Integración de inteligencia colectiva y artificial en un sistema geoespacial

1. 32a Geoinquiets, 20 de febrer de 2014
INTEGRACIÓN DE INTELIGENCIA COLECTIVA Y
ARTIFICIAL EN UN SISTEMA GEOESPACIAL
BarcelonaTech
Juan Daniel Castillo Rosas

2. Introducción

Más del 80% de la información que maneja el sector público y
privado es de carácter espacial (De Moya Amaris, 2003;
Williams, 1987).

Para justificar la importancia de los SIG y el papel que estos
juegan hoy en día, es habitual citar el hecho de que
aproximadamente un 70% de la información que manejamos en
cualquier tipo de disciplina está georreferenciada (Olaya, 2012).

En la Wikipedia alemana el 78 % de todos los artículos tienen,
están directamente o indirectamente relacionados con
coordenadas geoespaciales. El 80 % no se puede confirmar,
tendría que ser reformulado como un 60 %. (Hahmanna &
Burghardta, 2013).

3. Introducción

1ª Ley de la Geografía:

Todo está relacionado entre sí,
pero los cosas mas cercanas están
más
relacionadas
que
las
distantes, (W. Tobler).

Toda entidad y ocurrencia con
existencia en el mundo real;
tiene, tuvo o tendrá lugar en
algún sitio. Por lo tanto puede
ser localizada.
Espacio y tiempo son dos conceptos que enmarcan todos los
aspectos de la disciplina geográfica, (Goodchild, 2013).

4. Introducción

Generalmente una sola postura cognitiva interviene en el
análisis geoespacial para el soporte a las decisiones.

Las opciones posibles derivan de un único razonamiento
especializado.

5. Introducción

www.sumedico.com/nota11349.htm
Se
han
diseñado
soluciones inteligentes en
sistemas geoespaciales
en base a patrones
preestablecidos
pero
también son alternativas
que consideran un solo
modo de pensar…

6. Introducción

Inteligencia Colectiva (IC): “capacidad de los
colectivos humanos para participar en la
cooperación intelectual con el fin de crear, innovar
e inventar. Se puede aplicar a cualquier escala,
desde equipos de trabajo a las grandes redes o
incluso a nuestra especie completa”, (Lévy, 2010).

Inteligencia Artificial (IA): “ciencia e ingenio de
hacer
máquinas
inteligentes,
especialmente
programas de cómputo inteligentes”.

7. Introducción
IA
IC

8. Introducción
Prospectiva con datos geoespaciales para la toma de decisiones
Delphi
method

9. Objetivos

Diseñar, desarrollar y ensayar un sistema espacial
inteligente para el soporte a las decisiones en
escenarios geográficos complejos, articulando las
inteligencias colectiva y artificial.

Obtener patrones geoespaciales actuales y prospectivos.

Establecer patrones geoespaciales actuales y prospectivos a partir
de los anteriores.

Comprobar la pertinencia y/o veracidad de los anteriores.

Proponer un prototipo de sistema espacial inteligente para el
soporte a las decisiones en sistemas complejos.

10. Metodología general
Datos Geoespaciales
SSDG + SIG
Lógica Fuzzy
Grupo de expertos
Patrones
iniciales
Redes neuronales
Spatial Delphi + Vectorconcensus
IC
Consenso
IA
Correspondencia
de patrones

11. Métodología IC
Vector Consensus, (Monguet et al., 2012).
Versiones espaciales de los métodos Delphi y Shang (Di Zio & Pacinelli,
2011; Di Zio & Staniscia, 2013).
L’Aquila, Italia
2009

12. Metodología IC
Búsqueda del patrón inicial a través de las opiniones de expertos (Spatial
Delphi + Vectorconsensus)

13. Metodología IC + IA
Para el establecimiento del patrón geoespacial inicial a través de un
enfoque Fuzzy aplicado a Spatial Delphi y Vectorconsensus.
Consenso, intersección de opinión de expertos.
(Barrera & Escobar, 2003)

14. Metodología IA
Búsqueda de correspondencias con el patrón geoespacial inicial

15. Metodología IA

Red Neuronal Artificial de Tipo Multicapa: capas en
cascada.

Con aprendizaje tipo Backpropagation, (Werbos, P.,
1974) con algoritmo supervisado (Conocemos los
datos de entrada y la salida deseada).

16. Resultados esperados
Datos y resultados hipotéticos,
utilizados exclusivamente con
fines demostrativos
Patrón geoespacial inicial derivado del consenso (actual y prospectivo).

17. Resultados esperados
Datos y resultados hipotéticos,
utilizados exclusivamente con
fines demostrativos
Correspondencia de patrones en base al inicial, clasificados y
ponderados (actuales y prospectivos).

18. Principales contribuciones

Que la toma de decisiones se efectúe en
base a las alternativas presentadas por un
grupo de expertos y no por una sola
perspectiva cognitiva.

El modelado de alternativas adicionales a
las anteriores, ordenadas por su mayor o
menor correspondencia con las presentadas
por los expertos como la solución al
problema.

Un instrumento inteligente de opinión colectiva en ambiente
espacial para el estudio de situaciones complejas, que permitirá
obtener modelos geoespaciales actuales y prospectivos.

19. La inteligencia, como las herramientas con filo, mejora
enfrentándolas con otras de mayor dureza.
Mario Sarmiento.

20. 32a Geoinquiets, 20 de febrer de 2014
Juan Daniel Castillo Rosas
juan.daniel.castillo@estudiant.upc.edu
@jdcastillor

21. Referencias












Barrera Guarín, E., & Escobar, J. E. (2003). Un enfoque fuzzy para la prospectiva Delphi. Ingeniería y Desarrollo,
14, 1–23. Retrieved from http://www.redalyc.org/articulo.oa?id=85201401
De Moya Amaris, M. E. (2003). Representación y clasificación de datos geoespaciales: comparación entre mapas
autoorganizativos de Kohonen y el método Gas Neuronal. Revista Ingeniería e Investigación, 53, 12–22.
Di Zio, S., & Pacinelli, A. (2011). Opinion convergence in location: a spatial version of the delphi method.
Technological Forecasting and Social Change, 78(9), 1565–1578. doi:10.1016/j.techfore.2010.09.010.
Di Zio, S., & Staniscia, B. (2013). A Spatial version of the Shang method. Technological Forecasting and Social
Change. doi:10.1016/j.techfore.2013.09.011
Goodchild, M. F. (2013). Prospects for a Space–Time GIS. Annals of the Association of American Geographers,
103(5), 1072–1077. doi:10.1080/00045608.2013.792175.
Hahmanna, S., & Burghardta, D. (2013). How much information is geospatially referenced? Networks and
cognition.
International
Journal
of
Geographical
Information
Science,
27(6),
1171–1189.
doi:10.1080/13658816.2012.743664.
Lévy, P. (2010). From social computing to reflexive collective intelligence: the IEML research program. Information
Sciences, 180(1), 71–94. doi:10.1016/j.ins.2009.08.001.
Monguet, J. M., Gutiérrez, A., Ferruzca, M., Alatriste, Y., Martínez, C., Córdoba, C., … Ramírez, M. (2012). Vector
Consensus Model. In Organizational Integration of Enterprise Systems and Resources: Advancements and
Applications (pp. 303–317). U.S.A.: Business Science Reference (an imprint of IGI Global).
Olaya, V. (2012). Sistemas de información geográfica (p. 877). OsGeo. Retrieved from
http://wiki.osgeo.org/wiki/Libro_SIG.
Tobler, W. (2004). On the first law of Geography: A Reply. Annals of the Association of American Geographers,
94(2), 304–310.
Werbos, P. (1974). Beyond regression: New tools for prediction and analysis in the behavioral sciences.
Williams, R. (1987). Selling a geographical information system to government policy makers. In P. Van Demark
(Ed.), Annual Conference of the Urban and Regional Information Systems Association (pp. 150–156). Fort
Lauderdale, Florida: URISA.