Redes Neuronales Artificiales

Informática. Auditoría Informática. Propuestas. Metodología. Red Perceptrón. Red Adaline. Red Backpropagation. Red Aprendizaje Asociativo. Red Competitiva

  • Enviado por: ERICK GONZALEZ MORALES
  • Idioma: castellano
  • País: Chile Chile
  • 44 páginas
publicidad
publicidad

'Redes Neuronales Artificiales'

Curso : 01-700 B

Carrera : Contador Auditor

Cátedra : Auditoria de Sistemas

I N D I C E

  • INTRODUCCION A LA AUDITORIA INFORMATICA Pág. 5

  • Definición de Auditoria Pág. 5

  • ¿Qué es auditoria Informática ? Pág. 5

  • Factores que sustentan la Auditoría de los sistemas de Información Pág. 5

  • El Riesgo informático, una visión empresarial Pág. 6

  • ¿QUÉ ES UNA RED NEURONAL ARTIFICIAL? Pág. 8

  • Concepto Pág. 8

  • Aplicación de los sistemas neuronales Pág. 10

  • PRINCIPALES TIPOS DE REDES NEURONALES Pág. 11

  • Red Perceptrón Pág. 11

  • Red Adaline Pág. 14

  • Red Backpropagatión Pág. 16

  • Red Aprendizaje Asociativo Pág. 19

  • Red Competitiva Pág. 20

  • PROPUESTA DE SERVICIOS DE AUDITORIA INFORMATICA Pág. 25

  • Antecedentes Pág. 25

  • Objetivos Pág. 25

  • Alcances de la Auditoria Pág. 25

  • Metodología Pág. 25

  • Tiempo y costo Pág. 26

  • METODOLOGIA PARA AUDITAR UNA R.N.A. Pág. 27

  • Investigación preliminar Pág. 27

  • Área informática Pág. 27

  • Recursos materiales y técnicos Pág. 27

  • Sistemas Pág. 27

  • Personal participante Pág. 28

  • Evaluación de Sistemas Pág. 29

  • Evaluación del diseño lógico del sistema Pág. 30

  • Evaluación del desarrollo del sistema Pág. 32

  • Etapas de control Pág. 32

  • Seguridad lógica y confidencial Pág. 34

  • CASO PRACTICO Pág. 36

  • Descripción del programa Pág. 36

  • Por que ocupar este tipo de red Pág. 39

  • MATERIAL ANEXO Pág. 41

  • Anexo Nº 1 Pág. 41

  • Anexo Nº 2 Pág. 42

  • Conclusión Pág. 43

  • Bibliografía Pág. 44

  • PRESENTACION

    A través del presente trabajo de investigación enfocado a lo que son las RNA (Redes Neuronales Artificiales), queremos dar a conocer los distintos usos que se pueden implementar con esta metodología y como la tecnología imitando al cerebro humano ha llegado a desarrollar técnicas tan complejas como las RNA.

    En nuestro equipo de trabajo hemos desarrollado una extensa búsqueda de material investigativo en libros, Internet, tesis y apuntes para entregarles una información clara y precisa del tema a tratar, y su metodología para hacer posible su auditoría.

    Las distintas tecnología de información que han estado siempre abiertas al desarrollo de nuevas herramientas que faciliten sus procesos de investigación y en este sentido el estudio de las teorías de las redes neuronales artificiales que es una tendencia alternativa que fortalece el desarrollo de nuevas tecnologías.

    Se pretende introducir los conceptos y herramientas básicas sobre redes neuronales artificiales, para que cualquier empresa interesada en conocer esta teoría y aplicar en la solución de un problema específico, la empresa tendrá la capacidad de decidir si este método es el mejor camino y en tal caso de escoger el tipo de redes neuronales artificiales que le permitan dar solución a los objetivos de la organización.

    Dando mayor énfasis a las aplicaciones que pueda tener esta teoría en las empresas y como un auditor puede omitir una opinión sobre algo muy significativo.

    En la siguiente investigación sobre la metodología para auditar redes neuronales artificiales, debemos tomar conocimiento general de qué son, e identificar los riesgos que todo sistema implica junto con sus debilidades unido a la necesidad de dotar a las organizaciones de un instrumento de control que promueva una beneficiosa expectativa a un costo razonable y eleve constantemente el control acorde a los usuarios del sistema.

    Debido a la gran competitividad que existe en el mercado sobre nuevas tecnologías las empresas se ven obligadas a automatizar sus sistemas aplicando herramientas tecnológicas que permitan su permanencia en el tiempo.

    1.- INTRODUCCION A LA AUDITORIA INFORMATICA

    1.1 Definición de Auditoria

    La auditoría puede definirse como el examen comprensivo y constructivo de la estructura organizativa de una empresa de una institución o departamento gubernamental; o de cualquier otra entidad y de sus métodos de control, medios de operación y empleo que dé a sus recursos humanos y materiales.

    1.2 ¿Qué es Auditoría Informática?

    Auditoría en Informática es la revisión y evaluación de los controles, sistemas, procedimientos de informática, de los equipos de cómputo, su utilización, eficiencia y seguridad, de la organización que participan en el procesamiento de la información, a fin de que por medio del señalamiento de cursos alternativos se logre una utilización más eficiente y segura de la información que servirá para la adecuada toma de decisiones.

    1.3 Factores que sustentan la Auditoría en los Sistemas de Información

    En la actualidad los temas relativos a la auditoría informática cobran cada vez más relevancia, debido a que la información se ha convertido en el activo más importante de las empresas, representando su principal ventaja estratégica, por lo que estas invierten enormes cantidades de dinero y tiempo en la creación de sistemas de información, con el fin de obtener la mayor productividad y calidad posibles.

    Hoy, cuando nuestra era presenta un mayor desarrollo tecnológico que no posee limites, las empresas u organizaciones dependen de pautas económicas, industriales y sociales que deben adaptarse rápidamente a las nuevas tendencias tecnológicas y cambios económicos para poder permanecer en el tiempo.

    Este cambio es muy rápido, afecta a nivel mundial y su comprensión es fundamental para las organizaciones, exclusivamente en el contexto de los sistemas y tecnologías de información. En los últimos años se ha producido una verdadera revolución tecnológica que ha tenido un impacto en la industria informática y que ha repercutido en el resto de los sectores (económicos, industriales y sociales).

    La información y la tecnología representan un activo intangible importante dentro de las organizaciones de igual forma como los otros activos de la empresa, es decir, los requerimientos de calidad, controles, seguridad e información que son indispensables. La alta gerencia por consiguiente debe establecer un sistema de control interno adecuado y tal sistema debe soportar debidamente los distintos procesos del negocio.

    Como consecuencia nace el COBIT, siendo esta metodología el óptimo de un modelo ideal sobre la gestión y el control de los sistemas de información. Esta metodología aporta la orientación hacia el negocio y esta enfocado no solamente al usuario y auditores, sino también como una guía para gestionar los procesos de negocio.

    1.4 El riesgo informático, una visión empresarial

    Toda empresa, debe enfrentar el riesgo no cubierto en planificaciones propuestas, ante lo cual, el deber del Auditor Informático es detectar, informar y sugerir cambios que lleven a mitigar dicho riesgo, llevando éste a un porcentaje o grado mínimo, para no encontrarse en una etapa de vulnerabilidad innecesaria, ya que, nuestro profesional tiene la capacidad intelectual de entregarnos una evaluación del riesgo y sobrellevar a los límites extremos la fiabilidad hacia la alta gerencia.

    Pero, antes de determinar los riesgos, hay que determinar los objetivos. Cada entidad debe determinar sus objetivos, sus puntos fuertes y débiles, oportunidades y amenazas del entorno ( FODA ). De esta manera obtendrá un plan estratégico que identificará los factores de éxito o condiciones para alcanzar sus objetivos; Estos, pueden clasificarse entre objetivos operacionales, de información financiera y de cumplimiento

    Una vez determinado los objetivos, podemos identificar y analizar los riegos. La dirección debe identificar los riesgos existentes en todos los niveles de la empresa, y luego analiza los factores que generan estos riesgos, de ésta manera determinar la materialidad de éstos, evaluando la posibilidad de que sucedan y de cómo poder limitarlos o reducirlos.

    Los cambios en la economía, en sector de actividad, la reglamentación y las actividades de las empresas hace que el entorno cambie y por consiguiente los riesgos se modifiquen, es por eso que la alta gerencia debe estar en constante renovación de sus controles internos para enfrentar los nuevos riesgos.

    La complementación del control con la gestión nos ayudarán a evitar que los riesgos produzcan efectos negativos en la organización. Hay que tener en cuenta que los controles se traducen en políticas ( lo que debe hacerse ) y los procedimientos ( mecanismos concretos de control).

    En definitiva la auditoría es una opinión profesional justificada de una determinada información sobre el objeto en análisis, si éste representa la realidad que pretende o si cumplen con los objetivos establecidos por la empresa.

    Aquí se deja en claro cómo es el procedimiento para operar con redes neuronales. En un comienzo la red neuronal no contiene ningún tipo de conocimiento almacenado, para que esto desarrolle una tarea es necesario entrenar y enseñar a la red neuronal para que mediante patrones-ejemplo ejecute un aprendizaje que puede ser supervisado o no supervisado. Si la red ocupa un aprendizaje supervisado se deben proporcionar parejas de patrones de entrada-salida y ésta aprende a asociarlos. En el caso de utilizar un entrenamiento no supervisado se debe suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales.

    2.- QUE ES UNA RED NEURONAL ARTIFICIAL (RNA)

  • Concepto

  • Llevado a una visión humana tenemos el cerebro, que está compuesto de millones de neuronas, las cuales tienen como funcionamiento principal interrelacionarse y auto alimentarse de información entrante, para así luego crear un estado de procesamiento lo que permite generar una salida de información.

    En base a las redes biológicas del cerebro nace la idea de crear un sistema autónomo capaz de intercambiar información, reconocer patrones, manuscritos, secuencia de tiempo, tendencias y junto con ello la capacidad de aprender y mejorar su funcionamiento emulando así el ya mencionado sistema cerebral, cuyos componentes principales son las células más pequeñas del cerebro llamadas “Neuronas”.

    Las redes neuronales artificiales son sistemas paralelos para el procesamiento de la información, éstas tratan de resolver en forma eficiente problemas y a su vez representar el conocimiento de un modo conexionista y adaptativo. Se denomina también neurocomputación y se compone de capas agrupadas en donde varias redes más los interfaces del entorno conforman el sistema global denominado red neuronal que está confeccionado y entrenado para llevar a cabo una labor específica.

    Aunque existen diferentes modelos de conexiones entre capas, se pueden distinguir dos que son las más relevantes:

    Feedforward o Arquitecturas hacia adelante en que la información siempre es progresiva.

    Feedback o realimentadas en donde la información fluye hacia atrás como lazos de realimentación.

    Un sistema neuronal incluye una o varias redes neuronales que contienen interfaces de entrada y salida con el medio exterior los que pueden incluir subsistemas no necesariamente de tipo neuronal.

    DIAGRAMA DE TRABAJO CON REDES NEURONALES

    'Redes Neuronales Artificiales'

    Figura 2.1.1

    2.2 APLICACIÓN DE LOS SISTEMAS NEURONALES

    Las redes neuronales son pautas matemáticas especializadas y que son aplicables a situaciones muy concretas, siendo de gran utilidad para dar una óptima solución a problemas reales. Estudios han demostrado su eficiencia con datos basados en lógica difusa (1) o rasgos ocultos para la capacidad humana en donde no existe una concordancia lógica en la secuencia de procesamiento de datos, en el punto que se ha detectado el caos.

    Existen distintos sistemas de ayuda para la toma de decisiones esto depende del tipo de tarea a ejecutar. Según Simón (1960) las decisiones las clasificó en estructuradas, que consisten en ser repetitivas, rutinarias y en el que existe un procedimiento definido para abordarlas, y en no estructuradas, en la que el decidor debe proporcionar juicios y aportar su propia evaluación.

    Recientemente se ha propuesto un nuevo tipo de decisiones según Gorry y Scott-Morton (1971) quienes afirman que existen tres tipos de decisones la estructurada, semiestructurada y no estructurada. Dentro de la organización, utilizando la lógica el nivel operativo controla las decisiones estructuradas, el nivel de gestión controla las semiestructuradas y la estrategia controla las no estructuradas, formando una diagonal como en la figura que se muestra a continuación en donde se aprecian las herramientas a utilizar según el tipo de decisión y el nivel organizativo:

    'Redes Neuronales Artificiales'

    Figura 2.2.1

    3.- PRINCIPALES TIPOS DE REDES NEURONALES

    • PERCEPTRON

    • ADALINE

    • BACKPROPAGATION

    • APRENDIZAJE ASOCIATIVO

    • REDES COMPETITIVAS

    3.1 PERCEPTRÓN

    La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; esta consistía en una suma de las señales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. La entrada es comparada con un patrón preestablecido para determinar la salida de la red. Si en la comparación, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrón preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial, se encontró gran similitud entre su comportamiento y el de los sistemas biológicos y en principio se creyó que este modelo podía computar cualquier función aritmética o lógica.

    El primer modelo de Perceptrón fue desarrollado en un ambiente biológico imitando el funcionamiento del ojo humano, el fotoperceptrón como se le llamo era un dispositivo que respondía a señales ópticas; figura Perceptrón 1.1 la luz incide en los puntos sensibles (S) de la estructura de la retina, cada punto S responde en forma todo-nada a la luz entrante, los impulsos generados por los puntos S se transmiten a las unidades de asociación (A) de la capa de asociación; cada unidad A está conectada a un conjunto aleatorio de puntos S, denominados conjunto fuente de la unidad A, y las conexiones pueden ser tanto excitatorias como inhibitorias. Las conexiones tienen los valores posibles +1, -1 y 0, cuando aparece un conjunto de estímulos en la retina, una unidad A se activa si la suma de sus entradas sobrepasa algún valor umbral; si la unidad esta activada, A produce una salida que se envía a la siguiente capa de unidades.

    'Redes Neuronales Artificiales'

    Figura 3.1.1

    De forma similar, las unidades A están conectadas a unidades de respuesta (R) dentro de la capa de respuesta y la conectividad vuelve a ser aleatorio entre capas, pero se añaden conexiones inhibitorias de realimentación procedentes de la capa de respuesta y que llegan a la capa de asociación, también hay conexiones inhibitorias entre las unidades R. Todo el esquema de conexiones se describe en forma general en un diagrama de Venn, para un Perceptrón sencillo con dos unidades de respuesta como el de la figura 2.1.2.

    'Redes Neuronales Artificiales'

    Figura 3.1.2.

    El Perceptrón era inicialmente un dispositivo de aprendizaje, en su configuración inicial no estaba en capacidad de distinguir patrones de entrada muy complejos, sin embargo mediante un proceso de aprendizaje era capaz de adquirir esta capacidad. En esencia, el entrenamiento implicaba un proceso de refuerzo mediante el cual la salida de las unidades A se incrementaba o se disminuía dependiendo de si las unidades A contribuían o no a las respuestas correctas del Perceptrón para una entrada dada. Se aplicaba una entrada a la retina, y el estímulo se propagaba a través de las capas hasta que se activase una unidad de respuesta. Si se había activado la unidad de respuesta correcta, se incrementaba la salida de las unidades A que hubieran contribuido. Si se activaba una unidad R incorrecta, se hacía disminuir la salida de las unidades A que hubiesen contribuido.

    Estructura de la red:

    'Redes Neuronales Artificiales'

    Figura 3.1.3

    La única neurona de salida del Perceptrón realiza la suma ponderada de las entradas, resta el umbral y pasa el resultado a una función de transferencia de tipo escalón. La regla e decisión es responder +1 si el patrón presentado pertenece a la clase A, o -1 si el patrón pertenece a la clase B (figura ), la salida depende de la entrada neta (n = suma de las entradas pi ponderadas).

    Regla de aprendizaje

    El Perceptrón es un tipo de red de aprendizaje supervisado, es decir necesita conocer los valores esperados para cada una de las entradas presentadas; su comportamiento está definido por pares de esta forma:

    'Redes Neuronales Artificiales'

    Figura 3.1.4

    Cuando p es aplicado a la red, la salida de la red es comparada con el valor esperado t, y la salida de la red esta determinada por:

    'Redes Neuronales Artificiales'

    Figura 3.1.5

    Los valores de los pesos determinan el funcionamiento de la red, estos valores se pueden fijar o adoptar utilizando diferentes algoritmos de entrenamiento de la red

    3.2 ADALINE

    La red Adaline es similar al Perceptrón, excepto en su función de transferencia, la cual es una función de tipo lineal en lugar de un limitador fuerte como en el caso del Perceptrón. La red Adaline presenta la misma limitación del Perceptrón en cuanto al tipo de problemas que pueden resolver, ambas redes pueden solo resolver problemas linealmente separables, sin embargo el algoritmo LMS es más potente que la regla de aprendizaje del Perceptrón ya que minimiza el error medio cuadrático, la regla sirvió de inspiración para el desarrollo de otros algoritmos, este es el gran aporte de esta red.

    Estructura de la red

    La estructura general de la red tipo Adaline puede visualizarse en la figura 2.2.1

    'Redes Neuronales Artificiales'

    Figura 3.2.1 Estructura de una red Adaline

    La salida de la red está dada por:

    'Redes Neuronales Artificiales'
    ( Figura 3.2.2)

    Para una red Adaline de una sola neurona con dos entradas el diagrama corresponde a la figura 3.2.2

    'Redes Neuronales Artificiales'

    Figura 3.2.2 Adaline de una neurona y dos entradas

    En similitud con el Perceptrón, el límite de la característica de decisión para la red Adaline se presenta cuando n = 0, por lo tanto:

    'Redes Neuronales Artificiales'
    ( Figura 3.2.3)

    específica la línea que separa en dos regiones el espacio de entrada, como se muestra en la figura 3.2.3

    'Redes Neuronales Artificiales'

    Figura 3.2.3. Característica de decisión de una red tipo Adaline

    La salida de la neurona es mayor que cero en el área gris, en el área blanca la salida es menor que cero. Como se mencionó anteriormente, la red Adaline puede clasificar correctamente patrones linealmente separables en dos categorías.

    3.3 BACKPROPAGATION

    La regla de aprendizaje del Perceptrón de Rosenblatt y el algoritmo LMS de Widrow y Hoff fueron diseñados para entrenar redes de una sola capa. Como se discutió anteriormente, estas redes tienen la desventaja que solo pueden resolver problemas linealmente separables, fue esto lo que llevo al surgimiento de las redes multicapa para sobrepasar esta dificultad en las redes hasta entonces conocidas.

    La Backpropagation es un tipo de red de aprendizaje supervisado, que emplea un ciclo propagación - adaptación de dos fases. Una vez que se ha aplicado un patrón a la entrada de la red como estímulo, este se propaga desde la primera capa a través de las capas superiores de la red, hasta generar una salida. La señal de salida se compara con la salida deseada y se calcula una señal de error para cada una de las salidas.

    Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo las neuronas de la capa oculta solo reciben una fracción de la señal total del error, basándose aproximadamente en la contribución relativa que haya aportado cada neurona a la salida original. Este proceso se repite, capa por capa, hasta que todas las neuronas de la red hayan recibido una señal de error que describa su contribución relativa al error total. Basándose en la señal de error percibida, se actualizan los pesos de conexión de cada neurona, para hacer que la red converja hacia un estado que permita clasificar correctamente todos los patrones de entrenamiento.

    La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas de las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas aprenden a reconocer distintas características del espacio total de entrada. Después del entrenamiento, cuando se les presente un patrón arbitrario de entrada que contenga ruido o que esté incompleto, las neuronas de la capa oculta de la red responderán con una salida activa si la nueva entrada contiene un patrón que se asemeje a aquella característica que las neuronas individuales hayan aprendido a reconocer durante su entrenamiento. Y a la inversa, las unidades de las capas ocultas tienen una tendencia a inhibir su salida si el patrón de entrada no contiene la característica para reconocer, para la cual han sido entrenadas.

    Estructura de la Red: La estructura típica de una red multicapa se observa en la figura 3.3.1

    'Redes Neuronales Artificiales'

    Figura 3.3.1 Red de tres capas

    Puede notarse que esta red de tres capas equivale a tener tres redes tipo Perceptrón en cascada; la salida de la primera red, es la entrada a la segunda y la salida de la segunda red es la entrada a la tercera. Cada capa puede tener diferente número de neuronas, e incluso distinta función de transferencia.

    En la figura 3.3.1, W1 representa la matriz de pesos para la primera capa, W2 los pesos de la segunda y así similarmente para todas las capas que incluya una red. Para identificar la estructura de una red multicapa, se empleará una notación abreviada, donde el número de entradas va seguido del número de neuronas en cada capa:

    R : S1 : S2 : S3 (3.3.1)

    Donde S representa el número de neuronas y el exponente representa la capa a la cual la neurona corresponde.

    La notación de la figura 3.3.1 es bastante clara cuando se desea conocer la estructura detallada de la red, e identificar cada una de las conexiones, pero cuando la red es muy grande, el proceso de conexión se torna muy complejo y es bastante útil utilizar el esquema de la figura 3.3.2

    'Redes Neuronales Artificiales'

    Figura 3.3.2 Notación compacta de una red de tres capas

    La deducción matemática de este procedimiento se realizará para una red con una capa de entrada, una capa oculta y una capa de salida y luego se generalizará para redes que tengan más de una capa oculta.

    'Redes Neuronales Artificiales'

    Figura 3.3.3

    Algoritmo desarrollado para esta RNA

    'Redes Neuronales Artificiales'
    (3.3.4)

    'Redes Neuronales Artificiales'
    (3.3.5)

    3.4 APRENDIZAJE ASOCIATIVO

    Las redes con aprendizaje no supervisado (también conocido como auto-supervisado) no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas, la red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta, por ello suele decirse que estas redes son capaces de autoorganizarse.

    Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se puedan establecer entre los datos que se presenten en su entrada; puesto que no hay supervisor que indique a la red la respuesta que debe generar ante una entrada concreta, cabría preguntarse precisamente por lo que la red genera en estos casos, existen varias posibilidades en cuanto a la interpretación de la salida de estas redes que dependen de su estructura y del algoritmo de aprendizaje empleado.

    Estructura de la red: La red más sencilla capaz de realizar una asociación se presenta en la figura 3.4.1, esta es una red de una sola neurona con una función de transferencia limitador fuerte

    'Redes Neuronales Artificiales'

    Figura 3.4.1 Asociador lineal con un limitador fuerte

    La salida a de la neurona está determinada por su entrada p, de acuerdo a:

    a=hardlim (wp+b) (3.4.1)

    Por simplicidad se tomará el valor de p como cero o uno, indicando presencia o ausencia de estímulo. El valor de a esta limitado por la función de transferencia con salida cero o uno.

    'Redes Neuronales Artificiales'

    La presencia de una asociación entre el estímulo p=1 y la respuesta a=1, es indicada por el valor de w. La red responderá al estímulo, solamente si wp es mayor que -b.

    3.5 REDES COMPETITIVAS

    En las redes con aprendizaje competitivo (y cooperativo), suele decirse que las neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la red cierta información de entrada, sólo una de las neuronas de salida de la red, o una por cierto grupo de neuronas, se active (alcance su valor de respuesta máximo). Por tanto las neuronas compiten para activarse quedando finalmente una, o una por grupo, como neurona vencedora y el resto quedan anuladas y siendo forzadas a sus valores de respuesta mínimos.

    La competición entre neuronas se realiza en todas las capas de la red, existiendo en estas redes neuronas con conexiones de autoexitación (signo positivo) y conexiones de inhibición (signo negativo) por parte de neuronas vecinas.

    El objetivo de este aprendizaje es categorizar (clusterizar) los datos que se introducen en la red, de esta forma las informaciones similares son clasificadas formando parte de la misma categoría y por tanto deben activar la misma neurona de salida. Las clases o categorías deben ser creadas por la propia red, puesto que se trata de un aprendizaje no supervisado a través de las correlaciones entre los datos de entrada.

    El algoritmo de aprendizaje utilizado para establecer los valores de los pesos de las conexiones entre las N neuronas de entrada y las M de salida es el siguiente:

  • En primer lugar se inicializan los pesos (wij) con valores aleatorios pequeños y se fija la zona inicial de vecindad entre las neuronas de salida.

  • A continuación se presenta a la red una información de entrada (la que debe aprender) en forma de vector p = (p1, p2, ..., pn), cuyas componentes pi serán valores continuos.

  • Puesto que se trata de un aprendizaje competitivo, se determina la neurona vencedora de la capa de salida, esta será aquella i cuyo vector de pesos wi (vector cuyas componentes son los valores de los pesos de las conexiones entre esa neurona y cada una de las neuronas de la capa de entrada) sea el más parecido a la información de entrada p (patrón o vector de entrada). Para ello se calculan las distancias o diferencias entre ambos vectores, considerando una por una todas las neuronas de salida, suele utilizarse la distancia euclídea o la siguiente expresión que es similar a aquella, pero eliminando la raíz cuadrada:

  • 'Redes Neuronales Artificiales'
    (3.5.1)

    pj: Componente i-ésimo del vector de entrada
    wij: Peso de la conexión entre la neurona j de la capa de entrada y la neurona i de la capa de salida.

    'Redes Neuronales Artificiales'

    Figura 3.5.1 Conexiones de una red de Kohonen

  • Una vez localizada la neurona vencedora (i*), se actualizan los pesos de las conexiones entre las neuronas de entrada y dicha neurona, así como los de las conexiones entre las de entrada y las neuronas vecinas de la vencedora, en realidad lo que se consigue con esto es asociar la información de entrada con una cierta zona de la capa de salida. Esto se realiza mediante la siguiente ecuación

  • w(q)= w(q-1)+a(q)(p(q)-w(q-1)) para i 'Redes Neuronales Artificiales'
    X(q) (3.5.2)

    El tamaño de X(q) se puede reducir en cada iteración del proceso de ajuste de los pesos, con lo que el conjunto de neuronas que pueden considerarse vecinas cada vez es menor como se observa en la figura 3.5.2, sin embargo en la práctica es habitual considerar una zona fija en todo el proceso de entrenamiento de la red.

    'Redes Neuronales Artificiales'

    Figura 3.5.2 Posible evolución de la vecindad en una red de Kohonen

    El término 'Redes Neuronales Artificiales'
    es el coeficiente de aprendizaje o parámetro de ganancia, con un valor entre 0 y 1 el cual decrece con el número de iteraciones (q) del proceso de entrenamiento, de tal forma que cuando se ha presentado un gran número de veces todo el juego de patrones de aprendizaje su valor es prácticamente nulo, con lo que la modificación de los pesos es insignificante.

    Para hallar'Redes Neuronales Artificiales'
    suele utilizarse una de las siguientes expresiones [20]:

    'Redes Neuronales Artificiales'
    (3.5.3)

    Siendo 'Redes Neuronales Artificiales'
    un valor de 0.1 ó 0.2 y 'Redes Neuronales Artificiales'
    un valor próximo al número total de iteraciones del aprendizaje, que por lo general se toma como 10000 para esta red.

    Estructura general de una red competitiva:

    En las redes asociativas, se vio como la regla instar puede aprender a responder a un cierto grupo de vectores de entrada que están concentrados en una región del espacio. Supóngase que se tienen varias instar agrupadas en una capa, tal como se muestra en la figura 3.5.4, cada una de las cuales responde en forma máxima a un cierto grupo de vectores de entrada de una región distinta del espacio.

    'Redes Neuronales Artificiales'

    Figura 3.5.4 Instar agrupadas en una capa

    Se puede decir que esta capa de Instars clasifica cualquier vector de entrada, porque la Instar con la mayor respuesta para alguna entrada dada es la que identifica a la región del espacio en la cual yace el vector de entrada. En lugar de examinar la respuesta de cada instar para determinar cual es la mayor, la labor de clasificación sería más fácil si la Instar de mayor respuesta fuera la única unidad que tuviese una salida no nula; esto se puede conseguir si las instar compiten unas con otras por el privilegio de la activación, este es el principio de las redes competitivas.

    Las neuronas de la segunda capa de la red de Hamming, están en competición porque cada neurona se excita a sí misma e inhibe a todas las otras neuronas, para simplificar la discusión se definirá una nueva función de transferencia que hace el trabajo de una capa recurrente competitiva

    a = compet (n) (3.5.11)

    Donde a es la salida total de la red y n es la entrada neta a la función de transferencia, compet es una función de transferencia que encuentra el índice i* de la neurona con la entrada neta más grande y fija su salida en uno, todas las otras neuronas tienen salida 0.

    'Redes Neuronales Artificiales'
    (3.5.12)

    Reemplazando la capa recurrente de la red de Hamming, con una función de transferencia competitiva, la presentación de una capa competitiva se simplifica de la siguiente manera.

    'Redes Neuronales Artificiales'

    Figura 3.5.5 Capa Competitiva

    Como con la red de Hamming, los vectores prototipo son almacenados en las filas de W. La entrada neta n calcula la distancia entre el vector de entrada p y cada prototipo wi (asumiendo que los vectores tiene longitudes normalizadas L). La entrada neta ni de cada neurona es proporcional al ángulo 'Redes Neuronales Artificiales'
    entre p y el vector prototipo wi:

    'Redes Neuronales Artificiales'
    (3.5.13)

    La función de transferencia competitiva asigna una salida de 1 a la neurona cuyo vector de pesos apunte en la dirección más cercana al vector de entrada

    a = compet (n) (3.5.14)

    4.- PROPUESTA DE SERVICIOS DE AUDITORIA INFORMATICA

    4.1 ANTECEDENTES

    Será nuestra etapa 0 (cero) y 1 (uno) del programa de auditoría general, en donde comenzaremos la auditoria con entrevistas, ver antecedentes generales, tomar un conocimiento del problema.

    4.2 OBJETIVOS

    Objetivo de la Auditoria

    4.3 ALCANCES DE LA AUDITORIA

    El alcance de la auditoria comprende:

    Evaluación de la Dirección de Informática en lo que corresponde a:

    • Capacitación

    • Planes de trabajo

    • Controles

    • Estándares

    Evaluación de los Sistemas

  • Evaluación de los diferentes sistemas en operación (flujo de información, procedimientos, documentación, redundancia, organización de archivos, estándares de programación, controles, utilización de los sistemas)

  • Evaluación del avance de los sistemas en desarrollo y congruencia con el diseño general

  • Evaluación de prioridades

  • Seguridad física y lógica de los sistemas.

  • 4.4 METODOLOGIA

    La metodología de investigación a utilizar en el proyecto se presenta a continuación:

    Para la evaluación de la Dirección de Informática se llevarán a cabo las siguientes actividades:

    • Solicitud de los estándares utilizados y programa de trabajo

    • Aplicación del cuestionario.

    • Análisis y evaluación del a información.

    • Elaboración del informe.

    Para la evaluación de los sistemas se llevarán a cabo las siguientes actividades:

    • Solicitud del análisis y diseño de los sistemas de RNA

    • Solicitud de la documentación de los sistemas en operación (manuales técnicos, de operación del usuario, diseño de archivos y programas)

    • Recopilación y análisis de los procedimientos administrativos de cada sistema (flujo de información, formatos, reportes y consultas)

    • Análisis del avance de los proyectos en desarrollo

    • Evaluación directa de la información

    • Análisis objetivo de la estructuración y flujo de los programas

    • Análisis y evaluación de la información recopilada

    • Elaboración del informe

  • TIEMPO Y COSTO

  • Poner el tiempo en que se llevará a cabo el proyecto , de preferencia indicando el

    tiempo de cada una de las etapas, costo del proyecto

    5.- METODOLOGIA PARA AUDITAR UNA R.N.A.

  • INVESTIGACION PRELIMINAR

  • Para analizar y dimensionar la estructura por auditar se debe tener presente solicitar la

    siguiente información:

    5.2 A NIVEL DEL ÁREA DE INFORMÁTICA
    Objetivos a corto y largo plazo.

    5.3 RECURSOS MATERIALES Y TECNICOS
    Solicitar documentos sobre los equipos, número de ellos, localización y características.

    • Estudios de viabilidad.

    • Contratos vigentes en el soporte de las RNA.

    • Configuración del equipo donde se aloja la RNA.

    • Planes de contingencia y contramedidas.

    • Políticas de entrenamiento y mantenimiento de sistema.

    5.4 SISTEMAS

    Descripción general de los sistemas de RNA implementados:

    • Manual de formas.

    • Manual de procedimientos de los sistemas.

    • Descripción genérica.

    • Diagramas de entrada, archivos, salida.

    • Fecha de instalación de la RNA.

    En el momento de hacer la planeación de la auditoría o bien su realización, debemos

    evaluar que pueden presentarse las siguientes situaciones.

    Se solicita la información y se ve que:

    • No tiene y se necesita.

    • No se tiene y no se necesita.

    Se tiene la información pero:

    • No se usa.

    • Es incompleta.

    • No esta actualizada.

    • No es la adecuada.

    • Se usa, está actualizada, es la adecuada y está completa.

    En el caso de No se tiene y no se necesita, se debe evaluar la causa por la que no es

    necesaria. En el caso de No se tiene pero es necesaria, se debe recomendar que se elabore de acuerdo a las necesidades requeridas y con estándares generales de control y medición sobre las implementaciones efectuadas, en un marco de COBIT y Normas Internacionales. En el caso de que se tenga la información pero no se utilice, se debe analizar por que no se usa. En caso de que se tenga la información, se debe analizar si se usa, si está actualizada, si es la adecuada y si está completa.

    El éxito del análisis crítico depende de las consideraciones siguientes:

    • Estudiar hechos y no opiniones (no se toman en cuenta los rumores ni la información sin fundamento)

    • Investigar las causas, no los efectos.

    • Atender razones, no excusas.

    • No confiar en la memoria, existen los papeles de trabajo.

    • Criticar objetivamente, a fondo todos los informes y los datos recabados.

    5.5 PERSONAL PARTICIPANTE

    Una de las partes más importantes dentro de la planeación de la auditoría en informática es el personal que deberá participar y sus características.

    Uno de los esquemas generalmente aceptados para tener un adecuado control es requisito primordial, que el personal que intervenga esté debidamente capacitado, con alto sentido de responsabilidad, al cual se le exija la optimización de recursos (eficiencia y eficacia), con una visión costo/beneficio.

    También se debe contar con personas asignadas por los usuarios para que en el momento que se solicite información o bien se efectúe alguna entrevista de comprobación de hipótesis, nos proporcionen aquello que se esta solicitando, ya que se debe analizar no sólo el punto de vista de la dirección de informática, sino también el del usuario del sistema, entre los cuales tenemos: Técnicos en informática enfocados a desarrolladores de sistema, explotadores y mantenedores del mismo.

    Una vez que se ha hecho la planeación, se puede utilizar el formato señalado en el anexo 1, el figura el organismo, las fases y subfases que comprenden la descripción de la actividad, el número de personas participantes, las fechas estimadas de inicio y terminación, el número de días hábiles y el número de días/hombre estimado. El control del avance de la auditoría lo podemos llevar mediante el anexo 2, el cual nos permite cumplir con los procedimientos de control y asegurarnos que el trabajo se está llevando a cabo de acuerdo con el programa de auditoría, con los recursos estimados y en el tiempo señalado en la planeación.

    El hecho de contar con la información del avance nos permite revisar el trabajo elaborado por cualquiera de los asistentes.

    5.6 EVALUACIÓN DE SISTEMAS


    La elaboración de sistemas debe ser evaluada con mucho detalle, para lo cual se debe revisar si existen realmente una conectividad efectiva de los sistemas entrelazados, como un todo o bien si existen programas aislados. Otro de los factores a evaluar es si existe un plan estratégico para la elaboración de los sistemas o si se están elaborados sin el adecuado señalamiento de prioridades y de objetivos.

    El plan estratégico deberá establecer los servicios que se presentarán en un futuro contestando preguntas como las siguientes:

    • ¿Cuáles servicios se implementarán?

    • ¿Qué características tendrán?

    • ¿Cuántos recursos se requerirán?

    La estrategia de desarrollo deberá establecer las nuevas aplicaciones, recursos y la arquitectura en que estarán fundamentados:

    • ¿Qué aplicaciones serán desarrolladas y cuando?

    • ¿Qué tipo de archivos se utilizarán y cuando?

    • ¿Qué bases de datos serán utilizarán y cuando?

    • ¿Qué lenguajes se utilizarán y en que software?

    • ¿Qué tecnología será utilizada y cuando se implementará?

    • ¿Cuantos recursos se requerirán aproximadamente?

    • ¿Cuál es aproximadamente el monto de la inversión?

    • ¿Qué metodología se utilizará para dichos estudios?

    • ¿Quién administrará y realizará dichos estudios?

    En el área de auditoría interna debe evaluarse cuál ha sido la participación del auditor y los controles establecidos.

    Por último, el plan estratégico determina la planeación de los recursos.

    ¿Contempla el plan estratégico las ventajas de la nueva tecnología?

    El proceso de planeación de sistemas deberá asegurarse de que todos los recursos requeridos estén claramente identificados en el plan de desarrollo de aplicaciones y datos, junto con ello, debe existir compatibilidad con la arquitectura y la tecnología que se cuenta actualmente.

    Los sistemas deben evaluarse de acuerdo con el ciclo de vida que normalmente contemplan:

    • Estudio de factibilidad

    • Diseño general

    • Análisis

    • Diseño lógico

    • Desarrollo físico

    • Pruebas

    • Implementación

    • Evaluación

    • Modificaciones

    • Instalación

    • Mejoras

    Y se vuelve nuevamente al ciclo inicial, el cual a su vez debe comenzar con el de factibilidad.

    La primera etapa a evaluar del sistema es el estudio de factibilidad, el cual debe analizar si el sistema es factible de realizarse, cuál es su relación costo/beneficio y si es recomendable elaborarlo.

    En el caso de sistemas que estén funcionando, se deberá comprobar si existe el estudio de factibilidad con los puntos señalados y compararse con la realidad con lo especificado en el estudio de factibilidad

    Por ejemplo en un sistema que el estudio de factibilidad señaló determinado costo y una serie de beneficios de acuerdo con las necesidades del usuario, debemos comparar cual fue su costo real y evaluar si se satisficieron las necesidades indicadas como beneficios del sistema.

    Los beneficios que justifiquen el desarrollo de un sistema pueden ser el ahorro en los costos de operación, la reducción del tiempo de proceso de un sistema. Mayor exactitud, mejor servicio, una mejoría en los procedimientos de control, mayor confiabilidad y seguridad.

    5.7 EVALUACIÓN DEL DISEÑO LÓGICO DEL SISTEMA


    En esta etapa se deberán analizar las especificaciones del sistema.

    ¿Qué deberá hacer?, ¿Cómo lo deberá hacer?, ¿Secuencia y ocurrencia de los datos, el proceso y salida de reportes?

    Una vez que hemos analizado estas partes, se deberá estudiar la participación que tuvo el PED ( Proceso Electrónico de datos ) en la identificación del nuevo sistema, la participación de auditoría interna en el diseño de los controles y la determinación de los procedimientos de operación y decisión.

    Al tener el análisis del diseño lógico del sistema debemos compararlo con los objetivos definidos previamente, cómo fue planeado y lo que realmente se está obteniendo.

    Los puntos a evaluar son:

    • Entradas.

    • Salidas.

    • Procesos.

    • Especificaciones de datos y procesos.

    • Métodos de acceso.

    • Operaciones.

    • Manipulación de datos (antes y después del proceso electrónico de datos).

    • Proceso lógico necesario para producir informes.

    • Identificación de archivos, tamaño de los campos y registros.

    • Sistemas de seguridad.

    • Sistemas de control.

    • Responsables.

    Dentro del estudio de los sistemas RNA en uso se deberá solicitar:

    • Descripción y distribución de información.

    • Manual de formas.

    • Manual de reportes.

    • Lista de archivos y especificaciones.

    Lo que se debe determinar en el sistema:

    En el procedimiento:

    • ¿Qué hace, cuando y como?

    • ¿Qué formas se utilizan en el sistema?

    • ¿Son necesarias, se usan, existen respaldos?

    • ¿Existen puntos de control o faltan?

    En la gráfica de flujo de información:

    • ¿Es fácil de modificar sus vectores?

    • ¿Es lógica?

    • ¿Hay faltas de control?

    En el diseño:

    • ¿Cómo se usará la herramienta de diseño si existe?

    5.8 EVALUACIÓN DEL DESARROLLO DEL SISTEMA

    En esta etapa del sistema se deberán auditar los programas, su diseño, el leguaje utilizado, interconexión entre los programas y características del sistema. Al evaluar un sistema de información se tendrá presente que todo sistema debe proporcionar información para planear, organizar y controlar de manera eficaz y oportuna, generando reportes estadísticos que serán base para nuestras entradas y salidas aplicadas en la Red Neuronal Artificial, obtener una mayor seguridad en el proceso de entrenamiento de ésta. De ese modo contará con los mejores elementos para una adecuada toma de decisiones.

    Algunos estructuras y requisitos de la Red :

    • Dinámicos (susceptibles de modificarse).

    • Estructurados (las interacciones de sus componentes o subsistemas deben actuar como un todo)

    • Integrados (un solo objetivo )

    • Accesibles (que estén disponibles).

    • Necesarios (que se pruebe su utilización).

    • Comprensibles (que contengan todos los atributos).

    • Oportunos (que esté la información en el momento que se requiere).

    • Funcionales (que proporcionen la información adecuada a cada nivel).

    • Estándar (que la información tenga la misma interpretación en los distintos niveles).

    • Seguros (que sólo las personas autorizadas tengan acceso).

    • Únicos (que no duplique información).

    5.9 ETAPAS DE CONTROL


    Los datos son uno de los recursos más valiosos de las organizaciones y, aunque son intangibles, necesitan ser controlados y auditados con el mismo cuidado que los demás inventarios de la organización, por lo cual se debe tener presente:

    a) La responsabilidad de los datos es compartida conjuntamente por alguna función determinada y el departamento de cómputo.

    b) Los datos deberán tener una clasificación estándar y un mecanismo de identificación que permita detectar duplicidad y redundancia dentro de una aplicación y de todas las aplicaciones en general.

    c) Se deben relacionar los elementos de los datos con las bases de datos donde están almacenados, así como los reportes y grupos de procesos donde son generados.


    El objetivo es asegurarse de que el sistema funcione conforme a las especificaciones funcionales y proporcione suficiente información para su manejo, operación y aceptación. Las revisiones deben efectuarse paralelamente según las s siguientes etapas:

    ETAPA DE ANÁLISIS

    Identificar inexactitudes, ambigüedades y omisiones en las especificaciones.

    ETAPA DE DISEÑO

    Descubrir errores, debilidades, omisiones antes de iniciar la codificación.

    ETAPA DE PROGRAMACIÓN

    Buscar la claridad, modularidad y verificar con base en las especificaciones.

    Esta actividad es muy importante ya que el costo de corregir errores es directamente proporcional al momento que se detectan: si se descubren en el momento de programación será más alto que si se detecta en la etapa de análisis. Esta función tiene una gran importancia en el ciclo de evaluación de aplicaciones de los sistemas de información y busca comprobar que la aplicación cumpla las especificaciones planificadas y que tenga los controles necesarios y que efectivamente cumpla con los objetivos y beneficios esperados.

    El siguiente cuestionario se presenta como ejemplo para la evaluación de los controles y prueba de los sistemas:

    1. ¿Quiénes intervienen al diseñar un sistema?

    • Analista.

    • Programadores.

    • Gerente de departamento.

    • Auditores internos.

    2. ¿Los analistas son también programadores?
    SÍ ( ) NO ( )

    3. ¿Cuántos analistas hay y qué experiencia tienen en RNA?

    4. ¿Cómo se controla el trabajo de los analistas?

    5. ¿Cómo se controla el trabajo de los programadores?

    6. Indique qué pasos siguen los programadores en el desarrollo de un programa:

    • Estudio de la definición ( )

    • Discusión con el analista ( )

    • Tabla de decisiones ( )

    • Codificación ( )

    • Elaborar datos de prueba ( )

    • Solicitar datos al analista ( )

    • Correr programas con datos ( )

    • Revisión de resultados ( )

    • Corrección del programa ( )

    • Documentar el programa ( )

    • Someter resultados de prueba ( )

    • Entrega del programa ( )

    La eficiencia y el costo de la operación de un sistema de proceso deben ser fortalecidos en su confiabilidad, integridad y disponibilidad.

    5.10 SEGURIDAD LÓGICA Y CONFIDENCIAL


    La redes neuronales artificiales puede ser de suma importancia, y el no tenerla en el momento preciso puede provocar retrasos sumamente costosos. Antes esta situación existen normas de seguridad internacionales como la ISO 17799- 15408, las cuales no pueden ser aplicadas sin la complementación de COBIT .

    El sistema integral de seguridad debe comprender:

    • Definición de una política de seguridad

    • Organización y división de responsabilidades

    • Seguridad física y contra catástrofes(incendio, terremotos, etc.)

    • Elementos técnicos y procedimientos

    • Aplicación de los sistemas de seguridad, incluyendo datos y archivos

    • El papel de los auditores, tanto internos como externos

    • Clasificar la instalación en términos de riesgo (alto, mediano, pequeño).

    • Identificar aquellas aplicaciones que tengan un alto riesgo.

    • Cuantificar el impacto en el caso de suspensión del servicio en aquellas aplicaciones con un alto riesgo.

    • Formular las medidas de seguridad necesarias dependiendo del nivel de seguridad que se requiera.

    • La justificación del costo de implantar las medidas de seguridad para poder clasificar el riesgo e identificar las aplicaciones de alto riesgo, se debe preguntar lo siguiente:

    • Que sucedería si no se puede usar el sistema?

    • Si la contestación es que no se podría seguir trabajando, esto nos sitúa en un sistema de alto riego.

    • La siguiente pregunta es:

    • ¿Que implicaciones tiene el que no se obtenga el sistema y cuanto tiempo podríamos estar sin utilizarlo?

    • ¿Existe un procedimiento alterno y que problemas nos ocasionaría?

    • ¿Que se ha hecho para un caso de emergencia?

    Una vez que se ha definido, el grado de riesgo, hay que elaborar una lista de los sistemas con las medias preventivas que se deben tomar, así como las correctivas en caso de desastre señalándole a cada uno su prioridad .

    Para cuantificar el riesgo es necesario que se efectúen entrevistas con los altos niveles administrativos que sean directamente afectados por la suspensión en el procesamiento y que cuantifiquen el impacto que les puede causar este tipo de situaciones.

    6.- CASO PRACTICO

    6.1 Descripción del problema:

    Un sistema de energía eléctrica debe abastecer de energía a todos los puntos de carga con una buena calidad del servicio. Por lo tanto un sistema eléctrico confiable, el cual asegura buena calidad, debe contar con las siguientes características:

    • Entregar energía en forma continua a todos los puntos de carga.

    • Los límites de la frecuencia y la tensión deben estar dentro de valores tolerables.

    • El sistema debe operar en la medida de lo posible, con costos mínimos y con un mínimo de alteraciones ambientales o ecológicas.

    Estas características pueden adquirirse por medio de una planeación exhaustiva del sistema, que permita conocer no solo su estado actual, sino también las medidas que deben adoptarse para condiciones futuras.

    Una de las herramientas útiles en el planeamiento de un sistema eléctrico es la predicción del consumo de carga, la cual permite conocer de antemano la necesidad de expansión del sistema; la finalidad de la predicción siempre será el mejoramiento del servicio, convirtiéndose en uno de los primeros pasos en cualquier proceso de planeamiento de un sistema eléctrico.

    Al hablar de predicción de carga, resulta útil aclarar que como carga se asume todo equipo que demanda energía del sistema de energía eléctrica, tales como lámparas, electrodomésticos, motores eléctricos, hornos eléctricos, etc. De esta manera se tienen varios tipos de carga:

    • Motores en general

    • Equipos de calentamiento

    • Equipos electrónicos

    • Equipo de iluminación

    Desde el punto de vista del sistema de energía eléctrica, las cargas pueden ser separadas en tres (3) grupos funcionales:

    • Cargas domiciliarias

    • Cargas industriales

    • Cargas comerciales

    Estas cargas presentan características muy diferentes con relación al tamaño, simetría (1'Redes Neuronales Artificiales'
    o 3'Redes Neuronales Artificiales'
    ), constancia de la carga y el período de funcionamiento.

    La predicción de consumo de carga refleja las necesidades futuras de una población; esta previsión debe ser lo más ajustada a la realidad, ya que unos valores inferiores a los reales causaran deficiencias en la prestación del servicio en el futuro y un pronóstico de necesidades superior al real, motiva la inversión prematura en instalaciones que no tendrán un aprovechamiento inmediato.

    La proyección del suministro de energía se hace con base en el consumo, aplicando porcentajes de pérdidas que pueden obtenerse de un análisis de los registros históricos (que normalmente se presentan en forma estadística), o por similitud con otros sistemas. En general las pérdidas tienden a disminuir a causa de las mejoras progresivas, que se introducen en los sistemas de transmisión, subtransmisión y distribución. En forma similar al consumo de energía, la proyección de la demanda pico se obtiene sumando las demandas máximas coincidentes en hora pico .

    En la tabla 6.1.1 se observa el comportamiento típico de consumo de carga de una población, a la cual se realizó un seguimiento hora a hora durante una semana. Se ha tomado el día lunes como 1 y en su orden el día domingo como 7, se asumió la una de la mañana como la hora 0 y las doce de la noche como la hora 23. Los datos correspondientes al consumo de la población se encuentran en (kW).

     HORA

    0

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    Lunes

    1,2300

    1,0889

    1,0289

    0,9879

    0,9879

    1,1050

    1,3729

    1,6649

    1,6649

    2,1569

    2,3230

    2,3659

    Martes

    1,6049

    1,4389

    1,3631

    1,3559

    1,3439

    1,3890

    1,5699

    1,7750

    2,0180

    2,1900

    2,3359

    2,3630

    Miércoles

    1,6630

    1,4689

    1,3890

    1,3751

    1,3611

    1,4140

    1,6040

    1,8009

    2,0739

    2,2301

    2,3649

    2,3990

    Jueves

    1,7299

    1,5159

    1,4320

    1,3931

    1,3909

    1,4310

    1,6140

    1,8170

    2,0989

    2,2260

    2,3810

    2,3741

    Viernes

    1,7129

    1,4569

    1,3461

    1,2880

    1,2331

    1,1911

    1,1570

    1,1700

    1,2139

    1,3370

    1,4799

    1,5740

    Sábado

    1,7130

    1,2821

    1,1820

    1,1220

    1,0961

    1,1059

    1,1710

    1,2751

    1,4121

    1,5450

    1,7110

    1,7410

    Domingo

    1,4140

    1,3250

    1,2249

    1,2239

    1,1240

    1,0191

    0,9989

    0,9989

    0,9790

    1,0150

    1,1271

    1,2271

    HORA

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    Lunes

    2,3731

    2,2311

    2,1560

    2,2080

    2,2949

    2,3741

    2,5000

    2,4340

    2,3560

    2,0000

    1,9890

    1,8080

    Martes

    2,3359

    2,1560

    2,0799

    0,1651

    2,2551

    2,3671

    2,4770

    2,4310

    2,3540

    2,2100

    1,7085

    1,7000

    Miércoles

    2,3580

    2,2000

    2,1231

    2,1749

    2,2049

    2,3349

    2,4640

    2,3780

    2,4140

    2,0040

    1,8582

    1,7071

    Jueves

    2,3021

    2,1459

    2,0581

    2,0809

    2,1651

    2,2380

    2,2820

    2,1540

    2,1020

    1,9950

    1,9040

    1,8590

    Viernes

    1,5951

    1,5771

    1,5629

    1,5320

    1,5440

    1,6380

    1,7310

    1,7480

    1,7921

    1,8321

    1,8620

    1,7930

    Sábado

    1,7129

    1,6200

    1,1570

    1,5831

    1,6251

    1,6251

    1,8950

    1,9040

    1,9310

    1,9360

    1,9580

    1,748

    Domingo

    1,2950

    1,3130

    1,2909

    1,2600

    1,2669

    1,3631

    1,1530

    1,6020

    1,6440

    1,6150

    1,5030

    1,4990

    Figura 6.1.1. - Tabla Datos de consumo de carga de una población durante una semana

    Estos datos son una recopilación de un promedio histórico de diferentes años, del consumo de la población escogida como muestra, con ellos podemos determinar la tendencia del consumo de los usuarios de esta población. El objetivo es entrenar una red neuronal que aprenda los datos anteriores y a partir de ellos esté en capacidad de predecir lo que sucederá en cualquier día de la semana a una hora determinada en años futuros.

    El comportamiento de estos usuarios se visualiza en la figura 6.1.1, en donde puede notarse las tendencias que pueden llegar a causar congestión en la central en caso de no preverse con anticipación:

     'Redes Neuronales Artificiales'

    Figura 6.1.2. - Curvas de Carga

    6.2 Por qué ocupar este tipo de red:

    El algoritmo Backpropagation es un algoritmo de aprendizaje supervisado, el cual necesita conocer cual es la salida esperada (columnas interiores de la tabla 6.1.1) asociada a cada una de las entradas (columnas referentes al día y a la hora en la tabla 6.1.1), que actualiza pesos y ganancias siguiendo la regla de pasos descendientes descrita en la sección 3.3.3

    'Redes Neuronales Artificiales'
    (6.2.1)

    'Redes Neuronales Artificiales'
    (6.2.2)

    Una de las mayores ventajas de las redes multicapa, y en especial de la red Backpropagation, es que pueden aproximar cualquier función si se escoge una adecuada configuración para la red [16] y un adecuado número de neuronas en la capa oculta, escogencia que depende de la experiencia del desarrollador de la red. La red Bakcpropagation es un excelente aproximador de funciones, aunque es imposible determinar una configuración exacta de la red para cada aplicación.

    El proceso de aprendizaje no es fijo para ninguna red neuronal, el éxito consiste en probar con diferentes configuraciones hasta obtener la respuesta deseada; para esta aplicación se escogió una red 2:12:8:1, es decir que para un vector de entrada de dos dimensiones y esperando una sola salida de red, se tienen 12 neuronas en la primera capa oculta y 8 neuronas en la segunda capa oculta.

    Un esquema de la red puede observarse en la figura 6.2.2, la cual muestra las características de los datos de entrada y salida de la red. Allí puede verse que es necesario ingresar a la red el día y la hora para los cuales se desea conocer el valor de demanda pico de acuerdo a la convención de la tabla 6.1.1, las condiciones de entrada a la red pueden ser tan complejas como se quiera, es decir, la entrada puede convertirse fácilmente en un vector de cuatro componentes que incluya además del día y la hora, el mes y el año para los cuales se requiere predecir el valor de demanda; existen también otras opciones como convertir la entrada en un vector de tres componentes donde se incluya hora, día y tipo de carga para el cual se desea prever el consumo.

    La elección de los patrones de entrada debe realizarse dependiendo de las necesidades explícitas que se tengan en el momento de hacer la predicción de carga, de la forma en que vaya a procesarse la información de salida de la red y de la cantidad y calidad de la información disponible.

    'Redes Neuronales Artificiales'

    Figura 6.2.3 - Red Backpropagation - para predicción del consumo de carga

    Cualquier cambio que se realice en los patrones de entrenamiento exige una codificación diferente del vector de entrada y a su vez cambia las condiciones generales de la red, pero el proceso de entrenamiento sigue siendo igual. En esta aplicación se utilizó la configuración de la figura 6.2.2 porque el objetivo es mostrar el funcionamiento general de una red Backpropagation, mostrando las bondades de este tipo de red para aproximar funciones (en este caso las curvas de carga de la población en estudio) y su gran capacidad para predecir comportamientos futuros de patrones nunca antes presentados en la etapa de aprendizaje.

    Redes con el tipo de estructura, como la utilizada en esta aplicación pueden emplearse para predecir la necesidad de una reconfiguración del sistema en un día y una hora especifica. Es posible también que los resultados de una red como ésta, se utilicen para adoptar estrategias de restauración del servicio en diferentes horas y diferentes días, pues al conocer los valores de demanda es fácil determinar comportamientos críticos y dar prioridad en el restablecimiento, dejando por fuera a la menor cantidad de usuarios posible.

    Las diferentes aplicaciones para las que sea necesario implementar una predicción de consumo de carga, pueden derivarse fácilmente de ésta adaptando el código fuente a los patrones con los que se desea realizar la predicción, así como se mencionó anteriormente, lo único necesario es variar la estructura del vector de entrada p adecuándolo a la cantidad de entradas que se vayan a ingresar (hora, día, mes, año, tipo de carga) a la red y también establecer con claridad que tipo de información de salida se espera dependiendo del propósito de la predicción.

    ANEXO 1

    PROGRAMA DE AUDITORIA EN SISTEMAS

    INSTITUCION________________________ HOJA No.__________________ DE_____________

    FECHA DE FORMULACION____________

    FASE

    DESCRIPCION

    ACTIVIDAD

    NUMERO DE PERSONAL

    PERIODO ESTIMADO

    DIAS

    HAB

    EST.

    DIAS

    HOM.

    EST.

    PARTICIPANTE

    INICIO

    TERMINO

    ANEXO 2

    AVANCE DEL CUMPLIMIENTO DEL PROGRAMA

    DE AUDITORIA EN SISTEMAS

    INSTITUCION_______________________ NUMERO___________ HOJA No._______ DE_______

    PERIODO QUE REPORTA____________________________

    FASE

    SITUACION DE LA AUDITORIA

    PERIODO REAL DE LA AUDITORIA

    DIAS REALES UTILIZADOS

    GRADO DE AVANCE

    DIAS HOM. EST.

    EXPLICACION DE LAS VARIACIONES EN RELACION CON LO PROGRAMADO

    NO INICIADA

    EN PROCESO

    TERMINADA

    INICIADA

    TERMINADA

    C O N C L U S I Ó N

    Al término de la presente investigación y tras haber tomado conocimientos de metodología para auditar sistemas informáticos expertos, en este caso Redes Neuronales Artificiales, señalaremos que son sistemas basados en complejos algoritmos matemáticos, capaces de entregarnos la mas cercana información respecto de un proyecto que puede significar múltiples alternativas y opciones, mejor dicho, la opción a la tendencia mas aproximada y certera de nuestra inquietud.

    Es por ello que, existen distintos tipos de RNA , cada una de ellas con una particularidad en especial, a modo simple, con un fin ya casi preestablecido; una red neuronal artificial es entrenada con información de primer nivel, debido a que sus resultados pueden llegar a ser la base de una toma de decisión de carácter muy importante, tales como : La correcta predicción de valores de mercado, transacciones en la bolsa, entrenamiento a seres no orgánicos o como en nuestro caso práctico, la correcta distribución de la energía.

    A un nivel ya mas de un auditor y con respecto a la metodología escogida y aplicada, debemos señalar que no existe un modelo a seguir, en un principios nos apegaríamos al modelo Prima, luego al programa de auditoria seguido de un Programa para auditar sistemas informáticos, con este ultimo surgió la claridad de generar un hibrido, es decir, una metodología compuesta de todos estos factores que cumpliera nuestro objetivo principal, auditar un sistema de ecuaciones matemáticas y estadísticas que reporta información clave para el negocio, sea éste a nivel productivo ó gerencial, junto con ello dar una valorización a los datos de entrada, el entrenamiento, los procesos y reportes .

    Si bien, los campos de la auditoria informática son amplios, las redes neuronales artificiales, son un universo de aprendizaje poco explorado, cuyos usuarios, programadores, desarrolladores y mantenedores son analistas de sistemas, que deben ser auditados.

    BIBLIOGRAFIA

    • Cátedra de Auditoria de Sistemas - Sr. Andrés Schiaffino

    • http://www.electronica.com.mx/neural/

    • http://www.eduardoleyton.com/descargas2.htm

    • http://www.gc.ssr.upm.es/inves/neural/ann2/anntutor.htm

    • http://neuron.eng.wayne.edu/bpFunctionApprox/bpFunctionApprox.html

    • http://sirio.psi.ucm.es/PROYECTOS/VISIONROBOT/vavh.html

    • http://electronica.com.mx/neural/aplicaciones/index.html

    • http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html