Navegación

Búsqueda

Búsqueda avanzada

Resultados de búsqueda para Aprendizaje automático

Hacia un Framework de Adaptación Inteligente de Interfaces de Usuario

Tomar la decisión de adaptar el interfaz de usuario en un momento o circunstancia incorrecta puede producir errores o reducir la experiencia de usuario. Es muy importante elegir qu+AOk y cuándo aplicar las adaptaciones que más convienen de acuerdo al contexto y las necesidades del usuario. En un trabajo previo, hemos propuesto un framework genérico para guiar la adaptación inteligente de interfaces de usuario (IUs). En este trabajo se presenta un planteamiento inicial de la instanciación de este framework para abordar adaptaciones de IUs mediante el Aprendizaje por Refuerzo basado en modelos y el uso de datos fisiológicos de la experiencia de usuario, que hacen que el sistema pueda aprender de los errores y aciertos del pasado, para dotar de un cierto grado de inteligencia a la adaptación de los interfaces de usuario.

Autores: Daniel Gaspar Figueiredo / Silvia Abrahao / Emilio Insfran / 
Palabras Clave: Aprendizaje automático - Datos Fisiológicos - Experiencia de Usuario - Interfaces de Usuario Adaptativas

Caracterización dinámica de explicaciones en sistemas autónomos con participación humana

La colaboración humano-sistema es un modelo de trabajo que permite combinar conocimientos y habilidades de humanos y máquinas. El objetivo de esta colaboración es superar situaciones complejas y garantizar una forma de trabajo adecuada y confiable. Para lograr una colaboración humano-sistema efectiva y eficiente, los sistemas deben ser transparentes, comprensibles y confiables para los humanos. Las explicaciones que el sistema ofrece a los humanos son mecanismos clave para lograr este tipo de sistemas. Sin embargo, el diseño de las explicaciones plantea una serie de desafíos en cuanto a las características que deben tener estas. Por ejemplo, ¿cuál es el contenido necesario para la explicación? ¿en qué momento se debe dar? ¿debe ser muy intrusiva para captar la atención del usuario?. En este trabajo, proponemos un modelo conceptual para caracterizar las explicaciones y, en base a este modelo conceptual, se construye un sistema que infiere las características que debe tener la explicación a ofrecer de acuerdo a la acción a explicar, el contexto del usuario y su perfil. En este trabajo, nos centramos en el dominio de la Smart Home, pero el enfoque es extrapolable a otros dominios.

Autores: Antoni Mestre / Miriam Gil / Manoli Albert / Jose Ignacio Panach Navarrete / Vicente Pelechano / 
Palabras Clave: Aprendizaje automático - diseño centrado en el usuario - Explicaciones - modelo de características - nivel de atención - Sistemas Autónomos - tareas humano-sistema

Causalidad temporal y selección de características: Situación actual y retos futuros

En los últimos años, la demanda de algoritmos de inteligenciaartificial capaces de modelar líneas de producción est+AOE aumentando en elsector industrial. Debido al elevado número de variables existentes en losprocesos productivos, el primer paso para conseguir un buen modelo esla selección de un conjunto de variables representativo del proceso. Estoresulta ser especialmente difícil cuando se trata de líneas de ensamblaje,ya que, debido a su naturaleza continua y secuencial, son necesarios algoritmos capaces de lidiar con datos que presentan desfases temporales,redundancias y ruido en las medidas. En la actualidad existen algunos algoritmos diseñados explícitamente para determinar desfases temporalespero, sin embargo, estos no se muestran eficaces para conjuntos de datosindustriales. En este trabajo analizamos 3 aproximaciones capaces delidiar con conjuntos de datos con fuertes dependencias temporales, señalando sus puntos fuertes y débiles. Además, se esboza una posible líneade trabajo futuro capaz de tratar con este tipo de datos y dependencias.

Autores: Ledicia Díaz Lago / David Mera / Jose Manuel Cotos Yañez / 
Palabras Clave: Aprendizaje automático - Causalidad Temporal - Selección de características - Series Temporales

Aprendizaje automático y predicción de defectos en el software

La predicción de defectos de software es el proceso de desarrollo de modelos que pueden ser utilizados por los profesionales de software para detectar artefactos defectuosos. Existen numerosas técnicas de aprendizaje automático que se han propuesto e implementado como solución a este problema, pero en muchos casos los resultados son contradictorios y no se ha consensuado el conjunto de métricas que serán las variables de base en la predicción. En este trabajo se abordan dos tareas importantes en la aplicación de algoritmos de aprendizaje al problema de predicción de defenctos. Por una parte crear un método unificado para tratar este problema que sea generalizable a nuevos conjuntos de datos y/o que pueda incorporar nuevos algoritmos, así se podrán comparar los resultados de las distintas técnicas hayan sido probadas o no. Por otra parte, profundizamos en la selección de métricas relevantes en problema de la predicción de defectos software y proponemos un método de consenso en base a las relaciones identificadas en los datos. El método de comparación de técnicas y la selección de métricas se han probado experimentalmente sobre 5 conjuntos de datos. Los resultados obtenidos indican que las métricas relevantes en la predicción de defectos son una combinación de métricas de acoplamiento y tamaño.

Autores: José Del Sagrado / Isabel María Del Águila / Alfonso Bosch / 
Palabras Clave: Análisis de Datos - Aprendizaje automático - Predicción de defectos del software

Preprocesado de flujos de datos para aprendizaje automático mediante reglas CEP

El procesamiento de flujos de información constituye un área de gran relevancia dentro de la gestión de datos, pues sus métodos deben ser ágiles y eficientes para soportar el volumen y la velocidad con la que los datos se generan actualmente. Las técnicas de minería de datos han necesitado adaptarse a estas circunstancias, que no solo afectan al modo en el que se aprende de los datos, sino también a la preparación de los mismos. En este contexto, los sistemas de procesamiento de eventos complejos (CEP) pueden facilitar el tratamiento de los datos en tiempo real. Este trabajo propone abordar el preprocesamiento de flujos de datos mediante CEP. El estudio experimental revela que los datos, convenientemente transformados y enriquecidos con información temporal, mejoran la predicción de los algoritmos de aprendizaje automático.

Autores: Aurora Ramírez / Nathalie Moreno / Manuel F. Bertoa / Antonio Vallecillo / 
Palabras Clave: Aprendizaje automático - Flujos de datos - preprocesado - procesamiento de eventos complejos

No encuentra los resultados que busca? Prueba nuestra Búsqueda avanzada