© TEKNIKER Sistemas inteligentes Casos de uso de IA

© TEKNIKER Áreas de investigación aplicada NLP Visión WSN Señal … … Audio Machine Learning (data/text/web mining) Inspección Robótica Semántica HMI...

© TEKNIKER Objetivo de la jornada Desmitificar la IA Presentar casos de uso (nuestra selección)  En sector servicios  En fabricación  En entorno social  En entorno rural

© TEKNIKER Desmitificar la IA Algoritmos genéticos Redes neuronales SVM KNN SVD …

© TEKNIKER Desmitificar la IA

© TEKNIKER Desmitificar la IA

© TEKNIKER Desmitificar la IA

© TEKNIKER Agricultura de precisión

© TEKNIKER Casos de uso (agric. de precisión) Conseguir productos menos contaminados y menor impacto ambiental. Reducción en la utilización de agentes químicos. Tratamiento localizado de las malas hierbas. Pulverización selectiva de los campos de cultivo.

© TEKNIKER Casos de uso (agric. de precisión) Malas hierbas a detectar : Cereales : Avena Sterilis L. (“avena loca de invierno”). Una de las malas hierbas más extendidas en cultivos de cereal en España y en zonas con clima mediterráneo. Causa pérdidas muy importantes en estos cultivos. Maíz : especies diversas

© TEKNIKER Casos de uso (agric. de precisión) Análisis del problema: Las malas hierbas nacen a la vez que los cultivos entremezclándose con éstos. Crecen simultáneamente con los cultivos. En el momento de su tratamiento (identificación) la visión humana puede distinguirlas mientras que la artificial tiene grandes dificultades. Propuesta de solución: Sistema automático que analice densidad y distribución espacial de malas hierbas en el cultivo.

© TEKNIKER Casos de uso (agric. de precisión) Captura Segmentación Extracción de celdas BB.DD (parámetros aprendidos) off-line on-line Decisión No pulverizar Pulverizar

© TEKNIKER Casos de uso (agric. de precisión) Etapas del proceso: Captura de imagen del campo de cultivo en perspectiva. Segmentación de la imagen y extracción de patrones de identificación (celdas). Extracción de propiedades de las celdas: propiedades cuantitativas y cualitativas. Proceso de aprendizaje (off-line). Decisión (on-line): métodos basados en algoritmos de aprendizaje.

© TEKNIKER Casos de uso (agric. de precisión) Clasificadores simples (atributos cuantitativos): Máquinas de Vectores Soporte (SVM). Clasificadores estadísticos: Bayes y Parzen. Agrupamiento borroso o Fuzzy Clustering (FkM). Clasificador Hebbiano. Clasificadores híbridos (atributos cuantitativos): Bayes + FkM. SVM + FkM. Bayes + SVM. Clasificador MCDM basado en Fuzzy logic. (atributos cuantitativos + atributos cualitativos)

© TEKNIKER Casos de uso (agric. de precisión) Conclusiones Se han desarrollado métodos novedosos para pulverización selectiva con las siguientes mejoras: Automatización de la segmentación y la decisión Flexibilidad y diversidad de métodos, particularmente respecto de la decisión. Universalidad: aplicable a otros cultivos con problemáticas similares al maíz o cereal. Eficacia: los resultados obtenidos son satisfactorios. Precisión: reducción del área a pulverizar evitando contaminación y ahorro económico en la producción.

© TEKNIKER Detección de rebaba en proceso de taladrado

© TEKNIKER Casos de uso (detección rebaba) Objetivo: Monitorización on-line del proceso de taladrado para la predicción de la aparición de rebaba Taladrado: operación importante en la aeronáutica puntos en un avión de tamaño pequeño-medio. Proceso: Taladrado. Inspección visual. Eliminación de la rebaba. Remachado. Necesidades: Reducción de costes. Incremento de la productividad.

© TEKNIKER Casos de uso (detección rebaba) INSPECCIÓN VISUAL ELIMINACIÓN DE REBABA + DETECCIÓN AUTOMÁTICA DE LA REBABA Taladrado Remachado

© TEKNIKER Casos de uso (detección rebaba) Decisión: uso de la señal interna. Ventajas: Sistema de adquisición sencillo. Método no intrusivo. Fácil de integrar en el control de la máquina.

© TEKNIKER Casos de uso (detección rebaba) Datos Preparación y selección de los datos. Selección de variables Combinación de clasificadores Técnicas de análisis de datos (transformación de atributos necesaria) Evaluación +

© TEKNIKER Casos de uso (detección rebaba) “Se trata de seleccionar el modelo que nos dé el menor error estimado frente a nuevas instancias.” Lo ideal sería que el algoritmo se aprendiera sobre un conjunto de datos (conjunto de entrenamiento) y se testeara sobre un conjunto de instancias más pequeño, disjunto al anterior (conjunto de testeo). Problema: cuando el conjunto de datos no es tan amplio se aplican otras técnicas como bootstrap y crossvalidation

© TEKNIKER Casos de uso (detección rebaba) Seleccionar y preparar el conjunto de datos para que sea limpio y fiable (detectará datos irrelevantes e innecesarios, valores que no se ajustan al comportamiento general de los datos (outliers), presencia de datos perdidos (missing values), inconsistencias, etc) Determinar qué variables son más influyentes Combinar clasificadores (es mejor consultar a varios expertos que no solo a uno), en dos fases, eliminar falsos negativos, refinamiento de los posibles positivos hasta el 96% de aciertos.

© TEKNIKER Guante sensorizado

© TEKNIKER Casos de uso (guante sensorizado) El objetivo del proyecto es crear una arquitectura para el reconocimiento de actividades, en este caso el reconocimiento de gestos, dando prioridad a características como: Facilmente reconfigurable (necesidad de pocos casos de entrenamiento) Reutilizable en otros contextos (reconocimiento del lenguaje de signos, manejo de robot, reconocimiento de tareas de montaje…)

© TEKNIKER Casos de uso (guante sensorizado) Análisis del problema Alfabeto Dactilológico 30 letras Gestos Movimientos Guante sensorizado – gestos Posición/gesto de la mano (14 valores) Acelerómetro – movimientos Aceleración X/Y/Z Velocidad angular X/Y/Z Orientación X/Y/Z

© TEKNIKER Casos de uso (guante sensorizado)

© TEKNIKER Casos de uso (guante sensorizado) Etapas del proceso Segmentación Ruido de los sensores Método de entrenamiento Ejecución en tiempo real Reconocimiento Gestos Movimientos

© TEKNIKER Casos de uso (guante sensorizado) Reconocimiento de gestos

© TEKNIKER Casos de uso (guante sensorizado) Segmentación inicial de la señal Extraer lecturas relacionadas con los signos (sin transiciones) Análisis de cambios en valores mediante una ventana de tiempo Clasificación de lecturas previamente segmentadas Multiclasificador jerarquico basado en la distancia Clustering Clasificadores basados en la distancia (K-NN) Alta tasa de acierto del clasificador utilizando una sola lectura por clase Entrenamiento simple y sencillo Posibilidad de crear clasificadores personalizados

© TEKNIKER Casos de uso (guante sensorizado) Reconocimiento de movimientos

© TEKNIKER Casos de uso (guante sensorizado) Segmentación inicial de la señal Separar los diferentes movimientos Análisis de la energía de la señal mediante una ventana de tiempo Clasificación de las series temporales previamente segmentadas Extracción de características de las series temporales Energía Número de picos Clasificación sobre estas características Selección de atributos mediante Algoritmos Genéticos

© TEKNIKER Procesamiento de lenguaje natural

© TEKNIKER Casos de uso (NLP) Objetivo: Transformar la información no estructurada en formato entendible para los algoritmos de descubrimiento Técnicas de procesamiento del lenguaje natural Análisis morfológico Análisis sintáctico Análisis semántico Análisis pragmático

© TEKNIKER Casos de uso (NLP) Lematización y análisis morfológico: Tokenización: identificación de las unidades del texto (ej., las palabras) Lematización: segmentación de una palabra para separar la raíz (lexema) de los morfemas gramaticales y de los afijos (prefijos y sufijos). Análisis morfológico: Asignación automática de la categoría léxica.

© TEKNIKER Casos de uso (NLP) Análisis sintáctico Generar la estructura correspondiente a las categorías sintácticas formadas por cada una de las unidades léxicas que aparecen en la oración

© TEKNIKER Casos de uso (NLP) Análisis semántico y pragmático: Asignar significado correspondiente a cada una de las palabras del texto e incluir información sobre las relaciones que se dan entre los hechos que forman el contexto y entre diferentes entidades Ejemplo simple: asignar sentidos (synsets) de WordNet* correspondiente estar: , curso: , , , , … trabajar: , , , *WordNet es una enorme base de datos léxica que agrupa las palabras en conjuntos de sinónimos llamados 'synsets', proporcionando definiciones cortas y generales, y almacenando las relaciones semánticas entre estos conjuntos de sinónimos

© TEKNIKER Casos de uso (NLP) Procesamiento de información no estructurada (texto) Sistema IR Normalización de nombres Clasificación automática de la información Sistema de recomendación de usuarios Visualización de etiquetas …

© TEKNIKER Casos de uso (NLP) Sistema de vigilancia tecnológica Buscador semántico de patentes Clasificador de patentes Clasificador de incidencias Normalizador de nombres MBE …

© TEKNIKER Casos de uso (NLP)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (NLP/MBE)

© TEKNIKER Casos de uso (Visualizaciones)

© TEKNIKER Muchas gracias Para más información: Agricultura de precisión: Guante sensorizado: Detección de rebaba: Procesamiento de lenguaje: