Recientemente apareció en los medios especializados, como este, la incorporación de un sistema inteligente al último modelo de Jaguar Land Rover que aprende tus hábitos. Hay un vídeo bastante recomendable y corto que permite entender a qué se refiere el fabricante de coches.
No cabe duda de que Jaguar habrá hecho una estimación del impacto, buen funcionamiento y robustez de este sistema (esto último es difícil de conseguir). Además, sería recomendable realizar un estudio sobre el impacto de la atención a la carretera que gana o pierde el conductor. Pero bueno, no nos meteremos en estos aspectos.
El artículo de hoy pretende explicar qué subyace bajo esta tecnología, y no es ni más ni menos que las redes neuronales y los grafos. Las redes neuronales son una herramienta de la inteligencia artificial y se emplean para modelar funciones o procesos de un montón de datos de entrada desconocidos. Son capaces de detectar patrones cognitivos o repeticiones de procesos aleatorios, de ahí que se empleen mucho en la rama machine-learning (aprendizaje de máquinas).
No pretendo entrar en profundidad en el tratamiento matemático y resolución de este tipo de sistemas, pero puede que un gráfico así me ayude a explicarme (y que la he sacado de esta página):
Esto es un grafo, y es una representación de redes neuronales. Se usan muchísimo y es muy conocido el problema de los puentes de Könisberg. Pero el enfoque de este artículo es distinto.
Fijémonos en la imagen de arriba y pensemos que A (el nodo de arriba) soy yo. El coche me ha reconocido y detectado que he montado en el coche. A partir de ahora, registrará todos mis hábitos y los grabará. Desde A puede llegar a varias opciones por distintos caminos. Esto podría ser como:
- Yo, el coche, he identificado quién se ha montado. El camino a) representa que nada más montar, arrancamos el coche.
- el camino b) representa que montamos en el coche, encendemos la radio y arrancamos
- el camino c) indica que lo primero es encender el GPS.
- etc.
¿Cuál es el proceso? Cuando yo haya montado unas cuantas veces en el coche, éste habrá grabado en el grafo todos mis hábitos, y les habrá dado un peso. Al final, mis hábitos más repetidos serán los que más peso tengan (por ahí el flujo del grafo es más probable que pase -> hay más probabilidades de que si el coche me ofrece el camino b) acierte, si ha grabado que he elegido el camino b) el 72% de las veces).
Cuántas más variables incluyamos en el grafo, más difícil será su resolución y que el coche acierte con nuestros hábitos al volante. Hay toda una rama de resolución de grafos para ello, normalmente llamado "problema de colorear el grafo". La resolución no es tan simple como elegir la opción más usada por el usuario al volante, sino que varios caminos de los grafos pueden llevar al mismo nodo, o al revés.
Obviamente, esto no solo ocurre con coches, sino que también es aplicable a webs de compras, por ejemplo.
