Título
ALGORITMOS DISTRIBUIDOS EN INTELIGENCIA COMPUTACIONAL, CON ENFASIS EN LOS ASPECTOS DE SINERGIA, EFICIENCIA Y EFECTIVIDAD

Código
2003097

Area
INGENIERIA

Duración
2 a�os

Organismo de Contraparte de CONICYT: BMBF

Año de la Convocatoria: 2003

Sitio Web del Proyecto

Resumen del Proyecto:

El explosivo aumento de tama�o de las bases de datos a nivel mundial en diversas aplicaciones han hecho necesaria la construcci�n de modelos "Inteligentes" que sean capaces de aprender y encontrar estructuras a partir de un conjunto de datos. Pero el gran n�mero de datos que se deben procesar hace que los algoritmos de aprendizajes implementados de manera serial sean poco eficientes (en cuanto a tiempo y memoria), lo que nos motiva a investigar en la manera de distribuir los algoritmos para as� atacar el problema del gran volumen de datos y la distribuci�n de �stos.

Las aplicaciones para resolver problemas complejos del mundo real traen consigo la dificultad adicional de la gran envergadura esperada del espacio del problema. Para enfrentar este nuevo desaf�o, se acent�a la necesidad de continuar los esfuerzos por sinergia, como una forma de contribuir indirectamente a la eficiencia. Entendiendo eficiencia como una expresi�n de las demandas computacionales (tiempo y memoria) para resolver un problema. Por tanto resulta evidente la necesidad de optimizar los algoritmos requeridos, especialmente en el contexto de procesamiento distribuido usando grupos de computadores. En cuanto a la efectividad, se trata de obtener y presentar al usuario resultados no solo correctos, sino con validez estad�stica y robustos respecto de datos ruidosos y at�picos (difusos) por una parte, y comprensibles, por otra.

El objetivo de la Investigaci�n propuesta es la b�squeda de m�todos eficientes y efectivos en Inteligencia Computacional para abordar problemas complejos del mundo real, incluyendo la continuaci�n de la b�squeda (y utilizaci�n) de efectos sinerg�ticos y el dise�o de estrategias computacionales apropiadas para enfrentar la alta complejidad de los problemas a resolver.

Proyectos asociados:

Proyecto Fondecyt Regular N� 1040365, "Robust Learning Algorithms for Modular Neural Networks in Non-Stationary Time Series" 2004 - 2006
Proyecto Fondecyt Coop-Internacional N� 7050205, "Robust Learning Algorithms for Modular Neural Networks in Non-Stationary Time Series"