ia

Equipo Base # 2
Síntesis de artículos:

Tema 1: CheXNet: Detección de neumonía a nivel de radiólogo en radiografías de tórax con Aprendizaje Profundo
Este artículo toma como punto de partida el hecho de que, en Estados Unidos cerca de 50 mil personas mueren cada año a causa de la neumonía. Para la detección de esta enfermedad, se realizan radiografías a los pacientes, pero para los especialistas puede ser difícil de analizar éstas, dado que la aparición de neumonía en las radiografías es a menudo vaga, puede solaparse con otros diagnósticos e imitar muchas otras anomalías benignas. Por tanto, tener un modelo que detecte este tipo de enfermedades de forma automática y sin variabilidad puede mejorar el diagnóstico de los radiólogos e inclusive puede ser de ayuda a poblaciones con acceso limitado a especialistas.

Los autores entonces realizaron un modelo llamado CheXNet, el cual consiste en una red neural convolucional de 121 capas que recibe como entrada una radiografía del tórax y produce como salida la probabilidad de neumonía junto con un mapa térmico que localiza en la radiografía las áreas más indicativas de neumonía. Este modelo fue entrenado con conjunto de datos llamado ChestX-ray14 el cual contiene más de 100 mil radiografías de tórax etiquetadas individualmente con hasta 14 enfermedades torácicas diferentes, incluyendo la neumonía.

Para evaluar el desempeño, se reunió un grupo de 4 radiólogos para realizar la tarea de detectar la presencia de neumonía en un conjunto radiografías del conjunto de datos ChestX-ray14 que ellos desconocían totalmente. Y su desempeño se compara contra la red neuronal con aprendizaje profundo desarrollada por los autores, tomando el mismo conjunto de radiografías. La conclusión es que la red neuronal supera el rendimiento de los radiólogos en la detección de neumonía.

Finalmente, los autores realizan una modificación a la red neuronal, para que ésta de acuerdo a una radiografía del tórax, no diga solamente si la persona tiene neumonía, sino también otras 14 enfermedades como Edema, Fibrosis, Hernia, etc.

Tema 2: Retos y oportunidades en Educación a partir de inteligencia artificial para juegos usando Angry birds
El artículo expone el uso de videojuegos como una manera de enseñar inteligencia artificial, atraer a jóvenes a que aprendan técnicas avanzadas de algoritmos de aprendizaje, reconocimiento de imagen, física  y programación.

Aunque anteriormente ya se han realizado muchas competiciones similares con juegos como Ms Pac-man, Carreras de autos, Unreal tournament, entre otros. Lo que pretende el artículo es demostrar cómo una metodología basada en juegos  propuesta durante competencias con Angry Birds es efectiva como medio de educación. Se ha comprobado en varios estudios que el uso de juegos en el proceso educativo es efectivo, puesto que la motivación es un elemento clave en el proceso de aprendizaje y los juegos son un medio de generar dicha motivación



Tema 3: Machine Learning and Data Mining in Diabetes Research.
Primeramente, se expone la importancia de los sistemas expertos y el manejo de datos históricos en la medicina, también las ventajas que trae una buena extracción de estos datos para su uso en investigación ya que facilita el acceso a la información para hacer diagnóstico, buscar tratamientos o hacer un correcto control de alguna enfermedad.
Se define Machine Learning como el campo científico en el que las máquinas aprenden de la experiencia cuyo propósito es crear sistemas que puedan adaptarse y aprender. Aquí, se introduce el descubrimiento del conocimiento en bases de datos (KDD) el cual consta de varios pasos que son: selección, preprocesamiento, transformación, data-mining (o extracción de datos) y la interpretación y/o evaluación.
Ahora, el enfoque del artículo es el proceso de extracción de datos, pues todo tipo de estudio, examen médico, datos clínicos, muestras (por ejemplo, de sangre), generan gran cantidad de datos que no se rigen a ninguna estructura, por ello se investigan toda clase de algoritmos para la clasificación, separación y predicción de datos. El objetivo es revisar las herramientas, técnicas de extracción y aplicaciones del Machine Learning en el campo de investigación de la diabetes.
A partir de aquí se mencionan los artículos referenciados en el estudio en cada apartado predefinido: a) Predicción y diagnóstico, b) Complicaciones diabéticas, c) Antecedentes genéticos y medio ambiente y e) Atención y administración de la salud.
La idea principal es exponer los literales anteriores y las soluciones propuestas por algún autor referenciado para la clasificación de la gran cantidad de datos y así obtener conocimiento a partir de ellos:
Identificación de biomarcadores y predicción de la diabetes (DM):  los biomarcadores son indicadores que muestran los estados de salud y enfermedad por medio de muestras biológicas, en la diabetes esto puede ser usado para detectar la presencia y avance de la enfermedad. Descubrir biomarcadores es una tarea que se realiza por técnicas de selección de características, luego se emplea un algoritmo para evaluar la precisión de las características seleccionadas.
Para la predicción de la enfermedad se mencionan numerosos algoritmos y diferentes enfoques, como los algoritmos tradicionales de machine learning, los enfoques de aprendizaje en conjunto y el aprendizaje de reglas de asociación para lograr la mejor precisión de clasificación.
Complicaciones diabéticas: aquí se mencionan las diferentes complicaciones que produce la diabetes y cómo diferentes autores abordan, con diferentes algoritmos, varias herramientas de machine learning que sigue la estructura: buscar datos, clasificarlos de la mejor manera, mirar precisión de clasificación, descubrir ligaduras entre las complicaciones.
Trasfondo genético y medio ambiente: la diabetes en los humanos puede ser heredada, así como puede ser más propensa en una persona que en otra, tener mutaciones, todo esto varía en gran magnitud, por ello amerita también un estudio propio, allí es donde entra el machine learning como medio para alcanzar un análisis de datos complejo.

Tema 4-A: Desarrollo de vehículos autónomos e implicaciones de conducción para el transporte.
En este artículo, se nos explica todo lo que tiene que ver con el desarrollo de vehículos que se conducen automáticamente, comienza dándonos una breve explicación de los diferentes beneficios que traería el desarrollo de esta nueva tecnología.
Beneficios de seguridad: según este artículo, la principal causa de accidentes de tránsito son errores humanos, con una cifra de 92,3%, con los vehículos autónomos se busca reducir estos errores y por consiguiente los accidentes.
Beneficios de movilidad: se nos especifica que los adultos mayores serían los más beneficiados, puesto que en algunos países se restringe la licencia de conducción a las personas mayores a 75 años, esto porque a medida que aumenta la edad del conductor, los cambios en la agudeza visual, flexibilidad, fuerza, tiempo de reacción y la memoria disminuyen, además de ello, los reflejos automáticos de un vehículo autónomo frente a una emergencia pueden ser más rápidos que los de un ser humano.
Beneficios de productividad: acá se nos explica cómo mientras estás viajando a tu trabajo o a alguna otra parte, puedes ocupar ese tiempo del trayecto en hacer diferentes tareas, aparte de esto también se nos explica que los vehículos autónomos son más veloces al momento de responder a situaciones específicas como un cambio de semáforo o a atascos en el tráfico.

Por último, se nos explica nos diferentes niveles en el avance de la investigación de un vehículo autónomo.
Nivel 0: El conductor tiene 100% el control del vehículo.
Nivel 1: El conductor tiene todo el control del vehículo, pero cede el control de funciones específicas en condiciones normales o de choque-inminente (modo crucero, ayuda de frenado…).
Nivel 2:  funciones combinadas, un acuerdo mutuo entre el conductor y la máquina (modo crucero y centrado del carril)
Nivel 3: El vehículo controla todas las funciones de seguridad bajo ciertas condiciones ambientales o de tráfico, a parte el conductor puede decidir si ceder autoridad de control al conducir.
Nivel 4: El vehículo está a cargo de todas las funciones.

Tema 4-B: Cooperativa multi-agente para gestión de tráfico.
“En el presente trabajo, hemos diseñado un sistema de transporte inteligente basado en sistemas multi-agente móvil y las redes vehiculares ad hoc. Nuestro enfoque permite a los conductores de vehículos individuales para hacer una rápida respuesta al problema de la congestión y la gestión del tráfico. Hemos evaluado el rendimiento de los agentes móviles en redes ad hoc vehiculares utilizando NS-2.
Con la tecnología propuesta, los conductores de vehículos individuales son capaces de dar respuestas rápidas a la congestión de las carreteras. Mientras tanto, los conductores de vehículos individuales en torno a la zona de congestión también pueden tomar la decisión apropiada antes de que alcancen el punto de congestión de las carreteras.” (Tomado de “A Cooperative Multi-Agent System for Traffic Congestion Management in VANET”)

Tema 5: Aplicaciones del Aprendizaje Automático en el diagnóstico y predicción del cáncer.
En las últimas dos décadas, una variedad de técnicas de ML (Machine Learning) diferentes y algoritmos de selección de características se han aplicado ampliamente al pronóstico y la predicción de la enfermedad.  La mayoría de estos trabajos emplean métodos de ML para modelar la progresión del cáncer e identificar factores informativos que se utilizan posteriormente en un esquema de clasificación.
Cuando se trata del pronóstico / predicción del cáncer, uno se ocupa de tres tareas predictivas: (1) la predicción de la susceptibilidad al cáncer (evaluación del riesgo), (2) la predicción de la recurrencia del cáncer / control local y (3) la predicción de la supervivencia del cáncer. En los dos primeros casos, uno está tratando de encontrar (1) la probabilidad de desarrollar un tipo de cáncer y (2) la probabilidad de volver a desarrollar un tipo de cáncer después de una remisión completa o parcial. En el último caso, el objetivo principal es la predicción de un resultado de supervivencia, como la supervivencia específica de la enfermedad o la supervivencia general después del diagnóstico o tratamiento del cáncer.
 La predicción de la evolución del cáncer generalmente se refiere a los casos de; esperanza de vida, supervivencia, progresión y sensibilidad al tratamiento. Los principales tipos de técnicas de ML, incluidas las ANN (Redes Neuronales Artificiales) y las DT (Árbol de Decisiones), se han utilizado durante casi tres décadas en la detección del cáncer. La integración de características como la historia familiar, la edad, la dieta, el peso, los hábitos de alto riesgo y la exposición a carcinógenos ambientales desempeñan un papel fundamental en la predicción del desarrollo de cáncer. Con la rápida aparición de las tecnologías genómicas, proteómicas y de imagen, se puede obtener un nuevo tipo de información molecular. Los biomarcadores moleculares, los parámetros celulares y la expresión de ciertos genes se han demostrado como indicadores muy informativos para la predicción del cáncer. Además, las SVM (Máquinas de Vectores de soporte) constituyen un enfoque más reciente en la predicción / pronóstico del cáncer y se han utilizado ampliamente debido a su desempeño predictivo preciso.
Se observó una tendencia creciente en los estudios publicados los últimos 2 años que aplicaron técnicas de ML semi-supervisadas para modelar la supervivencia del cáncer. Este tipo de algoritmos emplea datos etiquetados y no etiquetados para sus predicciones, mientras que se ha demostrado que mejoran el rendimiento estimado en comparación con las técnicas supervisadas existentes.
Una de las limitaciones más comunes observadas en los estudios analizados en esta revisión es la pequeña cantidad de muestras de datos. Un requisito básico al usar esquemas de clasificación para modelar una enfermedad es el tamaño de los conjuntos de datos de entrenamiento que deben ser lo suficientemente grandes. Entre los algoritmos de ML aplicados más comunes relevantes para los resultados de predicción de los pacientes con cáncer, encontramos que los clasificadores SVM y ANN fueron ampliamente utilizados. Además, las SVM constituyen un enfoque más reciente en la predicción / pronóstico del cáncer y se han utilizado ampliamente debido a su desempeño predictivo preciso.

Tema 6:  Arquitectura basada en agentes de enjambre adecuada para Internet de las cosas y ciudades inteligentes.
La creación de ciudades inteligentes plantea sus bases en el desarrollo de redes de sensores que permitan recolectar información en tiempo real, para posteriormente distribuirla a través de un sistema que pueda tomar las decisiones más adecuadas. Con este propósito  los datos deben pasar a través de una gestión inteligente de la información, basada en agentes de software, pensamiento en enjambre y procesos de inteligencia artificial, que permitirán crear un sistema capaz de pensar y actuar con base en las necesidades inmediatas.

En este caso tienen lugar dos tipos de agentes de software, primeramente, están los agentes livianos, los cuales asemejan su comportamiento al de las hormigas, quienes no tienen un comportamiento inteligente cuando están solas o se les observa por separado, pero al actuar como colonia se evidencia realmente su inteligencia conjunta, en el contexto del software a estos agentes se les representa como valores de parámetros y servicios de bajo nivel. Por otro lado, están los agentes pesados, quienes tienen base en la inteligencia humana y son independientes unos de otros, estos son entrenados a partir de aprendizaje supervisado, además de integrar la utilización de técnicas estadísticas y redes neuronales, lo cual les permitirá predecir el comportamiento de los datos y tomar decisiones.

El funcionamiento de la red mencionado anteriormente para ciudades inteligentes está basado en capas, la primera está encargada de la recolección y captura de los datos, posteriormente, la segunda a través de algoritmos basados en enjambres, agentes livianos y servicios de bajo nivel entregan los datos organizados a la tercera capa, encargada de fusionar la información usando agentes pesados como servicios de alto nivel, quienes transforman los datos y la sirven a los usuarios finales en la última capa, para monitorear y controlar el sistema. Todo esto está pensado para sistemas de tráfico inteligente, pero al ser desarrollado de forma escalable puede traducirse a cualquier tipo de infraestructura.

Tema 7: SuperAgent: A Customer Service Chatbot for E-commerce Websites.
Los autores del artículo trabajan como investigadores y desarrolladores de productos para la reconocida empresa Microsoft. En el artículo comienza por introducir la necesidad de responder de manera ágil y en cualquier momento a las preguntas que puedan tener los usuarios en el momento que están por comprar un producto en algunos de los portales de compra que son amazon.com, ebay.com y JD.com. Mencionan que los usuarios realizan preguntas referentes a las características de algún producto, y que muchas veces los vendedores se demoran en responder, perdiendo así el interés del usuario y una posible venta.
Como solución a lo anterior desarrollaron SuperAgent, un sistema de chatbot que funciona como asistente, integrándose a los navegadores Google Chrome y Microsoft Edge como un plugin, permitiéndole al usuario realizar preguntas referente al producto que se encuentra revisando, y obteniendo una respuesta en una ventana de chat de manera inmediata.
El chatbot funciona gracias a 3 motores de búsqueda, que son el de información de producto, de las preguntas frecuentes y respuestas y de las reseñas dejadas por las demás personas que compraron el producto. Con base en la información anterior el sistema es capaz de responder las preguntas realizadas por los compradores.

Los autores llegan a la conclusión de que este sistema en particular le permitirá a los vendedores incrementar sus ventas y ahorrarles la tarea de responder preguntas, que usualmente son muy similares, adicionalmente es también provechoso para los portales de venta, ya que perciben comisiones por las ventas realizadas.

Discusión:

Aplicaciones de la IA en el área de la Salud
Para el área de la salud encontramos una aplicación interesante, que consiste en recopilar información para mejorar la detección de enfermedades. Esto es útil en lugares alejados donde no hay especialistas, y con la toma de una radiografía se puede diagnosticar.
Lo anterior brinda una gran ayuda a los especialistas, ya que la comparación de un dato con grandes volúmenes de información permite llegar con más certeza a una conclusión.

Para el caso del cáncer, gracias al machine learning se puede llegar a un diagnóstico oportuno, evitando que la enfermedad se detecte una vez sea difícil su tratamiento o incluso inviable, esto recopilando información de síntomas de muchos pacientes.
Un ejemplo de esto en Colombia, es la documentación de los diferentes casos de enfermedades con las historia clínicas, es decir construir con Big Data una base de datos que de acuerdo a ciertos parámetros o características de personas en todo el sistema de salud colombiano poder clasificar dichas enfermedades y así poder predecirlas o realizar mejores tratamientos.

Algunas de las limitaciones para poder realizar aplicaciones de la inteligencia artificial en la salud, tiene que ver con la poca recopilación de datos, aún no hay suficientes datos para poder aplicar las diferentes técnicas de la inteligencia artificial. Un ejemplo de esto lo podemos ver en el Open Data que hay en Colombia, las cuales son bases de datos con muestras poco representativas, datos nulos, no hay datos recientes, etc. Otra limitación  tiene que ver con que, si bien la inteligencia artificial puede ayudar en poblaciones alejadas donde no hay especialistas para realizar diagnósticos, la inteligencia artificial de igual forma tiene una alta complejidad, puede que estas poblaciones no estén familiarizadas con el uso de la tecnología como computadoras, así que estás técnicas no están diseñadas para que cualquier persona pueda usarlas.

Aplicaciones de la IA en el mejoramiento del tráfico
La inteligencia artificial enfocada a las ciudades inteligentes, específicamente a los sistemas de tránsito, nos permiten la recolección y el uso de los datos de tráfico en tiempo real, contribuyendo a la utilización eficiente de las vías.  Las bases se presentan sobre un sistema que obtiene los datos a partir de una red de sensores interconectados, quienes se encargan de capturar la información en tiempo real y distribuirla mediante servicios de bajo nivel , permitiendo a los servicios de alto nivel y a la implementación de redes neuronales llevar la información correcta a los usuarios finales, estos algoritmos son entrenadas a partir de aprendizaje supervisado, creando una red de tránsito eficiente, que funcione con la información actual de la ciudad. Además de esto el desarrollo de autos inteligentes que funcionen de forma completamente autónoma nos permite brindar más comodidad a los usuarios y ampliar el servicio a personas con limitaciones tanto físicas como de edad, además de integrar un sistema el cual le permite al automóvil decidir las rutas más adecuadas teniendo control completo sobre el tráfico.

Algo interesante a lo que se llegó consiste en combinar la información recopilada por los vehículos autónomos y enviarla a los sistemas de tráfico, a su vez que estos sistemas estén sincronizados, permitiendo así que el vehículo autónomo pueda tomar decisiones como las mejores rutas. La interconexión de estos sistemas permitirían el uso eficiente de las vías, reduciendo los atascos y los tiempos de espera, haciendo que sean menor el impacto ambiental de los vehículos y optimizando el tiempo de los recorridos.

Una desventaja y algo que es objeto de mucho estudio, es el tema de accidentes y ética, ya que en caso de un fallo mecánico o accidente  ¿De quién sería la culpa? o en caso de que se atraviesen dos personas en la vía y sea imposible frenar a tiempo ¿A quién atropellar? Incluso ya han ocurrido varios accidentes en el mundo con autos con las compañías Uber y Tesla.

Otra de las limitaciones consiste en que los sensores de la actualidad se crean para fines muy específicos y la red de sensores planteada para los sistemas de ciudades inteligentes requiere que estos sean heterogéneos, ya que si bien se cuenta con los algoritmos suficientes para controlar la información dada por estos, no se cuenta con la tecnología suficiente para su implementación.

Chatbots como asistentes virtuales
Con base en el análisis de grandes volúmenes de información, el usuario pueda preguntar a un asistente algo en específico, y este tenga la capacidad de responder, en el caso del documento de SuperAgent, que es un producto (chatbot) que responde preguntas referente a un producto que alguien quiera comprar. Los chatbots se pueden emplear en la mayoría de áreas, ya que su inmediatez ahorra una gran cantidad de tiempo.
Haciendo una comparación entre los temas de los documentos llegamos a una aplicación interesante, y es que un médico pueda cargar historias clínicas en un sistema y preguntar algo en específico de un paciente, por ejemplo, las veces que ha sido operado, o los medicamentos que ha tomado durante su vida.

La inteligencia artificial en la educación
Con el análisis de información, como las notas de los estudiantes en diferentes asignaturas se pueden implementar sistemas que le permitan a los estudiantes mejorar sus técnicas de estudio y también recomendaciones referente a la orientación vocacional.

El gran desafío de la inteligencia artificial consiste en que haya personas capacitadas para implementarla, ya que es un área desafiante, no solo necesita de conocimientos en programación sino también en temas de estadística, manejo de datos y matemática en general; temas que para muchos pueden ser considerados como aburridos y complicados. Por ello, gran parte de los esfuerzos actualmente están en motivar a más personas a que entren en el mundo de la inteligencia artificial y consigan los conocimientos necesarios para aplicarla.

Así, se han creado nuevos métodos de aprendizaje como el aprendizaje por medio de videojuegos y hay competencias de varios tipos de videojuegos, entre ellas, la competencia anual de Angry Birds. Dicha competencia, más que ser un evento donde los jóvenes van y hacen lo que puedan, tiene una estructura concreta de retos progresivos, que busca que los participantes vayan aprendiendo poco a poco, asemejando a un curso más que una competencia. La ventaja de estos nuevos métodos es que funcionan a través de la motivación, para atraer a jóvenes y mantenerlos interesados en temas de inteligencia artificial.