Teclas de Ayuda de acceso Rápido

ALT + 1 Inicio

ALT + 2 Noticias

ALT + 3 Mapa de sitio

ALT + 4 Búsqueda

ALT + 5 Preguntas frecuentes

ALT + 6 Atención al ciudadano

ALT + 7 Quejas y reclamos

ALT + 8 Iniciar Sesión

ALT + 9 Directorio telefónico

Botones de Accesibilidad

Letra:

Contraste:

Esp
jueves, 9 de julio 2020
09/07/2020
Síguenos

Listado

Ciencia computacional para conocer el SARS-Cov-2

Algoritmo de optimización basado en el modelo de propagación del SARS- Cov-2, fue el tema analizado en el segundo ciclo de conferencias dispuesto por la Maestría en Métodos Cuantitativos para Economía y Finanzas de la Facultad de Ciencias Económicas, con la charla, Optimización de modelos deep learning mediante metaheurísticas bioinspiradas. 

 

Por: Lourdes Cruz Cárdenas -Facultad de Ciencias Económicas-

El Departamento de Estadística y Matemáticas de la Facultad de Ciencias Económicas de la Universidad de Antioquia, presentó el pasado jueves su segundo ciclo de conferencias de la Maestría en Métodos Cuantitativos para Economía y Finanzas del año 2020, esta vez en modalidad virtual. El encuentro, denominado Optimización de modelos deep learning mediante metaheurísticas bioinspiradas, tuvo como invitado al Doctor Francisco Martínez Álvarez, profesor de la Escuela Politécnica Superior de la Universidad Pablo De Olavide en Sevilla, España.

La intervención del Dr. Martínez, se realizó para conversar en torno a la creación de un algoritmo de optimización basado en el modelo de propagación del SARS- Cov-2 y que fue publicado recientemente en la revista científica Data Science & Big Data.

Este espacio de socialización, fue moderado por Camilo Restrepo Estrada, profesor y coordinador de la Maestría en Métodos Cuantitativos para Economía y Finanzas, con el fin de dar a conocer los temas, enfoques y temáticas utilizadas en este programa, el cual se prepara para abrir próximamente inscripciones a la segunda cohorte de la maestría, que iniciará clases en el periodo 2021-1.

Al comenzar, el Dr. Martínez nos acercó al término metaheurísticas, el cual hace referencia a un método para resolver un problema computacional, que se aplica a aquellos problemas para los cuales no hay un algoritmo que sea capaz de encontrar la solución óptima en un tiempo razonable y además, explicó a la audiencia porque este método lleva el “apellido” de bioinspiradas, pues se basan en fenómenos de la naturaleza que, mediante hardware configurables, tratan de simular comportamientos de algo que ya existe en los sistemas biológicos.

metodos cuantiEn este caso, las metaheurísticas se enfrentan a grandes espacios de búsqueda con cantidades de infinitas soluciones que, de manera eficiente e inteligente, encuentran la mejor solución posible. Este trabajo de búsqueda, permite optimizar los parámetros que los modelos deep learning o algoritmos de aprendizaje automático utilizan; sin embargo, indicó el Dr. Martínez, “las metaheurísticas, no son la solución a todo, debido a que pueden quedarse en máximos/mínimos locales”.

La clave para encontrar buenas soluciones, según Martínez, es mantener un equilibrio entre intensificación y diversificación en las metaheurísticas, es decir, que el coronavirus ve representado estos dos elementos en su capacidad de propagación (intensificación) y en su alto nivel de transmisión entre territorios (diversificación), por eso, aquello de que el virus no distingue de raza, lugar o estrato social.

Ahora bien, los modelos deep learning obedecen a redes neuronales con muchos más datos que requieren mayor rendimiento al hardware, expresó Martínez, y los cuales permiten optimizar modelos más complejos que identifican y exploran las diferentes maneras de interconectar la información. Dichos modelos se aplican en áreas como, sistemas de predicción, reconocimiento de voz, reconocimiento de patrones en imágenes y procesamiento de lenguaje natural; todos relacionadas con tareas de inteligencia artificial.

El algoritmo, explicó el Dr. Martínez, funciona a partir de diferentes grupos de soluciones y combinaciones de valores que, para el caso del coronavirus, son los infectados, muertos y recuperados. Los infectados, por ejemplo, son soluciones que se evalúan y una vez evaluadas, cumplen con el comportamiento natural del virus, es decir, propagarse. Esto significa que el modelo simula todo el comportamiento de propagación del SARS-Cov-2 mediante la información que los desarrolladores han ingresado al algoritmo, así lo manifestó Martínez, “Los valores de entrada del algoritmo vienen definidos por las estadísticas de la covid-19, lo cual implica que todo está ya configurado y que se puede ejecutar con un solo clic”.

Cabe resaltar que, al ser un simulador, falta crear su codificación real, no obstante, el algoritmo cuenta con otros factores que refuerzan su función como, identificar no solo a la solución o individuo que contagia, sino su intensificación de contagio; es decir, cuántas personas puede contagiar en un día o inclusive en horas, asimismo, cuenta con un estudio de sensibilidad con diferentes datos para optimizar la probabilidad de aislamiento y la combinación del algoritmo con una red neuronal llamada LSTM (Long-Short Term Memory), un modelo que trabaja con datos temporales.

Sin duda, la crisis ha sacado lo mejor del ser humano reafirmando su capacidad cognitiva y creativa, pero también, ha evidenciado el alcance de la ciencia, la investigación y el desarrollo tecnológico al servicio de las soluciones clave para continuar aprendiendo del virus, buscar la manera de controlar su propagación y conocer más de su comportamiento.   

Por último, sostuvo el Dr. Martínez, la metaheurística generada para ser aplicada a modelos deep learning es robusta y se puede adaptar a muchos más problemas, aunque es necesario lograr que la probabilidad de aislamiento, así como la tasa de mortalidad y contagios, comience a ser variable tal como sucede en la realidad; de modo que, pueda modularse y finalmente, adaptarlo a otros modelos deep learning y a otros algoritmos, pues el actual, requiere testearse a otras aplicaciones.

54d4db3244a5e15c6a21152b_logo-renata.png
54d4db5924c957e253bd5fa5_logo-ruana.png
54d4db63ae77e15e6afe94a0_logo-universia.png
54d4db6add1988d75368ecff_logo-icetex.png
54d4db7744a5e15c6a211531_logo-colombiaprende.png
54d4db7edd1988d75368ed05_logo-gobiernolinea.png
54d4db86dd1988d75368ed09_logo-canalu.png
54d4db9644a5e15c6a211534_logo-cis.png
54d4db9d44a5e15c6a211535_logo-colciencias.png
54d4dba444a5e15c6a211539_logo-ips.png
Sistema Único de Información de Trámites - SUIT
54d4dbb7ae77e15e6afe94a4_logo-redemprendia.png
54d4dbbfdd1988d75368ed14_logo-colombia.png
Fundación Universidad de Antioquia
No + filas
No + filas
No + filas
ORACLE
Hacemos Memoria
Universidad de Antioquia | Vigilada Mineducación | Acreditación institucional hasta el 2022 | NIT 890980040-8
Recepción de correspondencia: calle 70 No. 52 - 21 | Apartado Aéreo 1226 | Dirección: calle 67 No. 53 - 108 | Horario de atención
Conmutador: [57+4] 219 8332 | Línea gratuita de atención al ciudadano: 018000 416384 | Fax: [57+4] 263 8282
Peticiones, quejas, reclamos, sugerencias, denuncias, consultas y felicitaciones
Política de tratamiento de datos personales
Medellín - Colombia | Todos los Derechos Reservados © 2020