Vamos a ver los pasos para crear un modelo de texto en LearningML y como usarlo con EchidnaBlocks.
En este caso crearemos un asistente virtual que controla la iluminación de una vivienda y el ventilador.
Abrir LearningML
Una vez hemos abierto EchidnaML abrimos la aplicación: Modelos de Machine Learning.
Elegir tipo de datos
Lo primero que tenemos que hacer es elegir con qué tipo de datos vamos a trabajar: podemos hacerlo con textos, imágenes y números. En nuestro caso vamos a trabajar con datos de tipo texto.
1- Entrenar: Crear las clases y añadir los ejemplos
Una vez elegido el tipo de datos (en este caso, texto), procedemos a la creación de las clases y a la introducción de los datos (ejemplos de texto) que el algoritmo usará para aprender a clasificarlos.
En nuestro caso, vamos a crear dos clases para controlar el LED: Enciende y Apaga.
Clase "Enciende": Introduciremos órdenes y frases que indiquen al sistema la intención de encender la luz (p. ej., "luz on", "enciende el LED", "enciende").
Clase "Apaga": Introduciremos órdenes que indiquen la intención de apagar la luz (p. ej., "apagar", "luz off", "corta la luz").
La calidad del modelo construido está directamente ligada a los datos de entrenamiento. Cuantos más textos, y mejor elegidos, se añadan a cada clase, mayor será la precisión del modelo al clasificar nuevos textos.
2- Aprender
Una vez que hemos definido las clases e introducido los ejemplos de entrenamiento, se procede a pulsar el botón Aprender a reconocer textos.
En ese momento, el algoritmo de Machine Learning analiza los datos proporcionados para construir un modelo de Inteligencia Artificial. Este modelo resultante es capaz de clasificar y reconocer nuevos textos que no ha visto antes.
Este proceso se denomina aprendizaje a partir de datos y constituye el fundamento esencial del Machine Learning.
3- Probar
Una vez construido el modelo, debemos realizar pruebas para comprobar si el modelo clasifica correctamente y con que % de confianza lo hace.
Para esta fase de verificación, es crucial utilizar textos que sean distintos a los ejemplos que se introdujeron durante el proceso de entrenamiento. Esto garantiza que estamos probando la capacidad de generalización del modelo, y no simplemente su "memoria".
En este caso comprobamos que clasifica la frase “Es de día” con un 61% de probabilidad en la categoría Apaga. Lo cual es correcto.
1- ¿Volver a entrenar?
Si los resultados de la prueba no son satisfactorios o si se desea incrementar la precisión del modelo, es necesario entrar en una fase de iteración y mejora.
Revisión: Examina y corrige los datos introducidos en los ejemplos.
Ampliación: Añada más ejemplos de entrenamiento.
La calidad del modelo está directamente relacionada con la cantidad y la calidad de los datos de entrenamiento. Cuantos más datos de calidad se utilicen, siempre y cuando estén correctamente etiquetados, mayor será la precisión y la calidad de las clasificaciones futuras del modelo
4- Programamos en EchidnaBlocks
Una vez que las pruebas de entrenamiento hayan sido satisfactorias, abrimos EchidnaBlocks.
A continuación, la aplicación se programará combinando los bloques de Scratch, con los bloques de robótica y los de Machine Learning (learningml), utilizando el modelo que acabamos de generar.
Este ejemplo muestra cómo usar el modelo de Machine Learning que hemos creado para clasificar una entrada de texto y, con el resultado, tomar una decisión en la placa robótica: encender o apagar el LED RGB.
Consulta: El personaje pregunta qué necesitamos y envía la respuesta que introduce el usuario al modelo de machine learning para su clasificación.
Verificación de Confianza: El sistema comprueba el índice de confianza que el modelo asigna a su clasificación. La acción sólo se ejecuta SI este índice es superior al 60%. En caso de que la Confianza sea menor del 60% el programa dice “No te he entendido”.
Clasificación: Si la confianza es suficiente, el sistema determina la clase:
SI la clase es "Enciende":
--> El programa envía la instrucción para encender el LED.
SI la clase es "Apaga":
--> El programa envía la instrucción para apagar el LED.
Al finalizar, el personaje vuelve a decir: “¿Qué necesitas?”, indicando que está listo para una nueva clasificación.