¿A dónde tengo que ir hoy? No sé, pregúntale al auto

En el año 2007 Microsoft empezó a desarrollar un sistema llamado Predestinación, el cual dará al sistema de navegación vehicular la capacidad de contestar a la pregunta “¿a dónde quieres ir hoy?”.  El sistema podrá predecir el lugar destino del conductor y notificará sobre congestionamientos de tráfico, rutas alternas, así como otras recomendaciones. Predestinación es una aplicación del aprendizaje automático.

Las predicciones se hacen con base en la probabilidad de que el conductor seleccione ciertos destinos así como de los lugares visitados previamente. El algoritmo fue diseñado aprender los hábitos del conductor a partir de la información registrada en el GPS.

¿Cómo aprende? El esquema de aprendizaje básico consta de tres pasos: recolectar ejemplos, entrenar al sistema y probar el modelo aprendido. En el 2004 se empezaron a recolectar datos de conductores voluntarios para la encuesta Microsoft Multiperson Location Survey (MSMLS) con el fin de construir un conjunto de datos de manejo para diversos proyectos de investigación. Los conductores sólo tenían que dejar la unidad GPS en el tablero de su auto de dos a cuatro semanas. Hasta el 2007 se habían recolectado datos de 200 conductores, la mayoría en el área de Seattle, cubriendo 135,000 kms de conducción en cerca de 11,000 viajes. Cada viaje representa un ejemplo (origen-destino) de entrenamiento.

Representación del ambiente. Un aspecto importante para resolver una tarea de aprendizaje es la representación para poder procesar los datos. El mapa del área se representa mediante una rejilla de celdas, cada una de 1 km. El grosor del borde de cada celda indica la probabilidad de que la celda sea el destino. Conforme el conductor avanza, el algoritmo calcula la probabilidad para cada celda de que el conductor termine su viaje ahí. Se utilizan cuatro diferentes fuentes de evidencia sobre el comportamiento del conductor: tipo de terreno, eficiencia del conductor, tiempo de manejo y destinos personales. El algoritmo calcula todas las probabilidades cada vez que el conductor entra a una nueva celda.

Método de inferencia: Inferencia Bayesiana. La inferencia Bayesiana es un enfoque estadístico en el cual la incertidumbre es expresada en términos de probabilidad. Un enfoque Bayesiano a un problema inicia formulando un modelo que esperamos es adecuado para describir una situación de interés. A continuación, se proporciona una distribución previa sobre los parámetros desconocidos del modelo tratando de capturar nuestra creencia acerca de una situación antes de ver los datos. Después de observar algunos datos, se aplica la Regla de Bayes para obtener una distribución posterior. De esta distribución podemos calcular distribuciones predictivas para futuras observaciones. El teorema de Bayes fue introducido por el Reverendo Thomas Bayes, un matemático inglés que usó por primera vez la probabilidad de forma inductiva y estableció las bases matemáticas para la inferencia probabilista.

Resultados. Se entrenó al sistema con la mitad de los datos y el resto se usó como conjunto de prueba. Esto significa que al menos hasta ese momento, no se habían hecho pruebas “reales” sino a partir de los datos recolectados. De acuerdo a los resultados que reportan en el artículo de referencia, la precisión del sistema mejora a medida que los conductores avanzan en el recorrido. Este resultado es usual en los sistemas de aprendizaje.

Existe un enorme interés en aprovechar la información contenida en los innumerables datos que la tecnología actual genera. Resulta alentador el hecho de que algoritmos y métodos de aprendizaje automático estén siendo usados en aplicaciones reales y con beneficios tangibles. Sin embargo, habrá que ver las implicaciones legales sobre privacidad que en la práctica pueden surgir. Y esto ya no sería una película.

Referencias:

Wired Magazine  Video: Microsoft Attempts to Predict the Future  May 10, 2010

John Krumm and Eric Horvitz, “Predestination: Where Do You Want to Go Today?”, IEEE Computer Magazine, vol. 40, no. 4, April 2007, pp. 105-107

Imagen: Danilo Rizzuti / FreeDigitalPhotos.net

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s

A %d blogueros les gusta esto: