Redes Neuronales

Aplicadas en la Auditora
Informtica

Integrantes:
David Bermeo Caice
Dayanna Casierra Tomala
Alex Guinzo Vera
Paulette Jimenez Jimenez
 Antecedentes
Est accin involucra a las
Las Redes Neuronales forman neuronas y sinapsis. Las neuronas
parte de las herramientas del son las clulas capaces de
Data Analytics. Esta herramienta guardar informacin en nuestro
tiene relacin con las redes cerebro, y la sinapsis es la unin o
neuronales del cerebro.
relacin entre las neuronas.

Una de las caractersticas de esta

herramienta, es que se la estudi como una
forma de ver al mundo de la computacin
dando paso al desarrollo de modelos de
Redes Neuronales Artificiales.
 Qu es una Red Neuronal?

En Big Data Analytics se define a la neurona como nodo, es decir son elementos simples de
procesamiento, las neuronas estn conectadas entre s por conexiones que tienen un valor
numrico modificable conocido como peso. Estos nodos generalmente se organizan por
capas.
 Estructura de una Red Neuronal

La estructura de una red neuronal consiste en tres

importantes capas, las cuales son: Capas de
entradas, capas ocultas y capas de salida.
Capa de Entradas: Reciben informacin
directamente del exterior.
Capa Oculta: Reciben informacin
directamente de otras neuronas artificiales, En
estas neuronas se realizan la representacin
de la informacin almacenada.
Capa de Salida: Reciben informacin
almacenada y las devuelven al exterior.
Redes Multinivel siempre hacia adelante (MFL)

Las Redes multinivel

siempre hacia adelante
(tambin conocidas
como Redes de
Perceptrn de Mltiples
Capas) son sistemas
capaces de modelar
relaciones complejas
entre variables
independientes y una
variable dependiente.
 Redes Neuronales de Regresin Generalizada

Las redes GRN se usan para

aproximacin de predicciones /
funciones numricas, mientras
que las redes PN se usan para
predicciones de categoras y
clasificacin.
Cuando se le presenta el caso,
la red calcula el valor
dependiente de prediccin
usando los valores
dependientes de cada caso de
entrenamiento, y los casos de
entrenamiento cercanos
contribuyen de forma ms
significativa al valor de salida.
 Redes probabilsticas

Volviendo a las Redes

neuronales probabilsticas,
considere los siguientes
datos de entrenamiento con
2 variables numricas
independientes y una
variable dependiente con 2
categoras.
 The DecisionTools
Suite

Para poder resolver estos ejercicios nos

basamos de las herramientas de The
Decision Tools Suite, en especfico
seleccionamos el programa de
NeuronalTools.
 NeuronalTools

Este programa est familiarizado con el paquete

de Microsoft Office, adems cuenta con una
interfaz amigable y fcil de manejar.

Esta interfaz nos presenta en su barra de

herramientas los botones de Opcin de
Datos: Administrador de conjuntos de
datos, Visor de datos; Opcin de Redes
Neuronales: Entrenamiento, Probar,
Predecir y en la Opcin Ayuda consta de
Utilidades y Ayuda para poder comprender
el funcionamiento de este programa.
 Pasos esenciales de Redes Neuronales

Preparacin de
Prueba
Seleccionar el Datos Se genera una Una vez probada
conjunto de datos Red Neuronal a la Red, se puede
predispuestos partir de un Se comprueba la usar para predecir
para la red Usar el botn de conjunto de datos Red Neuronal salidas de nuevos
Administrador de datos.
Datos
Revisar los
Entrenamiento Prediccin
datos
 Interfaz de Administrador de Datos

El administrador de conjunto
de datos se usa para
configurar los conjuntos de
datos para que se puedan
utilizar una y otra vez con las
redes neuronales.
 Interfaz de Entrenamiento

Con el entrenamiento
se genera una red
neuronal a partir de un
conjunto de datos
compuesto de casos
con valores de salida
conocidos.
 Interfaz de Prueba

Se comprueba la red
neuronal para ver como
realiza la prediccin de
los valores de salida
conocidos.
 Interfaz de Prediccin

Se usa una red neuronal

entrenada para predecir
valores de salida
desconocidos. Una vez
entrenada y aprobada, la
red se puede usar para
predecir salidas de datos
de casos nuevos.
Auditora de sistemas o Informtica

La Auditora de Sistemas ha sido

definida como la revisin sistemtica y
organizada de los sistemas en
funcionamiento, para ver si en ellos se
verifican las propiedades de:
Vigencia de los objetivos
planteados como base del diseo
original (entendiendo por diseo el
arreglo o coordinacin de las
partes o detalles del sistema.)
Concordancia del sistema con los
objetivos (efectividad).
Permanencia del diseo por no
haber sufrido alteraciones que lo
degradaran operativamente.
Eficiencia del sistema
 Puntos de revisin

Revisin de controles generales. Los controles generales se refieren a los que afectan a la estructura de la
organizacin, a las polticas y procedimientos y el ambiente de control de los sistemas de informacin.
Revisin de las operaciones de procesamiento de informacin. Se refiere no slo a las operaciones que se
ejecutan dentro del denominado Centro de Procesamiento de Informacin, sino adems a aquellas que se
realicen en el entorno informtico.
Revisin de seguridad. Abarca la revisin de la calidad del acceso lgico, del acceso fsico y de los controles
del ambiente informtico.
Revisin del Software del sistema operativo. Se relaciona con la revisin de las polticas y procedimientos de
desarrollo y con la adquisicin y mantenimiento del software del sistema operativo.
Revisin de la metodologa para el desarrollo de sistemas de informacin. Abarca la revisin de la
metodologa empleada, las normas y los procedimientos de desarrollo y con la adquisicin y mantenimiento
del software dentro del ciclo de vida del desarrollo de sistemas u otras estrategias que se adopten.
Revisin de los controles del software de aplicacin. Comprende la revisin y evaluacin de las fortalezas y
debilidades de los puntos de control y procedimientos de control que deben permanecer insertos en los
sistemas de aplicacin de la organizacin.
Plan de contingencias. Consiste en verificar la existencia y aplicacin de polticas y procedimientos referentes
a recuperacin de informacin y continuidad de operaciones en caso de presentacin de desastres.
 Empresa InConcert

InConcert es una empresa especializada en desarrollo de herramientas de software para centros de contacto
integradas en una suite tambin llamada inConcert con las que se disea e implementan soluciones
tecnolgicas, llave en mano, orientadas a maximizar la rentabilidad de la operacin.
La aplicacin inConcert Analytics permite monitorear la operativa y rendimiento de las campaas
integralmente, ya sea de llamadas entrantes o salientes, as como tambin el tratamiento de Lotes y contactos,
y el rendimiento de los agentes.
Asimismo, es posible configurar alarmas que se disparen cuando ciertos indicadores excedan o estn por
debajo de los valores deseados.

Cada tipo de marcacin cuenta con paneles de monitoreo de alta visibilidad, donde la informacin y
estadstica se vuelca en tablas y grficas.
Adicionalmente, por medio de la lista de agentes, es posible monitorear su actividad, ya sea sobre todos los
agentes, o al utilizar los filtros, obtener especficamente un grupo sobre el cual se tenga inters.
Interfaces del Software
Puntos a revisar
 Variables y respectivas Escalas

Plan de Calidad del Revisin de las Revisin a de los

Contingencia Software operaciones de controles del
informacin software
Tiene Alta
Aprueba Aprobado
Media
No tiene No Aprueba No Aprobado
Baja

Control de Revisin de Revisin de la Sistema cumple

Seguridad Controles Metodologa o no (Y)
Alta Generales Aplica
Media Aprueba No Aplica 1 = Si
Baja No Aprueba 0 = No
 REVISION DE REVISION DE LAS REVISION DE LOS El sistema cumple con los
PLAN DE CONTROL DE CALIDAD DEL CONTROLES OPERACIONES DE REVISION DE LA CONTROLES DEL lineamientos del modelo
CONTINGENCIA SEGURIDAD SOFTWARE GENERALES INFORMACION METODOLOGIA SOFTWARE estndar
NO TIENE BAJA BAJA NO APRUEBA APRUEBA APLICA APROBADO 1
TIENE MEDIA MEDIA APRUEBA NO APRUEBA NO APLICA NO APROBADO 0
NO TIENE MEDIA MEDIA APRUEBA APRUEBA NO APLICA APROBADO 1
NO TIENE MEDIA MEDIA APRUEBA NO APRUEBA APLICA APROBADO 1
NO TIENE ALTA BAJA APRUEBA NO APRUEBA APLICA APROBADO 1
NO TIENE BAJA MEDIA APRUEBA NO APRUEBA APLICA APROBADO 1
TIENE ALTA ALTA APRUEBA NO APRUEBA APLICA NO APROBADO 1
NO TIENE BAJA MEDIA NO APRUEBA APRUEBA NO APLICA NO APROBADO 0
NO TIENE BAJA BAJA NO APRUEBA APRUEBA NO APLICA NO APROBADO 0
TIENE ALTA ALTA NO APRUEBA APRUEBA NO APLICA NO APROBADO 0
TIENE ALTA ALTA APRUEBA NO APRUEBA NO APLICA NO APROBADO 0
TIENE MEDIA MEDIA NO APRUEBA NO APRUEBA NO APLICA APROBADO 1
TIENE MEDIA MEDIA NO APRUEBA NO APRUEBA NO APLICA NO APROBADO 0
TIENE ALTA MEDIA APRUEBA NO APRUEBA APLICA APROBADO 1
TIENE MEDIA MEDIA NO APRUEBA NO APRUEBA APLICA NO APROBADO 1
TIENE MEDIA MEDIA APRUEBA NO APRUEBA NO APLICA APROBADO 0
NO TIENE BAJA BAJA NO APRUEBA NO APRUEBA NO APLICA NO APROBADO 1
NO TIENE MEDIA MEDIA APRUEBA APRUEBA APLICA APROBADO 0
NO TIENE BAJA BAJA APRUEBA APRUEBA APLICA NO APROBADO 1
NO TIENE MEDIA MEDIA APRUEBA APRUEBA APLICA APROBADO 0
NO TIENE BAJA MEDIA NO APRUEBA APRUEBA NO APLICA NO APROBADO 1
TIENE ALTA ALTA APRUEBA APRUEBA APLICA NO APROBADO 0
TIENE MEDIA MEDIA NO APRUEBA APRUEBA APLICA NO APROBADO 1
TIENE ALTA ALTA APRUEBA APRUEBA APLICA NO APROBADO 0
NO TIENE BAJA MEDIA NO APRUEBA NO APRUEBA APLICA APROBADO 1
TIENE MEDIA MEDIA APRUEBA APRUEBA APLICA APROBADO 0
NO TIENE BAJA BAJA NO APRUEBA NO APRUEBA NO APLICA APROBADO 1
TIENE ALTA ALTA APRUEBA APRUEBA NO APLICA APROBADO 0
NO TIENE BAJA BAJA NO APRUEBA NO APRUEBA NO APLICA NO APROBADO 1
TIENE MEDIA MEDIA APRUEBA APRUEBA NO APLICA APROBADO 0
TIENE ALTA MEDIA APRUEBA NO APRUEBA NO APLICA NO APROBADO 0
TIENE MEDIA MEDIA APRUEBA APRUEBA APLICA APROBADO 1
TIENE ALTA ALTA NO APRUEBA NO APRUEBA APLICA APROBADO 0
NO TIENE MEDIA BAJA APRUEBA APRUEBA APLICA APROBADO 1
NO TIENE BAJA BAJA NO APRUEBA NO APRUEBA NO APLICA APROBADO 0
TIENE ALTA ALTA APRUEBA APRUEBA APLICA APROBADO 1
Informe de Entrenamiento-Prueba de "Red entrenada en CALL_CENTER (2)"

Etiqueta usada Prediccin Correcto/Incorrecto Residual

probar 0,79 Correcto 0,21
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
probar 0,09 Incorrecto 0,91
entrenar
probar 0,43 Incorrecto 0,57
entrenar
entrenar
entrenar
entrenar
probar 0,79 Correcto 0,21
probar 0,79 Incorrecto -0,79
entrenar
entrenar
probar 0,43 Incorrecto 0,57
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
entrenar
probar 0,09 Incorrecto -0,09
entrenar
entrenar
entrenar
entrenar
entrenar
Resumen de Entrenamiento y Auto-Prueba
Histogramas
Informe de sensibilidad de prueba
CONCLUSIONES

Segn el porcentaje de predicciones incorrectas es de 34,48%, dndonos a entender que

supera el 30% de tolerancia,. Nos damos cuenta que el nivel de predicciones incorrectas
es un nivel regular.

Tiene un nivel de apreciacin de 34,49% con respecto al error cuadrtico medio.

En el informe de sensibilidad de prueba os demuestra que si probamos con un 30% de

datos, obtendremos un error cuadrtico medio de un 10%. Mientras el error cuadrtico
medio sea menor es mejor para predecir los resultados.
RECOMENDACIONES

Se recomienda establecer un Plan de Contingencia dentro del programa, para que si

existe una falla dentro del software no se pierda la informacin.
Se debe mejorar la seguridad del software segregando la informacin para cada tipo de
nivel que tenga el software, de tal manera que solo se tenga acceso a la informacin
necesaria.
La calidad del software en muchas de las pruebas resulto media, lo cual quiere decir que
no esta dando los resultados esperados por la gerencia.
Los Controles del software fueron aprobados por la gerencia pero algunos de los puntos
no resultaron segn los lineamientos preestablecidos por lo tanto se deben revisar esos
puntos y corregirlos.
 Bishop, Christopher M., Neural Networks for Pattern Recognition, Oxford, 1995.
Masters, Timothy, Advanced Algorithms for Neural Networks, Wiley, 1995.
Reed, Russell D., Robert J. Marks, Neural Smithing, MIT, 1999.
Enlaces:
https://www.palisade.com/downloads/manuals/ES/NeuralTools5_ES.pdf