Grafo Dirigido Acíclico (DAG) es una estructura matemática.
En Inteligencia Artificial (IA), Aprendizaje Automático
Procesamiento de Datos y Modelado Probabilístico.
Ser un grafo dirigido
Sus aristas tienen una dirección definida.
Ser acíclico
No contiene ciclos.
No hay una ruta que permita regresar.
A un nodo previamente visitado.
Aplicaciones de los DAG en IA
Redes Bayesianas (Bayesian Networks)
Son la base de las redes bayesianas
Tipo de modelo probabilístico.
Para inferencia y toma de decisiones bajo incertidumbre.
Cada nodo representa una variable aleatoria
Las aristas dirigidas indican.
Relaciones de dependencia condicional
Predicción del tráfico
Variable A: «Llueve» → afecta → Variable B: «Atascos en la ciudad».
Variable B → afecta → Variable C: «Tiempo estimado de llegada».
Si sabemos que llueve podemos actualizar la probabilidad.
Que haya un atasco.
Del tiempo de llegada esperado.
Flujos de Datos en Aprendizaje Automático (ML Pipelines)
TensorFlow, Apache Airflow o Spark
DAG organizan el flujo de datos.
Procesamiento en una estructura ordenada.
Ejemplo en ML
- Preprocesamiento → 2. Entrenamiento del modelo → 3. Evaluación → 4. Despliegue
Cada etapa depende de la anterior y no hay ciclos.
Garantiza un flujo eficiente.
Computación Distribuida y Procesamiento de Tareas
Se usan para modelar dependencias.
En sistemas de procesamiento distribuido.
Ejemplo
Apache Spark usa DAGs para representar.
Cómo se transforman los datos.
En una pipeline de procesamiento.
Optimizando la ejecución.
Representación del Conocimiento y Razonamiento Automático
En IA simbólica y sistemas expertos.
Permiten representar ontologías
Relaciones jerárquicas.
Ejemplo
En diagnóstico médico.
Puede representar cómo los síntomas dependen.
De diferentes enfermedades y factores de riesgo.
Propiedades Clave de un DAG
Orden Topológico
Siempre se pueden ordenar los nodos.
Las aristas solo vayan en una dirección (sin retrocesos).
Eficiencia
Útil en computación porque evita bucles infinitos.
Asegura procesos ordenados.
Los DAG permite modelar probabilidades.
Flujos de trabajo y relaciones entre datos en redes bayesianas.
Procesamiento de datos y aprendizaje automático.
