12 de Noviembre de 2012 Innovación en la Industria a través de Métodos de Inteligencia Computacional Leonardo Mendoza M.Sc
12 de Noviembre de 2012
Innovación en la Industria a través de Métodos de
Inteligencia Computacional
Leonardo Mendoza M.Sc
Introducción;
Inteligencia computacional;
Proyectos;
Computación de alto desempeño
Deep Learning
Conclusiones;
Sumario
INTRODUCCIÓN
Pan de azúcar e Bahía de Guanabara
Rio de Janeiro
Introducción
Playa de Copacabana
Playa de Ipanema
Rio de Janeiro
Introducción
Cristo Redentor
Rio de Janeiro
Introducción
Campus
PUC-Rio
Introducción
Campus
PUC-Rio
Introducción
CTC - Centro Técnico Científico
PUC-Rio
Introducción
Campo
PUC-Rio
Introducción
Campo
PUC-Rio
Introducción
20 anos de experiencia desarrollando sistemas de apoyo a decisión;
Equipe:
60 personas (Investigadores, técnicos e alumnos);
Infraestructura:
actual:
3 laboratorios ( 150m2 de área total) con 80 puestos;
6 clusters (PC’s e GPU’s);
ICA - Inteligencia Computacional Aplicada
Introdução
Indicadores de Éxito:
produção científica:
> 350 artículos e 4 libros;
25 tesis de doctorado e 43 tesis de maestría;
Patrocinadores:
Petrobras, TAG, Vale, ONS, Light, Plena, Furnas e TAESA;
premios:
Premio Petrobras de Tecnología: 2005, 2007, 2008, 2010, 2012;
Premio Santander de Innovación: 2011, 2015.
ICA - Inteligencia Computacional Aplicada
Introdução
Áreas de Interés:
Exploración e Producción (E&P) de Petróleo;
Refino de Petróleo;
Distribución de Gas Natural;
Nanotecnología Computacional;
Robótica e Sistemas MultiAgente;
Energía Eléctrica;
Confiabilidad Humana;
Sustentabilidad Inteligente;
Computación de Alto Desempeño.
Introdução
ICA - Inteligencia Computacional Aplicada
ICA - 1
ICA - 2
ICA - 3
ICA - Inteligencia Computacional Aplicada
Introdução
Principais parcerias:
ICA - Inteligência ComputacionalAplicada
Esperamos a los interesados de brazos abiertos
Becas
Maestría inicial 500 dólares
Doctorado inicial 1.000 dólares
Informes:
www.ica.ele.puc-rio.br/
Oportunidades de Estúdio de Post-Grados
Universidad Indústria Estado
Inversión en Innovación
Universidad con Industria
INTELIGENCIA COMPUTACIONAL
Visión General
Definición:
conjunto de métodos computacionales que intentan reproduziralgunos aspectos del comportamiento humano como:
aprendizaje;
percepción;
raciocinio;
evolución;
adaptación.
Inteligência Computacional
Características:
métodos inspirados en comportamientos observados en laNaturaleza e aplicados en el desarrollo de sistemas de apoyo atoma de decisiones;
Principales Métodos de Inteligencia Computacional:
Redes Neuronales Arboles de decisión SVM:
inspiradas en el comportamiento del cerebro humano;
Lógica Nebulosa:
inspirada en las imprecisiones inherentes al lenguaje natural.
Algoritmos Genéticos
Aprendizaje por Refuerzo:
Aprendizaje por refuerzo, inspirado no proceso de aprendizaje de los niños;
Inteligência Computacional
Vision General
Inteligência Computacional
Ventajas de la inteligencia Computacional
Son algoritmos que muestran resultados inmediatos adaptables a casi cualquier tipo de problema. Son fácilmente programables e encontrados en paquetes de software como Matlab Python e R.
Áreas de Práctica
Exploración y producción de petróleo Telas de drenaje;
Caracterización de yacimientos;
Campos inteligentes;
Sísmica;
Refinerías de petróleo
Nanotecnología Pozo Wireless sensor
Energía solar
Portador de la droga
LEDs Orgánicos
Comercio de alimentación
Computación de alto rendimento
Fiabilidad humana
Valoración de activos intangibles
Sostenibilidad inteligente
E & P: Drenaje de Malla
Drenaje planes de optimización por algoritmos genéticos
y simulación numérica de reservorios;
Variables de interés:
Cantidad de pozos;
Tipos de pozos (armas o productores);
Ubicación de pozos;
Geometría de los pozos (verticales, horizontales o
direccionales)
Optimización de planes de drenaje con pozos
multilaterales.
E & P: Drenaje de Malla
Sistema OCTOPUS en varias unidades de
Petrobras
Tesis: 2
Tesis doctorales: 2
Premios de Petrobras:1
E&P: Caracterización de Yacimientos
ConstruçãoConstrucción (proxies) de embalses por
polinomio caos y Algoritmos Genéticos;
Construcción de proxies de embalse para el
algoritmo genético cuántica;
Tratamiento de las incertidumbres, tales como
permeabilidad y porosidad de la cáscara por
simulación Monte Carlo y Geoestadística;
E&P: Caracterización de Yacimientos
Ajuste histórico en modelos de simulación del
embalse por algoritmos genéticos y múltiples puntos
de geoestadística;
Obtención de modelos de depósito para ajustar
satisfactoriamente producción curvas y son
geológicamente coherente;
Tesis: 1
Premios Petrobras: 1
E&P: Caracterización de Yacimientos
Análisis de viabilidad financiera bajo incertidumbre
utilizando válvulas inteligentes;
Otimização do Optimización del número, ubicación y
estrategia de control de válvula para el algoritmo
genético;
Tratamiento de las incertidumbres técnicas de las
válvulas por simulación Monte Carlo;
Tesis: 1
Premios Petrobras: 1
Q2 Q1 Q3
Segmento1 Segmento2 Segmento3
Tubo Válvula
De Refinación
Programación de sistema de optimización de
refinerías por algoritmos genéticos;
Minimización de costos; las exigencias de la
producción: calidad de productos y restricciones en
el uso de equipos.
Sísmica
Inversión de parámetros sísmicos 3D de datos de
sísmica de reflexión para el algoritmo genético;
Pozos de ficción: estimación de parámetros
geofísicos en modelos que utilizan la técnica de
sísmica de reflexión para algoritmos genéticos y el
algoritmoThe Nelder Mead Simplex.
Tesis doctorales: 1
Tesis: 1 (en progreso)
Fontes
V1
Receptores
V2
V3x
z
y
Malha
Computación de Alto Rendimiento
Conversión automática de códigos de la CPU para
ejecutar en racimos de GPUs
Síntesis de programa automático
Evolución del código fuente para la GPU de la versión de
CPU por genética de programación;
Optimización del acceso a memoria global sin caché
de GPU;
Distribución de operaciones paralelo entre hilos
CUDA;
Tesis doctorales: 1
Fiabilidad Humana
Seguridad operacional a través de la caracterización
de la fiabilidad humana usando teoría de conjuntos
Fuzzy;
Medición del índice de fiabilidad humana;
Creación de estrategias para controlar los impactos
adversos.
Premios Petrobras:1
Comercio de Alimentación
Análisis de riesgo
Gestión de contratos
Evaluación de la mitigación de riesgo (regulación de los mecanismos)
Predicción de escenarios de demanda y de la insumos
Modelos estocásticos para la tasación
35
Valoración de Activos Intangibles
Patentes; Inversión en educación;
Proyectos culturales; Impactos ambientales debido a la flexibilidad empresarial
Metodología:
Opciones reales, modelos estocásticos
Lógica y números Fuzzy
Teoría de finanzas conductuales
36
Sostenibilidad Inteligente
Algoritmos genéticos en la optimización y diseño de edificios y proyectos urbanos:
Reducción del consumo de energía: iluminación, refrigeración, energía solar proyecto
Reducir el costo de materiales
Reducción de emisiones de contaminantes
37
Orientación de la
asignación
PlazasPlanificación de
rutas
Influencia de la
forestación
Dimensión lote
Alumbrado
público
Sostenibilidad Inteligente
38
38
Repoblaciónforestal:
-Tipo de árbol-Posición-Cantidad
Paredes:-Espesor-Pie derecho-Material
Ventanas:-Altura -Ancho-Tipo de cristal -Bloqueadores
Lámparas:-Posición-número
Dirección
Desafio
Processamento de quantidade de dados em tempo real
Alternativas
Algoritmos vs Hardware
Algoritmos
Única solución presente, paralelizar
Processamento de dados e informações
Túnel de vento NASA AMES
Túnel de vento-Construído na década de
1980-Velocidade máxima:
185 km/h-6 motores de 23.500 hp
lâminas de 12 m-Pode testar um 737-Custo: US$169M-Alto custo de
manutenção
Limite de miniaturização – exemplo:
◦ CPU de 10 TFLOPS
◦ Clock = 10.000 GHz
◦ Uma unidade de informação ocuparia 3.7·10-30 m3
Tamanho de uma molécula pequena
Equivalente a um cubo de 1,55·10-10 m de lado
◦ Limite tecnológico atual: 22 nm = 2,2·10-8 m
Limite de dissipação de calor = C·V2·f
◦ Se diminuirmos muito V: aumentam chances de erros na distinção dos níveis lógicos dosbits
GPU: especializada em computação intensiva e maciçamente paralela (dados)
Como se justifica tanto poder computacional e tãoconcentrado?◦ Mais transistores dedicados a processamento de dados que
a caching de dados e controle de fluxo◦ SIMD / SIMT: Single Instruction Multiple Data /Thread
Controle de fluxo menos sofisticado Grandes memórias cache são desnecessárias
Aplicações de HPC
Finanças Computacionais
Análise Numérica
Processamento Sísmico
Precificação de Opções
Previsão do Tempo
Design Automotivo
Hardware já não é solução
Algoritmos é a nova base de tratamento de dados
Nuevos desafíos
Refinar os dados
Novo desafio das universidades estar na frente em algoritmos aproveitando a Nuvem
Deep Learning
Map reduce
Deep Learning
Deep Learning es un sub-campo de MachineLearning que ha recibido una atenciónsignificativa en los últimos años.
Su popularidad se debe a la capacidad dealcanzar una increíble precisión en comparacióna los algoritmos convencionales de MachineLearning y sus aplicaciones abarcan porejemplo: Reconocimiento de voz,Procesamiento de imagen e Procesamiento delenguaje natural.
Deep Learning
Deep Learning comenzó como una necesidaden la área de Machine Learning de interpretarniveles de mayor complejidad del mundoperceptual y criar sistemas perceptivos queaprendan estas interpretaciones observando suambiente.
Deep Learning
Las redes convolutivas, un tipo de rede neuronal de Deep Learning, cada neurona
se encarga de una región de la matriz de características (feature map) y en
conjunto con otras neuronas realizan una operación de convolución, lo que extrae
las características de esa matriz de características y a lo largo de la red se
extraen los múltiples niveles de abstracción, y mejora el análisis cuando se
dispone de múltiples variables.
Deep Learning
Las redes convolutivas, un tipo
de rede neuronal de Deep
Learning, cada neurona se
encarga de una región de la
matriz de características
(feature map) y en conjunto con
otras neuronas realizan una
operación de convolución, lo
que extrae las características
de esa matriz de características
y a lo largo de la red se extraen
los múltiples niveles de
abstracción, y mejora el análisis
cuando se dispone de múltiples
variables.
Aplicaciones
DeepMind reduce el consumo de energía por enfriamiento del centro de datos de Google en un 40%
Deepface tecnología de reconocimiento facial de Facebook tiene una precisiónsimilar a la humana.
https://www.cs.toronto.edu/~ranzato/publications/taigman_cvpr14.pdf
https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/
Aplicaciones
Watson es un sistema informático de inteligencia artificial(Deep Learning) que es capaz de responder a preguntasformuladas en lenguaje natural.
La computador com inteligencia artificial (Deep Learning) para auto-conducción de vehículos. http://www.nvidia.com/object/drive-px.html
https://www.ibm.com/watson/
Conclusiones