Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Estadodelarteproyectoia

1,727 views

Published on

La época tecnológica actual nos lleva trabajar en un mundo donde la información es un territorio muy extenso por explorar, los buscadores actuales están en constante mejoramiento, con el fin de ofrecer mejores resultados a sus clientes, de aquí nace la idea de desarrolla un software inteligente, este agente tiene como finalidad el acelerar el proceso de búsqueda actual y que los resultados que presenta sean los más adecuados y los esperados. En este entorno actual surge el presente trabajo, que tiene como finalidad abordar el estudio del desarrollo y diseño de un agente de búsquedas, basado en la recuperación y manejo de la información, aplicado en la búsqueda de plantas medicinales, donde el usuario ingresa la enfermedad para la cual necesita una planta medicinal y el agente responde a esta consulta, además cada búsqueda será valorada y sumará un peso a cada planta. Los temas a analizar en el desarrollo de este trabajo son: el área de aplicación del proyecto, el planteamiento del problema, solución al problema, evaluación de resultados, trabajos futuros, conclusiones y recomendaciones, todo esto se describe a continuación.

Published in: Technology, Travel
  • Login to see the comments

  • Be the first to like this

Estadodelarteproyectoia

  1. 1. AGENTE INTELIGENTE: “BÚSQUEDA DE PLANTAS MEDICINALES” Raquel Luzuriaga RESUMEN: La época tecnológica actual nos lleva trabajar en un mundo donde la información es un territorio muy extenso por explorar, los buscadores actuales están en constante mejoramiento, con el fin de ofrecer mejores resultados a sus clientes, de aquí nace la idea de desarrolla un software inteligente, este agente tiene como finalidad el acelerar el proceso de búsqueda actual y que los resultados que presenta sean los más adecuados y los esperados. En este entorno actual surge el presente trabajo, que tiene como finalidad abordar el estudio del desarrollo y diseño de un agente de búsquedas, basado en la recuperación y manejo de la información, aplicado en la búsqueda de plantas medicinales, donde el usuario ingresa la enfermedad para la cual necesita una planta medicinal y el agente responde a esta consulta, además cada búsqueda será valorada y sumará un peso a cada planta. Los temas a analizar en el desarrollo de este trabajo son: el área de aplicación del proyecto, el planteamiento del problema, solución al problema, evaluación de resultados, trabajos futuros, conclusiones y recomendaciones, todo esto se describe a continuación. PALABRAS CLAVES – Agente Inteligente de Búsqueda, MAS, Plantas Medicinales, Algoritmos de Clasificación, SVM, SVO y WEKA. 1. INTRODUCCIÓN La era Tecnológica actual a generado un océano de información, entorno en el que operan grandes motores de búsqueda como YAHOO, GOOGLE, ALTA VISTA, entre otros; estos necesitan de sistemas que faciliten la comunicación con el usuario y ayuden al filtrado de información y organización de la misma, lo cual contribuye a obtener un resultado deseado. Estos sistemas son conocidos como Agentes inteligentes, los mismos que están formados por (C, A, O, R) Creencias, Acciones, Objetivos y Resultados.1 Los resultados que presenta pueden ser positivos o negativos, es necesario para poder operar los parámetros ingresados por el usuario2, en base a los cuales presentará una conducta que puede ser proactiva, reactiva y colaboradora, con esto cumplirá con un determinado objetivo, brindándole al usuario el servicio esperado. 3 1 Ioan Alfred Letia1 ,2005. GRADUALLY INTRUSIVE ARGUMENTATIVE AGENTS FOR DIAGNOSIS, Romania, Pág. 59, Artículo Incluido en: First International Workshop on Multi-Agent Systems for Medicine, Computational Biology, and Bioinformatics (2005), http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.76.9164&rep=rep1&type=pdf#page=24 2 L. Lhotská, Member, IEEE, L. Prieto. 2006 INTELLIGENT AGENTS IN MEDICINE, Pág.3, http://medlab.cs.uoi.gr/itab2006/proceedings/Intelligent%20Systems/21.pdf 3 Carlos A. Iglesias F. 1998. DEFINICIÓN DE UNA METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS MULTIAGENTES, Pág. 87, http://www.gsi.dit.upm.es/tesis/pdf/tecisiscif.pdf
  2. 2. En este documento se trabajará en el desarrollo del Agente Inteligente: “Búsqueda de Plantas Medicinales”, para lo cual se escogerá un algoritmo clasificador, el cual organizará adecuadamente la información para la búsqueda y devolverá un resultado, en este caso será el nombre de una planta medicinal. 2. OBJETIVOS OBJETIVO GENERAL Investigar y desarrollar un agente de búsqueda de plantas medicinales, tomando como entrada o percepción los datos ingresados por el usuario, esto es una determinada enfermedad. OBJETIVOS ESPECÍFICOS • Encontrar una planta medicinal que sirva para curar una enfermedad, esta tiene que ser ingresada por parte del usuario. • Que el agente sea capaz de analizar, entender, clasificar la información que recibe de su sensor. • Logar que el agente asigne un valor o peso a cada planta medicinal, en base a dos criterios. El primero un valor de ingreso por parte del usuario y el segundo un valor que él puede calcular. • Determinar los algoritmos de clasificación con los que trabajara el agente. • Trabajar en la implementación de dichos algoritmos y evaluar los resultados • Desarrollar un informe final que resuma los resultados del presente trabajo. 3. ÁREA DE APLICACIÓN El presente trabajo está orientado a un conjunto de áreas de aplicación las mismas que son: Plantas Medicinales Las plantas desde siempre han estado al servicio del hombre, uno de sus usos es la medicina, de ellas se extraen sustancias utilizadas para combatir enfermedades tales como: inflamación, limpiados, baño caliente, estomacal, circulación, nervios, resfrío, cicatrizante y aromática4.Las cuales están constantemente afectando al ser humano por lo cual, no es sorprendente que el interés en este tipo de plantas se incremente cada vez más. Agente Inteligente de Búsqueda 4 Carlos E. Cerón Martínez. 2007. PLANTAS MEDICINALES DE LOS ANDES ECUATORIANOS. Herbario Alfredo Paredes (QAP), Escuela de Biología de la Universidad Central del Ecuador. Quito, Ecuador. Pág. 1
  3. 3. Un agente Inteligente de búsqueda tienen acceso a múltiples y diversas fuentes de información, las mismas que pueden estar distribuidas geográficamente, en las cuales deben realizar búsquedas que la mayoría de las veces se convierte en una tarea compleja. El agente que es producto de este estudio, trabaja sobre dos parámetros el primero llamado precisión, se encarga de medir la relación existente entre los datos relevantes para la consulta y el total devueltos en la misma. El segundo es el parámetro conocido como recall, el cual mide la relación entre el total de datos relevantes devueltos y el total de datos existentes en la Base de datos. 5 Como todo agente su diseño se orienta a maximizar una determinada utilidad, esto se logra a través del comportamiento racional, para lo cual necesariamente debe percibir algo.6 Recuperación y manejo de información Está área se encarga de ayudar a los usuarios a buscar información y filtrar información, esta puede ser categorizada, priorizada, seleccionada y compartida bajo criterios colaborativos, además de esto incluye anotaciones que demuestran su importancia. 4. PLANTEAMIENTO DEL PROBLEMA a. DESCRIPCIÓN DEL PROBLEMA La salud es una de las aspiraciones máximas del hombre y no es de sorprender que cada vez, este en constante búsqueda de mejores soluciones a sus problemas de salud. El mundo de hoy por las contaminaciones de las fábricas sufre cambios bruscos, que sin duda afecta a sus ocupantes de ahí que en diversos lugares se está recurriendo a la medicina natural o a la Herbolaria. Siendo así que surgen algunos estudios sobre este tema, algunos de los cuales se enfocan a la medicina tradicional china, complementaria o alternativa, de los cuales se tiene por ejemplo: “HERBAL MEDICINE RESEARCH IN TAIWAN”7 , “DATABASE OF TRADITIONAL CHINESE MEDICINE AND ITS APPLICATION TO STUDIES OF MECHANISM AND TO PRESCRIPTION VALIDATION”8, “METADATA DESIGN FOR CHINESE MEDICINE DIGITAL LIBRARY USING XML”9. 5 Vicente Julián, Miguel Rebollo y Carlos Carrascosa. 2002. AGENTES DE INFORMACIÓN 6 Terry Payne. 2008. WEB SERVICES FROM AN AGENT PERSPECTIVE, IEEE Intelligence System, Volumen 23, No. 2 Pág. 3. 7 Krishna Kaphle1, Leang-Shin Wu, Nai-Yen Jack Yang and Jen-Hsou Lin. 2006. Comentary “HERBAL MEDICINE RESEARCH IN TAIWAN” Pág 1 – 7 8 X Chen1, H Zhou2, YB Liu1, JF Wang2, H Li2, CY Ung2, LY Han2, ZW Cao3 and YZ Chen2. 2006. DATABASE OF TRADITIONAL CHINESE MEDICINE AND ITS APPLICATION TO STUDIES OF MECHANISMAND TO PRESCRIPTION VALIDATION. Pág 1- 12 9 Christopher C. Yang and Winter W.M. Chan. 2000. METADATA DESIGN FOR CHINESE MEDICINE DIGITAL LIBRARY USING XML. Pág. 1-10.
  4. 4. Conociendo las opiniones que expertos en este tema tienen del mismo, he planteado el desarrollo del presente trabajo, tratando de de alcanzar el desarrollo de un agente que permita realizar la búsqueda de plantas medicinales las cuales pueden ser sometidas al estudio de sus componentes, toxicidad y en base a eso elaborar planta medicinales naturales, que sin ocupar mucho tiempo puedan ser preparadas en casa. Para el desarrollo de este agente se cuenta con información del uso de plantas de nuestro territorio, exclusivamente de los ANDES ECUATORIANOS.10, esta información abarca algunas características de las plantas, pero para obtener la toxicidad de cada planta y sus componentes químicos se utilizarán los datos disponibles en la BIBLIOTECA DIGITAL DE LA MEDICINA MEXICANA11 , BOTANICAL on-line12 CARACTERÍSTICAS Y APLICACIONES DE LAS PLANTAS13. Con la información disponible se pretende encontrar un algoritmo clasificador eficiente y eficaz que ayude a realizar la clasificación y búsqueda de la información necesaria, además que sirva para realizar una tarea de aprendizaje por parte del agente. El agente tiene que dar una respuesta rápida, esta estará medida en minutos. b. TRABAJOS SIMILARES APLICACIÓN DE REDES NEURONALES AL FILTRADO DE DOCUMENTOS14 El gran volumen de información disponible en formato electrónico supera ampliamente la capacidad de los usuarios, en lo que se refiere a procesamiento y acceso de información relevante. La rama de los agentes inteligentes tiene como uno de sus objetivos brindar a los usuarios la ayuda necesaria para que puedan encontrar la información que buscan. Dichos agentes son capaces de “aprender” las preferencias de un usuario a través de la adquisición de perfiles de filtrado por medio de técnicas de machine Learning. Técnicas Utilizadas: Se utiliza redes neuronales para determinar el perfil del usuario. Esta elección se basa en la capacidad discriminante de las redes neuronales y su amplia tolerancia al ruido en la información de entrada. 10 Carlos E. Cerón Martínez. 2007 .PLANTAS MEDICINALES DE LOS ANDES ECUATORIANOS. Herbario Alfredo Paredes (QAP), Escuela de Biología de la Universidad Central del Ecuador. Quito, Ecuador. Pág. 4-7 11 BIBLIOTECA DIGITAL DE LA MEDICINA MEXICANA http://www.medicinatradicionalmexicana.unam.mx 12 BOTANICAL ONLINE http://www.botanical-online.com 13 CARACTERÍSTICAS Y APLICACIONES DE LAS PLANTAS http://www.zonaverde.net . 1998-2008 José Murcia e Isabel Hoyos. 14 A.C. Sergio A. Gómez, Lic. Laura Lanzarini , 2001. APLICACIONES DE REDES NEURONALES AL FILTRADO DE DOCUMENTOS.
  5. 5. Esta línea de investigación busca estudiar y desarrollar arquitecturas de redes neuronales aplicadas al reconocimiento de patrones en documentos de texto. AGENTES INTELIGENTES PARA BÚSQUEDA DE INFORMACIÓN15 En este trabajo se presenta un agente inteligente que observa el comportamiento de un usuario durante su actividad normal en la Web y realiza un análisis del contenido de las páginas a las que él accede con el objeto de deducir los temas en los que se encuentra interesado. Técnicas Utilizadas: Se propone la utilización de Razonamiento Basado en Casos (CBR) para, descubrir dinámicamente el tema de un documento con el suficiente grado de detalle que permita ser distinguido de temas similares y, decidir la conveniencia o no de recomendar un documento particular. A MULTI-AGENT INTELLIGENT ENVIRONMENT FOR MEDICAL KNOWLEDGE16 Este trabajo está basado en el multi-agente AMPLIA, utilizado para un entorno de pruebas de diagnóstico que trabaja sobre conocimiento complejo, usado por docentes y alumnos para la discusión de casos médicos reales. Técnicas Utilizadas: Utiliza Redes Bayesianas, que involucra en la construcción de la red aspectos cualitativos y cuantitativos, además está compuesto de una distribución de probabilidad de las variables condicionales. Evalúa un modelo especialista frente a un aprendiz. AN EMPIRICAL COMPARISON OF SUPERVISED LEARNING ALGORITHMS17 En este trabajo se realiza un estudio empírico del funcionamiento de algunos algoritmos de Aprendizaje supervisado como son: BST-DT, RF, BAG-DT, SVM, ANN, KNN, BST-STMP, DT, LOGREG y NB. Este trabajo está orientado a la evaluación de criterios de precisión y recall, los cuales son utilizados dentro del área de medicina. 15 Daniela Godoy, Analía Amandi, 2001. AGENTES INTELIGENTES PARA BÚSQUEDA DE INFORMACIÓN http://users.exa.unicen.edu.ar/~amandi/papers/godwicc2000.pdf, Argentina. 16 Rosa M. Vicari, Cecilia D. Flores, Andre´ M. Silvestre, Louise J. Seixas, Marcelo Ladeira, Helder Coelho, 2003, A MULTI-AGENT INTELLIGENT ENVIRONMENT FOR MEDICAL KNOWLEDGE, Pág.335, 339, Published by Elsevier Science B.V. 17 Rich Caruana,Alexandru Niculescu-Mizil. An EMPIRICAL COMPARISON OF SUPERVISED LEARNING ALGORITHMS, Pág. 1-8 http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml06.pdf
  6. 6. c. JUSTIFICACIÓN El uso de los algoritmos clasificadores o de aprendizaje supervisado, están siendo considerados en los agentes de búsqueda y recuperación de información, como se puede apreciar en los trabajos enunciados anteriormente. Los algoritmos utilizados son muy diversos, esto se debe al tipo de problema que se aborda en cada trabajo, en el estudio de comparación de algoritmos los que resultaron más eficientes, fueron: BST-DT, RF, BAG-DT y el SVM. Por lo que se puede decir que el presente trabajo se seleccionará el algoritmo SVM, ya que debido al principio de minimización de riesgo estructural, se convierte en algoritmo robusto y ágil. 5. SOLUCIÓN DEL PROBLEMA • ALGORITMO: MÁQUINAS DE VECTORES DE SOPORTE Para el desarrollo del presente trabajo se estará utilizando el al algoritmo de clasificación de información SVM18 o Máquinas de Vectores de Soporte, las cuales se han destacado en la clasificación de textos, ya que tienden a minimizar el error de generalización y los errores del clasificador sobre nuevas instancias. Los fundamentos de este algoritmo se encuentran en los trabajos de Vapnik y otros actores sobre la teoría de aprendizaje estadístico, desarrollados a finales de los 70 y durante los 80. El modelo como se entiende hoy fue presentado en la conferencia de COLT, teoría de Aprendizaje Computacional en 1992 por Vapnik junto con Baser y Guyon y descrito con más detalle posteriormente en 1995 y 1998, posibilitando la práctica de la formulación teórica en problemas reales de reconocimiento de patrones. Trabaja con un modelo que estructuralmente tenga poco riesgo de cometer errores ante datos futuros, este principio se denomina Minimización de Riesgo Estructural (SRM), lo que permite construir modelos confiables.19 Este algoritmo se caracteriza por tener un conjunto de puntos (datos de entrenamiento) ubicados en un plano dimensional (SVM), que se dividen en clases, estas se separan de acuerdo a la muestra que se está evaluando, mediante 18 Alberto Téllez Valero. 2005. EXTRACCIÓN DE INFORMACIÓN CON ALGORITMOS DE CLASIFICACIÓN. Pág 20 19 Basilio Sierra Araujo. 2006. APRENDIZAJE AUTOMÁTICO: CONCEPTOS BÁSICOS Y AVANZADOS “MÉTODOS KÉRNEL Y MÁQUINAS DE VECTORES SOPORTE” Pág. 175
  7. 7. la construcción de un hiperplano que separa y maximicen la distancia entre ellas. 20 Un problema que presenta este algoritmo es el sobrentrenamiento, este se da cuando han aprendido muy bien los datos de entrenamiento, pero no se pueden clasificar bien los ejemplos nuevos nunca antes vistos, esto nos da como resultado una mala generalización. 21 Función de Kernel22 Un algoritmo de máquinas de vector de soporte se fundamente en la función de Kernel, la misma que proyecta la información a un espacio de características de mayor dimensión. La forma más común en que las máquinas de aprendizaje lineales aprenden una función objetivo es cambiando la representación de la función, es decir transformar el conjunto de entradas a un espacio de características, dando como resultado una matriz de Kernel. SMO 23 En este proyecto se trabajará con el algoritmo SMO u optimización mínima secuencial, el cual es un nuevo algoritmo de aprendizaje de máquinas de vector de soporte. Tiene dos componentes un método analítico y un heurístico que ayuda a escoger que multiplicadores optimizar SMO es un algoritmo de entrenamiento mejorado para SVMs que trabaja con problemas cuadráticos grandes los mismos que los divide en más pequeños, estos se resuelven rápidamente lo que minimizan el tiempo de cómputo. 20 Gerardo Colmenares 2009. MÁQUINAS DE VECTOR DE SOPORTE. Pág 1. http://www.webdelprofesor.ula.ve/economia/gcolmen/programa/economia/maquinas_vectores_soporte.pdf 21 Gerardo Colmenares. 2009. MÁQUINAS DE VECTOR DE SOPORTE. Pág 11. http://www.webdelprofesor.ula.ve/economia/gcolmen/programa/economia/maquinas_vectores_soporte.pdf 22 Ing. Juan Angel Resendiz Trejo. 2006. LAS MAQUINAS DE VECTORES DE SOPORTE PARA IDENTIFICACIÓN EN LÍNEA. Pág 13-15. 23 John Platt 1998. SEQUENTIAL MINIMAL OPTIMIZATION: A FAST ALGORITHM FOR TRAINING SUPPORT VECTOR MACHINES JOHN C. PLATT. Pág. 1-21.
  8. 8. FORTALEZAS DEBILIDADES • Utiliza el principio de • En el caso del algoritmo SMO se minimización de riesgo trabaja con datos nominales, no estructural, con lo cual abarca los acepta numéricos, para estos mínimos globales que en el caso últimos se debería utilizar SMOreg. de las redes neuronales no se puede manejar. • El sobre entrenamiento es una desventaja, que se da cuando el • Maneja un principio de “divide y algoritmo ha aprendido muy bien vencerás”, es decir que divide un los datos de entrenamiento, pero no problema cuadrático en se pueden clasificar bien los subproblemas. Con esto logra ejemplos nuevos nunca antes minimizar el tiempo de cómputo. vistos, esto da como resultado una mala generalización. • Minimiza el error de generalización y los errores del clasificador sobre nuevas instancias. Cuadro comparativo de las fortalezas y debilidades del algoritmo SVM Aplicación del Algoritmo24 Definición formal del problema para la búsqueda de plantas tomando en cuenta si se encuentran disponibles en mercado: Variables: X = Mercado Y = Nombre Científico Figura1: Ejemplo del Kernel Linear Kernel: K(x,y) = <x,y> Descripción: 24 José Hernandez Orallo. 2008. CAP14: INTRODUCCIÓN A LA MINERÍA DE DATOS
  9. 9. Si la planta medicinal está en el mercado (x) la función de aprendizaje, nos devuelve un conjunto de categorías (nombre de plantas), asociadas a dicha variable, para lo cual parte de un conjunto de aprendizaje S={(xi,yi)}, i=1…n. formado por ejemplos de Mercado y Nombre Científico de plantas. Metodología: Se debe dividir en dos partes el problema en donde cada xi está asociada a una yi. Medidas de Evaluación: Se utilizan medidas de Precision y alcance, donde la presicion mide la probabilidad de que el sistema clasifique la disponibilidad en mercado de una cierta planta medicinal. El alcance mide la probabilidad de que el sistema clasifique la planta medicinal que cura la enfermedad que se especifico, sea la que esté disponible. Para determinar estas medidas se utiliza la Matriz de Confusión: Predicción + Predicción - Clases + A B Clases - C N Matriz de Confusión (resultados arrojados por weka) De aquí se obtiene: Precision = A/A+C = 64/64+0 = 1 Alcance = A/A+B= 64/64+1=0,985 Resultados del algoritmo desde Weka Aciertos = A+D = 64+319 =383 esto equivale a un 99, 7396% Errores = B+D = 0+1 = 1
  10. 10. Se utilizará Validación Cruzada sobre los datos para evitar el problema de sobre entrenamiento. • HERRAMIENTAS Para el presente trabajo se utilizará la combinación de las siguientes herramientas: • JAVA: Java es un lenguaje de programación de la estructura del agente, que determinan funcionalidades básicas del agente tales como: procesos de envío y recepción de mensajes25. • WEKA: Weka es una gran colección de algoritmos de Máquinas de conocimiento desarrollados por la universidad de WAIKATO (Nueva Zelanda) implementados en Java. • METODOLOGÍA La metodología a seguir para el desarrollo del presente proyecto es la siguiente26: 1. Definición del Problema del Agente. Se establece una conceptualización amplia y clara del problema que se pretende resolver con el uso de agentes inteligentes, se identifica el problema; se realiza un análisis del mismo y finalmente se hace una construcción del modelo conceptual de la situación. 2. Adquisición y Representación del conocimiento. Se genera una representación de este modelo conceptual en términos de conocimiento, la cual sea transportable al medio computacional. Se realiza primero la adquisición del conocimiento definiendo las percepciones, las acciones, los objetivos, las metas y el ambiente. Como segunda actividad se realiza la representación del conocimiento, haciendo un análisis del conocimiento adquirido, una selección del esquema de representación y finalmente la representación del conocimiento. 3. Diseño del Agente. Esta etapa del proceso es muy importante pues es la que corresponde con el diseño de la solución en el método clásico de diseño y construcción de sistemas de información, y en el que se pretende generar un modelo del agente, que sea computacionalmente aplicable. Para lograr esto, el proceso se divide en el Diseño de la Base de Conocimiento, el Diseño del Motor de Inferencia o Motor de ejecución, el Diseño de la Interfaz y el Diseño del Lenguaje de Comunicación. 25 Carlos A. Iglesias F. 1998. DEFINICIÓN DE UNA METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS MULTIAGENTES, Pág. 52-53, http://www.gsi.dit.upm.es/tesis/pdf/tecisiscif.pdf 26 M.C. Luis Ernesto Mancilla Espinosa, 2008. ¿QUÉ SON LOS AGENTES INTELIGENTES DE SOFTWARE?
  11. 11. 4. Implantación del Agente. Se enfoca en la construcción computacional del agente inteligente diseñado, que no es más que la implantación del diseño obtenido en el proceso previo. Se realiza un análisis y selección de herramientas de Implantación, la implantación del Agente, la implantación de la Base de Conocimiento, la implantación del Motor de Inferencia o de ejecución, la implantación de la Interfaz y la implantación de la Comunicación. 5. Prueba del Agente. Se realiza una validación del agente construido, en el cual se verifica y ajusta el funcionamiento de dicho agente, en función de los requerimientos y la situación analizada en el primer proceso planteado. Inicia con el Diseño de pruebas, se hace la aplicación de las mismas y finalmente se depuración el Agente. • IMPLEMENTACIÓN 1. DEFINICIÓN DEL PROBLEMA DEL AGENTE Arquitectura Del Agente De Búsqueda De Medicina Natural Control de entrada o Sensores: • Ingreso de valores de búsqueda por parte del usuario: o Nombre de la enfermedad (principal o dependiente) o Contraindicaciones (Opcional o independiente) o Peso (opcional o independiente) Organización de datos: • Identificar la clasificación de los datos de entrada • Almacenamiento de información aprendida en la base de datos Comunicación y Procesamiento: • Atender peticiones de usuario • Resolver demandas de información • Informar de errores Control: • Gestión de errores Escenarios Del Agente Este agente trabajará sobre los siguientes escenarios: Escenario 1: “Búsqueda de la planta medicinal” Aquí el agente se realiza una interacción con el usuario de lo cual se obtiene el siguiente esquema:
  12. 12. Figura 2: Diagrama de procesos del Escenario 1 Escenario 2: “Clasificación de la entrada de la información” El agente debe categorizar la información que recibe con la finalidad de agilizar las búsquedas y lo que realiza es: sabroso Figura 3: Diagrama de procesos del Escenario 2 Escenario 3: “Asignación de pesos” Para asignar el peso a cada planta medicinal el agente operará de la siguiente forma:
  13. 13. Figura 4: Diagrama de procesos del Escenario 3 Variables Con Las Que Trabajará El Agente • Encontrar una planta medicinal que sea eficaz y eficiente. o Nombre de la enfermedad (principal o dependiente) o Contraindicaciones (Opcional o independiente) o Planta Medicinal (Resultado) • Nombre Común • Nombre Científico • Endémica • Mercado • Silvestre • Composición • Toxicidad o Peso (opcional o independiente) • Que el agente sea capaz de clasificar la información que recibe del cliente, en categorías que mejoren el rendimiento de la búsqueda. o Nombre de la enfermedad o Toxicidad o Peso o Planta Medicinal (resultado) • Que el agente pueda obtener un valor de calificación para la planta medicinal que sea la base de posibles búsquedas. o Nombre de la enfermedad o Planta medicinal o Peso Asignación De Pesos El peso es un valor que ayudará a agilizar la búsqueda de la información, para lo cual se considerará los siguientes criterios:
  14. 14. Asignación directa del usuario: Este proceso se da cada vez que el usuario realice una búsqueda y en base a su criterio le asignara un valor de satisfacción a la Planta medicinal, para lo cual usará la siguiente tabla de valores: Regular (3), Bueno (2), Excelente (1), que el agente dará a conocer previamente al usuario. Este valor se suma al peso de la planta medicinal, este proceso es repetitivo para cada búsqueda. Asignación automática: Esta asignación de peso la realiza el agente, este adicionará el valor de 1 a cada Planta medicinal, por cada búsqueda que se realice, siempre y cuando el usuario no haya asignado ningún peso a la planta medicinal. 2. ADQUISICIÓN Y REPRESENTACIÓN DEL CONOCIMIENTO. Base de Datos Histórica Para el presente trabajo la base de datos ha sido construida en base a la información recopilada de PLANTAS MEDICINALES DE LOS ANDES ECUATORIANOS27, BIBLIOTECA DIGITAL DE LA MEDICINA MEXICANA28 , BOTANICAL on-line29 CARACTERÍSTICAS Y APLICACIONES DE LAS PLANTAS30y tiene la siguiente figura: Figura 5: Base de datos Histórica 3. DISEÑO DEL AGENTE Objetivo del agente31: El objetivo que tiene el agente es encontrar una planta medicinal que cubra la necesidad del cliente, este objetivo requiere de algunas condiciones, las mismas que son: 27 Carlos E. Cerón Martínez. PLANTAS MEDICINALES DE LOS ANDES ECUATORIANOS. Herbario Alfredo Paredes (QAP), Escuela de Biología de la Universidad Central del Ecuador. Quito, Ecuador. 2007 Pág. 4-7 28 BIBLIOTECA DIGITAL DE LA MEDICINA MEXICANA http://www.medicinatradicionalmexicana.unam.mx 29 BOTANICAL ONLINE http://www.botanical-online.com 30 CARACTERÍSTICAS Y APLICACIONES DE LAS PLANTAS http://www.zonaverde.net . 1998-2008 José Murcia e Isabel Hoyos. 31 Carlos A. Iglesias F. 1998. DEFINICIÓN DE UNA METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS MULTIAGENTES, Pág.90, http://www.gsi.dit.upm.es/tesis/pdf/tecisiscif.pdf
  15. 15. Condiciones de activación, es decir cuando se determina un estímulo que haga que empiece a trabajar, por ejemplo el agente a desarrollase activará cada vez que se solicite una búsqueda de una planta medicinal. Condiciones de finalización, aquí se que determina el fin del trabajo del agente, en el caso de una búsqueda completa este terminaría cuando recorra todos los nodos. Condiciones de éxito, determina el cumplimiento del objetivo, como hallar una planta medicinal. Condiciones de fracaso, se indica que el objetivo no fue alcanzado, por ejemplo que la planta medicinal no pueda ser hallada, y a la vez el agente podrá reiniciar la búsqueda o informar que la planta medicinal no se encontró. Parámetros de Entrada y de Salida, son las condiciones iniciales con las que el agente producirá una salida, así tenemos que recibe una enfermedad y devuelve una planta medicinal. Identificación de actores32: Actor: Usuario Descripción: Es la persona que se comunica con el agente y solicita la búsqueda de una planta medicinal Actor: BD Histórica Descripción: Aquí se almacena la información que usará el agente como base para realizar sus búsquedas Formulación de Hipótesis de Evaluación del resultado33 Los parámetros de evaluación de la hipótesis formulada son: Grado de toxicidad: menor que el de otras plantas que sirvan para curar la misma enfermedad. Peso: se usará el criterio del peso menor. 32 Carlos A. Iglesias F. 1998. DEFINICIÓN DE UNA METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS MULTIAGENTES, Pág. 243, http://www.gsi.dit.upm.es/tesis/pdf/tecisiscif.pdf 33 Rosa M. Vicari, Cecilia D. Flores, Andre´ M. Silvestre, Louise J. Seixas, Marcelo Ladeira, Helder Coelho, 2003, A MULTI-AGENT INTELLIGENT ENVIRONMENT FOR MEDICAL KNOWLEDGE, Pág.343, Published by Elsevier Science B.V.
  16. 16. Disponibilidad: que la planta pueda ser comprada en el mercado, si es que se necesita utilizarla. Si una respuesta cumple con los tres parámetros descritos anteriormente, se considerará como excelente. Si no cumple será excluida de la búsqueda, porque no es conveniente tener una planta que no sea fácil de adquirir o que sea muy toxica. Es esencial que esta búsqueda se realice en corto tiempo. Hipótesis de búsqueda: PM =MIN( GT+P)+D PM= Planta medicinal GT= grado de toxicidad P=Peso D=disponibilidad Par encontrar exactamente la respuesta se debe buscar las plantas medicinales que sirva para tratar la enfermedad que especifica el usuario, y cada planta encontrada debe ser evaluada por la hipótesis de búsqueda y solo la que tenga el valor mínimo será la aceptada. 4. IMPLANTACIÓN DEL AGENTE El prototipo del agente que se trata de desarrollar es: Pantalla Inicial: aquí el usuario del agente debe registrar su ingreso, esto brinda seguridad al agente.
  17. 17. Figura 6: Pantalla Inicial del Agente Pantalla de Trabajo: Aquí se realizará las búsquedas de las plantas medicinales, la clasificación de la información que recibe el agente y la asignación de pesos. Figura 7: Pantalla de trabajo del Agente Búsqueda de plantas: Esta opción permitirá realizar la búsqueda de la planta medicinal que cura la enfermedad que el usuario desea conocer. Figura 8: Ejecución de la opción de búsqueda del AI Con las opciones que el agente devuelve, el usuario podrá ver detalladamente la toxicidad de la planta que le presenta el agente, para lo cual hará uso del botón TOXICIDAD.
  18. 18. Figura 9: Botón para ver la toxicidad de las plantas Luego de esto el usuario debe ingresar el número correspondiente a la toxicidad de la planta, por ejemplo si esta tiene TOX1 deberá ingresar el valor 1, y hará clic en Aceptar. Figura 10: Pantalla para ingresar el Número de toxicidad de la planta Luego de lo cual se le presentará la Toxicidad de la planta medicinal. Figura 11: Pantalla que muestra la Toxicidad de la planta medicinal Lo mismo ocurre con los componentes químicos, para lo cual deberá usar el usuario el botón COMPONENTES. Figura 12: Botón para ver los componentes químico Deberá luego ingresar el número del componente químico, al igual que en el caso de la toxicidad.
  19. 19. Figura 13: Pantalla para ingresar el No. De Componente Químico Al final aparecerá en pantalla los componentes químicos de la planta medicinal. Figura 14: Pantalla que muestra los componentes químicos de la planta Clasificación de Información: Para realizar la clasificación de la información que facilite la búsqueda de las plantas medicinales y en base a lo cual el agente aprenderá, se trabajará con el algoritmo Máquinas de Vector de Soporte que ya se describió anteriormente. El estado actual del agente tiene implementado el algoritmo SMO (Algoritmo de optimización mínimo secuencial de John Platt). Para lo cual se ha utilizado las variables predictorias mercado, endémica y silvestre. Figura 15: Botón para iniciar clasificación basado en el atributo mercado Seguidamente se muestran los resultados de esta clasificación.. Figura 16: Pantalla que indica los resultados de la clasificación Asignación de pesos: Anteriormente ya se describió este escenario del agente, en las siguientes imágenes se mostrará la parte en la que el peso lo ingresa el usuario de acuerdo a la satisfacción que obtuvo de la búsqueda.
  20. 20. Figura 17: Pantalla que permite asignar peso a una planta medicinal Figura 18: Pantalla que permite ingresar el peso 6. PRUEBA DEL AGENTE. Como ya se mencionó antes el algoritmo de clasificación que se ejecutó fue el SMO, el cual se lo probó con las siguientes variables: Mercado, endemíca y silvestre y nos dio los siguientes resultados: Figura 19: Tabla de resultados de la ejecución del algoritmo SMO
  21. 21. Figura 20: Gráfica de comparación del número de casos que evaluó el Kernel Figura 21: Gráfica de comparación del rendimiento del algoritmo Conclusiones: • El mayor número de casos que evaluó la función Kernel del algoritmo SMO fue de la variable Silvestre y mercado fue la menor. • El algoritmo dio un mejor rendimiento cuando evaluó los datos de la variable mercado • Una combinación de la evaluación de mercado y silvestre ayudaría a brindar un resultado eficiente para el problema antes propuesto. 6. CONCLUSIONES Una vez que se ha llegado a la parte final del proyecto se puede concluir: • El algoritmo máquina de vectores de soporte es eficaz para la clasificación de información. • Seguir una metodología para el desarrollo de un agente inteligente hará posible la culminación del mismo. • En este trabajo, se evaluaron los datos de tres variables predictorias, las cuales fueron mercado, endémica y silvestre, y los resultados obtenidos fueron, que la combinación de los resultados de las variables mercado y silvestre, pueden ayudar a determinar que planta medicinal puede ser la que el usuario necesita. • Realizar una investigación minuciosa de la cual se prueben los resultados obtenidos, garantiza el éxito del desarrollo de agentes inteligentes, por ser esta área nueva para nuestro grupo social.
  22. 22. 7. RECOMENDACIONES Se recomienda: • Tener en cuenta que para la selección del algoritmo a utilizar en proyecto de desarrollo de agentes inteligentes, se depende exclusivamente del problema a tratar, en el caso de un agente de búsqueda de información se trabaja para la clasificación con máquinas de vector de soporte por su rapidez, aunque esto no impide que se utilicen otras técnicas como el clustering, redes neuronales o árboles de decisión. • Para seleccionar la herramienta con la que se va a trabajar, se deben considerar los criterios de funcionalidad y disponibilidad de información existentes. • Considerar todas las opciones posibles para la solución del problema y valorar cada una para determinar cuál es la más óptima. • Realizar algunas revisiones de lo que se está realizando para evitar incoherencias y pérdida del alcance del proyecto. 8. TRABAJOS FUTUROS Los trabajos que se pueden realizar a partir del presente proyecto son: • Continuar con la implementación del agente, ya que el presente se desarrolló en forma documental, llegando a ser implementado en un porcentaje limitado. • Considerar la utilización de funciones de kernel no lineales para el algoritmo máquina de vector de soporte, para que el rendimiento sea mejor. • Evaluar el desempeño del agente con otros algoritmos como los ya descritos anteriormente, para encontrar una forma nueva de solución, que sea más eficiente. • Ampliar la base de datos con la que se trabajó el presente proyecto para garantizar, mejores resultados en el área de salud, y que además esta sea validada por personal médico conocedor del tema. 9. REFERENCIAS Las referencias utilizadas fueron: [1] Gerardo Colmenares 2009. MÁQUINAS DE VECTOR DE SOPORTE. Pág 1, 11. http://www.webdelprofesor.ula.ve/economia/gcolmen/programa/economia/maquinas_vectores_so porte.pdf [2] Terry Payne. 2008. WEB SERVICES FROM AN AGENT PERSPECTIVE, IEEE Intelligence System, Volumen 23, No. 2 Pág. 3. [3] M.C. Luis Ernesto Mancilla Espinosa, 2008. ¿QUÉ SON LOS AGENTES INTELIGENTES DE SOFTWARE? [4] Carlos E. Cerón Martínez. 2007. PLANTAS MEDICINALES DE LOS ANDES ECUATORIANOS. Herbario Alfredo Paredes (QAP), Escuela de Biología de la Universidad Central del Ecuador. Quito, Ecuador. Pág. 1-7.
  23. 23. [5] Basilio Sierra Araujo. 2006. APRENDIZAJE AUTOMÁTICO: CONCEPTOS BÁSICOS Y AVANZADOS “MÉTODOS KÉRNEL Y MÁQUINAS DE VECTORES SOPORTE” Pág. 175 [6] Ing. Juan Angel Resendiz Trejo. 2006. LAS MAQUINAS DE VECTORES DE SOPORTE PARA IDENTIFICACIÓN EN LÍNEA. Pág 13-15. [7] X Chen1, H Zhou2, YB Liu1, JF Wang2, H Li2, CY Ung2, LY Han2, ZW Cao3 and YZ Chen2. 2006. DATABASE OF TRADITIONAL CHINESE MEDICINE AND ITS APPLICATION TO STUDIES OF MECHANISMAND TO PRESCRIPTION VALIDATION. Pág 1- 12 [8] Krishna Kaphle1, Leang-Shin Wu, Nai-Yen Jack Yang and Jen-Hsou Lin. 2006. Comentary “HERBAL MEDICINE RESEARCH IN TAIWAN” Pág 1 – 7 [9] L. Lhotská, Member, IEEE, L. Prieto. 2006 INTELLIGENT AGENTS IN MEDICINE, Pág.3, http://medlab.cs.uoi.gr/itab2006/proceedings/Intelligent%20Systems/21.pdf [10] Alberto Téllez Valero. 2005. EXTRACCIÓN DE INFORMACIÓN CON ALGORITMOS DE CLASIFICACIÓN. Pág 20 [11] Ioan Alfred Letia1 ,2005. GRADUALLY INTRUSIVE ARGUMENTATIVE AGENTS FOR DIAGNOSIS, Romania, Pág. 59, Artículo Incluido en: First International Workshop on Multi-Agent Systems for Medicine, Computational Biology, and Bioinformatics (2005), http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.76.9164&rep=rep1&type=pdf#page=2 4 [12] Rosa M. Vicari, Cecilia D. Flores, Andre´ M. Silvestre, Louise J. Seixas, Marcelo Ladeira, Helder Coelho, 2003, A MULTI-AGENT INTELLIGENT ENVIRONMENT FOR MEDICAL KNOWLEDGE, Pág.335, 339,343. Published by Elsevier Science B.V. [13] Vicente Julián, Miguel Rebollo y Carlos Carrascosa. 2002. AGENTES DE INFORMACIÓN [14] Daniela Godoy, Analía Amandi, 2001. AGENTES INTELIGENTES PARA BÚSQUEDA DE INFORMACIÓN http://users.exa.unicen.edu.ar/~amandi/papers/godwicc2000.pdf, Argentina. [15] A.C. Sergio A. Gómez, Lic. Laura Lanzarini , 2001. APLICACIONES DE REDES NEURONALES AL FILTRADO DE DOCUMENTOS. [17] Christopher C. Yang and Winter W.M. Chan. 2000. METADATA DESIGN FOR CHINESE MEDICINE DIGITAL LIBRARY USING XML. Pág. 1-10. [18] Carlos A. Iglesias F. 1998. DEFINICIÓN DE UNA METODOLOGÍA PARA EL DESARROLLO DE SISTEMAS MULTIAGENTES, Pág. 52-53, 87, 90, 243. http://www.gsi.dit.upm.es/tesis/pdf/tecisiscif.pdf [19] John Platt 1998. SEQUENTIAL MINIMAL OPTIMIZATION: A FAST ALGORITHM FOR TRAINING SUPPORT VECTOR MACHINES JOHN C. PLATT. Pág. 1-21. [20] Rich Caruana,Alexandru Niculescu-Mizil. AN EMPIRICAL COMPARISON OF SUPERVISED LEARNING ALGORITHMS, Pág. 1-8. http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml06.pdf [21] BIBLIOTECA DIGITAL DE LA MEDICINA MEXICANA http://www.medicinatradicionalmexicana.unam.mx [22] BOTANICAL ONLINE http://www.botanical-online.com [23] CARACTERÍSTICAS Y APLICACIONES DE LAS PLANTAS http://www.zonaverde.net . 1998-2008 José Murcia e Isabel Hoyos.

×