Os avanços das tecnologias de comunicação sem fio e de hardware impulsionaram a
popularização do uso de dispositivos móveis. Cada vez mais, estes dispositivos ganham
novos recursos de hardware (i.e., sensores e outros gadgets) e software (e.g., reconhecimento
facial, de voz, gestos) a fim de que a interação humano-computador ocorra
de forma mais natural. Esses recursos deram aos dispositivos móveis uma capacidade
maior de percepção do ambiente e das condições nas quais os usuários se encontram,
possibilitando o desenvolvimento de aplicações cada vez mais proativas e sensíveis ao
contexto.
Um sistema sensível ao contexto é capaz de modificar seu comportamento de
acordo com os contextos inferidos do ambiente. Entretanto, interpretações errôneas
dos dados coletados podem induzir ações inapropriadas e indesejadas nas aplicações.
Embora exista uma variedade de técnicas de inferência na literatura (e.g., regras, ontologias,
que utilizam aprendizagem supervisionada e não supervisionada), em geral,
elas não consideram se as inferências foram de fato adequadas para os contextos do
usuário. Além disso, a maioria dessas técnicas utiliza modelos estáticos de inferência
(i.e., que não são capazes de se ajustar à mudanças nas condições do ambiente), o que
representa uma limitação dessas técnicas quando aplicadas ao domínio das aplicações
móveis.
Neste trabalho, é proposta uma nova técnica de inferência de contexto para aplicações
móveis – chamada de CoRe-RL – que utiliza aprendizagem por reforço a fim de
que sejam produzidas inferências cada vez mais adequadas aos contextos do usuário.
Nesta técnica, a aprendizagem ocorre de maneira incremental e conforme o usuário
interage com o sistema, permitindo que a inferência seja ajustada por meio de recompensas
(reforços positivos) e punições (reforços negativos) associadas aos contextos
inferidos. Como os contextos estão continuamente sendo aprendidos, a técnica proposta
também permite às aplicações um gerenciamento flexível de contextos, ou seja,
é possível que novos contextos (rótulos) sejam cadastrados e aprendidos ao longo do
tempo. O funcionamento da técnica é divido em duas etapas – classificação e adapxiii
tação. O CoRe-RL utiliza o método dos K vizinhos mais próximos (modificado) na
classificação. A aprendizagem (adaptação) é baseada em exemplos, mas também faz
ajustes sobre os modelos (ranking de características) que ponderam as características
mais relevantes de cada contexto, na etapa de classificação.
Com o intuito de testar e avaliar o desempenho da técnica proposta, foi desenvolvido,
como estudo de caso deste trabalho, um aplicativo que implementa todas as
funcionalidades e recursos do CoRe-RL. Através deste aplicativo, foram realizados experimentos
práticos de avaliação da classificação e adaptação, em dois cenários específicos:
no primeiro cenário havia um único contexto; e no segundo haviam três. Por meio
dos experimentos práticos, observou-se que, de acordo com o limiar de corte usado, é
possível obter bons desempenhos na classificação mesmo com uma base pequena e com
um ranking pouco ajustado. Além disso, demonstrou-se que o CoRe-RL melhora seu
desempenho, convergindo para o desempenho ótimo, de acordo com a ocorrência das
interações.
|
