3. • Las características principales
son:
• Velocidad de Proceso: miles de millones de instrucciones de
coma flotante por segundo.
• Usuarios a la vez: hasta miles, en entorno de redes amplias.
• Tamaño: requieren instalaciones especiales y aire
acondicionado industrial.
• Dificultad de uso: solo para especialistas.
• Clientes usuales: grandes centros de investigación.
4. • Penetración social: prácticamente nula.
• Impacto social: muy importante en el ámbito de la
investigación, ya que provee cálculos a alta velocidad de
procesamiento, permitiendo, por ejemplo, calcular en
secuencia el genoma humano, número Pi, desarrollar cálculos
de problemas físicos dejando un margen de error muy bajo,
etc.
• Parques instalados: menos de un millar en todo el mundo.
• Costo: hasta decenas de millones de dólares cada una de
ellas.
5. Principales usos
• Las supercomputadoras se utilizan para abordar problemas
muy complejos o que no pueden realizarse en del mundo
físico bien sea porque son peligrosos, involucran cosas
increíblemente pequeñas o increíblemente grandes. A
continuación damos algunos ejemplos:
• Mediante el uso de supercomputadoras, los investigadores
modelan el clima pasado y el clima actual y predicen el clima
futuro .
• Los astrónomos y los científicos del espacio utilizan las
supercomputadoras para estudiar el Sol y el clima espacial.
6. • Las supercomputadoras se utilizan para simular explosiones
de supernovas en el espacio.
• Las supercomputadoras se utilizan para probar la
aerodinámica de los más recientes aviones militares.
• Las supercomputadoras se están utilizando para modelar
cómo se doblan las proteínas y cómo ese plegamiento puede
afectar a la gente que sufre la enfermedad de Alzheimer, la
fibrosis enquistada y muchos tipos de cáncer.
• Las supercomputadoras se utilizan para modelar explosiones
nucleares, limitando la necesidad de verdaderas pruebas
nucleares.Mgmarks cetis86 ch, ch. Mx
• Los científicos usan supercomputadoras para simular de qué
manera un tsunami podría afectar una determinada costa o
ciudad.
7. Inteligencia artificial
• En ciencias de la Computación se denomina inteligencia
artificial (IA) a las inteligencias no naturales en agentes
racionales no vivos. John McCarthy, acuñó el término en 1956,
la definió: "Es la ciencia e ingeniería de hacer máquinas
inteligentes, especialmente programas de cómputo
inteligentes."
8. • Es un Agente inteligente que permite pensar, evaluar y actuar
conforme a ciertos principios de optimización y consistencia,
para satisfacer algún objetivo o finalidad. De acuerdo al
concepto previo, racionalidades más general y por ello más
adecuado que inteligencia para definir la naturaleza del
objetivo de esta disciplina.
9. CARACTERÍSTICAS DE LA
INTELIGENCIA ARTIFICIAL
• Una característica fundamental que distingue a los métodos
de Inteligencia Artificial de los métodos numéricos es el uso
de símbolos no matemáticos, aunque no es suficiente para
distinguirlo completamente. Otros tipos de programas como
los compiladores y sistemas de bases de datos, también
procesan símbolos y no se considera que usen técnicas de
Inteligencia Artificial.
10. • El comportamiento de los programas no es descrito
explícitamente por el algoritmo. La secuencia de pasos
seguidos por el programa es influenciado por el problema
particular presente. El programa especifica cómo encontrar la
secuencia de pasos necesarios para resolver un problema
dado (programa declarativo).
En contraste con los programas
que no son de Inteligencia
Artificial, que siguen un
algoritmo definido, que
especifica, explícitamente,
cómo encontrar las variables
de salida para cualquier
variable dada de entrada
(programa de procedimiento).
12. Beneficios de la Ergonomía
• Disminución de riesgo de lesiones
• Disminución de errores / rehacer
• Disminución de riesgos
ergonómicos
• Disminución de enfermedades
profesionales
• Disminución de días de trabajo
perdidos
• Disminución de Ausentismo
Laboral
• Disminución de la rotación de
personal
Disminución de los tiempos
de ciclo
Aumento de la tasa de
producción
Aumento de la eficiencia
Aumento de la productividad
Aumento de
los estándares de producción
Aumento de un buen clima
organizacional
Simplifica las tareas o
actividades
13. Redes neuronales
• Características de las Redes Neuronales
• Existen cuatro aspectos que caracterizan una red neuronal: su topología, el
mecanismo de aprendizaje, tipo de asociación realizada entre la información de
entrada y salida, y la forma de representación de estas informaciones.
• Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes
entre las neuronas que pertenecen a la única capa que constituye la red. Se
utilizan en tareas relacionadas con lo que se conoce como autoasociación; por
ejemplo, para generar informaciones de entrada que se presentan a la red
incompletas o distorsionadas.
• Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas
en varios niveles o capas. Una forma de distinguir la capa a la que pertenece la
neurona, consiste en fijarse en el origen de las señales que recibe a la entrada y el
destino de la señal de salida. Según el tipo de conexión, como se vio previamente,
se distinguen las redes feedforward, y las redes feedforward/feedback.
14. • Topología de las Redes Neuronales. La arquitectura de las redes
neuronales consiste en la organización y disposición de las neuronas
formando capas más o menos alejadas de la entrada y salida de la
red. En este sentido, los parámetros fundamentales de la red son: el
número de capas, el número de neuronas por capa, el grado de
conectividad y el tipo de conexiones entre neuronas.
• Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual
una red neuronal modifica sus pesos en respuesta a una
información de entrada. Los cambios que se producen durante el
proceso de aprendizaje se reducen a la destrucción, modificación y
creación de conexiones entre las neuronas, la creación de una
nueva conexión implica que el peso de la misma pasa a tener un
valor distinto de cero, una conexión se destruye cuando su peso
pasa a ser cero. Se puede afirmar que el proceso de aprendizaje ha
finalizado (la red ha aprendido) cuando los valores de los pesos
permanecen estables (dwij / dt = 0).