Neuronal Artificial
Neuronal Artificial
profesional “UDProfession”
Neural Network for Professional Orientation
“UDProfession”
Diana Marcela Pulido Morales*
Ana Celmira Gualteros Gualteros**
Jorge Enrique Rodríguez Rodríguez***
Resumen
* Tecnóloga en Sistematización de Datos. Integrante del grupo de investigación en Inteligencia Artificial de la Universidad Distrital
Francisco José de Caldas. Correo electrónico: [email protected]
** Tecnóloga en Sistematización de Datos. Integrante del grupo de investigación en Inteligencia Artificial de la Universi-
dad Distrital Francisco José de Caldas. Correo electrónico: [email protected]
*** Magíster en Ingeniería de Sistemas. Especialista en Ingeniería de Software. Especialista en Diseño y Construcción de
Soluciones Telemáticas. Ingeniero de Sistemas. Docente de la Universidad Distrital Francisco José de Caldas. Correo
electrónico: [email protected]
V Í N C U L O S
JULIO-DICIEMBRE DE 2009
VOLUMEN 6 NÚMERO 2
Abstract
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
Esta prueba tiene como objetivo indicarle Estas pruebas constan de un número determi-
al estudiante el área profesional hacia la que nado de preguntas (aproximadamente sesen-
apuntan sus intereses. No evalúa conoci- ta), con las cuáles se miden los gustos y las
mientos y, por tanto, no hay respuestas bue- aptitudes que tiene un estudiante hacia una
nas ni malas; la correcta será aquella que determinada área profesional. Del grado de
mejor refleje el tipo de actividades que prefie- coherencia y sinceridad con que el estudian-
re desarrollar el estudiante, sus aficiones. De te resuelva estas pruebas, depende el éxito
ahí que se requiera la mayor sinceridad posi- del proceso, porque esto le permite al psicó-
ble a la hora de responder este cuestionario. logo calificar y determinar un buen resultado.
Cada prueba consta de preguntas enfocadas
Esta prueba comprende ocho áreas profe- a un perfil específico, por tanto, se busca que
sionales, agrupadas de la siguiente forma: en cada una de ellas, las respuestas estén di-
ciencias económicas, administrativas y del rigidas hacia un mismo perfil, esto facilitaría
mercadeo, ciencias humanísticas y de inves- la interpretación de éstas; en el caso contrario,
tigación de la cultura, ciencias de la salud y si los resultados obtenidos divergen entre sí
del servicio social, ciencias exactas y natura- de una sola área profesional, el psicólogo debe
les aplicadas a la investigación de la salud y preparar una entrevista personal, en la que
de la alimentación, administración e investi- pueda analizar más a profundidad los gustos
gación de las ciencias agropecuarias, ciencias y las preferencias del estudiante por un ámbi-
exactas y naturales aplicadas a la tecnolo- to profesional en específico y así lograr orien-
gía, áreas artísticas e investigación en cien- tar al estudiante en un área profesional acorde
cias exactas. con sus intereses profesionales y habilidades
para desempeñarse en una determinada área.
DAT (Prueba de Aptitudes
Diferenciales) Una correcta elección profesional debe tener
en cuenta la satisfacción y realización pro-
Ésta es una batería integrada de pruebas de fesionales, el éxito y el bienestar económico
orientación que fueron elaboradas a fin de y personal que de ella puedan derivar. Es-
ofrecer un procedimiento integrado, científico tas metas sólo se logran mediante un trabajo
y bien estandarizado para medir las aptitu- sistemático y disciplinado, cuyo resultado es
des de los alumnos de ambos sexos de los el autoconocimiento, un proceso que se debe
ciclos básico y especializado de la enseñanza cultivar durante toda la existencia [7].
secundaria, para fines de orientación educa-
cional y vocacional. El proceso de orientación profesional bus-
ca lograr que los estudiantes se conozcan a sí
La batería de pruebas de aptitudes diferen- mismos, exploren sus aficiones y destrezas y
ciales, incluye las siguientes: razonamiento se relacionen con las diversas áreas del conoci-
verbal (VR), aptitud numérica (NA), razona- miento, para que, llegado el momento de ele-
miento abstracto (AR), relaciones espaciales gir, lo hagan con conocimiento de causa [7].
51
51
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
litud para representar le conocimiento y 5 La función sigmoidal está dada a través de la siguien-
aprender de casos registrados. te ecuación
53
53
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
en hallar un conjunto de pesos que minimi- sión perceptivas, relaciones espaciales y apti-
ce el error cometido al clasificar los patrones; tud verbal). Con los datos de las pruebas an-
para esto, en primer lugar, se realiza una ini- teriores se genera una red con tres capas: la
cialización aleatoria de todos los pesos de la capa de entrada contiene tres neuronas, que
red; a continuación, se entra en la fase itera- corresponden a la respuesta final de cada
tiva en la que se elige un ejemplo aleatoria- una de las pruebas (DAT, FIP, IAIM), la capa
mente del conjunto de ejemplos y se suminis- de salida cuenta con 58 neuronas y en la capa
tra a la red; el resultado es el cálculo de las oculta se definió 60 neuronas (a través de la
salidas y posterior a esto, se comparan las sa- experimentación), véase figura 1.
lidas obtenidas con las salidas deseadas [9].
Las salidas generadas, identificadas como
Un aspecto importante con respecto al apren- clases: (C1, C2, C3,….C58) corresponden a
dizaje en las redes neuronales es conocer todas las áreas profesionales: C1 cinestési-
cómo se modifican los valores de los pesos; ca corporal, C2 cinestésica corporal e intra-
es decir, cuáles son los criterios que se siguen personal, C3 cinestésica corporal y naturista,
para cambiar el valor asignado a las conexio- C4 espacial, C5 espacial y cinestésica corpo-
nes cuando se pretende que la red aprenda ral, C6 espacial y intrapersonal, C7 espacial
una nueva información. Estos criterios de- musical, C8 espacial y naturista, C9 indeter-
terminan lo que se conoce como la regla de minado, C10 interpersonal, C11 interperso-
aprendizaje de la red. De forma general, se nal y cinestésica corporal, C12 interpersonal
suelen considerar dos tipos de reglas: las que y intrapersonal, C13 interpersonal y natura-
responden a lo que se conoce como aprendi- lista, C14 intrapersonal, C15 intrapersonal y
zaje supervisado y las de aprendizaje no su- naturista, C16 lingüística, C17 lingüística y
pervisado [10]. cinestésica corporal, C18 lingüística y espa-
cial, C19 lingüística e interpersonal, C20 lin-
“UDProfession” es una red neuronal con güística e intrapersonal, C21 lingüística y ló-
aprendizaje supervisado que se caracteri- gica matemática, C22 lingüística y musical,
za porque el proceso de aprendizaje se rea- C23 lingüística y naturista, C24 lógica mate-
liza mediante un entrenamiento controlado mática, C25 lógica matemática y cinestésica
por un agente (supervisor, maestro) que de- corporal, C26 lógica matemática y espacial,
termina la respuesta que debería generar la C27 lógica matemática e interpersonal, C28
red a partir de una entrada determinada. El lógica matemática e intrapersonal, C29 lógi-
supervisor comprueba la salida de la red y ca matemática y musical, C30 lógica mate-
en el caso de que ésta no coincida con la de- mática y naturalista, C31 musical, C32 mu-
seada, se procederá a modificar los pesos de sical y cinestésica corporal, C33 musical e
las conexiones, a fin de conseguir que la sa- interpersonal, C34 musical e intrapersonal,
lida obtenida se aproxime a la deseada [10]. C35 musical y naturalista, C36 naturalista,
Para determinar el área profesional se utilizó C37 ciencias humanística y investigación de
una red neuronal, con las siguientes especi- cultura, C38 razonamiento mecánico, C39 ra-
ficaciones: las entradas son los resultados de zonamiento abstracto, C40 relaciones espa-
cada una de las ocho pruebas vocacionales: ciales, C41 aptitud numérica, C42 rapidez
IAIM (Prueba de Inteligencias Múltiples), y precisión perceptivas, C43 aptitud numé-
FIP (Formulario de Intereses Profesionales, rica y razonamiento abstracto, C44 relacio-
DAT (razonamiento abstracto, razonamiento nes espaciales y rapidez y precisión percep-
5454 mecánico, aptitud numérica, rapidez y preci- tivas, C45 aptitud numérica y razonamiento
mecánico, C46 aptitud numérica y rapidez y miento y el segundo ambiente, está desarro-
precisión perceptivas, C47 razonamiento ver- llado en PHP (acrónimo de Hypertext Prepro-
bal y rapidez y precisión perceptivas, C48 ra- cessor), en el cual se implementan las pruebas
zonamiento mecánico y rapidez y precisión vocacionales, así mismo, se realiza la califi-
perceptivas, C49 razonamiento mecánico y cación de éstas, para que dichos resultados
razonamiento abstracto, C50 indetermina- sean las entradas a la red neuronal.
do, C51 ciencias económicas administrativas
y del mercadeo, C52 ciencias humanística y Para empezar a configurar la red neuronal,
investigación de cultura, C53 ciencias de la primero se realizó un preprocesamiento de
salud y servicio social, C54 ciencias exactas los datos,6 el cual se encarga de eliminar los
aplicadas salud y alimentación, C55 admi- datos erróneos, inconsistentes, faltantes (lim-
nistración e investigación de ciencias agrope- pieza), etc., para presentarlos de una mejor
cuarias, C56 ciencias exactas aplicadas tecno- forma al iniciar el entrenamiento. Las bases
logía, C57 áreas artísticas, C58 investigación de datos manejan una cantidad considerable
en ciencias exactas. de información, que está llena de datos erró-
neos, datos faltantes, diversos formatos, etc.,
“UDProfession” cuenta con dos ambientes lo que se convierte en un problema para rea-
de trabajo: un ambiente está desarrollado
en java (eclipse), en la cual se implementa el
6 El propósito fundamental del preprocesamiento de
modelo de la red neuronal para su entrena- datos eliminar ruido de los datos.
55
55
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
en las que se modificó la tasa de aprendizaje, ciar en la tabla 1, la mejor corrida es la nú-
el momentum, el umbral y la cantidad de ca- mero 2, ya que en ésta se puede apreciar un
pas ocultas, hasta encontrar la configuración margen de error mucho menor que el de las
más adecuada y que ofreciera los mejores re- demás corridas.
sultados, en cuanto a efectividad de refiere.
En la figura 2 se observa la grafica de error de
En la tabla 1 se pueden apreciar las prue- entrenamiento, que consiste en el error total
bas realizadas, variando los datos de entre- que se presentó en cada época y así analizar
namiento; tasa de aprendizaje, momentum, el comportamiento y aprendizaje de la red.
épocas, capas ocultas, porcentaje de entrena- Ésta fue la corrida que mostró un mejor des-
miento y de prueba. Según los datos resul- empeño, ya que el tiempo de entrenamiento
tantes, la segunda corrida se considera como fue mínimo y la cantidad de épocas fue me-
el mejor entrenamiento, porque el tiempo es nor que en los otros entrenamientos, se pro-
bajo en comparación con otras como la quin- bó con distintos valores en la tasa de apren-
ta, en la que se obtiene el mismo resultado y dizaje, el momentum, el número de épocas y
el error total es menor. Como se puede apre- el número de capas ocultas.
Momentum
Épocas
Capas Ocultas
Entrenamiento
% de
% de Prueba
Totales
Patrones
Entrenamiento
Patrones
Prueba
Patrones
Error Total
Entrenamiento
Éxito
Éxito Prueba
Tiempo
1 0.75 1.0 50 30 70 30 4212 2948 1264 118x10-7 93% 96% 29s
3 0.9 1.0 100 60 80 20 4212 3369 843 0.2554 99% 100% 94s
4 0.9 0.05 100 65 70 30 4212 3369 843 6,732x10-5 94% 96% 82s
5 0.75 1.0 500 60 67 33 4212 2822 1390 7,62x10-9 99% 100% 646s
6 0.75 1.0 100 160 70 30 4212 3369 843 1,124x10-7 100% 100% 152s
57
57
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
C1 1 0 0 0 0
C2 0 1 0 0 0
C3 0 0 1 0 0
C4 0 0 0 1 0
C5 0 0 0 0 1
Pruebas
Personas IAIM DAT FIP INTERPRETACIÓN
Rapidez y
2 Musical precisión Áreas artísticas Áreas artísticas
perceptivas
Admón. E in-
Razonamien-
Naturalista vestigación Admón. e investigación
4 to mecánico
de ciencias de ciencias agropecuarias
agropecuarias
Razonamien-
Cinestésica Ciencias econó-
to verbal-apti- Ciencias económicas ad-
5 corporal micas administra-
tud numérica ministrativas del mercado
tivas del mercado
Diana Marcela Pulido Morales - Ana Celmira Gualteros Gualteros - Jorge Enrique Rodríguez Rodríguez
A T A C T U A L I D A D T E C N O L Ó G I C A
parar con el algoritmo backpropagation [7] M. A. Mejía. Escoja bien su carrera. Bogotá:
aquí implementado, en cuanto a efectivi- Intermedio. Cáp.1, 2000.
dad se refiere. [8] M. Corredor. Introducción a la Inteligencia
Artificial. Ed. UIS. 1998.
Referencias bibliográficas [9] F. Escolano y M. A. Cazorla. Inteligencia
artificial: modelos, técnicas y áreas de apli-
[1] W. S Mcculloch y W. Pitts. “A logical cal- cación. España: Thompson Editores.
culus of ideas immanent in nervous ac- 2003.
tivity”. Bulletin of Mathematical Biophys- [10] M. L. Rodríguez Moreno. Orientación e
ics, 1943. intervención psicopedagógica. Barcelona:
[2] M. Gallego. Guías de Trabajo para “Con- Barcanova. 1995.
serjería y Orientación Profesional”. [11] M. J. De la Fuente. Redes Neuronales Ar-
Corporación Universitaria Iberoameri- tificiales. España: Universidad de Valla-
cana. Bogotá: el autor, 2005. dolid. 2002.
[3] H. Gardner. Estructuras de la mente: la teo- [12] D. Pyle. Data Preparation for Data Min-
ría de las inteligencias múltiples. México: ing. United States: Morgan Kaufmann.
Fondo de Cultura Económica. 1999. 1999.
[4] L. Álvarez Munárriz. Fundamentos de In- [13] http://es.wikipedia.org/wiki/
teligencia Artificial. España: Universidad Sistema_experto
de Murcia. 1994. [14] http://bdigital.eafit.edu.co/bdigital/
[5] S. Barro y J. Mira. Computación neuronal. PROYECTO/P005.74C268U/fulltext.
España: Universidad de Santiago de pdf
Compostela. 1995. [15] http://svo.laeff.inta.es/Uploads/svo/
[6] J. Hilera y V. Martínez. Redes neuronales svo-datamining/preprocesado.pdf
artificiales “fundamentos, modelos y aplica-
ciones”. España: Alfaomega. 2000.
6060
Red neuronal artificial para orientación profesional “UDProfession”