Resum

L'aprenentatge automàtic és una àrea d'investigació que proporciona algoritmes i tècniques que són capaços d'aprendre automàticament a partir d'experiències passades. Estes tècniques són essencials en l'àrea de descobriment de coneixement de bases de dades (KDD), la fase principal de la qual és típicament coneguda com a mineria de dades. El procés de KDD es pot veure com l'aprenentatge d'un model a partir de dades anteriors (generació del model) i l'aplicació d'este model a noves dades (utilització del model). La fase d'utilització del model és molt important, perquè els usuaris i, molt especialment, les organitzacions prenen les decisions depenent del resultat dels models.

Generalment, cada model s'aprén de forma independent, intentant obtindre el millor resultat (local). No obstant això, quan diversos models s'usen conjuntament, alguns d'ells poden dependre els uns dels altres (per exemple, les eixides d'un model poden ser les entrades d'un altre) i apareixen restriccions. En aquest escenari, la millor decisió local per a cada problema tractat individualment podria no donar el millor resultat global, o el resultat obtingut podria no ser vàlid si no complix les restriccions del problema.

L'àrea d'administració de la relació amb els clients (CRM) ha donat origen a problemes reals on la mineria de dades i l'optimització (global) han de ser usades conjuntament. Per exemple, els problemes de prescripció de productes tracten de distingir o ordenar els productes que seran oferits a cada client (o simètricament, triar els clients a qui se'ls deuria d'oferir els productes). Estes àrees (KDD, CRM) no tenen ferramentes per a tindre una visió més completa dels problemes i una millor integració dels models d'acord amb les seues interdependències i les restriccions globals i locals. Generalment, l'aplicació clàssica de mineria de dades a problemes de prescripció de productes ha considerat una visió monolítica o estàtica del procés, on un o més productes són oferits a un conjunt de clients i s'ha de determinar la seqüència d'ofertes (producte, client) que maximitze el benefici. Considerem que és possible realitzar una millor personalització del procés ajustant o adaptant diversos atributs del producte per a obtindre majors guanys. Per tant, presentem una taxonomia de problemes de prescripció de productes basada en la presència o absència d'un tipus d'atributs especials que cridem atributs negociables. Proposem una solució per a cada tipus de problema, basada en optimització global (combinant diversos models en la fase d'utilització) i negociació (introduint nous conceptes, problemes i tècniques). En general, en aquest escenari, obtindre la millor solució global de forma analítica és intractable i usar tècniques de simulació és una manera d'obtindre bons resultats a nivell global.

A més, quan es combinen diversos models, estos han de combinar-se usant un criteri just. Si per a cada exemple tenim la seua probabilitat estimada, esta probabilitat ha de ser realista. En aprenentatge automàtic, el grau en què les probabilitats estimades es corresponen amb les probabilitats reals es coneix com a calibració. Reprenem el problema de la calibració de classificadors, proposant un mètode de calibració no monotònic inspirat en els mètodes basats en "binning". D'altra banda, estudiem el paper de la calibració abans i després de combinar classificadors probabilístics. I presentem una sèrie de conclusions que ens permeten recomanar diverses configuracions per a l'ús de la calibració en la combinació de classificadors.

Finalment, abans d'usar el model, prenent decisions individuals per a cada nou exemple, pot ser necessària una visió global del problema, per a estudiar la viabilitat del model o els recursos que seran necessaris. La quantificació és una tasca d'aprenentatge automàtic que pot ajudar a obtindre aquesta visió global del problema. Presentem una nova aproximació al problema de quantificació basada a escalar la mitjana de la probabilitat estimada. També s'analitza l'impacte de tindre un bon estimador de probabilitats per als nous mètodes de quantificació, i la relació de la quantificació amb la calibració global.

En resum, en aquest treball, hem implementat noves tècniques, mètodes i algoritmes que es poden aplicar durant la fase d'utilització dels models per a una millor integració d'aquests. Les noves contribucions milloren les aproximacions anteriors, o cobrixen àrees que encara no havien sigut estudiades per la comunitat d'aprenentatge automàtic. Com a resultat, ara tenim una varietat més àmplia i potent de ferramentes per a obtindre bons resultats globals quan combinem diversos models locals.