Aplicaciones

Redes vs. Metodos clásicos.

En muchas areas donde existen problemas de predicción, clasificación, etc, existen soluciones que no estan basadas en redes neuronales pero que dan buenos resultados, o como mínimo mejores que el no hacer nada.

Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redes pueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales, tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales o medelos “clásicos” no son tenidos en consideración. Por lo tanto, se llega a la conclusión que la utilización de redes neuronales aporta soluciones más eficientes y seguras que las convencionales. El único dilema existente frente a este tipo de problemas con una solución clásica, es la elección entre dos modos distintos de utilizar las redes, es decir la utilización tipo a) o la tipo b).

Tipo a) Se basa en construir un red donde ya este incorporado el modelo “clásico”,añadir las nuevas variables que consideremos de interés y efectuar el aprendizaje de la red de tal modo que esta solo tenga que mejorar el resultado clásico con respecto al resultado deseado. De este modo nos aseguramos que el resultado de la red siepre sea mejor que el resultado clásico. Solo será igual a la resultado clásico, en el caso que las variables adicionales no aporten nada nuevo y no se necesario no utilizar la no linealidad de la red, dos condiciones que difícilmente se cumplen simultáneamente.

Tipo b) Se basa en construir una red sin incorporar el el modelo “clásico” pero añadiendo todas las variables adicionales que sean de interés. Esto no garantiza qu el resultado sea superior al “clásico” pero la experiencia acumulada hasta el momento demuestra que siempre es superior debido a que se utiliza la no linealidad de la red y/o las nuevas variables. Si en algún problema  esto no fuera cierto, siempre podemos recurrir a la incorporación del modelo clásico en la red (tipo a).

Campos de aplicación.

Las ANNs han sido aplicadas a un creciente numero de problemas con una complejidad considerable, como puede ser el reconocimiento de patrones, clasificación de datos, predicciones, etc.. Su ventaja más importante está en solucionar problemas que son demasiado complejos pata las técnicas convencionales, como se ha explicado en el punto 3.1.

Las aplicaciones de las ANNs abarcan diversas actividades de muy diferentes campos. Estos son:

·Finanzas

            · Predicción de índices

            · Detección de fraudes

            · Riesgo crediticio, clasificación

            · Predicción de la rentabilidad de acciones

Negocios

            · Marketing

            · Venta cruzada

            · Campanas de venta

Tratamientos de texto y proceso de formas

            · Reconocimiento de caracteres impresos mecánicamente.

            · Reconocimiento de gráficos

            · Reconocimiento de caracteres escritos a mano.

            · Reconocimiento de escritura manual cursiva.

Alimentación 

            · Análisis de olor i  aroma

            · Perfilamiento de clientes en función de la compra

            · Desarrollo de productos

            · Control de calidad

Energía

            · Predicción del consumo eléctrico

            · Distribución recursos hidráulicos para la producción eléctrica

            · Predicción consumo de gas ciudad

Industria manufacturera

            · Control de procesos

            · Control de calidad

            · Control de robots

Medicina y salud

            · Ayuda al diagnóstico

            · Análisis de imágenes

            · Desarrollo de medicamentos

            · Distribución de recursos

Ciencia e Ingeniería

            · Análisis de datos i clasificación

            · Ingeniería Química

            · Ingeniería Eléctrica

            · Climatología

Transportes i comunicaciones

            · Optimización de rutas

· Optimización en la distribución de recursos.