Yamisleydi Salgueiro, investigadora asociada del Centro Nacional de Inteligencia Artificial (CENIA) es coautora de dos investigaciones publicadas en las revistas Neurocomputing y Knowledge-Based Systems.
La investigadora Yamisleydi Salgueiro, del Centro Nacional de Inteligencia Artificial (CENIA), participó en dos estudios recientemente publicados en las revistas Neurocomputing y Knowledge-Based Systems, donde se proponen innovadoras formas de entrenar e integrar modelos de Inteligencia Artificial (IA), con resultados que mejoran notablemente su precisión y rapidez en la simulación de sistemas complejos como la planificación del transporte público y la gestión de sistemas de energía, entre otras aplicaciones.
Modelos de IA integrados de forma más confiable
El primer estudio, publicado en Neurocomputing, se enfoca en los Mapas Cognitivos Difusos Cuasi-No Lineales (q-FCM): modelos de Inteligencia Artificial que combinan conocimiento experto y datos históricos para representar sistemas complejos que poseen grados de incertidumbre. Por lo mismo, son especialmente útiles para simular escenarios dinámicos, como los asociados a la planificación del transporte público, por ejemplo. Una de sus características es que permiten integrar distintos modelos q-FCM sobre un mismo problema en un sistema unificado.
Hasta antes de este estudio, los métodos tradicionales solían enfocarse en mantener la estructura de los modelos originales sin garantizar su funcionamiento, debilitando con ello la confiabilidad de las simulaciones. La nueva investigación introduce un algoritmo de aprendizaje automático que ajusta progresivamente los modelos combinados, conservando su arquitectura y comportamiento dinámico sin grandes recursos computacionales, lo que asegura que el modelo fusionado produzca resultados coherentes con los modelos individuales, bajo las mismas condiciones iniciales.
Validado en simulaciones controladas y casos reales, el método mostró mejoras significativas en precisión, coherencia y utilidad de los modelos combinados respecto a lo que existe actualmente.
Entrenamiento paso a paso
El segundo estudio, publicado en la revista Knowledge-Based Systems, presenta una nueva técnica para entrenar redes cognitivas cuasi-no lineales de largo plazo (LTCNs): modelos de inteligencia artificial que procesan datos de manera similar al cerebro humano, adaptándose, tomando decisiones basadas en experiencias y simulando sistemas dinámicos.
Entrenar LTCNs ha sido un desafío debido a su naturaleza recurrente, lo que significa que los resultados de un paso se retroalimentan y afectan los siguientes. Además, los métodos tradicionales no eran suficientemente efectivos: algunos algoritmos eran lentos, no podían ajustar bien las conexiones entre las partes de la red o sufrían problemas como desvanecimiento o explosión de gradientes, dificultando el aprendizaje correcto.
Para mejorar su desempeño, los investigadores desarrollaron un nuevo método de aprendizaje que usa optimizadores numéricos iterativos, es decir, herramientas matemáticas que ajustan el modelo paso a paso de manera más eficiente. ¿Los resultados? El modelo permite entrenar LTCNs con mayor estabilidad, velocidad y exactitud, sin cálculos excesivamente complejos, reduciendo errores comunes y mejorando el rendimiento en análisis de series de tiempo, clasificación de patrones y predicción de datos.
Las pruebas muestran que el método supera a varios de los algoritmos más utilizados actualmente, marcando un avance en el desarrollo de sistemas de inteligencia artificial más precisos, confiables y versátiles.
“Ambas investigaciones aportan nuevas herramientas para el desarrollo de una Inteligencia Artificial más robusta, comprensible y adaptable a las necesidades sociales y tecnológicas contemporáneas. El trabajo refleja el compromiso de CENIA con el avance científico y el diseño de soluciones que integren conocimientos diversos, promoviendo así aplicaciones más efectivas y responsables de la inteligencia artificial”, dice la investigadora asociada de Cenia y académica de la U. de Talca, Yamisleydi Salgueiro.
Puedes acceder a los estudios aquí:
- Learning-based aggregation of Quasi-Nonlinear Fuzzy Cognitive Maps
- Autores: Gonzalo Nápoles, Isel Grau, Agnieszka Jastrzebska, Yamisleydi Salgueiro.
- Journal: Neurocomputing
- DOI: https://doi.org/10.1016/j.neucom.2025.129611
- Journal: Knowledge-Based Systems Learning of Quasi-nonlinear Long-term Cognitive Networks using iterative numerical methods
- Autores: Gonzalo Nápoles y Yamisleydi Salgueiro
- Journal: Knowledge-Based Systems
- DOI: https://doi.org/10.1016/j.knosys.2025.113464
