Autores: Amaury Felipe Acosta

Isabel Prez Estvez

Yusmelvis Garca Azn

Reconocimiento de escritura

Es la capacidad de un ordenador de recibir la entradamanuscrita.

La imagen del texto escrito se puede detectar Off-Line de un pedazo de papel por un escaneado ptico(OCR).

Alternativamente, los movimientos de la punta de unapluma pueden ser detectados On-Line, por ejemplopor una pantalla tctil.

Tipos Reconocimiento de palabras o caracteres impresos.

Reconocimiento de caracteres o palabras manuscritas.

Aplicaciones Reconocimiento de texto manuscrito

Google lanza app de escritura amano para

Android La nueva aplicacin permite

escribir a mano con un lpiz ptico o con

tu dedo en tabletas y celulares

Genial Writing

Para la toma de notas simples con

el dedo o el lpiz ptico. Tiene

ajustes que nos permiten cambiar

aspectos como el ancho de la

pluma y el color de la escritura, entre otros.

Aplicaciones Reconocimiento de matrculas

XProtect LPR software de reconocimiento dematrculas que lee informacin de matrculas devehculos y vincula el nmero de matrcula a vdeo.

Reconocimiento de cantidades numricas encheques bancarios.

Vericacin de rmas.

Lectura y reconocimiento de cdigos y direccionespostales.

Reconocimiento Automtico del Habla(RAH)

Tiene como objetivo permitir la comunicacin habladaentre seres humanos y computadoras.

El problema que se plantea es el de hacer cooperar unconjunto de informaciones que provienen de diversasfuentes de conocimiento, en presencia de ambigedades,incertidumbres y errores inevitables para llegar a obteneruna interpretacin aceptable del mensaje acstico recibido.

Procesa la seal de voz emitida por el ser humano yreconoce la informacin contenida en sta, convirtindolaen texto o emitiendo rdenes que actan sobre un proceso.

Clasificaciones de los RAH Entrenabilidad: determina si el sistema necesita un

entrenamiento previo antes de empezar a usarse.

Dependencia del hablante: determina si el sistemadebe entrenarse para cada usuario o es independientedel hablante.

Continuidad: determina si el sistema puede reconocerhabla continua o el usuario debe hacer pausas entrepalabra y palabra.

Clasificaciones de los RAH Robustez: determina si el sistema est diseado para

usarse con seales poco ruidosas o, por el contrario,puede funcionar aceptablemente en condicionesruidosas, ya sea ruido de fondo, ruido procedente delcanal o la presencia de voces de otras personas.

Tamao del dominio: determina si el sistema estdiseado para reconocer lenguaje de un dominioreducido o extenso (miles de palabras).

Aplicaciones

Dictado automtico: Es, hasta hoy, el uso mscomn de las tecnologas de reconocimiento de voz.En algunos casos, como en el dictado de recetasmdicas y diagnsticos o el dictado de textos legales, seusan corpus especiales para incrementar la precisindel sistema.

Control por comandos: Los sistemas diseados paradar rdenes a un computador (p.e. "Abrir Firefox","cerrar ventana") Reconocen un vocabulario muyreducido, lo que incrementa su rendimiento.

Aplicaciones

Dragon NaturallySpeaking

Software de reconocimiento de voz para ordenador.

Convierte la voz en texto y comandos accionables muchoms rpido de lo que la mayora de las personas puedenescribir.

Voice Finger

Herramienta de reconocimiento de voz que le permitecontrolar el mouse y el teclado slo con la voz.

Aplicaciones Telefona: Algunos sistemas PBX permiten a los usuarios

ejecutar comandos mediante el habla, en lugar de pulsartonos. En muchos casos se pide al usuario que diga unnmero para navegar un men.

ATOS(Automatic Telephone Operator Service) Diseadopara trabajar y dar servicios por lnea telefnica Ej. A travsde palabras el usuario solicita servicio a emplear en unaPABX

Sistemas porttiles: Los sistemas porttiles de tamaoreducido, como los relojes o los telfonos mviles, tienenunas restricciones muy concretas de tamao y forma, asque el habla es una solucin natural para introducir datosen estos dispositivos.

Aplicaciones Sistemas diseados para discapacitados: tiles para

personas con discapacidades que les impidan teclear confluidez, as como para personas con problemas auditivos,que pueden usarlos para obtener texto escrito a partir dehabla.

Se define como la falta de certidumbre o certeza, siendo

certeza el conocimiento seguro y claro de algo.

En qu situaciones se da incertidumbre?

Cuando los hechos o datos pueden no ser conocidos conexactitud (por ej, un paciente puede no estar seguro de haber

tenido fiebre la noche pasada) => subjetividad, imprecisin,

errores, datos ausentes...

Cuando el conocimiento no es determinista. Por ej, las relaciones entre enfermedades y sntomas; un mismo conjunto

de sntomas puede estar asociado a varias enfermedades.

estar asociado a varias enfermedades.

Incertidumbre

Sistemas expertos

Sistemas expertos

Situaciones

determinsticas

Situaciones

inciertas

Medidas de

incertidumbre Probabilidad

En los primeros Sistemas Expertos, se usaba la probabilidad

para tratar la incertidumbre, pero al encontrarse algunos

problemas por el uso incorrecto de algunas hiptesis, se

Desech.

Con la aparicin de redes probabilsticas (Redes Bayesianas y

Cadenas de Markov, principalmente) el uso de la

probabilidad para el tratamiento de la incertidumbre ha vuelto

a ser aceptado y hoy en da es la forma ms usada.

Sistemas expertos

Redes bayesianas

Definiciones es un modelo probabilstico que relaciona un conjunto de

variables aleatorias mediante un grafo dirigido,

son redes grficas sin ciclos en el que se representan

variables aleatorias y las relaciones de probabilidad que existan

entre ellas que permiten conseguir soluciones a problemas de

decisin en casos de incertidumbre.

es una representacin ilustrada de dependencias para

razonamiento probabilstico, en la cual los nodos representan

variables aleatorias y los arcos simbolizan relaciones de

dependencia directa entre las variables.

Consideremos una variable aleatoria Z dependiente de otras dos

(factores F1 y F2). El grafo expresivo de esta relacin ser

Redes bayesianas

Conceptualizando

Redes bayesianas

CaractersticasDado este modelo, se puede hacer inferencia bayesiana; es

decir, estimar la probabilidad posterior de las variables no

conocidas, en base a las variables conocidas.

Las redes bayesianas permiten aprender sobre relaciones de

dependencia y causalidad, permitiendo combinar conocimiento

con datos.

Esta tcnica sobresale debido a que no solo permite un proceso hacia atrs

(backward), por ejemplo como dado el resultado probabilistico de la variable Z

hallar algunas de sus causales; sino tambin hacia adelante (forward) donde

la red puede calcular las probabilidades de la variable Z usando la regla de

Bayes.

Redes bayesianas

En la prctica, se utiliza para conocer la probabilidad a

posteriori de cierta variable de inters dado un

conjunto de hallazgos (ya no es condicional).

Teorema de Bayes:

Redes Bayesianas

Aplicaciones

la manipulacin de sistemas expertos en la medicina,

en la depuracin de programas de IA,

en la gentica,

en procesos de produccin;

en la identificacin de probabilidades que disminuyan riesgo,

como es el uso primordial que se le da en la rama financiera.

- anlisis de los deudores del sistema financiero

- prediccin de ventas

Enfocado a

la solucin

de problemas

Consiste bsicamente en mejorar la prevencin de riesgo

operacional; tal que sirva como sistema de ayuda a la toma de

decisiones en una situacin de emergencia y realizar mejoras

en las estrategias de operacionales.

Flix Doldan de su artculo Redes bayesianas y riesgo operacional; Se identifica:

el entorno del mercado cuya evolucin se simplifica en etapa de alza y en etapa baja (F1),

al equipo humano capaz de procesar operaciones financieras (F2), y

al proceso de realizar operaciones financieras de forma correcta o incorrecta

(Variable Z);

EjemploRedes Bayesianas

Ejemplo

0,05

Redes Bayesianas

Ejemplo

0,05

La red, usando la regla de Bayes, calcula las

probabilidades de beneficio o de prdida:

0,748 y 0,252, respectivamente

Redes Bayesianas

Ejemplo

Ahora conociendo que la operacin financiera ha sido realizada con prdida, en qu

medida es

imputable al equipo humano o, simplemente,

es debida al azar del mercado.

Para ello, la red bayesiana, conociendo el estado como igual a prdida, determina,

aplicando la regla de Bayes, las probabilidades de funcionamiento incorrecto o

insatisfactorio del equipo humano

Redes Bayesianas

Ejemplo

Ahora conociendo que la operacin financiera ha sido realizada

con prdida, en qu medida es

imputable al equipo humano o, simplemente,

es debida al azar del mercado.

Para ello, la red bayesiana, conociendo el estado como igual a

prdida, determina, aplicando el teorema de Bayes, las

probabilidades de funcionamiento incorrecto o insatisfactorio

del equipo humano

Redes Bayesianas

Redes bayesianas

Un sistema determinista, como por ejemplo un semforo, es

fcilmente comprensible y el siguiente estado solo depende

del estado anterior: luz roja -> luz verde -> luz ambar -> luz

roja...

El problema llega con sistemas no deterministas => axioma

de Markov (el siguiente estado no solo depende del anterior).

Un proceso de Markov es un proceso que se va moviendo

de estado en estado dependiendo exclusivamente de los N

estados anteriores.

Cadenas de Markov

Redes bayesianas

En un proceso de Markov aparte de los estados, est la matriz de

transiciones entre estados, que indica la probabilidad de pasar de

un estado a otro o a s mismo.

Adems hace falta tener una matriz que indique como se

encuentra el sistema al inicio, vector de probabilidades iniciales.

Cadenas de Markov

Redes bayesianas

Cadenas de Markov Ocultas(HMM): tenemos dos partes

diferenciadas

Cadenas de Markov Ocultas

Redes bayesianas

La conexin entre los estados ocultos y las variables observables,

smbolos, representa la probabilidad de generar un smbolo en

particular desde un determinado estado oculto.

P(Obs|Sun)+P(Obs|Cloud)+P(Obs|Rain) = 1

Para representar estas probabilidades se tiene la matriz de

dispersin/confusin del sistema:

Cadenas de Markov Ocultas

Empapado Hmedo Fresco Seco

Reconocimiento del habla y cadena de MarkovCuando se habla del modelo de lenguaje, se sita el estudio en niveles superiores al de las caractersticas acsticas. Ahora interesan las palabras y la forma en que se combinan para formar frases. Siguiendo con la idea de los autmatas probabilsticos (finitos), es posible imaginar un autmata en el que cada estado represente (o emita) una palabra.

En la figura siguiente se puede observar una estructura querespeta la idea general de un autmata probabilsticoutilizado para modelar secuencias temporales de palabras.

Estas estructuras son conocidas como gramticas en lateora de lenguajes formales.

Sin embargo puede observarse que la secuencia de estadosde una de estas gramticas es tambin una cadena deMarkov y as ser capaz de modelar una frase.

Donde la probabilidad de que ocurra un evento dependesolamente del evento inmediatamente anterior.

Los estados de inicio y finalizacin se indican con las letras I y F, respectivamente.

Por ejemplo si se conoce la historia hasta su instante actual se puede establecer laprobabilidad de las palabras que siguen en la frase. Si las palabras hasta el instanteactual son:est en ella palabra emitida por el autmata es: stano