Gensym - Actual proveedor líder de software para soluciones inteligentes en tiempo real

Desde 1986, G2 de Gensym ha sido la plataforma de desarrollo de sistema experto en tiempo real líder para la construcción de la misión de control de procesos críticos, gestión de alarmas y aplicaciones de simulación complejos. De propiedad privada desde 2007, Gensym estableció una afiliación con Ignite Tecnologías en el año 2015, el aumento de la inversión en innovación G2 y soluciones basadas en G2.


1. G2 – Transforma data de operaciones en tiempo real en decisiones automatizadas y 
acciones. Dos versiones Standard y Enterprise.

Gensym’s powerful real-time expert system G2® le permite crear, implementar y adaptar en tiempo real, aplicaciones de expertos de misión crítica basado en reglas que automatizan la toma de decisiones en materia de telecomunicaciones, finanzas, gobierno, militar, fabricación, servicios públicos y transporte. G2 se demuestra en las empresas más grandes del mundo que requieren de 24 × 7 el tiempo de actividad en verdaderas instalaciones de producción de misión crítica. Con G2, constructores de aplicaciones basado en reglas, de misión crítica trabajar de forma más productiva, reducir al mínimo los riesgos de entrega de proyectos, y aumentar su éxito en la construcción de sistemas de larga duración.

2. G2 CAT – provee procesos de control avanzados y optimización para molienda de
cemento y muchos otros procesos encontrados en plantas de producción de cemento.

G2 CAT, or Cement Advanced Process Control Toolkit, proporciona procesos de fresado Cemento control avanzado de procesos y optimización de Raw fresado, Pyro y como se encuentra en la mayoría de las plantas de producción de cemento. CAT se ejecuta en la plataforma G2 única y estable. La suite CAT ofrece las siguientes herramientas básicas generales, que están estrechamente integradas para crear una fundamentos subyacentes de la fiabilidad, la extensibilidad y facilidad de uso.


Fully optimize your control sequence with Model Predictive Control (MPC) and G2.

Inicialmente construido para satisfacer las necesidades de control altamente especializadas de las refinerías de petróleo y plantas de energía, MPC, uno de los principales métodos de control avanzadas, se encuentra ahora en una amplia gama de industrias y áreas de aplicación, incluyendo la fabricación de cemento, el transporte y la industria aeroespacial.

Predictive Coding - University of Washington

“Predictive Coding” o Codificación predictiva es un es una estructura para la comprensión de la reducción de la redundancia y una codificación eficiente en el sistema nervioso.

Al transmitir sólo las partes imprevistas de una señal sensorial, codificación predictiva permite al sistema nervioso reducir la redundancia y hacer un uso completo del rango dinámico limitado de neuronas.

Partiendo de esta hipótesis, codificación de predicción proporciona una explicación funcional para una gama de respuestas neuronales y muchos aspectos de la organización del cerebro como en campos receptivos de la retina y para ser compatible con una variedad de datos neurofisiológicos y psicofísicos obtenidos de diferentes áreas del cerebro.

A Hierarchical Architecture for Adaptive Brain-Computer Interfacing - University of Washington

Por un lado un BCI no invasivo evita la fatiga del usuario y su desventaja es que, a través de su sistema de señales electrocefálicas, recibe señales débiles y poco claras; en contraste un BCI invasivo recibe señales muchísimo más claras, pero termina agotando al usuario por el control constante.

En esta investigación se propone una nueva arquitectura jerárquica de adaptación para el BCI, donde se enseñe al usuario en el transcurso de la experiencia. Posteriormente esas habilidades se invocan como comandos de alto nivel, solucionando el tedioso uso del bajo nivel.

Se hizo la prueba con 4 sujetos y debían entrenar y controlar un robot humanoide en un entorno de hogar virtual. Se usaron procesos Gaussianos para que aprendiera comandos de alto nivel y así el BCI decidiera entre ser autónomo o guiado por el usuario en un momento de duda.

Concluyeron que la arquitectura jerárquica de adaptación para el BCI puede proveer una robusta y flexible forma de controlar complejos robots en entornos del mundo real.

Probabilistic co-adaptive brain–computer interfacing - University of Washington

El objetivo del proyecto es decodificar las señales del cerebro con mayor exactitud y la necesidad de co-adaptación entre el cerebro y la BCI con el fin de lograr juntos una tarea.

En la investigación se propone un nuevo sistema BCI basado en POMDPs (Partially Observable Markov Decision Processes).

Los resultados sugieren que el basarse en un marco de POMDPs es una buena propuesta para el diseño de BCI que deban manejar las señales neuronales y la co-adaptación con el usuario sobre una base continua. 

El hecho de que el POMDP BCI mantiene una distribución de probabilidad sobre el estado del cerebro del usuario permite una forma mucho más potente de la toma de decisiones que los enfoques tradicionales de BCI, que normalmente se han basado en la salida de los clasificadores o técnicas de regresión. Además, la co-adaptación del sistema permite que el BCI para hacer mejoras en su comportamiento, ajustándose automáticamente a las circunstancias cambiantes del usuario.

Brain-Computer Interfaces & Computational Neuroscience - Interfaces Cerebro-Computador y Neurociencia Computacional

´

La Tecnología de Interfaz cerebro-computador es un sistema de interacción hombre-máquina capaz de traducir nuestras intenciones en interacción real con un mundo físico o virtual. El funcionamiento básico de una BCI (Brain - Computer Interface) es medir la actividad cerebral, procesarla para obtener las características de interés, y una vez obtenidas interaccionar con el entorno de la forma deseada por el usuario. 

Desde un punto de vista de interacción hombre-máquina, esta interfaz tiene dos características que la hacen única frente a todos los sistemas existentes. La primera de ellas es su potencial para construir un canal de comunicación natural con el hombre, la segunda su potencial acceso a la información cognitiva y emocional del usuario.

Di-Boss: Sistema operativo para manejo de edificios - Columbus University

Este ha sido un gran aporte ya que, aunque tenga una gran complejidad de trabajo este sistema operativo tiene una interfaz totalmente sencilla la cual es portable porque la podemos ver en tablets, computadoras, portátiles, celulares, etc.…. 

Este sistema utiliza tecnología TPO (Total Property Optimizer) como dicen las siglas. El mismo también ofrece confort y seguridad para grandes administradores de edificios e inquilinos con conocimiento de la situación, el ahorro de energía, y la re-puesta en servicio (rendimiento óptimo continuo), y proporciona el Smart análisis y comunicaciones necesarios para las operaciones en tiempo real.

Además, continúa, bucles de retroalimentación continua del sistema Di-BOSS ™ proporcionan a los administradores de edificios, hasta a la fecha de recomendaciones fiables para tomar decisiones que mejoran significativamente la eficiencia energética y servir mejor a las personas en el edificio. Edificios actualmente no tienen ningún sistema operativo en absoluto. En cambio, tienen cientos de controladores de subsistemas que gestionan de forma independiente silos separados de responsabilidad, tales como ascensores, el manejo de incendios, ocupación, y construcción y sistemas de gestión de energía. Es evidente que existe un gran potencial para la mejora de la eficiencia energética que es, hasta ahora, sin explotar. Este sistema cuenta con licencia de 19 patentes que cubren los métodos y técnicas de aprendizaje automático.

Acelerando el descubrimiento en las ciencias climatológicas con aprendizaje automático - University of Washington

Los científicos han observados cambios en la temperatura, el nivel del mar y los polos. Lo que ha convertido una prioridad internacional la creación de un sistema que se encargue de entender el clima. Este sistema funciona utilizando modelos climáticos dados por los climatólogos entonces cuando actúa el sistema, este trabaja cuando se detecta una anomalía en el clima el cual mediante el uso de algoritmos de aprendizaje automático este realiza un tipo de match con algún fenómeno climático y el sistema da una predicción de lo que pueda suceder mediante previas experiencias. Esto aún es un prototipo ya que aún tiene muchas fallas como por ejemplo que estamos en unos tiempos en los que hay cambios climáticos muy constantes y no le permiten al sistema realizar un adecuado análisis de la situación por el constante cambio. Lo bueno de este sistema es que ya se ha comprobado que el mismo al no tener en cuenta una situación el mismo busca una situación similar que haya ocurrido y que tenga en su base de conocimiento y realiza una inferencia para poder sacar su propia conclusión.