La RNA necesariamente debe haber sido configurada. o El usuario debe ingresar los patrones de entrada que serán utilizados en la fase

de pruebas. Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Cargar archivo de configuración o Caso de uso: Ingresar

configuración. 2. Caso de uso: Cargar archivo de patrones de entrada o Caso de uso: Ingresar

patrón de entrada 3. El usuario hace clic en el botón Probar, para iniciar la clasificación.

4. El usuario hace clic en el botón Aceptar de la ventana de información la cual indica que ha finalizado la prueba.

Condiciones posteriores cuando se finaliza el escenario: • El usuario, obtiene la clasificación para cada candidato ingresado en la tabla de resultados.

Actor que se beneficia del caso de uso: Psicólogo. Diseño. Para orientar la codificación, se hace necesario detallar el diagrama de casos de uso de la fase anterior, mediante el diagrama de secuencias que indica todas las acciones que tienen lugar en cada funcionalidad. Ver Diagrama tal. También, en esta fase, se documenta como deben estar constituidos los archivos que intervendrán en el sistema. Figura 2. Diagrama de secuencias segundo incremento

Fuente: Creación del autor.

En el diagrama anterior se define a profundidad cada paso lógico y organizado a realizar para la codificación de cada nuevo requerimiento, presentando un plano con una alternativa adecuada de desarrollo. o Especificación de los archivos que intervienen en el sistema. En esta sección, se explica el contenido de los archivos y cual es su finalidad. ���� Archivo de configuración de la RNA. Con la aplicación se podrá guardar en un archivo .csv, la configuración obtenida después de entrenar la RNA, en el cual se registra los siguientes parámetros: ♦ Cantidad de neuronas ocultas. ♦ Tasa de aprendizaje. Pesos y umbrales finales que resultan del ajuste con base en el error de la salida: ♦ Pesos de la conexión entre la capa de entrada y la oculta. ♦ Umbrales de cada neurona de la capa oculta. ♦ Pesos de la conexión entre la capa oculta y la salida. ♦ Umbrales de cada neurona de la capa de salida. Nuevamente, es importante mencionar que este archivo tiene extensión .csv, donde el parámetro se encuentra separado de su valor correspondiente por el carácter ¨;¨, como se aprecia en la figura tal. Figura 2. Archivo de configuración de la red.

Fuente: Creación del autor.

La figura anterior muestra la configuración guardada para un Perceptron con 16 neuronas en la capa de entrada, 5 en la capa oculta y 1 en la capa de salida, con una tasa de aprendizaje o coeficiente de proporcionalidad de 0,8, en seguida se presenta el resumen de esta configuración. Ver tabla tal. Tabla . Resumen general de la configuración de la red.

TTOOPPOOLLOOGGÍÍAA DDEE

LLAA RRNNAA

NNEEUURROONNAASS CCAAPPAA

OOCCUULLTTAA

TTAASSAA DDEE AAPPRREENNDDIIZZAAJJEE

PPEESSOOSS CCAAPPAA DDEE EENNTTRRAADDAA

PPEESSOOSS CCAAPPAA

OOCCUULLTTAA

UUMMBBRRAALLEESS CCAAPPAA

OOCCUULLTTAA

UUMMBBRRAALLEESS CCAAPPAA DDEE SSAALLIIDDAA

RREEGGIISSTTRROOSS AARRCCHHIIVVOO DDEE

CCOONNFFIIGGUURRAACCIIÓÓNN

1166::55::11 5 0,8 (16*5)=80 (5*1)=5 5 1 91

Fuente: Creación del autor.

Como se observa en el archivo, el número total de líneas es 93, donde los pesos y umbrales suman 91 registros y la cantidad de neuronas de la capa oculta y la tasa de aprendizaje suman los 2 restantes. Ver figura tal • Nomenclatura establecida. Se ha establecido como estándar para el nombre del archivo de configuración, la palabra conf seguida de la fecha y hora de creación del archivo, para el ejemplo anterior que se observa en la Figura tal el nombre del archivo es conf131205182120.csv, deduciendo que fue creado el 13 de diciembre de 2005 a las 18 horas, 21 minutos y 20 segundos. En relación a los pesos y umbrales se ha definido la palabra Peso seguida de espacio, luego la letra que corresponde a la capa que inicia la conexión, el número de neurona de esa capa, después la letra que corresponde a la capa a la que se conecta, unida al número de neurona de esa capa. Ver Figura tal. Figura . Nomenclatura de los pesos del archivo de configuración.

Fuente: Creación del autor.

Peso E0O0

Capa de entrada

Capa oculta

Neurona de entrada

Neurona oculta

El objetivo principal de guardar esta información, es el de restaurar en el momento que se requiera la configuración resultante de un entrenamiento y utilizarla para la clasificación de candidatos a vendedores, ver Figura tal, adicionalmente puede ser empleada en el análisis estadístico de dichos resultados. Figura 2. Proceso de migración del archivo de configuración.

Fuente: Creación del autor.

���� Archivo de convergencia del error. Antes de iniciar el proceso de entrenamiento el usuario tiene la posibilidad de elegir si desea guardar o no el archivo de convergencia del error, el cual registrar el error cometido en la salida por cada iteración durante el aprendizaje de la red. Este archivo esta conformado por dos columnas: ♦ Iteración. ♦ Error. Donde estas columnas se encuentran separadas por el carácter ¨;¨, ver Figura tal, dado que el archivo es de tipo csv. Figura 2. Archivo de convergencia del error.

Fuente: Creación del autor.

• Nomenclatura establecida. Para el nombre del archivo de convergencia del error se ha especificado como estándar la palabra error seguida de la fecha y la hora de creación del archivo. Es importante guardar esta información pues permite al usuario graficar los datos en Excel, y a partir de ellos analizar el comportamiento del error y concluir acerca del proceso de aprendizaje. Código. A lo largo del desarrollo de esta etapa, se implementa los nuevos requerimientos que fueron hallados y documentados claramente en las etapas anteriores. En esta segunda entrega, es notoria la diferencia con la aplicación inicial pues se adicionan muchas más funcionalidades encaminadas a mejorar este producto. o Funcionalidades del segundo incremento. Cuando se inicia la aplicación se presenta al usuario una ventana de splash, la cual muestra información general del sistema como el nombre del programa, la versión, la descripción y el logotipo. Ver figura. Figura 14. Splash de CCllaassiiVV--PPrroo.

Fuente: Creación del autor.

Una vez se desvanece el splash, aparece el formulario principal, el cual ofrece al usuario 4 pestañas principales, detalladas a continuación. Ver Figura 1. Figura 1. Pestañas aplicación CCllaassiiVV--PPrroo.

Fuente: Creación del autor.

Pestaña Patrones de entrenamiento. En esta pestaña, el usuario tendrá la posibilidad de escoger entre dos opciones para realizar el ingreso de patrones entrada-salida a la RNA, previo a la fase de entrenamiento, ver Figura tal.

♦ Ingresar patrón de entrenamiento. ♦ Abrir archivo de patrones de entrenamiento.

Figura 15. Opciones para el ingreso de los patrones de entrenamiento.

Fuente: Creación del autor.

Para la primera opción, el usuario debe ingresar cada uno de los 16 decatipos que pertenecen a un jefe de ventas, en cada una de las casillas y además debe elegir el tipo de cumplimiento ya sea alto o bajo, seleccionando alguna de las opciones como se observa en la Figura tal. Figura 16. Opción ingresar patrón de entrenamiento.

Fuente: Creación del autor.

Solo después de que tanto los decatipos como el tipo de cumplimiento hayan sido ingresados, se habilitará automáticamente el botón adicionar, como se observa en la figura, al hacer clic, se añadirá el patrón a la tabla. Por el contrario, si el usuario ya no desea ingresar el patrón a la red, puede seleccionar el registro y hacer clic en el botón eliminar para borrarlo de la tabla. Figura 17. Ingreso uno a uno de los patrones de entrenamiento.

Fuente: Creación del autor.

La segunda opción, para ingresar el patrón de entrenamiento, es migrar el archivo de patrones entrada-salida, para lo cual el usuario selecciona la opción Abrir archivo de patrones de entrenamiento, habilitándose el botón buscar. Al hacer clic en buscar, aparece un cuadro dialogo donde el usuario debe seleccionar el archivo y hacer clic en abrir; automáticamente la información del archivo es cargada en la tabla. Ver figura Figura 18. Cargar archivo de patrones de entrenamiento.

Fuente: Creación del autor.

Además se da la posibilidad de convertir los datos del archivo al rango de valores normalizados. Ver Figura Figura 19. Patrones de entrenamiento normalizados.

Fuente: Creación del autor.

Pestaña Fase de entrenamiento. En esta pestaña se realiza el proceso de entrenamiento para lo cual se puede ingresar los patrones de aprendizaje o restaurar una configuración mediante la migración de un archivo. Si se decide ingresar los parámetros se debe hacer clic en la opción ingresar configuración y seguidamente digitar la cantidad de neuronas de la capa oculta, tasa de aprendizaje y número de iteraciones. Ver Figura

Figura 2. Ingresar parámetros de configuración..

Fuente: Creación del autor.

Si desea migrar el archivo, puede elegir la opción cargar archivo de configuración, se habilita el botón buscar y al hacer clic, mostrará un cuadro de dialogo para seleccionar el archivo y abrirlo, una vez cargada la configuración, se muestra al usuario una confirmación. Ver Figura Figura 2. Cargar archivo de configuración.

Fuente: Creación del autor Cuando el usuario hace clic en el botón entrenar, se muestra en la parte inferior de la ventana, la barra de estado que muestra el tiempo que tarda entrenándose la red, se incrementa a medida que aumentan las iteraciones hasta que finaliza el proceso de aprendizaje. Ver Figura

Una vez ha sido entrenada la red, el usuario tiene la posibilidad de guardar la configuración, haciendo clic en el botón guardar configuración, mostrando un cuadro de confirmación con la ruta donde se creo el archivo. Ver Figura Figura 2. Guardar archivo de configuración.

Fuente: Creación del autor

Pestaña Fase de funcionamiento y pruebas. El usuario puede escoger entre dos opciones para realizar el proceso de pruebas de la red, ingresar patrón o cargar archivo. Si el usuario desea ingresar el patrón de prueba, debe hacer clic en buscar, seleccionar el archivo y hacer clic en abrir, mostrando los datos en la tabla. Ver Figura

Si el usuario desea ingresar los patrones de prueba uno a uno, debe seleccionar esta opción y digitar cada uno de los decatipos. Ver Figura En cualquiera de los dos casos el usuario debe hacer clic en el botón probar para ver la clasificación de los candidatos en la tabla Ver Figura

Pruebas

TERCER INCREMENTO En este último incremento del proyecto se refina la aplicación, mejorando las funcionalidades existentes y complementándola con las opciones vveerr ggrraaffiiccaa ddee ccoonnvveerrggeenncciiaa ddeell eerrrroorr y gguuaarrddaarr rreessuullttaaddooss ddee llaa ccllaassiiffiiccaacciióónn. Durante la fase de análisis, estas nuevas funcionalidades están representadas de forma general por el diagrama de casos de uso, que posteriormente se detalla mediante el diagrama de secuencias.

Es importante mencionar que durante la fase de pruebas se documentan los ensayos mas significativos que fueron realizados con el propósito de obtener la configuración óptima de la RNA, que clasifique correctamente jefes de ventas con alto o bajo cumplimiento y por tanto candidatos al cargo de vendedor. Sobra decir que se justificará y explicará en forma detallada la configuración óptima propuesta. Por último, la versión obtenida en este incremento, será entregada junto con el presente documento en CD. CD de entrega del proyecto. Los siguientes archivos, documentos y ejecutables estarán contenidos en el CD de entrega del proyecto de grado. ♦♦ Paquete de instalación de la herramienta CCllaassiiVV--PPrroo 11..00.. ♦ Código fuente de la herramienta CCllaassiiVV--PPrroo 11..00.. obtenida al finalizar este incremento. ♦ Archivo de configuración óptima propuesto, para ser usado en la clasificación

de candidatos al cargo de vendedor. ♦ Archivo de convergencia del error. ♦ Archivo de patrones de entrada-salida utilizados para el presente proyecto. ♦ Archivo de patrones de prueba utilizados para el presente proyecto. ♦ Archivo de resultados de la clasificación obtenida, usando la configuración

óptima. ♦ Grafica de convergencia del error. Documentación: ♦ Manual de usuario CCllaassiiVV--PPrroo 11..00.. ♦ Léeme. ♦ Y por último, el presente documento. Análisis. En esta etapa surgieron dos nuevos requerimientos, que se consideran necesarios para mejorar el proceso de clasificación y complementar el incremento anterior, estas funcionalidades son: o VVeerr ggrraaffiiccaa ddeell eerrrroorr:: permite al usuario visualizar en tiempo real la convergencia del error para cada iteración a medida que avanza el proceso de entrenamiento de la RNA y de esta manera tomar decisiones más fácilmente, del tipo de ajuste necesario para optimizar los resultados. oo GGuuaarrddaarr aarrcchhiivvoo ddee llaa ccllaassiiffiiccaacciióónn:: Se da la posibilidad al usuario de generar un archivo con los resultados de la clasificación de candidatos al cargo de vendedor.

En el siguiente diagrama de casos de uso se presenta la adición de estas nuevas funcionalidades, sobre el modelo generado en el incremento anterior. Figura 2. Diagrama de casos de uso para el tercer incremento de la aplicación.

RNA para diferenciar jefes de ventas con alto o bajo

cumplimiento según su perfil de personalidad

Psicólogo

Configurar RNA

Psicólogo

Entrenar RNA

Probar RNAIngresar patrones de

entrada a la RNA

«uses»

«uses»

«uses»

Guardar

convergencia del error

«extends»

Guardar

configuración

«extends»

Ver gráfica de

convergencia del error

Ingresar patron de

entrada a la RNA

Cargar archivo de

configuración

«extends»

Ver representación

gráfica de la RNA

«extends»

Ingresar

configuración

«hereda»

«hereda»

«hereda»

Cargar archivo de

patrones de entrada

«hereda»

Mostrar patrones

normalizados

«extends»«extends»

«extends»

«extends»

Guardar

clasificación

«extends»

Fuente: Creación del autor. � Caso de uso: Ingresar patrón de entrada a la RNA. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe tener uno o más patrones de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario ingresa a la aplicación. 2. El usuario selecciona la opción de ingresar patrón de entrada. 3. El usuario digita cada uno de los 16 decatipos del patrón de entrada. 4. El usuario hace clic en el botón adicionar para agregar dicho patrón a la tabla.

Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario en la tabla el patrón de entrada con sus respectivos 16 decatipos entre el rango de 1 a 10.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Cargar archivo de patrones de entrada. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe tener un archivo .csv de patrones de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario ingresa a la aplicación. 2. El usuario selecciona la opción cargar archivo de patrones de entrada. 3. El usuario hace clic en el botón Buscar para seleccionar el archivo de patrones con extensión *.csv. 4. El usuario hace clic en el botón abrir del cuadro de dialogo para cargar su contenido en la tabla de patrones de entrada. Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene cada patrón de entrada con sus respectivos 16 decatipos entre el rango de 1 a 10, es decir, se muestra al usuario los datos del archivo cargados en una tabla.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Mostrar patrones normalizados. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe cargar el archivo de patrones de entrada-salida o ingresar el patrón de entrada-salida.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Cargar archivo de patrones de entrada o Caso de uso: ingresar patrón de entrada. 2. El usuario selecciona el CheckButton para convertir los datos de la tabla de patrones al rango de valores de 0.091 a 0.91.

Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario en la tabla el patrón o patrones de entrada-salida normalizados (convertidos a la escala 0.091-0.91).

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Cargar archivo de configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El archivo de configuración debe existir.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 5. El usuario debe seleccionar la opción de cargar archivo de configuración de la RNA. 6. El usuario debe hacer clic en el botón buscar para abrir el archivo de configuración. 7. El usuario debe seleccionar y abrir el archivo de configuración con formato .csv.

Condiciones posteriores cuando se finaliza el escenario: • Se muestra al usuario la configuración contenida en el archivo en las cajas de texto correspondientes.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Ingresar configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe haber cargado los patrones de entrada-salida a la RNA. • EL usuario debe haber definido los parámetros de configuración.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Ingresar patrón de entrada o Caso de uso: Cargar archivo de patrones. 2. El usuario debe seleccionar la opción ingresar configuración. 3. El usuario debe ingresar cada uno de los datos de la configuración.

Condiciones posteriores cuando se finaliza el escenario: • La RNA está lista para ser entrenada.

Actor que se beneficia del caso de uso: Psicólogo.

� Caso de uso: Entrenar RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario desea iniciar la fase de entrenamiento de la RNA. • El usuario debe tener un conjunto de patrones de entrenamiento.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario del sistema ingresa a la aplicación. 2. Caso de uso: Ingresar patrón de entrada a la RNA o Caso de uso: Cargar archivo de patrones. 3. El usuario selecciona la pestaña FASE DE ENTRENAMIENTO o hace clic en el botón siguiente. 4. Caso de uso: Cargar archivo de configuración de la RNA o Caso de uso: Ingresar configuración. 5. El usuario hace clic en el botón Entrenar, para iniciar el aprendizaje. 6. El usuario debe hacer clic en el botón Aceptar de la ventana de información la cual indica que la red ha sido entrenada.

Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene la RNA entrenada, con los patrones y la información que él ha establecido.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de Uso: Guardar archivo de convergencia del error. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso:

• El usuario debe hacer clic en el botón entrenar.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario debe seleccionar el checkbutton si desea guardar el archivo de la convergencia del error. 2. Caso de uso: Entrenar RNA

Condiciones posteriores cuando se finaliza el escenario: • El usuario obtiene el archivo .csv con el error registrado en cada iteración.

Actor que se beneficia del caso de uso: Psicólogo. � Caso de uso: Guardar configuración. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • La RNA debe haber sido entrenada por el usuario.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. El usuario hace clic en el botón guardar archivo de configuración.

Condiciones posteriores cuando se finaliza el escenario: • Se presenta al usuario un cuadro de diálogo que le indica la ruta donde ha sido guardado el archivo.

Actor que se beneficia del caso de uso: Psicólogo. Caso de uso: Ver grafica de convergencia del error. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • El usuario debe hacer clic en el botón entrenar.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Entrenar RNA.

Condiciones posteriores cuando se finaliza el escenario: • Se presenta al usuario la grafica definitiva de convergencia del error cuando

finaliza el entrenamiento de la RNA.

Actor que se beneficia del caso de uso: Psicólogo. Caso de uso: Ver representación grafica de la RNA. Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • La RNA debe haber sido configurada.

Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO:

1. Caso de Uso: Cargar archivo de configuración o Caso de Uso: Ingresar configuración.

2. El usuario debe hacer clic en el botón ver RNA.

Condiciones posteriores cuando se finaliza el escenario: •••• Se presenta al usuario la representación grafica de la RNA que ha configurado.

Actor que se beneficia del caso de uso: Psicólogo.

Caso de uso: Probar la RNA.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: •••• La RNA necesariamente debe haber sido configurada. •••• El usuario debe ingresar los patrones de entrada que serán utilizados en la fase

de pruebas. Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Cargar archivo de configuración o Caso de uso: Ingresar configuración. 2. Caso de uso: Cargar archivo de patrones de entrada o Caso de uso: Ingresar patrón de entrada 3. El usuario hace clic en el botón Probar, para iniciar la clasificación. 4. El usuario hace clic en el botón Aceptar de la ventana de información la cual indica que ha finalizado la prueba.

Condiciones posteriores cuando se finaliza el escenario: • El usuario, obtiene la clasificación para cada candidato ingresado en la tabla de resultados.

Actor que se beneficia del caso de uso: Psicólogo.

Caso de uso: Guardar clasificación.

Actor que inicia el caso de uso: Psicólogo.

Condiciones previas para el caso de uso: • La RNA necesariamente debe haber sido probada. Secuencia de pasos del ESCENARIO PRINCIPAL o TÍPICO: 1. Caso de uso: Probar RNA. 2. El usuario hace clic en el botón Guardar clasificación. 3. El usuario ingresa el nombre y selecciona la ruta donde será guardado el

archivo en el cuadro de dialogo salvar. 4. El usuario hace clic en guardar.

Condiciones posteriores cuando se finaliza el escenario: • El archivo con los resultados clasificación es guardado en la ruta especificada por el usuario.

Actor que se beneficia del caso de uso: Psicólogo. Diseño. Durante esta etapa, el objetivo se centra en detallar cada nuevo escenario del diagrama de casos de uso, proporcionando una guía completa de las acciones a programar. Enseguida encontrará el diagrama de secuencias que reúne los que han sido presentados en incrementos anteriores.

Figura 2. Diagrama de secuencias tercer incremento

Fuente: Creación del autor.

En el diagrama de secuencias Diagrama 7 se puede observar, como se integraron los nuevos escenarios, indicando los métodos que serian apropiados utilizar en la fase de codificación, también se especifica quien debe realizar las acciones y gracias a la localización de estas en el modelo, se puede tener claro cual es el orden lógico de ejecución de las mismas, facilitando la inserción de los nuevos métodos en el código ya existente. o Especificación de los archivos que intervienen en el sistema. De la misma forma, como se especificaron los archivos en el incremento anterior, en esta sección, se explica el contenido del aarrcchhiivvoo ddee rreessuullttaaddooss ddee llaa ccllaassiiffiiccaacciióónn y su finalidad. Para mayor información, ver fase de diseño del segundo incremento. ���� Archivo de resultados de la clasificación. ClasiV-Pro brinda la posibilidad de guardar en un archivo .csv, los resultados obtenidos de la clasificación de candidatos al cargo de vendedor, ya sea alto o bajo cumplimiento, este archivo contiene las siguientes columnas: ♦ Candidato. ♦ Clasificación. ♦ % de la clasificación. Cada uno de los datos se encuentran separados por el carácter ¨;¨, como se aprecia en la figura tal. Figura 2. Archivo de resultados de la clasificación de la RNA.

Fuente: Creación del autor.

• Nomenclatura establecida. Para el nombre del archivo se ha establecido como estándar, la palabra salida seguida de la fecha y hora de creación del archivo, como se observa en la Figura el nombre del archivo es salida130106024305.csv.

El hecho de registrar de manera permanente la clasificación de los candidatos al cargo de vendedor obtenido mediante la RNA, permite al Psicólogo, realizar un análisis posterior comparativo, que contribuya sustancialmente al proceso de toma de decisiones. o Funcionamiento del sistema. La solución propuesta y desarrollada a lo largo del proyecto, ha girado en torno a la comprobación de la hipótesis planteada. CCllaassiiVV--PPrroo requiere primordialmente de datos de entrada para su operación, ya sea para entrenar la RNA, para restaurar una configuración determinada, o para probarla, puede ser, ingresando datos desde el teclado o de una manera más practica para el psicólogo, mediante la migración de archivos. La siguiente figura muestra tanto los archivos ingresados como los generados. FFiigguurraa 2200.. Archivos de entrada y salida de la solución propuesta. Fuente: Creación del autor. Código. En esta etapa, fueron implementados los últimos requisitos, detectados en la fase anterior, la salida de esta fase es la versión completa del software que será entregado como solución propuesta.

Archivo convergencia del error

Configuración

Clasificación

Archivo de Configuración

Patrones de Entrenamiento

Patrones de Prueba

Patrones para clasificación

o Funcionalidades del tercer incremento. Cuando se inicia la aplicación se presenta al usuario una ventana de splash, la cual muestra información general del sistema como el nombre del programa, la versión, la descripción y el logotipo. Ver figura. Figura 21. Splash de ClasiV-Pro.

Fuente: Creación del autor.

Una vez se desvanece el splash, aparece el formulario principal, el cual ofrece al usuario 4 pestañas principales, detalladas a continuación. Ver Figura 1. Figura 1. Pestañas aplicación Clasiv-Prol.

Fuente: Creación del autor.

Pestaña Patrones de entrenamiento. En esta pestaña, el usuario tendrá la posibilidad de escoger entre dos opciones para realizar el ingreso de patrones entrada-salida a la RNA, previo a la fase de entrenamiento.

♦ Ingresar patrón de entrenamiento. ♦ Abrir archivo de patrones de entrenamiento.

Figura 22. Opciones para el ingreso de los patrones de entrenamiento.

Fuente: Creación del autor.

Para la primera opción, el usuario debe ingresar cada uno de los 16 decatipos que pertenecen a un jefe de ventas, en cada una de las casillas y además debe elegir

el tipo de cumplimiento ya sea alto o bajo, seleccionando alguna de las opciones como se observa en la Figura tal. Figura 23. Opción ingresar patrón de entrenamiento.

Fuente: Creación del autor.

Solo después de que tanto los decatipos como el tipo de cumplimiento hayan sido ingresados, se habilitará automáticamente el botón adicionar, como se observa en la figura, al hacer clic, se añadirá el patrón a la tabla. Por el contrario, si el usuario ya no desea ingresar el patrón a la red, puede seleccionar el registro y hacer clic en el botón eliminar para borrarlo de la tabla. Figura 24. Ingreso uno a uno de los patrones de entrenamiento.

Fuente: Creación del autor.

La segunda opción, para ingresar el patrón de entrenamiento, es migrar el archivo de patrones entrada-salida, para lo cual el usuario selecciona la opción Abrir archivo de patrones de entrenamiento, habilitándose el botón buscar. Al hacer clic en buscar, aparece un cuadro dialogo donde el usuario debe seleccionar el archivo y hacer clic en abrir; automáticamente la información del archivo es cargada en la tabla. Ver figura Figura 25. Cargar archivo de patrones de entrenamiento.

Fuente: Creación del autor.

Además se da la posibilidad de convertir los datos del archivo al rango de valores normalizados. Ver Figura Figura 26. Patrones de entrenamiento normalizados.

Fuente: Creación del autor.

Pestaña Fase de entrenamiento. En esta pestaña se realiza el proceso de entrenamiento para lo cual se puede ingresar los patrones de aprendizaje o restaurar una configuración mediante la migración de un archivo. Si se decide ingresar los parámetros se debe hacer clic en la opción ingresar configuración y seguidamente digitar la cantidad de neuronas de la capa oculta, tasa de aprendizaje y número de iteraciones. Ver Figura Figura 2. Ingresar parámetros de configuración..

Fuente: Creación del autor. Si desea migrar el archivo, puede elegir la opción cargar archivo de configuración, se habilita el botón buscar y al hacer clic, mostrará un cuadro de dialogo para seleccionar el archivo y abrirlo, una vez cargada la configuración, se muestra al usuario una confirmación. Ver Figura Figura 2. Cargar archivo de configuración.

Fuente: Creación del autor Cuando el usuario hace clic en el botón entrenar, se muestra la pestaña grafica de convergencia del error, la cual dibuja el error cometido en cada iteración a medida que avanza el entrenamiento. Ver Figura Figura 2 Gráfica de convergencia del error.

Fuente: Creación del autor Una vez ha sido entrenada la red, el usuario tiene la posibilidad de guardar la configuración, haciendo clic en el botón guardar configuración, mostrando un cuadro de confirmación con la ruta donde se creo el archivo. Ver Figura Figura 2. Guardar archivo de configuración.

Fuente: Creación del autor

Pestaña Fase de funcionamiento y pruebas. El usuario puede escoger entre dos opciones para realizar el proceso de pruebas de la red, ingresar patrón o cargar archivo. Si el usuario desea ingresar el patrón de prueba, debe hacer clic en buscar, seleccionar el archivo y hacer clic en abrir, mostrando los datos en la tabla. Ver Figura

Si el usuario desea ingresar los patrones de prueba uno a uno, debe seleccionar esta opción y digitar cada uno de los decatipos. Ver Figura En cualquiera de los dos casos el usuario debe hacer clic en el botón probar para ver la clasificación de los candidatos en la tabla y si lo desea puede guardar los resultados de la clasificación haciendo clic en el botón guardar clasificación. Ver Figura

Pruebas. El entrenamiento de una RNA se basa en un método de ensayo y error; por lo tanto en esta sección se mostrarán las pruebas más importantes hasta encontrar la configuración óptima para la solución del problema. o Arquitectura seleccionada. Tabla . Resumen general de la configuración de la RNA obtenida.

TTOOPPOOLLOOGGÍÍAA DDEE LLAA RRNNAA

NNEEUURROONNAASS CCAAPPAA

OOCCUULLTTAA

TTAASSAA DDEE AAPPRREENNDDIIZZAAJJ

EE

CCAANNTTIIDDAADD DDEE IITTEERRAACCIIOONNEESS CCAANNTTIIDDAADD PPAATTRROONNEESS

PPAATTRROONNEESS CCLLAASSIIFFIICCAADDOOSS

CCOORRRREECCTTAAMMEENNTTEE

PPAATTRROONNEESS CCLLAASSIIFFIICCAADDOOSS

IINNCCOORRRREECCTTAAMMEENNTTEE

1166::228855::11 28 0,8 12000 15 14 1

Fuente: Creación del autor.

o Adecuada selección de patrones. o Convergencia del error. o Fase de entrenamiento. o Fase de pruebas. Tras la fase de aprendizaje se procede a una fase de pruebas en la que, con nuevos patrones de entrada, se comprueba la eficacia de la RNA generada. Si el resultado no es aceptable, se debe proceder a repetir la fase de entrenamiento, bien utilizando un nuevo conjunto de patrones de entrenamiento mayor cantidad o menor cantidad, bien modificando el sistema de aprendizaje o la arquitectura cantidad de neuronas, tasa de aprendizaje o número de iteraciones. Superada esta fase la arquitectura, neuronas, conexiones, y los pesos sinápticos quedan fijos pudiendo el sistema operar en modo recuerdo. El modo recuerdo es el modo de operación normal del sistema: dada una entrada proporcionará una salida en consonancia con el aprendizaje recibido. Veamos en la figura los resultados del en la que probamos la red neuronal con ratios de una empresa imaginaria. o Definición de los parámetros de configuración. Mediante el proceso de aprendizaje, la red tiene la habilidad de asociar los patrones de entrada-salida que son ingresados, pero para que esto suceda, depende de ciertas variables para llegar a una solución apropiada, donde la red encuentre lo relevante del sistema. Por lo tanto, se debe encontrar una combinación de los parámetros de

configuración que permita el aprendizaje y la aplicación del mismo. Las variables que se deben configurar son:

� Número de neuronas ocultas � Tasa de aprendizaje � Iteraciones

En particular, para la determinación de un número de neuronas ocultas óptimo no hay ningún tipo de regla, pero si es claro que influye en la productividad del aprendizaje de la red neuronal artificial y también en la característica de la generalización, en la que la red en realidad aprende de forma que puede luego clasificar patrones nunca antes vistos. Por otro lado, la definición de la tasa de aprendizaje es esencial, ya que influye en la velocidad en la que el error disminuye. Este debe ser pequeño para que logre encontrar un error mínimo global. En cuanto a la cantidad de iteraciones, se tendrá especial cuidado de que sean las suficientes para que la red converja en un error que sea aceptable. Para el proceso de pruebas a la red se definió la cantidad de patrones entrada-salida y los patrones de prueba ingresados a la red para comenzar este proceso de pruebas y configuración. Ver Tabla Tabla 4. Patrones ingresados a la red neuronal artificial en la fase de aprendizaje y pruebas.

FASE NRO. DE EJEMPLOS

CUMPLIMIENTO

ENTRENAMIENTO 118 62(ALTO) 56(BAJO)

PRUEBAS 15 7(ALTO) 8(BAJO)

Fuente: Creación del autor. Al principio se definió una topología constituida por 16 neuronas de entrada, n neuronas ocultas y 1 de salida, empleando 118 patrones para el entrenamiento y 15 para pruebas. A medida que se realizan los entrenamientos se puede variar los parámetros de la configuración ya mencionados. Con el fin de encontrar una configuración óptima, se realizaron una serie de pruebas estableciendo el número de neuronas, la tasa de aprendizaje y número de iteraciones, hallando una buena combinación de estas variables. Para comenzar, se realizaron unas pruebas, en la etapa de aprendizaje, para hallar la ccaannttiiddaadd ddee nneeuurroonnaass ooccuullttaass,, que permita disminuir el error al máximo, modificando la cantidad de neuronas ocultas, desde 10 hasta 55, aumentando de 5 en 5, siendo

constante el valor de la tasa de aprendizaje y el número de iteraciones. Para este caso, 3000 iteraciones y 0,8 de tasa de aprendizaje. Los resultados alcanzados, variando el número de neuronas ocultas, se observan a continuación en la Tabla. Tabla. Elección del número de neuronas de la capa oculta.

EENNTTRREENNAA--MMIIEENNTTOO

NNRROO..

NNRROO.. NNEEUURROONNAASS

OOCCUULLTTAASS IITTEERRAACCIIÓÓNN

TTAASSAA DDEE AAPPRREENNDDIIZZAAJJEE

EERRRROORR CCOOMMEETTIIDDOO

EENN LLAA ÚÚLLTTIIMMAA IITTEERRAACCIIÓÓNN

PPRROOMMEEDDIIOO EERRRROORR

1.1536

1.1724 1 10 3000 0.8

1.119

1.1483

1.0791

1.0003 2 15 3000 0.8

0.9886

1.02266667

1.1562

1.0993 3 20 3000 0.8

1.052

1.1025

00..99888833

00..99114488 44 2255 33000000 00..88

00..99111199

00..9933883333333333

1.0737

0.9701 5 30 3000 0.8

1.0237

1.0225

2.584

1.6784 6 35 3000 0.8

2.2358

2.16606667

1.7427

2.1933 7 40 3000 0.8

2.0639

1.99996667

1.3256

1.5721 8 45 3000 0.8

1.3856

1.42776667

1.8672

2.3132 9 50 3000 0.8

2.3073

2.16256667

2.3171

2.5828 19 55 3000 0.8

2.2816

2.39383333

Fuente: Creación del autor.

Con base en la tabla, se puede observar que al principio la convergencia es lenta, pero a medida que se incrementan las neuronas ocultas muestra como tiene influencia en la eficacia de la red, y además llega un punto en que por más neuronas que se asignen el error empieza a converger en un error más alto, ya que no hay una suficiente representación de las asociaciones o si son demasiadas la red consume más tiempo sobrecargando a la red. Un factor esencial es que su definición correcta permite mejores resultados, disminuyendo el error. Gráfica 3. Neuronas versus Error.

NEURONAS VS ERROR

.450.00

.950.00

1.450.00

1.950.00

2.450.00

2.950.00

10 15 20 25 30 35 40 45 50 55

Neuronas

Err

or

Fuente. Creación del autor.

Los entrenamientos número 4 y 5, de la anterior tabla, obtuvieron los errores mínimos en las pruebas, pero antes de tomar un rango entre los valores con menor error, para complementar la decisión de las pruebas se tomaron los mismos parámetros, pero con un número de iteraciones mayor. Ver tabla. Tabla. Pruebas para definir el número de neuronas ocultas.

NNRROO.. NNEEUURROONNAASS OOCCUULLTTAASS

ITERACIONES TTAASSAA DDEE AAPPRREENNDDIIZZAAJJEE

EERRRROORR CCOOMMEETTIIDDOO

EENN LLAA ÚÚLLTTIIMMAA IITTEERRAACCIIÓÓNN

PPRROOMMEEDDIIOO EERRRROORR

0.9054 10 4000 0.8

0.8802

0.8678

0.8179

0.7507

0.7414 15 4000 0.8

0.7655

0.7525

0.8584

0.7501 20 4000 0.8

0.8025

0.8037

0.726

0.709 25 4000 0.8

0.7002

0.7117

0.817

0.8272 30 4000 0.8

0.8055

0.8166

1.2708

2.1594 35 4000 0.8

1.1673

1.5325

1.0762

0.7478 40 4000 0.8

1.6013

1.1418

0.8871

0.899 45 4000 0.8

0.8345

0.8735

0.8731

0.8473 50 4000 0.8

0.9842

0.9015

1.0095

1.6575 55 4000 0.8

1.4203

1.3624

Gráfica 4. Comportamiento del error con más iteraciones.

NEURONAS VS ERROR

.450.00

.650.00

.850.00

1.050.00

1.250.00

1.450.00

1.650.00

10 15 20 25 30 35 40 45 50 55

Neuronas

Err

or

Fuente: Creación del autor. Con relación a la gráfica anterior, se logra ver un decremento del error proporcional, sin mucho cambio por el incremento en el número de iteraciones. Así, se reafirma la utilización del rango de 25 a 30 neuronas por mantenerse con un error inferior. Ahora se toma el rango de 25 a 30, escogido anteriormente, con 4000 iteraciones para observar mejor la reducción del error y con una tasa de aprendizaje también alta para hallar el dimensionamiento exacto de la RNA. Tabla. Análisis rango de posibles número de neuronas

NEURONAS OCULTAS

ITERACIONES TASA DE

APRENDIZAJE

ERROR DE LA ÚLTIMA ITERACIÓN

ERROR PROMEDIO

0.9883 0.9148 25 0.8 0.9119

0.93833333

0.8654 0.8116 26 0.8 0.7579

0.81163333

1.7481 0.9023 27 0.8 0.9429

1.19776667

0.7535 0.8632 28 0.8 0.7778

0.79816667

0.7196 0.8958 29

4000

0.8 0.9889

0.8681

1.0737 0.9701 30 0.8

1.0237

1.0225

Fuente. Creación del autor. Como se nota en la tabla, 26 y 28 son los números de neuronas ocultas que convergieron mejor el error, por lo tanto se utilizará el menor, 28 para analizar, probando una tasa de aprendizaje de 0,4, 0,6 y 0,8, además de número de iteraciones variables desde 2000 hasta 12000 con incrementos de 2000. Tabla. Comparación iteraciones y tasa de aprendizaje variable.

ITERACIONES ERROR ERROR

PROMEDIO 5.0104 4.7436 2000 4.8768

4.87693333

2.5311 2.8409 4000 3.2085

2.86016667

0.6891 0.632 6000 0.744

0.68836667

0.6412 0.9969 8000 0.8848

0.84096667

0.518 0.7399 10000 0.5989

0.61893333

0.4702 0.4899 12000 0.4252

0.46176667

Fuente. Creación del autor. La mejor combinación de la tabla anterior es 12000 de iteraciones, 0,8 de tasa de aprendizaje y un error de 0,46. A medida que se incrementa la Tasa de aprendizaje y el número de iteraciones disminuye a un error aceptable pero el tiempo del aprendizaje es mucho mayor, Así que es variable, ya que depende de valores aleatorios asignados a pesos y umbrales

Gráfica 2. Comportamiento del error con más iteraciones.

ITERACIONES VS ERROR

.10

1.10

2.10

3.10

4.10

5.10

6.10

2000

4000

6000

8000

1000

0

1200

0

Iteraciones

Err

or

Fuente: Creación del autor Cuando se ha incrementado el número de iteraciones, se puede apreciar que llega a un punto en que no aprende más el error permanece estable, por lo que no es utilizar esa cantidad de iteraciones. Tabla. Comparación del error por TA

ITERACIONES ERROR PROMEDIO 4.106 3.9158 2000 3.0258

3.68253333

2.1998 2.3194 4000 2.4422

2.32046667

0.6294 0.8967 6000 0.7458

0.7573

0.4487 0.5067 8000 0.532

0.4958

10000 0.3816 0.41136667

0.5195 0.333 0.3302 0.4088 12000 0.3737

0.3709

Fuente: Creación del autor La mejor combinación de la tabla anterior es 12000 de iteraciones, 0,8 de tasa de aprendizaje y un error de 0,37. Grafica. Iteraciones versus el error.

ITERACIONES VS ERROR

.10

.60

1.10

1.60

2.10

2.60

3.10

2000 4000 6000 8000 10000 12000

Iteraciones

Err

or

Fuente: Creación del autor Ahora con tasa de aprendizaje de 0,6 y con número de iteraciones variable, así se logra ver como disminuye el error, cada vez que aumentan las iteraciones.

ITERACIONES ERROR PROMEDIO 3.2859 2.0461 2000 3.4738

2.93526667

1.3128 0.7711 4000 0.7093

0.93106667

0.6813 0.6384 6000 0.5143

0.61133333

0.3985 0.4986 8000 0.3351

0.41073333

0.4597 0.3598 10000

0.36 0.39316667

0.3207 0.4066 12000

0.3132

0.34683333

Fuente: Creación del autor. En la tabla anterior, se muestra la configuración óptima después de realizar un análisis de las comparaciones al incrementar o decrementar los valores de los parámetros, con base en lo mencionado acerca de la importancia de estas variables. Grafica. Gráfica del error entrenamiento configuración óptima.

Fuente: Creación del autor A continuación una gráfica de los errores versus las iteraciones, se observa la configuración óptima, el error que converge Grafica. Iteraciones versus el error.

ITERACIONES VS ERROR

.10

.60

1.10

1.60

2.10

2.60

3.10

2000 4000 6000 8000 10000 12000

Iteraciones

Err

or

Fuente: Creación del autor. Con base en pruebas realizadas que se encuentran resumidas en la siguiente tabla, se observa que 12000 iteraciones, tasa de aprendizaje 0,8, un error de 0,31 y una efectividad del 93.33%, el cual tuvo solo una clasificación errónea de uno de los patrones de prueba. Las otras dos configuraciones también no clasificaron uno de los patrones. Sin embargo sigue siendo mejor el primero ya que la convergencia del error fue menor que las otras. Tabla. Pruebas y confirmación de la configuración. Fuente: Creación del autor.

ITERACIONES TA ERROR EFECTIVIDAD TOTAL CLASIFICACION

0.8 0.3127 93.3333 14 BUENOS

1 MALO

0.6 0.4053 93.3333 14 BUENOS

1 MALO 12000

0.4 0.4693 93.3333

15

14 BUENOS 1 MALO

6. CONCLUSIONES

o Gracias a las características propias de las RNA’s, el analista de sistemas debe preocuparse únicamente por la obtención de la arquitectura y el algoritmo de aprendizaje apropiado que le proporcione a la red la capacidad de resolver el problema objeto de estudio, sin detenerse en comprender como internamente solucionó el problema. o Las redes neuronales artificiales comparadas con los sistemas tradicionales tienen la capacidad de tolerancia a fallos. o Las redes neuronales artificiales son la mejor alternativa para reconocimiento y clasificación de patrones en tiempo real. o Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologías. o Si los patrones utilizados para comprobar la efectividad de la red no han sido clasificados de manera precisa, es porque la red no ha sido entrenada lo suficiente o esta mal configurada.

7. RECOMENDACIONES

Se debe tener especial cuidado de que la red neuronal artificial haya aprendido a generalizar o resolver apropiadamente el problema, pues es posible que solo distinga los datos que le han sido proporcionados durante el entrenamiento y no logre abstraer la relación existente entre la nueva información y la aprendida previamente.

BIBLIOGRAFIA

BACKPROPAGATION. Universidad Tecnológica de Pereira. 2000. BLANCO BLANCO, Luís Antonio. Tras la huella, Guía practica para elaborar trabajos de grado. Bogotá D.C. 2002. CATTEL, Raymond B. 16PF, Cuestionario de personalidad. Cuarta edición revisada. TEA Ediciones, S.A. Madrid. 1982. GORDON, Leonard V. Perfil e inventario de personalidad de Gordon (P-IPG). TEA Ediciones, S.A. Madrid. 1993. HILERA, José R. MARTINEZ, Víctor. Redes neuronales artificiales. Fundamentos, modelos y aplicaciones. Editorial Ra – Ma. 1995. INSTITUTO COLOMBIANO DE NORMAS TÉCNICAS. Normas colombianas para la presentación de trabajos de investigación. Quinta actualización. Bogotá D.C. ICONTEC. 2005. NTC. 1486. MATICH, Damián Jorge. Redes Neuronales: Conceptos básicos y aplicaciones. Cátedra sobre informática aplicada a la ingeniería de procesos – Orientación de procesos. Universidad Tecnológica Nacional. Rosario. 2001. OLMEDA, I. Redes Neuronales Artificiales: Fundamentos y Aplicaciones. Actas de un curso de verano de la universidad de Alcala de Henares. Ed. Servicio de Publicaciones de la UAH. 1993. PFAFFENBERGER, Bryan. Diccionario de términos de computación. Prentice Hall. 1999. PRESSMAN, Roger S. Ingeniería Del Software, un enfoque practico. Quinta edición. McGraw-Hill, 2002.

RUMELHART, D. HINTON, G. WILLIAMS, R. Learning representations by Backpropagating errors. Nature. Págs. 536. 1986. SCHMULLER, Joseph. Aprendiendo UML en 24 horas. Prentice Hall. SCHEAFFER, Richard L. Probabilidad y estadística para ingeniería. Grupo Editorial Iberoamericana, 1993. WIDROW, B. 30 years of adaptive neural networks: Perceptron, Madaline and Backpropagation. Proceedings of the IEEE, Vol. 78, No. 9, Págs. 1415-1442. 1990. ENTRENANDO Y SIMULANDO UNA RED NEURONAL EN C#. http://www.microsoft.com/spanish/msdn/comunidad/mtj.net/voices/art173.asp , 2005. MANUAL MODERNO. http://www.manualmoderno.com, 2005. NEUROSHELL CLASSIFIER. www.wardsystems.com/, 2005. TEA EDICIONES, S.A. http://www.teaediciones.com/ , 2005. TEST DE PERSONALIDAD DE TEA TPT. http://147.96.1.15/BUCM/psi/T/ytpt.htm , 2005.

BIBLIOGRAFIA COMPLEMENTARIA

GLASSER, Darin. Copyright in Computer-Genered Works, en 2001 Duke L. & Tech. Rev. oo23, 2001, publicación de la Universidad de Duke. DREIER, Thomas K. Implicaciones artísticas y jurídicas de las obras generadas por computación, en Revista DAT (Derecho de la Alta Tecnología), No 21, 1990, Buenos Aires, Argentina. RENGIFO, Ernesto. Propiedad Intelectual, El Moderno derecho de Autor, Editado por la Universidad Externado de Colombia 1996, primera edición, paginas 234-237. GERVAIS, Daniel. The protection Under International Copyright Law of Works Created with or by Computers, 1991, paginas 628-660. OMPI – UNESCO, Informe II Comité de expertos Gubernamentales sobre los problemas que plantea, en el plano del derecho de autor, el empleo de computadoras en el acceso a las obras o en la creación de obras, Paris 7-11 de junio 1982, No 4, Pagina 48. ROSEMBLATT, F. The Perceptron: A probabilistic model for information storage and organization in the brain. MIT Press. 1988.