Resumen de Adaptive cooperative learning model based on classifier ensembles for embedded intelligent systems
Hoy en día, los sistemas inteligentes están presentes prácticamente en cualquier ámbito de nuestra vida, por lo que su interconexión y el desarrollo de dispositivos cada vez más complejos promueven la aparición de nuevas técnicas de inteligencia artificial que se adecúen a las nuevas necesidades. Dentro de este campo, los sistemas de clasificación tienen un protagonismo importante puesto que la toma de decisiones es un factor con mucho potencial a la hora de interconectar sistemas relacionados entre sí. Así mismo, la cooperación entre distintos dispositivos permite mejorar la capacidad de decisión dado que cada dispositivo puede aportar su punto de vista o su propia hipótesis ante la resolución de un problema de clasificación. Los sistemas clasificadores de conjunto (conocidos en inglés como classifier ensembles) son los encargados de implementar esa toma de decisión de forma cooperativa.
Debido a la necesidad de interconexión de sistemas y al auge de las comunicaciones, surgió lo que se conoce como el Internet de las Cosas (en inglés Internet of Things -IoT-). La evolución del IoT ha derivado en nuevas definiciones dedicadas a ámbitos específicos como las Ciudades Inteligentes (en inglés Smart Cities) o las Redes Inteligentes (en inglés Smarts Grids). En ambos casos, la toma de decisiones es un factor clave para dotar al sistema de un mayor o menor grado de inteligencia, dado que los dispositivos tienden a trabajar en equipo para proporcionar un conocimiento del entorno más preciso y completo.
La inteligencia de un sistema no sólo consiste en determinar cómo de fiable es el mismo sino también está relacionada con su grado de autonomía y su capacidad de adaptación ante cambios en el entorno. Por un lado, los sistemas deben proporcionar soluciones fiables que aseguren que la decisión tomada no suponga un riesgo para el funcionamiento del mismo. Por otro lado, la autonomía está relacionada con múltiples aspectos entre los que destacan: (i) la minimización del consumo de energía en caso de que el sistema requiera de una batería para su funcionamiento o (ii) el grado de mantenimiento por parte de los operadores o expertos humanos. Así mismo, la adaptación al entorno está íntimamente relacionada con la autonomía puesto que, ante cambios del entorno, el sistema debe ser capaz de adaptarse al nuevo escenario sin intervención ajena. En este sentido, los sistemas que requieren de entrenamientos previos muy exhaustivos suelen presentar un grado de autonomía menor que aquellos que no requieren de un entrenamiento tan especializado.
En esta tesis se proponen dos posibles soluciones para hacer frente a la problemática de la adaptación. Por un lado, se presenta lo que se ha denominado árbol de clasificación dinámico (dynamic classification tree) y por otro lado se propone un nuevo algoritmo cooperativo basado en mayoría ponderada cuyos pesos se calculan de forma estocástica.
El árbol de clasificación dinámico no está directamente relacionado con los clasificadores de conjunto, ya que lo que busca es realizar una clasificación dinámica, pero sí con la adaptación a los entornos dinámicos. Partiendo de un entrenamiento previo, el sistema es capaz de modificar su comportamiento para incluir nuevos tipos de objetos, que inicialmente no estaban presentes en el entrenamiento inicial, creando nuevos grupos -o clústeres- sin etiqueta asociada pero bien diferenciados del resto. Para llevar a cabo este objetivo, en este trabajo se incluye un análisis de los umbrales de poda y de agrupamiento para determinar su influencia sobre la calidad de la clasificación.
Por otro lado, el nuevo algoritmo de clasificación cooperativo proporciona unas tasas de acierto aceptables, así como un grado de autonomía elevado, sobre todo relacionado con la adaptación ante entornos dinámicos. Así pues, se presenta como una alternativa adecuada para el uso en sistemas embebidos donde los recursos del sistema son muy limitados y no se dispone de potentes procesadores, por lo que es una alternativa a las redes neuronales cuya implementación requiere un entrenamiento exhaustivo y un coste computacional elevado. Para validar la eficacia del algoritmo cooperativo propuesto en esta tesis se realiza una comparativa con otros tipos de algoritmos cooperativos como son: (i) mayoría, (ii) mayoría ponderada y (iii) las redes neuronales adaptadas a tal propósito. El algoritmo propuesto es una mayoría ponderada donde los pesos se calculan de forma estocástica basándose en el método de Monte Carlo. Esta gestión de los pesos asociados a cada una de las contribuciones individuales hace que el sistema reajuste los valores de acuerdo con su propio comportamiento. En caso de producirse un cambio en el entorno, el sistema evolucionará dichos pesos para adaptarse mejor a la nueva situación. Los cambios del entorno pueden producirse como consecuencia de un cambio externo, como por ejemplo que las condiciones atmosféricas cambien, ya que este hecho puede hacer que determinados sensores vean reducida su efectividad. Sin embargo, también pueden considerarse cambios del entorno la modificación de la propia arquitectura del sistema multidispositivo, es decir, el hecho de que un dispositivo o los sensores asociados al mismo dejen de funcionar, implica que ese dispositivo debe reducir su influencia sobre la decisión final para no verse reducida la fiabilidad del sistema.
El presente documento está dividido en 5 capítulos. En el capítulo 1 se presenta una introducción donde se expone la motivación de este trabajo, así como un repaso de la evolución de la inteligencia artificial y los sistemas inteligentes distribuidos donde se posicionan los sistemas clasificadores de conjunto. En el capítulo 2 se describen los algoritmos analizados en esta tesis, es decir, el árbol de decisión dinámico y el algoritmo de votación estocástica, así como otras alternativas existentes con las que posteriormente se realiza una comparativa. Adicionalmente, se presentan otras alternativas estudiadas que han tenido un menor impacto en el desarrollo de la tesis. El capítulo 3 expone los dos casos de estudio sobre los que se han aplicado los algoritmos propuestos. Por un lado, se presenta una aplicación basada en la identificación de objetos usando dispositivos radares como elemento sensor. Por otro lado, la segunda aplicación se enfoca a la identificación de números manuscritos extraídos de la base de datos pública MNIST. En el capítulo 4 se exponen los resultados obtenidos, así como una discusión de los mismos que permite validar las propuestas definidas en esta tesis. Finalmente, el capítulo 5 presenta las conclusiones de este trabajo, así como las contribuciones aportadas, los resultados y publicaciones científicas derivadas de esta investigación y las líneas futuras propuestas.
