Autores:

Amaury Felipe Acosta

Isabel Prez Estvez
Yusmelvis Garca Azn

Reconocimiento de escritura
Es la capacidad de un ordenador de recibir la entrada

manuscrita.
La imagen del texto escrito se puede detectar Off-

Line de un pedazo de papel por un escaneado ptico

(OCR).
Alternativamente, los movimientos de la punta de una

pluma pueden ser detectados On-Line, por ejemplo

por una pantalla tctil.

Tipos
Reconocimiento de palabras o caracteres impresos.
Reconocimiento de caracteres o palabras manuscritas.

Aplicaciones
Reconocimiento de texto manuscrito

Google lanza app de escritura a mano para

Android La nueva aplicacin permite
escribir a mano con un lpiz ptico o con
tu dedo en tabletas y celulares
Genial Writing
Para la toma de notas simples con
el dedo o el lpiz ptico. Tiene
ajustes que nos permiten cambiar
aspectos como el ancho de la
pluma y el color de la escritura, entre otros.

Aplicaciones
Reconocimiento de matrculas

XProtect LPR software de reconocimiento de

matrculas que lee informacin de matrculas de
vehculos y vincula el nmero de matrcula a vdeo.
Reconocimiento de cantidades numricas en
cheques bancarios.
Vericacin de rmas.
Lectura y reconocimiento de cdigos y direcciones
postales.

Reconocimiento Automtico del

Habla(RAH)
Tiene como objetivo permitir la comunicacin hablada

entre seres humanos y computadoras.

El problema que se plantea es el de hacer cooperar un

conjunto de informaciones que provienen de diversas

fuentes de conocimiento, en presencia de ambigedades,
incertidumbres y errores inevitables para llegar a obtener
una interpretacin aceptable del mensaje acstico recibido.
Procesa la seal de voz emitida por el ser humano y

reconoce la informacin contenida en sta, convirtindola

en texto o emitiendo rdenes que actan sobre un proceso.

Clasificaciones de los RAH

Entrenabilidad: determina si el sistema necesita un

entrenamiento previo antes de empezar a usarse.

Dependencia del hablante: determina si el sistema

debe entrenarse para cada usuario o es independiente

del hablante.
Continuidad: determina si el sistema puede reconocer

habla continua o el usuario debe hacer pausas entre

palabra y palabra.

Clasificaciones de los RAH

Robustez: determina si el sistema est diseado para

usarse con seales poco ruidosas o, por el contrario,

puede funcionar aceptablemente en condiciones
ruidosas, ya sea ruido de fondo, ruido procedente del
canal o la presencia de voces de otras personas.
Tamao del dominio: determina si el sistema est

diseado para reconocer lenguaje de un dominio

reducido o extenso (miles de palabras).

Aplicaciones
Dictado automtico:

Es, hasta hoy, el uso ms

comn de las tecnologas de reconocimiento de voz.
En algunos casos, como en el dictado de recetas
mdicas y diagnsticos o el dictado de textos legales, se
usan corpus especiales para incrementar la precisin
del sistema.
Control por comandos: Los sistemas diseados para
dar rdenes a un computador (p.e. "Abrir Firefox",
"cerrar ventana") Reconocen un vocabulario muy
reducido, lo que incrementa su rendimiento.

Aplicaciones
Dragon NaturallySpeaking

Software de reconocimiento de voz para ordenador.

Convierte la voz en texto y comandos accionables mucho
ms rpido de lo que la mayora de las personas pueden
escribir.
Voice Finger
Herramienta de reconocimiento de voz que le permite
controlar el mouse y el teclado slo con la voz.

Aplicaciones
Telefona: Algunos sistemas PBX permiten a los usuarios

ejecutar comandos mediante el habla, en lugar de pulsar

tonos. En muchos casos se pide al usuario que diga un
nmero para navegar un men.
ATOS(Automatic Telephone Operator Service) Diseado
para trabajar y dar servicios por lnea telefnica Ej. A travs
de palabras el usuario solicita servicio a emplear en una
PABX
Sistemas porttiles: Los sistemas porttiles de tamao
reducido, como los relojes o los telfonos mviles, tienen
unas restricciones muy concretas de tamao y forma, as
que el habla es una solucin natural para introducir datos
en estos dispositivos.

Aplicaciones
Sistemas diseados para discapacitados: tiles para

personas con discapacidades que les impidan teclear con

fluidez, as como para personas con problemas auditivos,
que pueden usarlos para obtener texto escrito a partir de
habla.

Incertidumbre
Se define como la falta de certidumbre o certeza, siendo
certeza el conocimiento seguro y claro de algo.
En qu situaciones se da incertidumbre?
Cuando los hechos o datos pueden no ser conocidos con
exactitud (por ej, un paciente puede no estar seguro de haber
tenido fiebre la noche pasada) => subjetividad, imprecisin,
errores, datos ausentes...
Cuando el conocimiento no es determinista. Por ej, las
relaciones entre enfermedades y sntomas; un mismo conjunto
de sntomas puede estar asociado a varias enfermedades.
estar asociado a varias enfermedades.

Sistemas expertos
Sistemas expertos

Situaciones
determinsticas

Situaciones
inciertas

Medidas de
incertidumbre

Probabilidad

Sistemas expertos
En los primeros Sistemas Expertos, se usaba la probabilidad
para tratar la incertidumbre, pero al encontrarse algunos
problemas por el uso incorrecto de algunas hiptesis, se
Desech.

Con la aparicin de redes probabilsticas (Redes Bayesianas y

Cadenas de Markov, principalmente) el uso de la
probabilidad para el tratamiento de la incertidumbre ha vuelto
a ser aceptado y hoy en da es la forma ms usada.

Redes bayesianas

Definiciones
es un modelo probabilstico que relaciona un conjunto de
variables aleatorias mediante un grafo dirigido,
son redes grficas sin ciclos en el que se representan
variables aleatorias y las relaciones de probabilidad que existan
entre ellas que permiten conseguir soluciones a problemas de
decisin en casos de incertidumbre.
es una representacin ilustrada de dependencias para
razonamiento probabilstico, en la cual los nodos representan
variables aleatorias y los arcos simbolizan relaciones de
dependencia directa entre las variables.

Redes bayesianas

Conceptualizando
Consideremos una variable aleatoria Z dependiente de otras dos
(factores F1 y F2). El grafo expresivo de esta relacin ser

Redes bayesianas

Caractersticas
Dado este modelo, se puede hacer inferencia bayesiana; es
decir, estimar la probabilidad posterior de las variables no
conocidas, en base a las variables conocidas.
Las redes bayesianas permiten aprender sobre relaciones de
dependencia y causalidad, permitiendo combinar conocimiento
con datos.
Esta tcnica sobresale debido a que no solo permite un proceso hacia atrs
(backward), por ejemplo como dado el resultado probabilistico de la variable Z
hallar algunas de sus causales; sino tambin hacia adelante (forward) donde
la red puede calcular las probabilidades de la variable Z usando la regla de
Bayes.

Redes bayesianas

Teorema de Bayes:

En la prctica, se utiliza para conocer la probabilidad a

posteriori de cierta variable de inters dado un
conjunto de hallazgos (ya no es condicional).

Redes Bayesianas

Aplicaciones
la manipulacin de sistemas expertos en la medicina,
Enfocado a
en la depuracin de programas de IA,
la solucin
de problemas
en la gentica,
en procesos de produccin;
en la identificacin de probabilidades que disminuyan riesgo,
como es el uso primordial que se le da en la rama financiera.
- anlisis de los deudores del sistema financiero
- prediccin de ventas
Consiste bsicamente en mejorar la prevencin de riesgo
operacional; tal que sirva como sistema de ayuda a la toma de
decisiones en una situacin de emergencia y realizar mejoras
en las estrategias de operacionales.

Redes Bayesianas

Ejemplo
Flix Doldan de su artculo Redes bayesianas y riesgo operacional; Se identifica:

el entorno del mercado cuya evolucin se simplifica en etapa de alza y en etapa baja (F1),

al equipo humano capaz de procesar operaciones financieras (F2), y

al proceso de realizar operaciones financieras de forma correcta o incorrecta

(Variable Z);

Redes Bayesianas

Ejemplo

0,05

Redes Bayesianas

Ejemplo
La red, usando la regla de Bayes, calcula las
probabilidades de beneficio o de prdida:
0,748 y 0,252, respectivamente
0,05

Redes Bayesianas

Ejemplo
Ahora conociendo que la operacin financiera ha sido realizada con prdida, en qu
medida es

imputable al equipo humano o, simplemente,

es debida al azar del mercado.

Para ello, la red bayesiana, conociendo el estado como igual a prdida, determina,
aplicando la regla de Bayes, las probabilidades de funcionamiento incorrecto o
insatisfactorio del equipo humano

Redes Bayesianas

Ejemplo
Ahora conociendo que la operacin financiera ha sido realizada
con prdida, en qu medida es
imputable al equipo humano o, simplemente,
es debida al azar del mercado.
Para ello, la red bayesiana, conociendo el estado como igual a
prdida, determina, aplicando el teorema de Bayes, las
probabilidades de funcionamiento incorrecto o insatisfactorio
del equipo humano

Redes bayesianas

Cadenas de Markov
Un sistema determinista, como por ejemplo un semforo, es
fcilmente comprensible y el siguiente estado solo depende
del estado anterior: luz roja -> luz verde -> luz ambar -> luz
roja...

El problema llega con sistemas no deterministas => axioma

de Markov (el siguiente estado no solo depende del anterior).

Un proceso de Markov es un proceso que se va moviendo

de estado en estado dependiendo exclusivamente de los N
estados anteriores.

Redes bayesianas

Cadenas de Markov
En un proceso de Markov aparte de los estados, est la matriz de
transiciones entre estados, que indica la probabilidad de pasar de
un estado a otro o a s mismo.

Adems hace falta tener una matriz que indique como se

encuentra el sistema al inicio, vector de probabilidades iniciales.

Redes bayesianas

Cadenas de Markov Ocultas

Cadenas de Markov Ocultas(HMM): tenemos dos partes
diferenciadas

Redes bayesianas

Cadenas de Markov Ocultas

La conexin entre los estados ocultos y las variables observables,
smbolos, representa la probabilidad de generar un smbolo en
particular desde un determinado estado oculto.
P(Obs|Sun)+P(Obs|Cloud)+P(Obs|Rain) = 1

Para representar estas probabilidades se tiene la matriz de

dispersin/confusin del sistema:
Empapado Hmedo

Fresco

Seco

Reconocimiento del habla y

cadena de Markov
Cuando se habla del modelo de lenguaje, se sita el
estudio en niveles superiores al de las caractersticas
acsticas. Ahora interesan las palabras y la forma en que
se combinan para formar frases. Siguiendo con la idea de
los autmatas probabilsticos (finitos), es posible
imaginar un autmata en el que cada estado represente
(o emita) una palabra.

En la figura siguiente se puede observar una estructura que

respeta la idea general de un autmata probabilstico
utilizado para modelar secuencias temporales de palabras.
Estas estructuras son conocidas como gramticas en la
teora de lenguajes formales.
Sin embargo puede observarse que la secuencia de estados
de una de estas gramticas es tambin una cadena de
Markov y as ser capaz de modelar una frase.
Donde la probabilidad de que ocurra un evento depende
solamente del evento inmediatamente anterior.

Los estados de inicio y finalizacin se indican con las letras I y F, respectivamente.

Por ejemplo si se conoce la historia hasta su instante actual se puede establecer la
probabilidad de las palabras que siguen en la frase. Si las palabras hasta el instante
actual son:
est en el
la palabra emitida por el autmata es: stano