Reconocimiento de Patrones es una área de la tecnología conocido como Aprendizaje de Maquinas (Machine Learning) o Aprendizaje Automático. El único propósito de este método es el clasificar un grupo de patrones conocido como conjunto de pruebas en dos o mas clases de categorías. Esto es logrado al calcular las categorías del conjunto en prueba comparándolo con un conjunto de entrenamiento (previo) o training set. Un clasificador dado mide la distancia entre varios puntos dados (compara), para saber cuales puntos son mas cercanos a la meta en un modelo parametizado.
A continuación se sugieren algunos ejemplos relevantes al área de reconocimiento de patrones:
- Parámetros para reconocer la cara de una persona.
- Agrupación de palabras para hacer sentido en una frase.
- Buscar la llave para abrir una chapa.
- Olores para saber si una naranja esta fresca o podrida.
Suena lógico el buscar una forma para diseñar y construir mecanismos que puedan reconocer patrones porque de una forma u otra es uno de los mecanismos naturales que utilizamos a diario y gracias a nuestros sentidos. La automatización o mecanización de estos procesos nos ayudaría a realizar labores repetitivas (``sensitivas'' )en las que usamos nuestros sentidos cambiando, el tacto, el olfato o el oído por sensores que ayudarían a escoger o categorizar objetos quizás en una forma más práctica y con menos errores. En el caso de la música o de las artes nos ayudaría significativamente en el proceso de interacción. Actualmente existen aplicaciones que van desde reconocimiento de voz automatizado, reconocimiento de huellas digitales, reconocimiento de caracteres ópticos, identificación de sucesiones de ADN y mucho más.
Sin embargo existen numerosas restricciones en la traducción del mundo humano al de la maquina imponiendo problemas de cuantificación, cualificación y representación en campos tan diversos o tan obvios como por ejemplo en los campos de reconocimiento visual o de voz. Para sobrepasar estas barreras, investigaciones en el área de aprendizaje automático ilustran sobre como muchas de estas limitaciones podrían ser resueltas gracias a un conocimiento previo o anticipado del problema y sobre todo de como nuestra propia mente o naturaleza humana analiza, sintetiza y resuelve las incógnitas relevantes en el caso de la vida real.
Por lo tanto es evidente analizar este fenómeno en la naturaleza y traducirlo en forma de algoritmos para poder diseñar sistemas especializados a una tarea de reconocer patrones específicos. De aquí que las artes jueguen un papel primordial en este campo por lo que están basadas en los sentidos del cuerpo humano.
Para ilustrar estos pasos vale la pena imaginarnos el diseño de un
sistema especifico para reconocer boletas o tarjetas para entrar a una
instalación de un museo (ver figura 43 ![[*]](icons//crossref.png){kind=icon}
). De acuerdo al color o la forma
de la boleta, los artefactos de la instalación reaccionarían de
diferentes maneras. Para esto se necesita un foto sensor ajustado a un
rango especifico de colores que son nuestras categorías.
- Característica
En este paso se identifican los segmentos o partes que hacen diferente un elemento (objeto) de otro al explorar un patrón. En nuestro caso de la instalación los elementos para clasificar son el color y la forma. A veces no es trivial el proceso de clasificación porque la forma o el color podrían ser difusos añadiendo ruido, corrupción o inconsistencias a la señal digital como podría ser una boleta vieja o utilizada. Para optimizar el proceso de identificación de una característica podríamos hacer análisis de la forma de la boleta como también análisis de espectro para determinar colores como también densidades de pixels para averiguar relieves. En este caso es mejor restringidos a un mundo de dos dimensiones. - Modelo
Dado que hay diferencias entre las diferentes tarjetas podríamos pensar en cada ``tipo'' como un modelo que posee diferentes descripciones que serían expresadas en formas matemáticas (geometría o álgebra). La meta del modelo es hipotetizar cada clase, con sus cualidades procesar los datos recogidos por el sensor, eliminar errores, ruido o defectos por cada patrón percibido y generar un modelo que describa exactamente la semántica del patrón. - Pre Procesamiento y Segmentación
Este paso es necesario para simplificar las siguientes operaciones en el reconocimiento sin que se pierda la información relevante al modelo de patrón. En particular, se puede utilizar una operación de segmenta miento en la que se extraerían todas las posibles características o propiedades de cada tarjeta. Esta información sería posteriormente enviada a un sistema de extracción de características cuyo propósito es el de reducir los datos redundantes los errores y conservar los aciertos como características típicas o propiedades. Estas cualidades o más precisamente, los valores de estas características son pasados a un clasificador donde se evalúa la evidencia presentada y donde se toma la decisión final sobre si la boleta es valida o no. Consecuentemente el pre procesador nos genera un modelo tentativo para una variedad ya determinada de clases de boletas.
También podemos definir Reconocimiento de Patrones como el acto de
tomar datos sin ningún sentido y clasificarlos de acuerdo a una acción
basada en las categorías de un patrón dado o previamente
analizado. Siendo así las operaciones en un sistema de reconocimiento
son las siguientes (ver: figura 44 ):
- Sensores
Los sensores son algún tipo de transductor o mecanismo que traduce algún tipo de energía normalmente mecánica en diferencias de voltaje. Cada valor o diferencia es un dato y dependen o del tiempo o del espacio. Las dificultades en utilización o diseño de sistemas con sensores dependen de las características y las limitaciones del sensor, su ancho de banda, resolución, sensibilidad, distorsión, radio de señal y ruido, latencia, etc... - Segmentación y Agrupamiento
La operación de segmentación ocurre cuando el sistema determina o que un elemento, objeto o muestra finaliza y da comienzo a otro. Los patrones individuales deben ser segmentados y focalizados. Si se ha identificado un objeto como tarjeta, luego se puede proceder a analizar su color, forma y posteriormente su validez. Es necesario saber cuando pasamos de una tarjeta a otra. - Extracción de Características
La meta del extractor es caracterizar un objeto con medidas o cualidades cuyos ``valores'' tienden a ser similares. Para objetos en la misma categoría las diferencias son mínimas y por lo tanto las características son invariables y poco relevantes a cambios en datos leídos por el sensor. Sin embargo una categoría de tarjetas pude contener tarjetas de varios tamaños, varias formas o geometría y podría ser leída al revés. En este caso el extractor debería estar entrenado para casos similares para no obtener error.
- Clasificación
El objetivo en la operación de clasificación es utilizar un ``vector'' con las características provistas por el extractor para asignar el objeto (patrón) de la entrada a una categoría. En muchos casos este paso de clasificar es lejanamente perfecto y por ende se convierte en un trabajo en el que se averigua la probabilidad matemática de cada una de las categorías. Esto quiere decir en nuestro ejemplo de la instalación de museo que de antemano podríamos saber el numero de tarjetas que se han distribuido con diferentes colores y características. En este caso la clasificación se simplificaría en predecir la siguiente tarjeta una vez que se han leído varias tarjetas o un grupo de tarjetas.
- Procesamiento a Posteriori
Un clasificador raramente existe al vacío, sin embargo en muchos casos es utilizado para recomendar decisiones y acciones que dependen de un costo o riesgo particular. En el procesamiento a posteriori se utiliza la descarga o resultado del clasificador para recomendar una acción. En teoría esta etapa produce la tasa de aciertos o errores y califica al clasificador. Por lo tanto y en este sentido el objetivo del post procesador es buscar un mínimo de errores y fallas.
Casi todos los sistemas de reconocimiento de patrones son sistemas complejos y en ellos es posible no tener alguna suposición sobre lo que sería una meta al diseñar el sistema de clasificación. Por lo tanto y en un amplio sentido, cualquier método que incorpora información sobre un ejemplo o conjunto entrenamiento en el diseño del clasificador, necesariamente emplea algún tipo de aprendizaje, razón básica para considerar nociones sobre aprendizaje. Además al construir clasificadores es importante imponer algún tipo de generalidad para realizar el modelo, forma de modelo o forma de un clasificador y por lo cuál es necesario utilizar patrones de entrenamiento para resolver las incógnitas en los patrones del modelo. Este aprendizaje se refiere a algún tipo de algoritmo que ayude a reducir la cantidad de errores en la información para el entrenamiento. Existen varios tipos de aprendizaje:
- Aprendizaje Supervisado.
En el aprendizaje supervisado una especie de profesor suministra una marca o costo para cada patrón en el conjunto de entrenamiento y también busca en reducir la suma de estos costos. - Aprendizaje no Supervisado.
En el aprendizaje no supervisado no hay un profesor explicito pero el sistema realiza agrupamientos en forma natural sobre los patrones de entrada. Lo natural puede ser definido tanto implícitamente como explícitamente dentro del sistema de agrupación y es dado por un conjunto particular de patrones o funciones de costo, los diferentes algoritmos que generan agrupaciones también generan agrupaciones de patrones diferentes. - Aprendizaje Reforzado.
Este tipo de aprendizaje también es conocido como aprendizaje con la asistencia de un critico o editor. Esto quiere decir que aunque no existe una categoría sugerida, en cambio la categoría dada en un nuevo grupo de sugerencias puede interpretarse como correcta o incorrecta aunque específicamente no se señale ni el porqué ni el como de que esté equivocada.
