Reconocimiento de patrones e inteligencia artificial

Andrés Ricardo Ismael Guzmán

Estudiante de Ingeniería en Ciencias y Sistemas - USAC

Palabras Clave:
Patrones, Reconocimiento, Machine Learning, Artificial Intelligence, Modelos.

Definición de reconocimiento de patrones

El reconocimiento de patrones (RP) es la disciplina científica cuya meta es la clasificación de objetos en cierto número de categorías o clases. Dependiendo del uso puede tratarse de imágenes, señales electromagnéticas o cualquier otro tipo de medida que requiera clasificación. Antes de los años 60 era puramente teórico, siendo un área de interés para la estadística. [2]

El reconocimiento de patrones trata con problemas de clasificación que se desea sean delegados a una máquina, por ejemplo: visión de computadoras, escaneo de huellas, escaneo de iris, reconocimiento óptico de caracteres, etc. [4].

RP es una forma de Machine Learning (ML), que a su vez es un campo dentro de la inteligencia artificial. ML puede dividirse en dos grandes grupos, aprendizaje supervisado, o RP, donde un sistema es entrenado usando un conjunto de clases predefinidas, y luego usadas para clasificar objetos desconocidos basado en los patrones detectados durante el entrenamiento y aprendizaje no supervisado donde no existe clasificación a priori. [4]

Otro enfoque de RP incluye aprendizaje semi supervisado, que utiliza clases predefinidas para encontrar nuevas relaciones y definir nuevos grupos, y aprendizaje reforzado, en el cual las decisiones mejoran de forma iterativa basado en un mecanismo de retroalimentación y un criterio de recompensa. [4]

Métodos en el reconocimiento de patrones

RP incluye varios métodos que han impulsado el desarrollo de numerosas aplicaciones en diferentes campos, sin embargo, la practicidad de todos los métodos es emular la inteligencia. [5]

Comparación con un modelo

Uno de los enfoques más simples y tempranos para RP se basa en una operación genérica utilizada para determinar la similitud entre dos entidades (puntos, curvas, figuras) del mismo tipo. En este método el patrón se transpone a un modelo guardado mientras se toma en cuenta todas las posiciones permitidas y escalas. La medida de similitud, por lo general correlación, puede optimizarse basado en el conjunto de entrenamiento disponible. [7]

Reconocimiento de patrones estadísticos

Las teorías de estimación y decisión estadística han sido utilizadas en esta rama por largo tiempo. Este método se basa en la distribución del vector de características que se obtiene del modelo estadístico y probabilístico. Cada modelo se representa en términos de “n” características o medidas y se observa como un punto en un espacio vectorial de n-dimensiones. La meta es elegir las características que permiten a los vectores del patrón que pertenecen a distintas categorías ocupar regiones compactas y disjuntas de dicho espacio vectorial. [7]

Agrupamiento de datos

El objetivo de éste es encontrar grupos con características similares en un conjunto de datos que no necesitan ninguna información de los grupos conocidos. Es un método sin supervisión. En general, puede dividirse en dos clases: a) agrupación jerárquica b) agrupación por densidad c) agrupación por distribución. [7]

Aplicación de conjuntos difusos

La aplicación de los conjuntos difusos busca simular ciertas facetas del pensamiento humano. Inició en 1966 con dos operaciones básicas: abstracción y generalización; la construcción de modelos difusos permite obtener solución a problemas que necesitan más de una variable en su entrada. [7]

Redes Neuronales

Este método aplica conceptos biológicos a máquinas para reconocer patrones. Las redes neuronales están compuestas por una serie de unidades independientes pero asociadas. Estos modelos intentan usar principios de organización tales como: aprendizaje, generalización, adaptabilidad, tolerancia a fallos y representación distribuida y procesamiento, esto mediante un grafo pesado y dirigido, donde los nodos son las neuronas artificiales y los lazos dirigidos (con su peso específico) son conexiones entre entradas y salidas de las neuronas. Sus principales características son:

  1. Habilidad para aprender relaciones no lineales de entrada y salida,

  2. Uso de procedimientos secuenciales de entrenamiento

  3. Adaptación por sí misma a la información. [7]

Enfoque sintáctico

En algunos problemas es más sencillo adoptar una perspectiva jerárquica donde el patrón se observa compuesto por sub patrones simples que a su vez están compuestos de sub patrones más sencillos. Los sub patrones más elementales son llamados primitivos y la complejidad del patrón se representa en términos de las interrelaciones entre los primitivos. El aspecto atractivo de estos métodos es la capacidad de utilizar recursividad. Al definir la serie de reglas que pueden describir la relación entre las partes del objeto pueden utilizarse los métodos bajo este enfoque. [7]

Cifrado de datos como serie de Fourier y espacio de Fourier

Fue presentado por Randell Mills en 2006. Este método anticipa la señal de procesamiento de un conjunto de neuronas como una unidad e intenta brindar las capacidades de razonamiento y RP que no pueden producirse con una red neuronal normal. [7]

Áreas de aplicación de reconocimiento de patrones

Visión de máquina

Un sistema de este tipo captura imágenes a través de una cámara y las analiza para producir una descripción de lo que fue captado. Una forma de aplicación de este sistema se da en la manufactura, ya sea para inspección visual o para automatizar la línea de ensamblaje. En medicina por ejemplo, se busca generar diagnósticos a partir de imágenes médicas pre procesadas y validadas mediante un conjunto de datos reales. [7]

Imagen 1: Arquitectura a alto nivel de sistemas de análisis de bio imágenes Fuente: ncbi

Reconocimiento óptico de caracteres

Se encuentran en el mercado y nos son familiares a la mayoría de nosotros. Consisten en un dispositivo “front end” que tiene una fuente de luz, un lente para escanear, el contenedor del documento y el detector. La variación de la intensidad de la luz se traduce a números a partir de los cuales un arreglo de imágenes es formado. En la secuencia, una serie de técnicas de procesamiento de imágenes son aplicadas que lleva a la segmentación de caracteres. [2]

Diagnóstico asistido por computadoras

Este fue desarrollado buscando apoyar a los doctores en tomar decisiones diagnósticas. El diagnóstico final, evidentemente, es realizado por el médico. El diagnóstico asistido es de interés en un rango de sub especialidades médicas como rayos-X, tomografía computarizada, ultrasonidos, electrocardiogramas y electroencefalogramas. Ha sido utilizado, por ejemplo, para descartar los falsos negativos que aparecen entre un 10% y 30% en las mamografías realizadas a mujeres con cáncer de mama. [2]

Reconocimiento de voz

Es otra área en la que se han invertido recursos y tiempo de desarrollo. Interacción entre el humano y computadora, acceso universal, señales acústicas y grabaciones de micrófono son algunas de sus características. [7]

Descubrimiento de conocimiento y procesamiento de datos

El procesamiento de datos es de interés en un gran rango de aplicaciones como en: medicina, biología, mercado financiero y económico, análisis financiero, investigación, imágenes y música. Su popularidad proviene del hecho que en la era de la información y conocimiento hay un aumento en la demanda de información para convertirla en conocimiento.

El procesamiento para análisis biomédico y de ADN ha experimentado un crecimiento exponencial desde los 90s. Todas las secuencias de ADN consisten de 4 bloques básicos, y la combinación de estos en una secuencia larga determinan el aparecimiento de ciertas características en los tejidos. Identificar las secuencias que dan origen a tejidos enfermos o curas ha jugado un papel importante en la medicina. [7]

Conclusiones

  1. El reconocimiento de patrones es la disciplina científica que trata de emular el proceso cognitivo que el ser humano emplea para clasificar objetos.

  2. El desarrollo de reconocimiento de patrones está aumentando rápidamente; y los campos relacionados y las aplicaciones desarrolladas cada vez son más amplias.

  3. Los patrones varían según el estímulo que reconocen pudiendo ser: visuales, sonidos, señales, clima, etc. Los modelos para detectarlos pueden desarrollarse para entender los patrones generando conocimiento a partir de datos sin sentido.

  4. El reconocimiento de patrones incluye varios métodos, cada uno aplicable a una amplia variedad de campos, cuyo fin en común es emular la inteligencia humana para delegar a máquinas tareas sencillas pero costosas para el ser humano.

Referencias