![](https://culturacientifica.com/app/uploads/2020/12/1087px-NestLearningThermostat2.jpg)
El objetivo de las casas inteligentes es servir de ayuda a las personas que viven en ellas. Las aplicaciones para la vida diaria asistidas por el entorno pueden tener un gran impacto a nivel social, en el envejecimiento activo y en el modo de vida independiente de las personas mayores. De ahí que una de las claves de las casas inteligentes sea la deducción de la actividad humana en ellas. Para ello que se colocan diversos tipos de sensores que detectan los cambios que producen los habitantes de la casa en ese entorno (encender/apagar la luz, abrir/cerrar una puerta, etc.).
Normalmente, la información que generan estos sensores se procesa mediante técnicas de análisis de datos, y los sistemas más exitosos se basan en técnicas de aprendizaje supervisado, es decir, una persona supervisa los datos y un algoritmo aprende automáticamente el significado de todo ello. No obstante, uno de los principales problemas de las casas inteligentes es que un sistema entrenado en un entorno no es válido en otro diferente: “Los algoritmos normalmente están muy vinculados a un entorno inteligente determinado, a los tipos de sensores existentes en el entorno y a su configuración, así como a los hábitos concretos de una persona. El algoritmo aprende todo esto fácilmente, pero luego no es capaz de trasladarlo a otro entorno diferente”, explica Gorka Azkune, del grupo de investigación IXA de la UPV/EHU.
Hasta ahora los sensores se han identificado mediante números, y como consecuencia “se perdía el significado que tenían —explica el doctor Azkune—. Nosotros proponemos utilizar los nombres de los sensores en lugar de identificadores, de manera que se pueda aprovechar su significado, su semántica, para saber con qué actividad están vinculados. Así, lo que el algoritmo aprende en un entorno puede ser válido en otro entorno, aunque los sensores no sean iguales, porque su semántica es similar. Es por eso que utilizamos técnicas de procesamiento del lenguaje natural.
Se utilizan técnicas totalmente automáticas, aclara el investogador: “Al final, el propio algoritmo aprende primero de las palabras y luego de la representación que nosotros hacemos utilizando esas palabras. No hay ninguna intervención humana. Y eso es importante desde el punto de vista de la escalabilidad, pues ha quedado probado que sirve para superar el problema señalado”. De hecho, con esta nueva propuesta han conseguido resultados similares a los logrados mediante las técnica basadas en el conocimiento.
Referencia:
Gorka Azkune, Aitor Almeida, Eneko Agirre (2020) Cross-environment activity recognition using word embeddings for sensor and activity representation Neurocomputing doi: 10.1016/j.neucom.2020.08.044
Edición realizada por César Tomé López a partir de materiales suministrados por UPV/EHU Komunikazioa