Los intentos de imitar el funcionamiento del cerebro humano en una mquina han ido aumentando con la evolucin de la tecnologa. La inteligencia artificial, como ya sabemos, trata de descubrir aspectos de la inteligencia humana que pueden ser simulados mediante mquinas. En este sentido, las redes neuronales no son ms que otra forma de emular ciertas caractersticas propias de los humanos.
Figura 7 - Neuronas cerebrales La particularidad de las redes neuronales es que, mientras otras reas de inteligencia artificial slo se basan en algoritmos y conexiones electrnicas, sta estudia directamente el cerebro humano y trata de crear un modelo artificial y simplificado de este. As ya podemos dar una definicin ms concreta: las redes neuronales son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que acta el sistema nervioso de los animales. La unidad bsica de procesamiento de las redes neuronales est inspirada en la clula fundamental del sistema nervioso humano, la neurona. Las redes neuronales, por tanto, pretenden resolver problemas que otras reas no son capaces. Esto lo consiguen gracias a que, el estudio de las neuronas humanas permite crear unidades de procesamiento que pueden intercambiar datos, sirven para reconocer patrones (tales como imgenes) y tienen capacidad de aprendizaje.
El cerebro y la computadora Aunque las redes neuronales artificiales se encarguen de imitar a las redes neuronales humanas, stas son tan complejas que, al fin y al cabo, lo nico que se consigue es una imitacin simplificada.
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 2
Figura 8 - Estructura de una neurona
Las redes neuronales no dejan de ser computadoras, mquinas que procesan datos. No obstante las diferencias entre una red neuronal artificial y una computadora convencional son elevadas. Obviamente, tambin existen grandes diferencias entre las redes neuronales artificiales y las de los humanos. A continuacin realizaremos un anlisis comparativo, para que simplificar la comprensin, cuando hablemos de cerebro artificial lo llamaremos computadora. En primer lugar, el cerebro humano es capaz de tratar gran cantidad de datos en poco tiempo pero no necesariamente con exactitud. Por su parte, la computadora ser capaz de procesar informacin mucho ms concreta y siempre seguir unas instrucciones dadas. Por otro lado, si nos fijamos en los impulsos nerviosos, en el caso del humano stos pueden variar pero, la computadora, al ser mecnica y automtica, tiene una frecuencia inalterable de transmisin y est dirigida por el reloj interno de la mquina. En tercer lugar, en cuanto al almacenaje, el cerebro humano guarda la memoria pero no se sabe dnde quedar almacenada, dado su carcter asociativo. En cambio, en la computadora la informacin se guarda en posiciones de memoria de acceso directo por su direccin. Un punto a favor de las computadoras que, en eso, superan al cerebro humano, es el de la velocidad. De este modo, en el cerebro, los impulsos fluyen a unos 30 metros por segundo frente a la computadora, donde los impulsos fluyen a la velocidad de la luz. Por otro lado, en el anlisis comparativo debemos destacar tambin similitudes importantes. As hay que destacar que, tanto en cerebro como la computadora codifican la informacin en impulsos digitales, ambos tienen compuertas lgicas, en ambos casos existen diferentes tipos de memoria y ambos tienen aproximadamente el mismo consumo de energa.
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 3
Ventajas de las redes neuronales
Como ya hemos dicho, las redes neuronales, debido a su constitucin y fundamento, presentan grandes semejanzas con el cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer caractersticas esenciales a partir de entradas que representan informacin irrelevanteEntre las ventajas se incluyen: Tienen capacidad de aprender a realizar tareas basadas en un entrenamiento inicial (Aprendizaje adaptativo). De esta forma, la mquina puede aprender a llevar a cabo ciertas tareas mediante el entrenamiento con ejemplos ilustrativos, por lo que no es necesario elaborar modelos a priori. Las redes neuronales permiten organizar por s mismas lo aprendido. Mientras que el aprendizaje es la modificacin de cada elemento procesal, la autoorganizacin consiste en la modificacin de la red neuronal completa para llevar a cabo un objetivo especfico. Adems las redes neuronales tienen la capacidad de ser tolerantes a fallos. Fueron los primeros mtodos computacionales con esta capacidad inherente. De este modo, si se produce un fallo en un nmero no muy grande de neuronas, aunque el comportamiento del sistema se ve influenciado, no sufre una cada repentina. Una de las prioridades principales de las redes neuronales es que son capaces de operar en tiempo real. Las redes neuronales trabajan mediante conexiones en paralelo, lo que permite grandes velocidades de transmisin y respuesta casi al instante. Por ltimo, hay que destacar como ventaja la facilidad de insercin en la tecnologa existente. De manera que, por ejemplo, resulta muy sencillo conseguir chips especializados que mejoren su capacidad.
Aplicaciones de las redes neuronales
Gracias a sus caractersticas y ventajas que ya hemos comentado, las redes neuronales son muy tiles en aplicacin de amplios campos. Entre sus aplicaciones concretas ms importantes podemos destacar: resolucin de problemas de clasificacin, reconocimiento de patrones de voz e imgenes, reconocimiento de fraudes (firma, fraude econmico), predicciones financieras, predicciones atmosfricas
[SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 4
Saba qu cuando escaneamos una factura o cualquier otro documento probablemente utilizamos una aplicacin de las redes neuronales, una rama de la Inteligencia Artificial?
Qu aplicaciones tienen las redes neuronales en la Contabilidad?. Reconocimiento de patrones, problemas de optimizacin, clasificacin de datos financieros...
Otras herramientas inteligentes pueden utilizarse para escrutar entre los millones de datos que se generan en un banco en busca de patrones de comportamiento de sus clientes o para detectar tendencias en los mercados de valores.
Pero ojo!, aunque es un trmino que suena -y vende- bien, es difcil poner una ralla entre lo que es Inteligencia Artificial e informtica convencional, ya que al fin y al cabo todo son programas de ordenador. Lo que caracteriza a las redes neuronales es el aprendizaje mediante ejemplos. De ellas vamos a aprender: 1) Qu son? 2) Tipos 3) Cmo aprenden? 4) Cmo se trabaja con ellas? 5) Aplicaciones en la empresa
I Las redes neuronales: concepto 1) Es verdad que tenemos ordenadores rapidsimos, ms que el cerebro Un ordenador convencional es una mquina que ejecuta una serie de instrucciones de forma secuencial, siendo capaz de realizar complicadas operaciones lgicas y aritmticas de una forma muy rpida, mucho ms que el cerebro humano.
2) pero aun as, hay tareas que no realizan bien Pese a ello, existen tareas, como el reconocimiento de patrones, que ni los grandes supercomputadores son capaces de resolver de un modo eficiente, mientras que el cerebro lo viene haciendo desde hace millones de aos con suma facilidad y eficiencia. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 5
3) Y es que ordenador y cerebro son diferentes Por esta razn, algunos cientficos han vuelto la vista hacia el cerebro tratando de estudiarlo desde el punto de vista de la computacin. La estructura del cerebro es radicalmente diferente a la del ordenador convencional. No est compuesto por un nico microprocesador altamente complejo y eficiente, sino por miles de millones de ellos, las neuronas, que realizan de modo impreciso y relativamente lento un tipo de clculo muy simple.
4) Algunos cientficos tratan de hacer ordenadores con la estructura de neuronas En este proceso del pensamiento cientfico surgieron los sistemas neuronales artificiales, con la idea de tomar las caractersticas esenciales de la estructura neuronal del cerebro para crear sistemas que lo mimetizaran en parte, mediante sistemas electrnicos. Estos sistemas estn compuestos por multitud de pequeos procesadores simples, a los que se denomina neuronas artificiales.
5) Aunque se puede emular va software Aunque existen ordenadores neuronales, con cientos de pequeos microprocesadores que trabajan en paralelo, lo cierto es que mediante software se puede emular el comportamiento de estas redes neuronales en un ordenador convencional y existen multitud de programas de redes neuronales que funcionan incluso en un ordenador personal. Muchos de ellos los podemos encontrar gratis en Internet.
6) Qu tratan de hacer? Las redes neuronales operan sobre la base de reconocimiento de patrones, y que pueden adquirir, almacenar y utilizar conocimiento experimental, obtenido a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus caractersticas ms destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parmetros de las neuronas mediante un algoritmo de aprendizaje.
7) Qu tienen por dentro? magia? En cuanto al modo interno de trabajo las redes neuronales son modelos matemticos multivariantes que utilizan procedimientos iterativos, en general para minimizar funciones de error. O sea, que no es cuestin de magia sino de matemticas. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 6
8) Diferencia con los sistemas expertos Las redes neuronales se asemejan a los sistemas expertos en cuanto al objetivo de representar el conocimiento pero son radicalmente opuestos en cmo aspiran a conseguirlo. Como vemos, los sistemas expertos se acercaran ms al razonamiento deductivo -obtener reglas- y las redes neuronales al inductivo -aprendizaje mediante ejemplos-. La gestin empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas tcnicas tienen cabida. Adems, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un nico sistema. I Las redes neuronales: tipos 1) En qu se diferencian unas redes neuronales de otras? En primer lugar hay que distinguir entre modelos neuronales -la forma- y algoritmos neuronales - cmo aprenden-.
2) Los modelos neuronales Los modelos neuronales son similares o incluso en muchos casos idnticos a otros modelos matemticos bien conocidos. Se suelen representar mediante grafos, llamados en este contexto neuronas artificiales. Cada neurona realiza una funcin matemtica. Las neuronas se agrupan en capas, constituyendo una red neuronal. Una determinada red neuronal est confeccionada y entrenada para llevar a cabo una labor especfica. Finalmente, una o varias redes, ms los interfaces con el entorno, conforman el sistema global.
3) Varios modelos Los modelos neuronales se diferencian en la funcin que incorpora la neurona, su organizacin y forma de las conexiones. Sarle (1994) compara los modelos neuronales con los modelos estadsticos ms convencionales, encontrando que la mayora de los modelos neuronales tienen un equivalente tradicional, y que frecuentemente los cientficos del campo de las redes neuronales reinventan modelos ya existentes. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 7
I Las redes neuronales: algoritmos 1) Qu hacen los algortimos? Los modelos neuronales utilizan varios algoritmos de estimacin, aprendizaje o entrenamiento para encontrar los valores de los parmetros del modelo, que en la jerga de las redes neuronales se denominan pesos sinpticos.
2) Cmo es el aprendizaje? El entrenamiento se realiza mediante patrones-ejemplo, siendo dos los tipos de aprendizaje: supervisado y no supervisado. a) El aprendizaje supervisado Se asemeja al mtodo de enseanza tradicional con un profesor que indica y corrige los errores del alumno hasta que ste aprende la leccin. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. En terminologa estadstica equivale a los modelos en los que hay vectores de variables independientes y dependientes: tcnicas de regresin, anlisis discriminante, anlisis lgit, modelos de series temporales, etc. b) El aprendizaje no supervisado No hay un profesor que corrija los errores al alumno; recuerda ms al autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla. Si el entrenamiento es no supervisado, nicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos caractersticos esenciales. En terminologa estadstica equivale a los modelos en los que slo hay vectores de variables independientes y buscan el agrupamiento de los patrones de entrada: anlisis de conglomerados o cluster, escalas multidimensionales, etc. I Las redes neuronales: procedimiento de trabajo 1) Cmo se trabaja con las redes neuronales? La figura siguiente describe el procedimiento para operar con redes neuronales. Originalmente la red neuronal no dispone de ningn tipo de conocimiento til almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminologa estadstica diramos que es necesario estimar los parmetros. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 8
2) Es un procedimiento estadstico En realidad todo el procedimiento que vemos en la figura es estadstico: primero se selecciona un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Despus se desarrolla la arquitectura neuronal, nmero de neuronas, tipo de red. Por decirlo con otras palabras, se selecciona el modelo y el nmero de variables dependiente e independientes. Se procede a la fase de aprendizaje o estimacin del modelo y a continuacin se validan los resultados.
Modo de trabajo con redes neuronales
Una red neuronal para analizar la solvencia de una empresa 1) Ahora con redes neuronales Siguiendo con nuestro ejemplo de los apartados anteriores, podemos animarnos a disear una red neuronal para analizar la solvencia de una empresa.
2) Qu necesitamos? En este caso, lo que solicitaramos a nuestro experto no son reglas de decisin sino una base de datos con ejemplos de empresas que anteriormente han solicitado prstamos a nuestro banco. Tambin precisaramos un programa de redes neuronales -son baratos, pero en Internet hay muchos gratis que nos pueden servir para nuestras primeras pruebas-. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Leccion 5.3 Redes neuronales artificiales Pgina 9
3) Los datos De la base de datos deberamos extraer un conjunto de ratios e indicadores para cada empresa, que formarn la base de patrones de aprendizaje. Ntese que en este problema en concreto disponemos tambin del output a aprender, que consiste en que para cada empresa sabemos si devolvi o no el prstamo. Podemos asignar un 1 a las empresas que devolvieron el prstamo y un 0 a las que no.
4) Seleccin del modelo Por este motivo, podemos aplicar cualquier modelo de red neuronal con aprendizaje supervisado, el ms utilizado es el llamado perceptrn multicapa. La arquitectura neuronal consiste en seleccionar el nmero de neuronas, capas y su configuracin. Esto es algo delicado, puesto que la red aprende depende de ello, pero hay buenos libros que nos ensean algunos trucos y su explicacin matemtica. Seleccionaremos tantas neuronas en la primera capa como ratios o variables tengamos y una neurona en la capa de salida, que es la que tiene que distinguir a las empresas que devolvieron el prstamo de las que no. Despus empieza la fase de aprendizaje, en la que la red neuronal no hace magia, sino que ajusta una funcin matemtica que trata de minimizar los errores, mediante un proceso de clculo numrico iterativo. Al cabo de un rato, el error baja y ya tenemos la red neuronal lista. Debemos hacer un test con datos de empresas que nos hemos guardado y no hemos utilizado para entrenar. La red neuronal nos dir para esta nueva empresa la puntuacin obtenida: 1 0 y eso significa que sus ratios se parecen a los de las empresas buenas que devuelven sus prstamos o al revs. I Las redes neuronales: aplicaciones prcticas Si bien el primer estudio terico sobre redes neuronales data de 1943 y fue efectuado por Mc Culloch y Pitts, su aplicacin prctica es reciente en el tiempo y se inicia a principios de los noventa. En la actualidad, las aplicaciones prcticas de las redes neuronales son numerosas. 1) A qu aplicarlas? Se aplican a tareas en las que un ser humano se desenvuelve bien, pero en las que un sistema algortmico tradicional lo hace de un modo ineficaz. No deben aplicarse en aquellos casos en los que la solucin algortmica es eficiente, es decir, problemas de clculo aritmtico o lgico que los ordenadores tradicionales resuelven muy bien. Tampoco podrn aplicarse en los casos en los que no se pueda disponer de un conjunto suficiente de patrones-ejemplo. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
2) Tres tipos de problemas En general, las redes neuronales tratan de resolver de forma eficiente problemas que pueden encuadrarse dentro de tres amplios grupos: optimizacin, reconocimiento y generalizacin. Estos tres tipos engloban un elevado nmero de situaciones, lo que hace que el campo de aplicacin de las redes neuronales en la gestin empresarial sea muy amplio. Los libros de Refenes (1995) y Deboeck y Kohonen (1998) recogen una amplia coleccin de trabajos aplicados en contabilidad y finanzas. 2a) Optimizacin En los problemas de optimizacin se trata de determinar una solucin que sea ptima. En la gestin empresarial, son decisiones de optimizacin encontrar los niveles adecuados de tesorera, de existencias, de produccin, construir de carteras ptimas, etc. 2b) Reconocimiento En los problemas de reconocimiento se entrena una red neuronal con inputs como sonidos, nmeros, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos ms fructferos en el desarrollo de redes neuronales y casi todos los modelos de red neuronal han sido aplicados con mayor o menor xito. EJEMPLO: OCR o Recnocimiento Optico de caracteres Un ejemplo tpico de red neuronal aplicada al reconocimiento de patrones son los OCR o programas de reconocimiento ptico de caracteres escritos. De acuerdo con Werbos (1998) el 50% de los sistemas de OCR se basan en redes neuronales. En Espaa, el Instituto de Ingeniera del Conocimiento de la Universidad Autnoma de Madrid ha desarrollado varios productos -RAMA 32, ICARO, RAISS-, para el reconocimiento ptico de caracteres en formularios de empresa, utilizados por clientes como El Corte Ingls, Reebok, el Ministerio de Educacin y Ciencia, Prosegur, Centro Nacional de Recaudacin de la Tesorera General de la Seguridad Social y el Banco Bilbao Vizcaya. 2c) Generalizacin En los problemas de generalizacin la red neuronal se entrena con unos inputs y el test se realiza con otros casos diferentes. Problemas tpicos de generalizacin son los de clasificacin y prediccin. Son problemas de generalizacin tratar de predecir la quiebra de las empresas a partir de su informacin contable o la concesin de prstamos, la calificacin de obligaciones, la prediccin en los mercados de valores, etc. i) Clasificacin En los problemas de clasificacin se trata de asignar a cada caso su clase correspondiente, a partir de un conjunto de ejemplos. ii) Prediccin [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
La prediccin ha sido una de las aplicaciones que ms pronto despertaron el inters de los estudiosos de las redes neuronales. El anlisis tcnico pretende predecir las cotizaciones a partir de la evolucin histrica de precios y volmenes de negociacin. El anlisis fundamental trata de valorar los factores econmicos ms importantes del entorno y contempla la evolucin econmico- financiera de las empresas. Deteccin de fraude en tarjetas de crdito con redes neuronales http://www.iic.uam.es En 1995 el IIC arranc el proyecto MINERVA de deteccin de fraude en tarjetas de crdito, realizado en forma conjunta por el Instituto de Ingeniera del Conocimiento de la Universidad Autnoma de Madrid e IBM Espaa para la Sociedad Espaola de Medios de Pago (SEMP), gestora en Espaa de la mayor parte del trfico de transacciones derivadas de tarjetas Visa. El objetivo principal del proyecto es la construccin de un sistema on-line de recepcin de informacin sobre transacciones, estimacin de parmetros caractersticos de las mismas, y evaluacin de su potencial riesgo de fraude. Dicho sistema opera bajo control del sistema informtico de la SEMP y emite su calificacin particular antes de que la transaccin se remita a la entidad bancaria emisora de la tarjeta, que incorpora, eventualmente, dicha calificacin a sus propios mecanismos de gestin del riesgo. El trfico que hay que analizar se ha descompuesto en cuatro grandes bloques: trfico nacional, esto es, originado en Espaa, trfico europeo (fundamentalmente pases de la CEE), trfico norteamericano (EEUU, Canad y Mxico), y trfico internacional restante (bsicamente procedente de Sudamrica y Marruecos). La informacin utilizable en la evaluacin, es la contenida en la propia transaccin (nmero de tarjeta, importe, sector de actividad, tipo de transaccin), as como otras variables derivadas computadas desde un registro histrico de transacciones previamente realizadas. Uno de los principales objetivos de la gestin de transacciones de SEMP es la minimizacin de los tiempos de respuesta a clientes. Esto lleva consigo que el sistema de calificacin funcione de forma totalmente integrada en el entorno de produccin de SEMP. En particular, aunque la programacin del mismo se haya realizado en C, su ejecucin se efecta dentro del entorno de operacin CICS, y la gestin de datos debe responder al estndar CICS VSAM. El sistema entr en funcionamiento en julio de 1996, siendo en la actualidad plenamente operativo y ofreciendo en el momento actual un funcionamiento altamente satisfactorio. Una red neuronal del Chase Manhattan Bank para la concesin de prstamos Metodolgicamente las aplicaciones de concesin de prstamos son muy similares a a los de prediccin de la quiebra. El conceder o no un prstamo es tambin una decisin no estructurada y la diferencia radica en que la informacin disponible no se extrae de bases de datos comerciales o de los registros sino que es informacin que suministra el propio banco o entidad financiera que encarga el estudio. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
En este caso la informacin no se compone exclusivamente de ratios financieros, sino que tambin hay otro tipo de datos, como por ejemplo quin es el director de la compaa, si es un cliente nuevo, etc. Marose (1990) describe una aplicacin hbrida del Chase Manhattan Bank para la concesin de prstamos. Es un sistema mixto que incorpora herramientas estadsticas y un perceptrn multicapa. El Chase Manhattan Bank concede prstamos nuevos cada ao por valor de trescientos millones de dlares e hizo una apuesta muy fuerte en el desarrollo de un modelo informatizado basado en el reconocimiento de patrones para las decisiones de concesin de prstamos. El programa se encuentra en un ordenador central al que los usuarios pueden acceder desde ordenadores compatibles, va modem. Lgicamente algunos procedimientos se encuentran patentados por lo que es difcil conocer todos los mdulos que integran el sistema. PCLM, que son las siglas de Public Company Loan Model proporciona extensos informes, grficos, puntos fuertes y dbiles de la compaa, as como una clasificacin de las empresas en buenas, malas y crticas. Reconocimiento ptico de caracteres en letras de cambio, recibos y documentos Jos Ramn Dorronsoro Ibero, Instituto de Ingeniera del Conocimiento de la Universidad Autnoma de Madrid http://www.iic.uam.es/esp/cuantitativos.html
El trabajo del IIC en el proyecto ICARO, realizado en su conjunto por la empresa KEON S.A. ha sido el reconocimiento ptico de caracteres en los campos de importes, fechas de libramiento y vencimiento, tanto de letras de cambio como de recibos que forman la cartera del Banco Bilbao Vizcaya, as como parcialmente del banco librador y entidad librada. Las distintas fases del proyecto se fueron realizando a lo largo de 1995, entrando progresivamente en produccin los mdulos de letras y recibos, y culminando en octubre de 1995. En el momento actual, por el mismo pasan ms de 60.000 documentos al da, con tasas de reconocimiento por campos situadas alrededor del 55 %. Otra aplicacin de las tcnicas de reconocimiento neuronal de caracteres desarrolladas por el IIC ha sido la realizacin, junto a la empresa KEON, de un sistema OCR para el Centro Nacional de Recaudacin de la Tesorera General de la Seguridad Social (CENDAR), cuya funcin es el reconocimiento del documento TC-1, as como de algunas variantes del mismo. Dicho proceso supone la gestin de aproximadamente 1.500.000 documentos al mes. El sistema se entreg en el primer trimestre de 1996 y su rendimiento tanto en porcentajes de campos y documentos procesados completamente (alrededor del 80 % y del 50 % respectivamente), como en velocidad de proceso por documento (unos 2.5 segundos en un ordenador RISC de prestaciones medias), han sido muy satisfactorios. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
Redes neuronales que clasifican informacin contable 1) Predecir la quiebra de empresas En los problemas de prediccin de crisis empresariales se trata de seleccionar un conjunto de variables, generalmente ratios financieros y utilizar un modelo matemtico que discrimine o detecte los rasgos que distinguen a las empresas que tienen xito de las que fracasan. Son muchos los modelos estadsticos propuestos y dadas las propiedades de los sistemas neuronales de actuar como clasificadores de informacin y reconocimiento de patrones, tempranamente se aplicaron a esta importante materia de investigacin. Altman, Marco y Varetto (1994) aplican anlisis discriminante, lgit y perceptrn multicapa en una aplicacin real para la Centrale dei Bilanci italiana. Los resultados no son concluyentes, ya que encuentran que las ventajas e inconvenientes de este modelo neuronal frente a los estadsticos se encuentran equilibradas e invitan a la realizacin de nuevos estudios empricos.
2) Comportamiento de las acciones En los estudios de evaluacin del comportamiento de las acciones en el mercado de valores se utilizan como variables ratios financieros y se trata de evaluar a las empresas. Sin embargo la clasificacin no es la anterior en empresas quebradas y solventes, sino que es el mercado de valores quien proporciona la variable independiente, teniendo en cuenta el comportamiento positivo o negativo de las rentabilidades obtenidas por las acciones. Yoon, Swales y Margavio (1993) tratan de discriminar a las empresas en dos grupos, segn sus acciones hayan tenido o no un buen comportamiento en los mercados financieros. Los datos incluyen informacin contable cuantitativa y cualitativa, pues examinan la carta que el presidente de la compaa enva a los accionistas. Comparan los resultados del anlisis discriminante con los de un modelo de red neuronal. El perceptrn simple obtena un 65% de acierto, resultado similar al del anlisis discriminante. Al aadir una capa oculta, mejoraban los resultados situndose al 76%.
3) calificar emisiones de bonos u obligaciones Las empresas e instituciones pblicas emiten instrumentos financieros como bonos u obligaciones en busca de dinero para financiar sus inversiones. Pero, lgicamente, hay un riesgo de que las empresas no devuelvan este dinero y resulta interesante obtener ratings o calificaciones de estos bonos. Existen agencias que se dedican a ello, siendo las ms famosas Standard and Poor's (S&P) y Moody's. Estas agencias examinan todo tipo de aspectos de las empresas: la situacin financiera, la informacin contable, mantienen entrevistas con la gerencia, etc, y califican las emisiones con unos baremos, usualmente combinaciones de letras y nmeros. Por ejemplo, Aaa, significa en la terminologa de la agencia Moody's, que la capacidad para devolver el principal y pagar los [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
intereses es muy elevada. Como vemos, la calificacin de obligaciones, bonos municipales, etc, es tambin un problema de clasificacin. Uno de los trabajos pioneros en la calificacin de obligaciones con redes neuronales es el de Dutta, Shekhar y Wong (1994), quienes aplican perceptrn multicapa y regresin lineal, comparando los resultados con los obtenidos por la agencia Standard & Poors. Utilizan informacin de cuarenta y siete compaas, reservando diecisiete para el test. Los resultados son claramente favorables al modelo neuronal, ya que en el test clasifican correctamente hasta un 88,3% de los bonos, frente a un 64,7% de la regresin lineal. Su estudio muestra las limitaciones de utilizar modelos lineales en este tipo de problema. Prediccin en los mercados de valores con redes neuronales 1) Es de lo que ms inters despierta La prediccin ha sido una de las aplicaciones que ms pronto despertaron el inters de los estudiosos de las redes neuronales. No obstante, Chatfield (1994) comenta que en este tema los resultados no son concluyentes por dos razones: cuando las predicciones las hacen cientficos que provienen del campo de las redes neuronales descuidan muchos aspectos estadsticos y viceversa.
2) Hay muchos tipos de prediccin Adems bajo el epgrafe prediccin se engloban estudios muy diferentes: no todas las curvas son iguales en cuanto a forma y tamao, presencia o no de efectos estacionales, de no linealidad, prediccin a corto o largo plazo, etc. De su propia experiencia reconoce que las redes neuronales se estn comportando bien en prediccin a largo plazo con componentes no lineales. En cambio, no estn claras las mejoras observadas en series cortas y estacionales, como son tpicas en las predicciones de ventas. Lo cierto es que este autor, como la mayora, recomienda no hacer caso de las exageraciones e invita a realizar trabajos serios que indiquen en qu tipos de estudios y bajo qu condiciones las redes neuronales son ms apropiadas.
3) Anlisis tcnico El anlisis tcnico pretende predecir las cotizaciones a partir de la evolucin histrica de precios y volmenes de negociacin. El primer artculo sobre redes neuronales que manejan informacin financiera fue realizado por White (1988). White estudi la prediccin de los precios de las acciones con un modelo de red neuronal. El modelo predeca mejor que el modelo de series temporales que utilizaba, un modelo lineal autorregresivo. El perceptrn multicapa es utilizado como anlisis tcnico, sin incluir variables fundamentales. Probablemente, como comenta humorsticamente el autor, el incluir otro tipo de informacin como los tipos de inters, la climatologa o qu equipo gana la liga de beisbol americana le hubiera permitido ganar dinero. Posteriormente la prediccin de la cotizacin de las acciones, del tipo de [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
cambio y de otras variables econmicas ha sido uno de los temas ms atractivos para los investigadores y analistas financieros.
4) Anlisis fundamental El anlisis fundamental trata de valorar los factores econmicos ms importantes del entorno y contempla la evolucin econmico-financiera de las empresas. Wong, Wang, Goh y Quek (1992) disean un sistema neuronal que combina diferentes herramientas de Inteligencia Artificial para obtener una cartera ptima de acciones. Concretamente su modelo es una red neuronal fuzzy. Consta de tres mdulos: el primero contiene treinta y dos reglas del tipo si-entonces proporcionadas por especialistas humanos, el segundo un procesador de reglas fuzzy y el tercero un perceptrn multicapa. El modelo utiliza informacin del mercado de valores, as como ratios financieros. En el artculo se realiza un test con ochocientas empresas, con el objetivo de predecir las rentabilidades de las acciones, obteniendo resultados satisfactorios. Resumen y conclusiones 1) Es una disciplina en constante evolucin El nacimiento de la Inteligencia Artificial se sita en los aos cincuenta; en esa fecha la informtica apenas se haba desarrollado, y ya se planteaba la posibilidad de disear mquinas inteligentes. Hoy en da se habla de vida artificial, algoritmos genticos, computacin molecular o redes neuronales. En algunas de estas ramas los resultados tericos van muy por encima de las realizaciones prcticas.
2) Sistemas expertos y redes neuronales Los sistemas expertos son la rama ms conocida de la Inteligencia Artificial. La forma en que representan el conocimiento, habitualmente mediante smbolos, es apropiada cuando es posible extraer un conjunto de reglas y normas. En la vasta ciencia empresarial, existen subdominios en los que es fcil o al menos posible extraer una serie de reglas y otros en los que es menos factible. Las redes neuronales artificiales son eficientes en tareas tales como el reconocimiento de patrones, problemas de optimizacin o clasificacin. Las redes neuronales se puede integrar en un sistema de ayuda a la toma de decisiones, pero no son una panacea capaz de resolver todos los problemas: todo lo contrario, son modelos muy especializados que pueden aplicarse en dominios muy concretos. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
3) Cmo elegir la herramienta adecuada? La eleccin entre los diferentes sistemas de ayuda a la toma de decisiones depende entre otros factores del tipo de tarea a realizar, vase sobre este particular el trabajo de Laudon y Laudon (1988, pag 132). 3a) Tipo de decisin Simon (1960) ha clasificado las decisiones en estructuradas y no estructuradas: las decisiones estructuradas son repetitivas, rutinarias y existe un procedimiento definido para abordarlas; por el contrario, en las decisiones no estructuradas el decisor debe proporcionar juicios y aportar su propia evaluacin. 3b) Nivel al que se toman las decisiones Tambin el nivel al que se toman las decisiones afecta la eleccin del tipo de sistema ms apropiado. Gorry y Scott-Morton (1971) han propuesto un esquema que relaciona el tipo de decisin (estructurada, semiestructurada y no estructurada) y el nivel organizacional (control operativo, de gestin y estratgico) con la herramienta a utilizar. Lgicamente en el nivel operativo dominan las decisiones estructuradas, en el nivel de gestin las semiestructuradas y en el estratgico las no estructuradas, formando una diagonal. En la figura siguiente hemos actualizado este esquema incorporando las herramientas informticas ms novedosas, e incluso anticipando lo que puede ser un futuro prximo.
Las herramientas a utilizar segn el tipo de decisin y el nivel organizativo [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
4) Nivel operativo y decisiones estructuradas Como podemos apreciar en el grfico, en el nivel operativo y toma de decisiones estructurada dominan los sistemas informatizados convencionales como los programas de contabilidad financiera y de costes, los de elaboracin de nminas, y que en general realizan tareas mecnicas. Son los llamados Sistemas de Proceso de Transacciones (TPS) basados en programacin algortmica convencional.
5) Nivel operativo y decisiones no estructuradas El nivel operativo, pero con decisiones semiestructuradas, todava est dominado por los programas convencionales, en lo que habra que incluir programas de control de tesorera, control de existencias y tambin las hojas de clculo y sistemas gestores de bases de datos. Conforme las decisiones son menos estructuradas, empiezan a ser aplicables sistemas expertos y sistemas de ayuda a la toma de decisiones. As, para la gestin financiera ms bsica, en la que adems de realizar clculos mecnicos: tipos de inters efectivo, cuotas de amortizacin de prstamos, etc., tambin hay que tomar decisiones que manejan informacin incompleta o precisan incorporar el conocimiento de un especialista humano. Finalmente, en el nivel de de toma de decisiones menos estructurada pueden incorporarse modelos neuronales: por ejemplo, asesorando en la concesin de las tarjetas de crdito de unos grandes almacenes o a qu clientes se les enva catlogos por correo.
6) Nivel de gestin y decisiones estructuradas Conforme el nivel organizativo avanza en el eje de las x, las decisiones se hacen ms complejas. Si las decisiones son estructuradas, como en el anlisis de presupuestos y control, contabilidad analtica, anlisis contable, etc, dominan los programas convencionales, quiz incorporando algn mdulo experto. Este tipo de programas se denominan Sistemas de Gestin de Informacin o Management Information Systems (MIS).
7) Nivel de gestin y decisiones no estructuradas Conforme las decisiones se hacen menos estructuradas se hacen ms necesarios los sistemas expertos. En temas puntuales como la elaboracin de presupuestos, la prediccin de variables financieras como el beneficio, el cash-flow, podran incorporarse modelos neuronales. Ntese como en este esquema descrito hemos situado el anlisis de la informacin contable en las decisiones semiestructuradas. No hay una teora general que pueda ser aplicada paso a paso pero tampoco encaja en las decisiones completamente intuitivas o no estructuradas. [SISTEMAS INTELIGENTES] IDSYSTEMS 2014
8) Nivel estratgico En el nivel estratgico son barridos los programas convencionales mantenindose nicamente las hojas de clculo, por su capacidad de simulacin. Los llamados Executive Information Systems (EIS), o Sistemas Informativos para Ejecutivos dominan las decisiones menos estructuradas, con tareas como la planificacin estratgica y de contabilidad directiva. Las redes neuronales pueden cubrir un hueco importante en las decisiones no estructuradas, debido a esa capacidad de encontrar relaciones complejas entre los patrones de entrada.