Proposed method

Las herramientas de inferencia pueden utilizarse para tareas de clasificaci´on en diferentes dominios. Por ejemplo, un primer ejemplo de aplicaci´on bien simple podr´ıa consistir en llevar a cabo una tarea de clasificaci´on de dos especies de pez a partir de caracter´ısticas como la temporada y el oc´eano t´ıpico de captura, el peso y la forma del animal. En este caso, el problema tipo a resolver podr´ıa ser similar a: ¿cu´al es la probabilidad de que un

2.5 Aplicaci´on de las Redes Bayesianas 27

pez proceda del Atl´antico Norte, suponiendo que estamos en primavera y que el pez en cuesti´on es un salm´on de peso ligero? [Duda et al., 2000].

Como segundo ejemplo de aplicaci´on podr´ıamos considerar la t´ıpica aplicaci´on de diag- n´ostico m´edico muy popular dentro del ´ambito de los sistemas expertos [Naylor, 1987]. En este segundo caso la tarea consistir´ıa en determinar la existencia o ausencia de una deter- minada enfermedad. Supongamos que consideramos, por ejemplo, tres posibles dolencias i.e. gripe, neumon´ıa y tuberculosis. Como elementos de diagn´ostico para cada una de las enfermedades podr´ıamos emplear sus cuadros sintom´aticos correspondientes (e.g. fiebre, estornudos, tos,. . . ). De ese modo podr´ıan crearse tres BNs, una para cada enfermedad.

Una vez desplegado nuestro “m´edico particular” podr´ıamos llevar a cabo el ejercicio de comprobar su eficacia a la hora de diagnosticar una determinada enfermedad as´ı como tambi´en la habilidad del mismo para discriminar entre las distintas enfermedades a partir de ex´amenes m´edicos parciales o incompletos, es decir, sin haber consultado al paciente to- dos y cada uno de los s´ıntomas correspondientes a las tres enfermedades. Adicionalmente, y debido a la elecci´on premeditada de tres enfermedades que presentan varios s´ıntomas en com´un, podr´ıamos incluso observar c´omo se establece una cierta “carrera” o competencia entre ellas a medida que el “doctor virtual” vaya consultando al “paciente” la existencia o no de los diferentes s´ıntomas.

Estos primeros ejemplos en cuanto a la posible aplicaci´on de las BNs consisten en sencillos experimentos basados en la formulaci´on de preguntas y la obtenci´on de las co- rrespondientes respuestas mediante los mecanismos de inferencia aplicados a dominios de poca complejidad. M´as recientemente, las BNs est´an cobrando un protagonismo especial en el ´ambito de los sistemas de di´alogo. La presente tesis doctoral representa un claro ejemplo de ello. En particular, est´an siendo aplicadas con ´exito no s´olo en gesti´on de di´a- logo, como veremos en el siguiente apartado, sino tambi´en en todo tipo de tareas dentro del campo de procesado del lenguaje natural en general, como por ejemplo en comprensi´on del habla o identificaci´on de t´opico.

Este ´ultimo caso fue finalmente el elegido como primera aplicaci´on de las herramientas de inferencia desarrolladas con motivo de la presente Tesis Doctoral. Con el prop´osito de validar dichas herramientas se abord´o una tarea de identificaci´on de t´opico en el ´ambito de una tarea de control de tr´afico a´ereo [Fern´andez et al., 2005a][Fern´andezet al., 2006]. Dicha tarea consisti´o en la identificaci´on, para cada una de las frases pronunciadas por los controladores a´ereos durante el desempe˜no de su labor, de una de las cuatro posiciones de control disponibles en el aeropuerto en el que tuvo lugar la captura de los datos empleados. Cada una de las frases procesadas fue convenientemente etiquetada por un experto en dicho dominio de aplicaci´on seg´un un inventario de conceptos definidos por ´este.

Entendiendo el di´alogo como un proceso de negociaci´on entre el usuario y el sistema encaminado a la consecuci´on por parte del usuario de unos ciertos objetivos de informaci´on que presta el sistema, es preciso destacar que este tipo de aplicaci´on tampoco explota al m´aximo las posibilidades que nos ofrecen las BNs, no al menos en cuanto a gesti´on de di´alogo respecta. Obviamente, eliminamos cualquier posibilidad de di´alogo si prescindimos de las intervenciones correspondientes al piloto o si, como en nuestro caso y para ser m´as exactos, simplemente no disponemos de ´estas.

No obstante, y quiz´as m´as importante, la realidad es que en la tarea de control de tr´afico a´ereo no tiene lugar un verdadero di´alogo. Inevitablemente las conversaciones est´an

28 Cap´ıtulo 2. Encuadre cient´ıfico-tecnol´ogico

muy ajustadas a la fraseolog´ıa est´andar de control lo que degenera en que en la mayor´ıa de las ocasiones el “di´alogo” queda reducido a la simple comunicaci´on de un determinado conjunto de elementos de informaci´on por parte del controlador y la correspondiente repetici´on de los mismos a modo de confirmaci´on por parte del piloto. En consecuencia muy pocas intervenciones, a menudo s´olo una, son necesarias para completar el proceso y s´olo en aquellos casos en los que el piloto necesita corregir alg´un dato es cuando sucede un cierto di´alogo.

En su lugar, como “campo de pruebas” en el que validar las tesis y planteamientos desarrollados hemos optado por un dominio de aplicaci´on totalmente distinto: el control de dispositivos en el ´ambito dom´otico. Dicho dominio, as´ı como tambi´en la tarea espec´ıfica que ser´a objeto de evaluaci´on por nuestra parte, ser´a debidamente presentado en el Ca- p´ıtulo6. En la actualidad, ya existen sistemas de di´alogo desarrollados para ese dominio. El proyecto europeo Smartkom [Wahlster, 2006] es un claro exponente de tales sistemas. Aunque de mayor alcance y complejidad (i.e. control de un mayor n´umero de dispositivos e inclusi´on de diversas variedades multimodales) dichos sistemas est´an basados en lo que hemos convenido denominar“planes”(ver apartado 2.3, en el que se presenta el estado del arte en gesti´on de di´alogo de este mismo cap´ıtulo). Por tanto, a pesar de permitir di´alogos con una cierta iniciativa mixta, est´an en clara desventaja frente a las soluciones como las que est´an siendo objeto de estudio en este documento.

Para finalizar con esta introducci´on enumeraremos algunas de las ventajas m´as desta- cables con las que cuentan las BNs:

• Las probabilidades se pueden entrenar autom´aticamente a partir de los datos dispo- nibles. Los algoritmos de aprendizaje autom´atico permiten portabilidad y escalabi- lidad entre dominios. El objetivo de informaci´on del usuario puede ser identificado gracias a la inferencia probabil´ıstica a partir de las BNs.

• La topolog´ıa de la BN se puede aprender autom´aticamente a partir de los datos de entrenamiento. La topolog´ıa captura las dependencias existentes entre los nodos dentro de la BN, donde cada nodo representa un concepto sem´antico caracter´ıstico del dominio de conocimiento.

• Detecci´on autom´atica de los conceptos restantes y de los err´oneos u opcionales que rigen el modelo di´alogo con iniciativa mixta. El proceso se puede someter a revisi´on paralelamente a la evoluci´on del di´alogo.

• Las BNs permiten de forma muy sencilla la incorporaci´on de conocimiento humano modificando la topolog´ıa a mano o refinando las relaciones (probabilidades) entre los nodos de la red. Tambi´en puede ser una opci´on en caso de no disponer de suficientes datos de entrenamiento.