3.1 Asistente virtual

1. Qué vamos a hacer

Vamos a crear un asistente virtual que entiende lo que le escribimos. Le pediremos con nuestras propias palabras que encienda o apague la luz, y el asistente encenderá o apagará el LED RGB de la placa EchidnaBlack2.

Para que el asistente entienda frases que nunca ha visto, crearemos con LearningML un modelo de texto: le enseñaremos ejemplos de frases para encender y para apagar la luz, y él aprenderá a reconocerlas.

1.1 Qué vamos a aprender

• A crear un modelo de machine learning que clasifica textos.
• A organizar los datos en clases y a añadir ejemplos a cada una.
• A entrenar, probar y mejorar un modelo.
• A usar la confianza del modelo para decidir si nos fiamos de su respuesta.
• A usar el modelo en EchidnaBlocks para controlar la placa.

1.2 Qué vamos a usar

Componentes

Usaremos el LED RGB de la placa y el teclado del ordenador para escribir las órdenes.

Programación

Para usar el modelo en nuestro programa usamos el bloque clasificar texto:

Le damos un texto y nos devuelve la clase que el modelo considera más probable; en nuestro caso, Enciende o Apaga.

2. Entrenamos el modelo

Abrimos LearningML y elegimos trabajar con datos de tipo texto.

2.1 Entrenar: clases y ejemplos

Creamos dos clases y añadimos a cada una ejemplos de frases:

• Enciende: frases que indican que queremos luz, por ejemplo "Luz on", "No veo", "Es de noche", "Quiero leer" o "Hay poca luz".
• Apaga: frases que indican que no la necesitamos, por ejemplo "Luz off", "Apaga", "Hay mucha luz", "Voy a dormir" o "Es de día".

La calidad del modelo depende de los datos: cuantos más ejemplos, y mejor elegidos, añadas a cada clase, mejor clasificará las frases nuevas.

2.2 Aprender

Pulsamos el botón Aprender a reconocer textos. El algoritmo analiza los ejemplos y construye un modelo capaz de clasificar textos que no ha visto antes. A esto lo llamamos aprendizaje a partir de datos.

2.3 Probar

Escribimos frases distintas de los ejemplos y comprobamos en qué clase las coloca el modelo y con qué confianza (en %). Así comprobamos que el modelo ha aprendido y no solo ha memorizado los ejemplos.

En el ejemplo, el modelo clasifica la frase "Me voy a la cama", que no está entre los ejemplos de entrenamiento, como Apaga con un 65 % de confianza.

Si el modelo se equivoca o la confianza es baja, volvemos a 2.1 Entrenar: revisamos los ejemplos, añadimos otros nuevos y aprendemos de nuevo.

3. Programamos

Cuando el modelo funcione bien, abrimos EchidnaBlocks y construimos el programa con los bloques de LearningML y los de la placa:

Cómo funciona:

El echidna pregunta "¿Qué necesitas?" y espera nuestra respuesta. Antes de actuar, comprueba la confianza del modelo para esa respuesta: solo nos hace caso si es mayor de 60.

SI la confianza es mayor de 60:
    SI la clase es "Enciende":
        --> El LED RGB se enciende en blanco (R 255, G 255, B 255).
    SI la clase es "Apaga":
        --> El LED RGB se apaga (R 0, G 0, B 0).
SI NO:
    --> El echidna dice "No te he entendido".

Como todo está dentro de un bucle por siempre, el echidna vuelve a preguntar "¿Qué necesitas?", listo para una nueva orden.

4. Mejóralo

Prueba a realizar algunas de estas mejoras en tu proyecto de forma autónoma:

1. Más exigente: Cambia el 60 de confianza por 80. ¿Qué ocurre con las frases que antes entendía con dudas?
2. Entrénalo mejor: Busca frases que el asistente no entienda o clasifique mal, añádelas como ejemplos a su clase y vuelve a entrenar el modelo. ¿Sube la confianza?
3. Elige el color: Añade las clases Rojo, Verde y Azul para que, además de encender y apagar, el asistente cambie el color del LED RGB según lo que le pidas.