SlideShare una empresa de Scribd logo
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
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
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.
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.
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
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
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.
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
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
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?
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:
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:
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:
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
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.
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.
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.
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.
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.
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
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.
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.
[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.

Más contenido relacionado

Destacado

Branding: Das ungeliebte Stiefkind von SEO
Branding: Das ungeliebte Stiefkind von SEOBranding: Das ungeliebte Stiefkind von SEO
Branding: Das ungeliebte Stiefkind von SEO
semrush_webinars
 
El periodismo y la cultura del cambio
El periodismo y la cultura del cambioEl periodismo y la cultura del cambio
El periodismo y la cultura del cambio
grmadryn
 
Pensando
PensandoPensando
Pensando
yak072
 
La filosofía de Platón
La filosofía de PlatónLa filosofía de Platón
La filosofía de Platón
Santiago Navajas
 
Las Universidadesde Harvardy Cambridge
Las Universidadesde Harvardy CambridgeLas Universidadesde Harvardy Cambridge
Las Universidadesde Harvardy Cambridge
Pere Eurotopia
 
Internet
InternetInternet
Internet
FDC
 
Charles & Ray Eames
Charles & Ray EamesCharles & Ray Eames
Charles & Ray Eames
Pere Eurotopia
 
Mision
MisionMision
Mision
ruthvaleme
 
junio1
junio1junio1
junio1
orienteblog
 
Cosasdela Vida
Cosasdela VidaCosasdela Vida
Cosasdela Vida
yak072
 
febrero1
febrero1febrero1
febrero1
orienteblog
 
Testdeinteligencia
TestdeinteligenciaTestdeinteligencia
Testdeinteligencia
yak072
 
El Niño de Las Palmeras
El Niño de Las PalmerasEl Niño de Las Palmeras
El Niño de Las Palmeras
panycebolla
 
Llistatcddvd
LlistatcddvdLlistatcddvd
Llistatcddvd
5froi
 
DéCalogo Para Formar Un Delincuente
DéCalogo Para Formar Un DelincuenteDéCalogo Para Formar Un Delincuente
DéCalogo Para Formar Un Delincuente
jlgmarro
 
r.mexicaan!
r.mexicaan!r.mexicaan!
r.mexicaan!
marcelithalexitha
 
E.h.schloss kobersdorf 2014
E.h.schloss kobersdorf 2014E.h.schloss kobersdorf 2014
E.h.schloss kobersdorf 2014
Ernest Matzalik Consultor (1.800+)
 

Destacado (20)

Branding: Das ungeliebte Stiefkind von SEO
Branding: Das ungeliebte Stiefkind von SEOBranding: Das ungeliebte Stiefkind von SEO
Branding: Das ungeliebte Stiefkind von SEO
 
El periodismo y la cultura del cambio
El periodismo y la cultura del cambioEl periodismo y la cultura del cambio
El periodismo y la cultura del cambio
 
Ricard
RicardRicard
Ricard
 
Pensando
PensandoPensando
Pensando
 
La filosofía de Platón
La filosofía de PlatónLa filosofía de Platón
La filosofía de Platón
 
Las Universidadesde Harvardy Cambridge
Las Universidadesde Harvardy CambridgeLas Universidadesde Harvardy Cambridge
Las Universidadesde Harvardy Cambridge
 
Internet
InternetInternet
Internet
 
VAQ-136
VAQ-136VAQ-136
VAQ-136
 
Charles & Ray Eames
Charles & Ray EamesCharles & Ray Eames
Charles & Ray Eames
 
Mision
MisionMision
Mision
 
junio1
junio1junio1
junio1
 
Cosasdela Vida
Cosasdela VidaCosasdela Vida
Cosasdela Vida
 
febrero1
febrero1febrero1
febrero1
 
Testdeinteligencia
TestdeinteligenciaTestdeinteligencia
Testdeinteligencia
 
EstadíStica
EstadíSticaEstadíStica
EstadíStica
 
El Niño de Las Palmeras
El Niño de Las PalmerasEl Niño de Las Palmeras
El Niño de Las Palmeras
 
Llistatcddvd
LlistatcddvdLlistatcddvd
Llistatcddvd
 
DéCalogo Para Formar Un Delincuente
DéCalogo Para Formar Un DelincuenteDéCalogo Para Formar Un Delincuente
DéCalogo Para Formar Un Delincuente
 
r.mexicaan!
r.mexicaan!r.mexicaan!
r.mexicaan!
 
E.h.schloss kobersdorf 2014
E.h.schloss kobersdorf 2014E.h.schloss kobersdorf 2014
E.h.schloss kobersdorf 2014
 

Similar a Estadodelarteproyectoia

Proyecto TI2
Proyecto TI2Proyecto TI2
Proyecto TI2
Julio Camacho
 
Medicina Basada en la Evidencia
Medicina Basada en la EvidenciaMedicina Basada en la Evidencia
Medicina Basada en la Evidencia
nativaliero
 
Tesis MSc Farmacia Clinica Manuel O Machado
Tesis MSc Farmacia Clinica Manuel O MachadoTesis MSc Farmacia Clinica Manuel O Machado
Tesis MSc Farmacia Clinica Manuel O Machado
Manuel Osvaldo Machado Rivero
 
Assessment of information resources in the Center of Study Documentation and ...
Assessment of information resources in the Center of Study Documentation and ...Assessment of information resources in the Center of Study Documentation and ...
Assessment of information resources in the Center of Study Documentation and ...
Manuel Osvaldo Machado Rivero
 
Qué Es
Qué EsQué Es
Trabajo Terminado
Trabajo TerminadoTrabajo Terminado
Trabajo Terminado
depetris
 
La ia y_los_retos_de_la_mineria_de_datos
La ia y_los_retos_de_la_mineria_de_datosLa ia y_los_retos_de_la_mineria_de_datos
La ia y_los_retos_de_la_mineria_de_datos
Flor Cuenca
 
La informática medica y los sistemas de información
La informática medica y los sistemas de información La informática medica y los sistemas de información
La informática medica y los sistemas de información
Karito Orozco
 
planificacion sanitaria materia 5 power point.pptx
planificacion sanitaria materia 5 power point.pptxplanificacion sanitaria materia 5 power point.pptx
planificacion sanitaria materia 5 power point.pptx
AngelDelRosarioMedin
 
Panchi_Stheven_Documento1.pdf
Panchi_Stheven_Documento1.pdfPanchi_Stheven_Documento1.pdf
Panchi_Stheven_Documento1.pdf
STHEVENPAULPANCHICAT
 
Demandas de Sanitarios y Pacientes a las Nuevas Herramientas de Comunicación
Demandas de Sanitarios y Pacientes  a las Nuevas Herramientas de ComunicaciónDemandas de Sanitarios y Pacientes  a las Nuevas Herramientas de Comunicación
Demandas de Sanitarios y Pacientes a las Nuevas Herramientas de Comunicación
Jose Avila De Tomas
 
Proyecto de Base de Datos 1ra Parte
Proyecto de Base de Datos 1ra ParteProyecto de Base de Datos 1ra Parte
Proyecto de Base de Datos 1ra Parte
Mary Paty Ayala
 
Qué Es...
Qué Es...Qué Es...
Qué Es...
alepasero
 
proyecto de metodologia satmed
proyecto de metodologia satmedproyecto de metodologia satmed
proyecto de metodologia satmed
benjamingut
 
Tomey Paula
Tomey PaulaTomey Paula
Tomey Paula
pauoo
 
Informática en Medicina
Informática en MedicinaInformática en Medicina
Informática en Medicina
Carlos González Salamea
 
Temario sistemas de la info
Temario  sistemas  de la  infoTemario  sistemas  de la  info
Temario sistemas de la info
Miguel Angel Vazquez Mmembrillo
 
Temario sistemas de la info
Temario  sistemas  de la  infoTemario  sistemas  de la  info
Temario sistemas de la info
Miguel Angel Vazquez Mmembrillo
 
Informe final
Informe finalInforme final
Noticia ibm en búsqueda de descubrimientos científicos
Noticia ibm en búsqueda de descubrimientos científicos Noticia ibm en búsqueda de descubrimientos científicos
Noticia ibm en búsqueda de descubrimientos científicos
alejosr18
 

Similar a Estadodelarteproyectoia (20)

Proyecto TI2
Proyecto TI2Proyecto TI2
Proyecto TI2
 
Medicina Basada en la Evidencia
Medicina Basada en la EvidenciaMedicina Basada en la Evidencia
Medicina Basada en la Evidencia
 
Tesis MSc Farmacia Clinica Manuel O Machado
Tesis MSc Farmacia Clinica Manuel O MachadoTesis MSc Farmacia Clinica Manuel O Machado
Tesis MSc Farmacia Clinica Manuel O Machado
 
Assessment of information resources in the Center of Study Documentation and ...
Assessment of information resources in the Center of Study Documentation and ...Assessment of information resources in the Center of Study Documentation and ...
Assessment of information resources in the Center of Study Documentation and ...
 
Qué Es
Qué EsQué Es
Qué Es
 
Trabajo Terminado
Trabajo TerminadoTrabajo Terminado
Trabajo Terminado
 
La ia y_los_retos_de_la_mineria_de_datos
La ia y_los_retos_de_la_mineria_de_datosLa ia y_los_retos_de_la_mineria_de_datos
La ia y_los_retos_de_la_mineria_de_datos
 
La informática medica y los sistemas de información
La informática medica y los sistemas de información La informática medica y los sistemas de información
La informática medica y los sistemas de información
 
planificacion sanitaria materia 5 power point.pptx
planificacion sanitaria materia 5 power point.pptxplanificacion sanitaria materia 5 power point.pptx
planificacion sanitaria materia 5 power point.pptx
 
Panchi_Stheven_Documento1.pdf
Panchi_Stheven_Documento1.pdfPanchi_Stheven_Documento1.pdf
Panchi_Stheven_Documento1.pdf
 
Demandas de Sanitarios y Pacientes a las Nuevas Herramientas de Comunicación
Demandas de Sanitarios y Pacientes  a las Nuevas Herramientas de ComunicaciónDemandas de Sanitarios y Pacientes  a las Nuevas Herramientas de Comunicación
Demandas de Sanitarios y Pacientes a las Nuevas Herramientas de Comunicación
 
Proyecto de Base de Datos 1ra Parte
Proyecto de Base de Datos 1ra ParteProyecto de Base de Datos 1ra Parte
Proyecto de Base de Datos 1ra Parte
 
Qué Es...
Qué Es...Qué Es...
Qué Es...
 
proyecto de metodologia satmed
proyecto de metodologia satmedproyecto de metodologia satmed
proyecto de metodologia satmed
 
Tomey Paula
Tomey PaulaTomey Paula
Tomey Paula
 
Informática en Medicina
Informática en MedicinaInformática en Medicina
Informática en Medicina
 
Temario sistemas de la info
Temario  sistemas  de la  infoTemario  sistemas  de la  info
Temario sistemas de la info
 
Temario sistemas de la info
Temario  sistemas  de la  infoTemario  sistemas  de la  info
Temario sistemas de la info
 
Informe final
Informe finalInforme final
Informe final
 
Noticia ibm en búsqueda de descubrimientos científicos
Noticia ibm en búsqueda de descubrimientos científicos Noticia ibm en búsqueda de descubrimientos científicos
Noticia ibm en búsqueda de descubrimientos científicos
 

Más de Emprendimiento Shalah

En busca del cambio
En busca del cambioEn busca del cambio
En busca del cambio
Emprendimiento Shalah
 
Lealtad de los clientes
Lealtad de los clientesLealtad de los clientes
Lealtad de los clientes
Emprendimiento Shalah
 
Responsabilidad social Empresarial
Responsabilidad social EmpresarialResponsabilidad social Empresarial
Responsabilidad social Empresarial
Emprendimiento Shalah
 
Volar sobre el pantano
Volar sobre el pantanoVolar sobre el pantano
Volar sobre el pantano
Emprendimiento Shalah
 
Informe
InformeInforme
Consultas de sparql en dbpedia
Consultas de sparql en dbpediaConsultas de sparql en dbpedia
Consultas de sparql en dbpedia
Emprendimiento Shalah
 
Ontología utpl
Ontología utplOntología utpl
Ontología utpl
Emprendimiento Shalah
 
Consultas de sparql en dbpedia
Consultas de sparql en dbpediaConsultas de sparql en dbpedia
Consultas de sparql en dbpedia
Emprendimiento Shalah
 
Trabajoenclase Ia
Trabajoenclase IaTrabajoenclase Ia
Trabajoenclase Ia
Emprendimiento Shalah
 
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”  AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
Emprendimiento Shalah
 
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
Emprendimiento Shalah
 
El Cielo
El CieloEl Cielo
OPEN INNOVATION
OPEN INNOVATIONOPEN INNOVATION
OPEN INNOVATION
Emprendimiento Shalah
 
Sistema Base Datos Otv Parte2
Sistema Base Datos Otv Parte2Sistema Base Datos Otv Parte2
Sistema Base Datos Otv Parte2
Emprendimiento Shalah
 
SISTEMA DE BASE DE DATOS PARTE 1
SISTEMA DE BASE DE DATOS PARTE 1SISTEMA DE BASE DE DATOS PARTE 1
SISTEMA DE BASE DE DATOS PARTE 1
Emprendimiento Shalah
 
BASES DE DATOS DISTRIBUIDAS
BASES DE DATOS DISTRIBUIDASBASES DE DATOS DISTRIBUIDAS
BASES DE DATOS DISTRIBUIDAS
Emprendimiento Shalah
 
PROCESAMIENTO DE CONSULTAS
PROCESAMIENTO DE CONSULTASPROCESAMIENTO DE CONSULTAS
PROCESAMIENTO DE CONSULTAS
Emprendimiento Shalah
 
Gestion de transacciones
Gestion de transaccionesGestion de transacciones
Gestion de transacciones
Emprendimiento Shalah
 
Seguridad
SeguridadSeguridad
Tablas de Extracciones
Tablas de ExtraccionesTablas de Extracciones
Tablas de Extracciones
Emprendimiento Shalah
 

Más de Emprendimiento Shalah (20)

En busca del cambio
En busca del cambioEn busca del cambio
En busca del cambio
 
Lealtad de los clientes
Lealtad de los clientesLealtad de los clientes
Lealtad de los clientes
 
Responsabilidad social Empresarial
Responsabilidad social EmpresarialResponsabilidad social Empresarial
Responsabilidad social Empresarial
 
Volar sobre el pantano
Volar sobre el pantanoVolar sobre el pantano
Volar sobre el pantano
 
Informe
InformeInforme
Informe
 
Consultas de sparql en dbpedia
Consultas de sparql en dbpediaConsultas de sparql en dbpedia
Consultas de sparql en dbpedia
 
Ontología utpl
Ontología utplOntología utpl
Ontología utpl
 
Consultas de sparql en dbpedia
Consultas de sparql en dbpediaConsultas de sparql en dbpedia
Consultas de sparql en dbpedia
 
Trabajoenclase Ia
Trabajoenclase IaTrabajoenclase Ia
Trabajoenclase Ia
 
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”  AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
 
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
AGENTE INTELIGENTE: “SISTEMA DE SEGURIDAD PARA CASAS”
 
El Cielo
El CieloEl Cielo
El Cielo
 
OPEN INNOVATION
OPEN INNOVATIONOPEN INNOVATION
OPEN INNOVATION
 
Sistema Base Datos Otv Parte2
Sistema Base Datos Otv Parte2Sistema Base Datos Otv Parte2
Sistema Base Datos Otv Parte2
 
SISTEMA DE BASE DE DATOS PARTE 1
SISTEMA DE BASE DE DATOS PARTE 1SISTEMA DE BASE DE DATOS PARTE 1
SISTEMA DE BASE DE DATOS PARTE 1
 
BASES DE DATOS DISTRIBUIDAS
BASES DE DATOS DISTRIBUIDASBASES DE DATOS DISTRIBUIDAS
BASES DE DATOS DISTRIBUIDAS
 
PROCESAMIENTO DE CONSULTAS
PROCESAMIENTO DE CONSULTASPROCESAMIENTO DE CONSULTAS
PROCESAMIENTO DE CONSULTAS
 
Gestion de transacciones
Gestion de transaccionesGestion de transacciones
Gestion de transacciones
 
Seguridad
SeguridadSeguridad
Seguridad
 
Tablas de Extracciones
Tablas de ExtraccionesTablas de Extracciones
Tablas de Extracciones
 

Último

Conceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagaciónConceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagación
edgarcalle8
 
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
ADELAIDA90
 
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Telefónica
 
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
241578066
 
11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf
PanchoChangue
 
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptxDiapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
GnesisOrtegaDeLen
 
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
Rubén Cortes Zavala
 
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
Navsat
 
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdfInforme_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Rubén Cortes Zavala
 
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docxSEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
Eddy Nathaly Jaimes Villamizar
 
UiPath Community Data Service presentation
UiPath Community Data Service presentationUiPath Community Data Service presentation
UiPath Community Data Service presentation
DianaGray10
 

Último (11)

Conceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagaciónConceptos y definiciones de Antenas y propagación
Conceptos y definiciones de Antenas y propagación
 
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
PROTOCOLO DE NANOPOROS Kit de códigos de barras 16S (SQK-RAB204)
 
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
Índice del libro "Metaverso y mundos virtuales: Tecnologías, Retos y Oportuni...
 
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
"El uso de las TIC en la vida cotidiana". SantanaMartinez_Alejandra
 
11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf11. Legislación Aplicada a la Informática.pdf
11. Legislación Aplicada a la Informática.pdf
 
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptxDiapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
Diapositiva sobre Tecnologia de la Información y Telecomunicaciones.pptx
 
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
400816850-Mantenimiento-de-Equipos-de-Espesamiento-pdf.pdf
 
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
¿Cómo funciona el seguimiento por GPS y cómo puede ayudar al transporte y la ...
 
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdfInforme_mc_bombas_Warman_001-WEIR vulco.pdf
Informe_mc_bombas_Warman_001-WEIR vulco.pdf
 
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docxSEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
SEGUNDA GENERACIÓN xxxxxxxxxxxxxxxx.docx
 
UiPath Community Data Service presentation
UiPath Community Data Service presentationUiPath Community Data Service presentation
UiPath Community Data Service presentation
 

Estadodelarteproyectoia

  • 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. [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.