¿Cómo preparas el café?

2017/03/01 Azkune Galparsoro, Gorka - Ikertzailea eta irakasleaEuskal Herriko Unibertsitateko Informatika Fakultatea Iturria: Elhuyar aldizkaria

• Teknologia
• Softwarea
• Adimen artifiziala

En nuestro día a día hacemos muchas cosas: levantarnos de la cama, desayunar, ver la tele, etc. La capacidad de realización de cada una de estas actividades es fundamental para una buena calidad de vida. Y ese es precisamente el objetivo de los hogares inteligentes: prestar el apoyo necesario a las personas que viven en ellos para poder realizar sus actividades diarias.

Pero, ¿qué son las casas inteligentes? En la base son casas normales, donde se colocan sensores y ordenadores. Los sensores proporcionan información sobre las actividades que realizan las personas y los ordenadores procesan esta información para comprender comportamientos y tomar decisiones. En este artículo analizaremos la primera parte, recopilando la información de los sensores y detectando las actividades humanas.

Para empezar necesitamos sensores. Hay muchos tipos de sensores en el mercado y no nos sería posible explicarlos uno a uno. Para este trabajo, pensemos que los sensores están pegados en nuestros objetos y herramientas cotidianas. Así, por ejemplo, al coger un vaso se encenderá el sensor que hay en él y registrará esta acción. Recopilando información de este tipo en el tiempo, el ordenador debe conocer las actividades. Por ejemplo, si una persona toma una taza, pone en marcha la cafetera y después coge el azucarero, el ordenador debería saber que esa persona está preparando un café.

¿Cómo detectar las actividades humanas?

Si nos fijamos en la investigación realizada hasta la fecha, se pueden encontrar dos corrientes principales para la detección de actividades humanas:

1. Técnicas basadas en datos: toma de datos sensoriales recogidos por una persona, aplicación de aprendizaje automático y aprendizaje de las actividades humanas. El ordenador aprende de datos brutos. Estas técnicas tienen muchos aspectos positivos, como que son capaces de aprender prácticas personalizadas, que aprenden de los datos de cada persona, y se adaptan a los cambios de las personas. Pero también hay contras: dificultades para generalizar lo aprendido —no se puede utilizar lo aprendido de una persona para otra— y que en la fase de aprendizaje se necesitan muchos datos etiquetados, por ejemplo. Este último es un problema importante ya que es muy difícil obtener datos etiquetados.
2. Técnicas basadas en el conocimiento: el conocimiento que tenemos de cada actividad se codifica en unos modelos lógicos y a continuación se observa si la información de los sensores es coherente con esos modelos para encontrar una actividad adecuada. Ventajas: los modelos definidos son aplicables a cualquier persona, sin necesidad de datos para la puesta en marcha del sistema (no hay fase de aprendizaje). Contras: conseguir modelos personalizados es muy difícil, ya que es difícil conocer de antemano todos los detalles de cada persona. Por otro lado, los modelos de actuación son rígidos y no pueden adaptarse a los cambios que experimentan las personas a lo largo del tiempo.

Profundizando en los pros y contras de ambas corrientes, se aprecia bastante claramente que presentan características contrapuestas. Lo que hacen bien las técnicas basadas en datos, las técnicas basadas en el conocimiento no pueden hacerlo bien, y viceversa. Se trata de dos enfoques diferentes para solucionar un mismo problema, que son contradictorios pero ¿son incompatibles?

Figura . Nuevo proceso propuesto en la tesis para la obtención de modelos de actividad humana. Imagen: Gorka Azkune.

En busca de técnicas híbridas

Sería bueno que los dos corrientes se juntaran de alguna manera y fusionaran lo mejor de los dos mundos, ¿no? Eso es lo que se ha hecho en esta tesis. Se ha propuesto, desarrollado y probado un nuevo proceso de modelización de la actividad humana. En la figura 2 se puede ver el diagrama de este nuevo proceso. La propuesta combina técnicas basadas en el conocimiento y los datos, ofreciendo una solución híbrida. En primer lugar, un experto define modelos generales de actuación aplicables a cualquier persona. A continuación se recoge la información sensorial generada por una persona que vive en una casa inteligente. Utilizando modelos generales y un algoritmo de aprendizaje basado en datos, se enriquecen los modelos iniciales aprendiendo los detalles de esa persona concreta. Así se aprenden modelos personalizados. Estos modelos se presentan al experto para que los incorpore a la base de conocimiento.

De esta forma se ha creado un sistema que une las mejores características de ambas corrientes. Por un lado, se aprovecha el conocimiento humano para crear modelos generales. Estos modelos generales recogen las características generales de una actividad, por lo que son aplicables a cualquier persona. Por otro lado, es capaz de aprender modelos personalizados, recopilando información sensorial de una persona y aplicando algoritmos basados en datos. Además, la utilización de modelos generales en este aprendizaje evita la necesidad de datos etiquetados, superando así un aspecto negativo de las técnicas basadas en datos. Así, a medida que el comportamiento de una persona cambia, los modelos personalizados que se aprenden se adaptan.

Con un ejemplo mejor

Intentemos comprender mejor la propuesta presentada en la figura 2 con un ejemplo sencillo. Tomemos la actividad de hacer café. Como todos sabemos, para hacer café es necesario tomar café y tener un cubo para beber. Por tanto, la actividad de café tendrá dos acciones obligatorias: tomar café y tomar el envase. Como se ve, una actividad se divide en acciones. Acabamos de definir un modelo general componiendo dos acciones. Este modelo es aplicable a cualquier persona, ya que nadie en el mundo es capaz de hacer un café sin café ni vasos (figura 3).

Ahora, supongamos que la persona que vive en la casa inteligente suele cocinar el café de dos maneras: a veces prepara café con leche, café, leche, recipiente y azúcar; a veces prepara café solo con café, recipiente y azúcar. El proceso propuesto en la tesis estudia estos modelos personalizados a partir de modelos generales y datos de sensores. Hay que insistir en que estos datos de sensores no están etiquetados, superando así la debilidad de las técnicas basadas en los datos más utilizados.

Algoritmo de aprendizaje de modelos personalizados

No es objeto de este artículo describir con precisión el algoritmo de aprendizaje desarrollado en la tesis, pero intentemos explicar las ideas principales (figura 4). Las acciones de una persona pueden encuadrarse en tres ejes:

Figura . Un ejemplo para aprender modelos personalizados con un modelo general. Imagen: Gorka Azkune.

1. Lugar donde la persona ha realizado la acción: cocina, baño...
2. Objeto de la acción realizada (tipo): limpieza, cocina, ocio...
3. Momento (día y hora) en que se ha producido la acción.

Estas acciones se perciben mediante sensores. Por lo tanto, si a medida que una persona está realizando sus actividades cotidianas dibujamos en estos tres ejes las acciones detectadas, nos damos cuenta de que las actividades se pueden describir recogiendo acciones cercanas entre sí.

Por tanto, el algoritmo de aprendizaje desarrollado en la tesis:

Agrupa acciones cercanas al espacio de actividades en diferentes grupos (a esto se le denomina cluster).

A partir de modelos generales, cada uno de estos grupos inventa la actividad a la que pertenece. Para ello se observa si los modelos generales son coherentes con estos grupos de acción.

Abarca todos los grupos de acción para una actividad y encuentra evoluciones comunes, aprendiendo modelos personalizados.

Figura . Representación del espacio de las actividades. En ella, los puntos muestran las acciones en tres ejes: local, (acción) tipo y tiempo. Las actividades (Iniciar, Limpiar, etc.) se pueden describir recogiendo las acciones cercanas. Imagen: Gorka Azkune.

De esta forma se aprenden modelos de actuación específicos para cada persona, aprendiendo todas las acciones realizadas por cada persona. Además, si este proceso de aprendizaje se repite a lo largo del tiempo, a medida que se van recopilando nuevos datos, se pueden detectar las evoluciones que una persona puede experimentar en ese tiempo y aprender adecuadamente la evolución de esa persona. Es decir, se pueden aprender los cambios que una persona puede tener en la forma de realizar las mismas actividades, aprendiendo acciones concretas.

Conclusiones

¿Por qué son tan importantes los modelos personalizados? Por un lado, porque permiten prestar a cada persona la ayuda que necesita. Por ejemplo, si una persona siempre añade azúcar al café (modelo personal) y en algún momento se ve que no le ha echado azúcar, se le puede recordar. El hogar inteligente se adaptará mejor a las personas que viven en él.

Por otro lado, los modelos personalizados son importantes por su potencial uso en la salud. Geriatras y neurólogos han demostrado que los cambios en las actividades diarias permiten prediagnosticar enfermedades mentales. Las técnicas desarrolladas en esta tesis pueden ser una vía para analizar con precisión dichas evoluciones y cambios. Por lo tanto, el estudio de actividades personalizadas a lo largo del tiempo puede ayudar mucho a combatir estas enfermedades, ya que antes de mostrar otros síntomas médicos podemos empezar a tratar la enfermedad.

En el futuro tendremos que seguir trabajando para solucionar los problemas que aún quedan en el aire. ¿Cómo extender este tipo de soluciones a situaciones más reales? Es decir, ¿hay muchas personas que viven en la misma casa y realizan actividades conjuntas? ¿Cómo podemos evitar colocar un sensor en cada rincón y objeto de la casa sin renunciar a los detalles de las actividades?

Todavía queda mucho por hacer en los sistemas de detección de actividades humanas, pero creemos que merece la pena porque los beneficios que pueden reportar podrían ser importantes. Podríamos estar ante una vía de mejora sustancial de la calidad de vida de las personas y debemos aprovecharla.

Bibliografía