Resumen de aplicaciones de inteligencia artificial usando internet de las cosas.
Jorge Roger Salas Escobar
Unidad de Posgrado UNI-FIIS, Universidad Nacional de Ingeniería
Lima, Perú
j.salas.e@uni.pe
1. DESCRIPCIÓN DE LOS TRABAJOS REALIZADOS SOBRE INTERNET DE LAS COSAS
Descripción.
En el presente artículo se hace un análisis y resumen de los casos de utilización del Internet de las Cosas haciendo uso de la Inteligencia Artificial.
1.1. Paper 1: “TECNOLOGÍAS DISRUPTIVAS EN EDUCACIÓN VIRTUAL”
1.1.1. Descripción del problema
En el mundo actual se hace necesario que las organizaciones educativas virtuales estén preparadas para innovar en sus procesos. La metodología empleada para la presente investigación responde a un enfoque mixto. En lo cualitativo se realizó una revisión documental de bases de datos científicas y en lo cuantitativo se realizó un diseño no experimental).
1.1.2. Algoritmos y resultados de las pruebas
En lo cualitativo se realizó una revisión documental de bases de datos científicas y
en lo cuantitativo se contó con un diseño no experimental longitudinal de tipo descriptivo.
Acorde a Hernández, Fernández, y Baptista (2014) es posible identificar y describir las
variables en un lapso con el fin de establecer en este caso el estado de la ciencia y de la técnica
e innovación en la educación.
Las fases de la investigación fueron las siguientes:
Fase 1. Construcción de una bibliometría con el propósito de identificar la productividad
científica y las fuentes y tipo de publicaciones relacionadas con el objeto de estudio.
Fase 2. Definición del factor crítico de vigilancia mediante una revisión de las variables que hacen
parte de la productividad científica del objeto de estudio y la selección del área de interés de los
investigadores.
Fase 3. Construcción del estado de la Ciencia mediante la revisión de las temáticas expuestas
en los artículos científicos que se relacionan con el factor crítico de vigilancia.
Fase 4. Construcción del estado de la técnica mediante la recopilación de inventores y
patentes relacionadas con el objeto de estudio.
Fase 5. Construcción de un mapa tecnológico de relación entre el estado de la ciencia y el
estado de la técnica.
Para poder identificar como se están integrando las tecnologías 4.0 en la educación virtual se realizó una búsqueda de palabras claves en la base de datos de Scopus, por parejas relacionando cada una de las tecnologías con la educación virtual y un análisis de coocurrencia de las palabras que se repiten en los artículos de investigación, siendo estos objetos de relación entre variables Los resultados se aprecian en la Figura 4.
Internet de las cosas representa para el área de salud pública una posibilidad innovadora para entender y atender el fenómeno salud-enfermedad de las poblaciones, y proporcionar una red de colaboración entre individuos sustentado en la conformación de una arquitectura de la participación desde un enfoque inteligente.
1.1.3. Herramientas
• Base de datos de Scopus.
• SPSS
• VOSviewer
1.1.4. Descripción de los Dataset
Las tecnologías 4.0 cambian la forma en que se gestiona el conocimiento principalmente
en la educación virtual. Se determinaron los siguientes clústeres a) características del e-learning, (b) características de la industria 4.0, (c) avances tecnológicos tradicionales para la educación y la
industria y (d) avances tecnológicos disruptivos para la educación virtual y la industria
1.2. Paper 2: “Development of smart aquaculture farm management system using IoT and AI-based surrogate models”
1.2.1. Descripción del problema
Debido a la baja participación laboral de los adultos jóvenes y el envejecimiento de la población agrícola, Taiwán y el resto del mundo enfrentan escasez de mano de obra en la agricultura, lo que afectará la producción acuícola. El sistema propuesto está destinado principalmente a resolver los problemas que enfrenta el sector de la acuicultura en Taiwán mediante el diseño de un sistema inteligente de control y monitoreo de peces basado en IoT equipado con diferentes dispositivos IoT para permitir la recopilación de datos en tiempo real; para que las condiciones de calidad del agua del estanque de peces y otros parámetros del sistema puedan monitorearse, ajustarse y evaluarse fácilmente de forma remota.
1.2.2. Algoritmos y resultados de las pruebas
Deep learning (DL) es un gran avance en la IA que ha superado limitaciones. La inteligencia artificial (IA) se ha utilizado ampliamente en varios campos, incluida la agricultura, bioinformática, robótica, IoT, medicina, etc. DL es parte del área de aprendizaje automático (ML); sin embargo, mejora el
preprocesamiento de datos al recuperar automáticamente características extremadamente no lineales y complicadas a través de numerosas capas.
Se trabajan con series temporales de aprendizaje profundo como LSTM puede no ser lo suficientemente estable y, por lo tanto, insuficiente para predecir todas las dinámicas en tiempo real.
1.2.3. Herramientas.
El estanque de peces inteligente está equipado con múltiples sensores como sensor de pH, sensor de temperatura, sensor de oxígeno disuelto y sensor de turbidez conectados con el controlador Arduino Mega2560 con módulo Wi-Fi integrado, múltiples actuadores como calentador, interruptor de límite, bomba de agua, agitador, dispositivo a prueba de viento y dispositivo de alimentación inteligente, y IPCAM para monitoreo en tiempo real.
1.2.4. Descripción de los Dataset.
Para la toma de decisiones se han considerado los siguientes datos:
Oxígeno disuelto (ppm), valor pH, Temperatura, Turbidez (NTU), Cantidad de cebo (grano/semana), Incremento de longitud (cm/semana)
1.3. Paper 3: “Collaborative APIs recommendation for Artificial Intelligence of Things with information fusion”
1.3.1. Descripción del problema.
Con el rápido desarrollo de la Inteligencia Artificial de las Cosas (AIoT), se desarrollan e implementan muchas aplicaciones, especialmente aplicaciones móviles y aplicaciones de borde. Se desarrollan muchos softwares para admitir aplicaciones tan diversas. Para facilitar el desarrollo de software para AIoT, los desarrolladores y programadores generalmente confían en el empleo de interfaces de programación de aplicaciones (API) maduras.
1.3.2. Algoritmos y resultados de las pruebas.
Los sistemas a utilizar recomendados se pueden dividir en tres tipos, es decir, sistema de recomendación basado en contenido, sistema de recomendación de filtrado colaborativo (CF) y sistema de recomendación híbrido. La factorización matricial (MF) es uno de los modelos CF más populares. MF aprende las características latentes de los datos históricos.
Un modelo brinda resultados de recomendación del lado del usuario y el otro modelo brinda resultados de recomendación del lado de la API. Para utilizar completamente todo tipo de información tanto en el lado del usuario como en el lado de la API, también proponemos un modelo de recomendación de API conjuntas.
• Desarrollamos una técnica de factorización de matriz conjunta completando la fusión de información de diferentes tipos de información en AIoT. Además, construimos un marco de recomendación de API colaborativo basado en redes neuronales, cálculo de similitud y los modelos MF colaborativos propuestos.
• Construimos tres modelos de recomendación de API para AIoT que contienen dos modelos individuales y un modelo Joint-MF. Los dos modelos individuales son capaces de utilizar diferentes tipos de información en el lado del usuario y en el lado de la API, respectivamente. El modelo Joint-MF está diseñado para aprovechar al máximo toda la información tanto en el lado del usuario como en el de la API.
• Recopilamos un conjunto de datos del mundo real que se puede usar como punto de referencia de evaluación de la tarea de recomendación de API en AIoT. Realizamos suficientes experimentos y los resultados experimentales demuestran que nuestros modelos generan un rendimiento superior y no son sensibles a los parámetros
Conjunto de datos y entorno experimental
Rastreamos un conjunto de datos del mundo real de ProgrammableWeb. 1 ProgrammableWeb es un repositorio de recopilación de API que recopila diversa información de API, incluidos desarrolladores, seguidores, características, introducciones y etiquetas. Hay 22 032 API y 17 412 usuarios (desarrolladores y seguidores) en el conjunto de datos rastreado. Los desarrolladores y seguidores se unifican para ser denominados usuarios. Las funciones contienen un grupo de atributos de API, como portal de API, formato de solicitud de una API.
1.3.3. Herramientas.
Software word2vec, ProgrammableWeb
1.3.4. Descripción de los Dataset.
Conjunto de datos del mundo real que se puede usar como punto de referencia de evaluación de la tarea de recomendación de API en AIoT. Realizamos suficientes experimentos y los resultados experimentales demuestran que nuestros modelos generan un rendimiento superior y no son sensibles a los parámetros.
2. CONCLUSIONES
• PAPER 1: En este caso se están integrando las tecnologías 4.0 en la educación virtual, el cual se verifica que tienen un gran impulso en el tema del aprendizaje.
• PAPER 2: En este caso se observa que haciendo uso de la LSTM, se están logrando buenos resultados con la aplicación de diversas herramientas de IA.
• PAPER 3: En este caso se plantea la utilización de tres tipos de Sistemas; que utilizándolos de manera conjunta en un API se obtendrán buenos rendimientos.
3. REFERENCIAS BIBLIOGRAFICAS.
[1] Tecnologías disruptivas en educación virtual.
https://dialnet.unirioja.es/servlet/art ... go=8116507
[2] Development of smart aquaculture farm management system using IoT and AI-based surrogate models
https://www.sciencedirect.com/science/a ... via%3Dihub
[3] Collaborative APIs recommendation for Artificial Intelligence of Things with information fusion
https://www.sciencedirect.com/science/a ... 9X21002582