DESCRIPCIÓN

OBJETO DE LA INVENCIÓN

La presente invención tiene su aplicación en el sector de las tecnologías de Inteligencia Artificial (IA) y, más concretamente, aplicadas al entorno doméstico para la construcción de hogares inteligentes (“Smart Home”, en inglés). Más particularmente, la presente invención se refiere a un sistema y método para la toma automática de decisiones de forma desatendida usando técnicas de aprendizaje automatizado (“Machine Learning”, en inglés).

ANTECEDENTES DE LA INVENCIÓN

Actualmente existen estrategias y soluciones basadas en el procesado de datos que permiten tomar decisiones relevantes sobre una actividad determinada. Normalmente estas soluciones pertenecen al campo de la Inteligencia Empresarial (“Business Intelligence”, en inglés) y se materializan en una amplia gama de productos. Dichas soluciones permiten tomar decisiones a posteriori una vez analizadas por un experto en la disciplina de la Ciencia de Datos (“Data Science”, en inglés). Por otro lado, la creciente apertura de los ecosistemas de Inteligencia Artificial (IA), la especialización de arquitecturas predictivas basadas en redes neuronales, aumento de la calidad del dato, la creciente capacidad de potencia de cálculo y la fuerte inversión por parte de los gobiernos y la industria privada, ha generado una proliferación exponencial de algoritmos de inferencia dedicados a la resolución de problemas concretos.

El problema de todos estos enfoques es su baja generalidad para entender problemas del entorno más complejos que requieren de una relación semántica entre fuentes de datos no obvia. Todo ello unido a la incapacidad de los diferentes sistemas de tomar decisiones de forma autónoma, hacen que exista un espacio a explorar en torno a cómo las predicciones de esos modelos aislados se pueden relacionar generando como resultado un elemento de entendimiento o percepción (“insight”, en inglés) de mayor complejidad semántica, de forma continuada y adecuadas a los acontecimientos de un entorno cambiante.

Esta descripción del problema que se pretende resolver, siendo suficiente, resulta algo abstracta y difícil de visualizar a simple vista. Esto lleva irremediablemente a aplicar la ¡dea de asociación de información acotada a un entorno sobre un escenario real: el hogar.

Hoy en día, las soluciones presentadas en el ámbito de lo que se denomina Hogar Inteligente (“Smart Home”, en inglés) siguen percibiéndose como una resolución de problemas aislados y, además, reducidos al ámbito de la información recogida por una fuente de datos cautiva o limitada por el ámbito comercial del propio dispositivo.

El principal problema de calificar cualquier producto o servicio como Inteligente (“Smart”, en inglés) es que la percepción como algo inteligente es algo totalmente subjetivo. Un dispositivo, sistema o método que pretenda ser inteligente por lo menos en el ámbito del hogar, debe contemplar al menos dos tipos de capacidades:

1.- Sensibilidad para poder percibir de forma inequívoca lo que está sucediendo en cada momento dentro del hogar.

2.- Capacidad de apertura para poder incorporar nuevas fuentes de información a medida que éstas se van haciendo hueco en el ámbito cotidiano del hogar.

Todo ello además aderezado con una serie de líneas rojas aplicadas a la base de inferencia donde la privacidad del usuario debe ser respetada en todo momento.

Prácticamente la totalidad de las soluciones del estado de la técnica se basan una capa de procesado y agregación de datos en crudo y una pequeña capa de aprendizaje automatizado (ML: Machine Learning, en inglés) para tratar de obtener una serie de percepciones (“insights”) aisladas y con un fin muy concreto. Posteriormente un experto debe realizar una lectura e interpretar dichas percepciones en una dirección determinada. Esto implica la acción humana, lo cual imposibilita la toma de decisiones en tiempo real de forma desatendida. El problema técnico objetivo que se presenta es permitir en un entorno acotado, como puede ser un hogar inteligente, una toma de decisiones y ejecución de acciones en tiempo real de forma desatendida, sin la intervención humana, para obtener un entorno inteligente que puede aprender dinámicamente y hacerse cada vez más sensible/consciente sobre lo que sucede en su interior.

DESCRIPCIÓN DE LA INVENCIÓN

La presente invención sirve para solucionar el problema mencionado anteriormente, mediante un método para la toma de decisiones y ejecución de acciones de forma desatendida y en tiempo real en el ámbito de un entorno acotado, entendiendo entorno acotado como un ecosistema cerrado cuya contextual ización no es compleja, es decir, los eventos que se pueden dar en dicho entorno son explicables, medibles y parametrizables. El método que aquí se describe es capaz de interpretar situaciones de diversa índole que tienen lugar en dicho entorno acotado mediante la recolección de datos generados por una base de dispositivos hardware perteneciente al entorno a explorar y aplicando algoritmia basada en técnicas de aprendizaje automatizado (ML: Machine Learning, en inglés).

Un elemento esencial de la presente invención es un motor de inferencia que, a través de un modelo de asociación de información por capas, genera elementos de entendimiento (“insights”, en inglés) relevantes para la comprensión de los acontecimientos que tienen lugar en el entorno acotado. El resultado de este proceso es un contexto dinámico que permite al propio sistema tomar decisiones de forma desatendida.

La inclusión de modelos de asociación de información en un entorno acotado, como es el entorno del hogar, viene a derribar la limitación técnica entre silos de información que conviven en el mismo ecosistema.

La presente invención consigue tal objetivo por su capacidad para asociar fuentes de entendimiento obtenidas por distintos procesos de inferencia en torno a temáticas semánticamente complejas. Esta capacidad es proporcionada por la capa más alta de un modelo de capas, que aquí se denomina Pila de Descubrimiento, que es un modelo de aprendizaje automatizado (modelo de ML) donde cada capa o nivel proporciona una información más refinada al nivel superior. La Pila de Descubrimiento que aquí se define es un modelo que comprende tres capas, ordenadas aquí de menor a mayor nivel:

- Capa 1 : Generación de Datos, formada por todos los dispositivos pertenecientes al entorno donde se desea realizar el descubrimiento de eventos, cada dispositivo generando una serie de fuentes de contribución de datos.

- Capa 2: Reconocimiento de Patrones, para adaptar los datos en crudo procedentes de todas las fuentes de contribución de la capa 1 anterior y obtener elementos de inferencia con información relevante para el siguiente nivel o capa. La capa 2 está formada por módulos de preprocesado que aplican técnicas para identificar patrones de reconocimiento de distinta índole empleando algoritmos específicos de ML según la naturaleza de la fuente de datos.

- Capa 3: Asociación de Información, formada por diferentes módulos de asociación de información para relacionar elementos inferidos por los niveles y generar al menos un elemento de entendimiento (o conocimiento o percepción) (“insight”) relevante (adecuado semánticamente) para la detección de un evento concreto del entorno acotado.

En el contexto de la invención, se define elemento de entendimiento (“insight”) como la unidad mínima de información descubierta en el entorno acotado y entendible por un sistema capaz de llevar a cabo una acción adecuada semánticamente para la ontología de referencia del entorno de acción (entorno acotado).

Un aspecto de la invención se refiere a un método para la toma de decisiones y ejecución de acciones desatendida en un entorno acotado, el comprendiendo los pasos definidos en la reivindicación 1.

Otro aspecto adicional de la presente invención se refiere a un sistema de toma desatendida de decisiones y ejecución desatendida de acciones en un entorno acotado, el sistema comprendiendo los siguientes componentes que realizan los pasos del método descrito anteriormente.

El sistema de la invención está compuesto por distintos módulos (SW: software), distribuidos en las tres capas lógicas definidas anteriormente y que se conectan en cascada. Un módulo se constituye por los medios técnicos que realizan una unidad funcional mínima perteneciente a una capa del sistema. Los distintos módulos se estructuran e interconectan según un modelo (lógico). Y cada capa es una asociación lógica de módulos que llevan a cabo las tareas relacionadas dentro del sistema.

Las distintas funcionalidades o funciones que se indican en el método anterior están realizadas por dispositivos programadles electrónicos (por ejemplo, un servidor o un nodo cliente) o conjunto de dispositivos programadles electrónicos, que a su vez pueden estar co-localizados o distribuidos en distintas ubicaciones y comunicados por cualquier tipo de red de comunicación cableada o sin cables. El componente (hardware o software) de ese dispositivo electrónico que realiza una determinada funcionalidad es lo que se conoce como módulo. Las distintas funcionalidades o funciones que se indican en el método anterior pueden implementarse como uno o más componentes. Cada funcionalidad puede estar realizada en un dispositivo (o conjunto de ellos) distinto o el mismo dispositivo (o conjunto de ellos) implementar vahas o todas las funcionalidades indicadas; es decir el mismo dispositivo (por ejemplo, un servidor) puede tener vahos módulos, cada uno de ellos realizando una de las funcionalidades o estar dichos módulos distribuidos en distintos dispositivos. Estos componentes y la funcionalidad asociada pueden ser utilizados por sistemas informáticos de cliente, servidor, distribuidos o una red de pares. Estos componentes pueden estar escritos en un lenguaje informático correspondiente a uno o más lenguajes de programación tales como lenguajes funcionales, declarativos, procedimentales, orientados a objetos y similares. Pueden estar vinculados a otros componentes a través de vahas interfaces de programación de aplicaciones e implementarse en una aplicación de servidor o una aplicación de cliente. Alternativamente, los componentes se pueden implementar en aplicaciones tanto de servidor como de cliente.

Otro último aspecto de la invención se refiere a un programa de ordenador, que contiene instrucciones o código informático (almacenado en un medio legible por ordenador no transitorio) para hacer que unos medios de procesamiento (de un procesador informático) realicen los pasos del método descrito anteriormente para la toma desatendida de decisiones en un entorno acotado.

Las ventajas de la presente invención frente al estado de la técnica anterior y en relación a los sistemas existentes son fundamentalmente:

La presente invención proporciona un contexto dinámico con información de los eventos más relevantes que suceden dentro del entorno acotado. Esto permite que el entorno constituya una entidad inteligente y consciente que resuelve problemas no obvios, sin necesitar ninguna acción del usuario y pudiéndose anticipar a que el usuario actúe.

La presente invención permite que el entorno no requiera acción alguna por parte del usuario para realizar un proceso de autenticación, ya que dispone de suficiente información contextual del entorno, y tampoco necesita conocer datos sensibles del usuario.

La presente invención permite que el entorno funcione como una entidad autónoma que garantiza la privacidad de la información manejada, por ejemplo, información perteneciente a un entorno doméstico y, también en este caso, el propio entorno del hogar consigue así autonomía para crear un control parental.

Éstas y otras ventajas se desprenden de la descripción detallada de la invención que se hace a continuación.

BREVE DESCRIPCIÓN DE LAS FIGURAS

A continuación, se pasa a describir de manera muy breve una serie de dibujos que ayudan a comprender mejor la invención y que se relacionan expresamente con una realización de dicha invención que se presenta como un ejemplo no limitativo de ésta.

FIGURA 1.- Muestra un modelo funcional genérico con las tres capas que conforman la pila del descubrimiento de un sistema inteligente para la toma desatendida de decisiones, según una realización preferente de la invención.

FIGURA 2.- Muestra un diagrama de bloques de la arquitectura del sistema para la toma de decisiones en un entorno acotado, según una realización preferente de la invención.

FIGURA 3.- Muestra un detalle de los bloques de generación, almacenamiento y análisis de capturas instantáneas usadas por el sistema para la toma de decisiones. FIGURA 4.- Muestra un diagrama de la unidad lógica usada por el sistema de toma de decisiones, según una posible realización de la invención.

FIGURA 5.- Muestra un ejemplo de una matriz de relación entre eventos detectados y sentencias lógicas inferidas en el entorno acotado.

FIGURA 6.- Muestra otro ejemplo de una matriz de relación entre eventos detectados y sentencias lógicas inferidas en el entorno acotado para autenticar a nivel de hogar a un usuario titular de una línea de teléfono móvil.

FIGURA 7.- Muestra otro ejemplo de una matriz de relación entre eventos detectados y sentencias lógicas inferidas en el entorno acotado para realizar a nivel de hogar un control parental.

FIGURA 8.- Muestra un mapa de inferencia que asocia anillos de privacidad según nivel de pertenencia al núcleo familiar en un hogar.

REALIZACIÓN PREFERENTE DE LA INVENCIÓN

Una realización preferida de la invención se refiere a un sistema para la toma automática de decisiones de manera desatendida en un entorno acotado.

La Figura 1 muestra esquemáticamente los componentes del sistema propuesto que, en su forma más genérica, consiste en un modelo de capas, donde cada capa o nivel proporciona una información más refinada al nivel superior, según se describe seguidamente.

- Una primera capa 110 para la generación de datos, en el nivel más bajo o inferior: Esta primera capa 110 está formada por todos los dispositivos DISP_1, DISP_2, DISP_i, pertenecientes al entorno donde se desea realizar el descubrimiento de eventos. Cada dispositivo DISP_i, siendo DISP_i el i-ésimo dispositivo , genera una serie de fuentes de datos. Un dispositivo DISP_i puede dar lugar a una o vahas fuentes de datos cada fuente de datos queda denotada, para el i-ésimo dispositivo DISP_i, como FD_¡1 , .. FD_ij. Cada fuente de datos se clasifica por la naturaleza del elemento sensible que recoge los datos (el subíndice j se usa para denotar la j-esima fuente de datos); por ejemplo, típicamente, las fuentes de datos pueden ser fuentes de audio, de vídeo o incluso telemetría relacionada con algún sensor de temperatura, presión o humedad, o también fuentes de datos más sofisticadas, tales como la posición de un terminal móvil, el nivel de intensidad de la señal del enrutador WiFi, la telemetría interna de un decodificador de señal de vídeo o incluso el nivel de batería de un altavoz inalámbrico.

- Una segunda capa 120 para el reconocimiento de patrones, en el nivel intermedio, entre la primera capa 110 y la última o tercera capa 130:

En esta segunda capa 120, con el objetivo de adaptar los datos en crudo procedentes de todas las fuentes de datos de contribución anteriormente citadas, aparecen los módulos de preprocesado. Hay un módulo de preprocesado por cada tipo de fuente de datos; por ejemplo, el módulo de preprocesado PREP_p puede adaptar los datos de una o más de las fuentes de datos FD_1j,...,FD_ij. Cada módulo de preprocesado PREP_p acomoda uno o varias fuentes a una técnica de reconocimiento TR_k determinada. Todas estas técnicas de reconocimiento TR_1, TR_2,...TR_k tienen la misión de identificar patrones de reconocimiento de distinta índole empleando algoritmos específicos de aprendizaje automatizado (ML) según la naturaleza de la fuente de datos. Varias fuentes pueden contribuir a nutrir una o varias técnicas de reconocimiento (el subíndice k se usa para denotar la k-esima técnica de reconocimiento de patrones. El resultado es un elemento de inferencia INF_1, INF _2,... INF _k con información relevante para el siguiente nivel o capa. Un elemento de inferencia es proporcionado por una técnica de reconocimiento.

- Una tercera capa 130 para la asociación de información, en el nivel más alto o superior:

Esta tercera capa 130, en esencia, está formada por diferentes módulos de asociación de información. Cada uno de estos módulos emplea técnicas de asociación de información TAI_1, TAI_2,..., TAI_I específicas (el subíndice I se usa para denotar la l-esima técnica de asociación de información) para relacionar elementos de inferencia INF_1, INF _2,... INF _k por el nivel inferior a este último nivel. Una técnica de asociación de información puede ser nutrida por varios elementos de inferencia. En este aspecto, el criterio de asociación seguido en cada módulo de asociación de información va dirigido en una línea determinada dependiendo de la naturaleza del proceso de descubrimiento que se pretenda abordar. El resultado final es la generación de un elemento de entendimiento, INS_1, INS_2..., INS_I o”insight” relevante para la detección de un evento concreto del entorno. El elemento de entendimiento es la unidad mínima de información entendióle descubierta en el entorno acotado de acción, es decir, los ladrillos sobre los que se construyen casos de uso relevantes para una determinada tarea. Un elemento de entendimiento (“Insight”) es proporcionado por una técnica de asociación de información.

La siguiente tabla, Tabla 1 , muestra algunos ejemplos de estrategias de algoritmos de ML, las técnicas de modelos ML del estado de la técnica aplicables (técnicas SOTA: State-of-the-art, en inglés) y su ámbito de aplicación dentro del modelo de capas anteriormente descrito, así como la fuente o fuentes de datos que contribuyen a generar una base de descubrimiento.

Tabla 1 - Ejemplos de técnicas de ML y su ámbito de aplicación en el modelo de capas de la Pila de Descubrimiento

Como caso práctico, la traducción del modelo anterior de capas que forman la Pila de Descubrimiento en el entorno del hogar es, según un ejemplo:

La primera capa 110 para la generación de datos es el ecosistema de dispositivos del hogar, formada por los dispositivos más comunes que componen el ecosistema de un hogar estándar. El objetivo de esta capa es determinar qué fuentes de datos procedentes de cada dispositivo pueden contribuir activamente en el descubrimiento de acontecimientos; por ejemplo, una cámara IP contribuye con una fuente de vídeo, un enrutador contribuye con datos de nivel de intensidad de señal WiFi y con información acerca de los dispositivos que están conectados en un momento determinado a la red del hogar, etc.

La segunda capa 120 para el reconocimiento de patrones se centra en el reconocimiento de patrones de actividades concretas relacionadas con el día a día de un hogar, apoyándose para ello en técnicas de reconocimiento de patrones en una señal de vídeo, de audio, de la señal WiFi procedente del enrutador o incluso técnicas de reconocimiento de patrones relacionadas con el tráfico cursado dentro de la red del hogar. La tercera capa 130 para para la asociación de información combina los patrones simples del nivel anterior mediante algoritmos de ML que permiten inferir patrones más complejos. En concreto, para la casuística del hogar, se pueden usar algoritmos de asociación en torno al entendimiento de actividades humanas (Reconocimiento de Actividad Humana) y la comprensión de escenas (Comprensión de escenario). Todo ello con el fin de definir los campos más relevantes que permiten generar los elementos de entendimiento o “insights” relevantes, en este caso, relacionados con eventos descubiertos en el entorno del hogar.

La Figura 2 muestra un resumen de la arquitectura planteada para dar forma al sistema de toma desatendida de decisiones para un entorno determinado. Los primeros tres componentes, mapa de dispositivos 210, fuentes de datos 220 y módulos de preprocesado 230, implementan las dos primeras capas, 110 y 120, del modelo de la pila de descubrimiento mostrado en la Figura 1, cuya misión es: acomodar las diferentes fuentes de datos al formato de procesado correcto, extraer patrones sencillos empleando técnicas de ML y proporcionar al siguiente nivel, la tercera capa 130 de asociación de información, elementos de inferencia suficientes para poder construir “insights” entendióles y relevantes para el entorno a explorar. La pieza clave del sistema es el motor de inferencia 240, que es el encargado de generar una captura instantánea 250 o “snapshot” de lo que sucede en el hogar en cada momento (i.e., un “snapshot” recoge todos los “insights”), generándose un “snapshot” cada cierto período de tiempo, por ejemplo, cada x segundos. El sistema propuesto es capaz de almacenar los “snapshots” generados en una línea temporal a modo de histórico, de tal manera que con un análisis a medio-largo plazo de “snapshots” almacenados se realiza un descubrimiento de patrones 260, los cuales se vuelven a inyectar como parte de las conclusiones de la siguiente captura instantánea 250 o “snapshot”. Esta información de la captura instantánea 250 generada en un instante de tiempo pasa a un automáta 270, que es el módulo que aporta al sistema la capacidad de toma desatendida de decisiones, para lo que parte de dos conceptos fundamentales: i) las señales de activación o “triggers”, TRIG_1, TRIG_2,... TRIG_y, definidas como el conjunto de señales lógicas procedentes de las conclusiones inferidas y recogidas en el snapshot 250, que permite desencadenar una secuencia de acciones de forma desatendida; y ¡i) las acciones ACT_1, ACT_2, ACT_n, que el sistema es capaz de ejecutar sobre el entorno acotado en cuestión y que un actuador 280 genera a partir de las señales de activación TRIG_1, TRIG_2,... TRIG_y recibidas, definiendo las acciones ACT_1, ACT_2, ACT_n como un conjunto de operaciones que se realizan sobre diferentes dispositivos electrónicos 290 del hogar, por ejemplo, teléfonos, alarmas, ordenadores,...

La captura instantánea 250 o “snapshot” puede entenderse como un informe desglosado de todos los acontecimientos que están teniendo lugar en el entorno de exploración, tanto en el plano físico como en el virtual, entendiendo el plano virtual como todo lo que sucede como consecuencia de una transacción digital de información. Una característica importante del snapshot, es que permite la retroalimentación de elementos de entendimiento o “insights”, es decir, a parte de incluir conclusiones en tiempo real, se almacenan los snapshots SN_1, SN_2, SN_x, generados en una línea temporal a modo de histórico de capturas instantáneas 255, de tal manera que un procesado a posteriori extrae los patrones 260 de comportamiento en el medio plazo. Dichos patrones son incluidos nuevamente en la toma de decisiones para el entorno en cuestión volviéndolos a entrar como parte de las conclusiones de la captura instantánea a generar en el instante de tiempo siguiente, snapshot SN_x+1, como se representa en la retro- alimentación de información que muestra la Figura 3. La Figura 3 muestra un caso particular de tratamiento de información para la extracción de patrones de medio y largo plazo, que luego se combinan con los insights extraídos en tiempo real del entorno, realimentando así el motor de inferencia para proporcionar mayor entendimiento, es decir, se constituiría así un “detector de costumbres” de usuario.

El motor de inferencia 240, pieza clave del sistema mostrado en la Figura 2, está compuesto por diferentes piezas lógicas que es preciso detallar para poder comprender su funcionamiento. El motor de inferencia 240 comprende un mapa de inferencia, que es un elemento de algoritmia para combinar información extraída del procesado de distintas fuentes de información y con ello deducir los elementos de entendimiento o “insights”, los cuales van emergiendo a medida que se añade un nuevo eslabón predictivo a la cadena. En su forma más abstracta, cada eslabón de la cadena se organiza como un nodo dentro de un árbol de decisión y recibe el nombre de unidad lógica UL_r. El subíndice r se usa para denotar la r-ésima unidad lógica, cuestión lógica, evento base y el subíndice s para el s-ésimo modelo de inferencia por unidad lógica.

La Figura 4 recoge esquemáticamente el diagrama de una unidad lógica estándar. Cada unidad lógica UL_r está formada por los siguientes elementos:

Cuestión lógica CUE_r: se trata de una cuestión lógica simple a responder mediante el procesado de información procedente del entorno.

Evento base EVENTO_r: define el evento base sobre el que se construye el patrón de reconocimiento y por tanto, el esquema de clasificación que siguen todos los modelos de inferencia, MOD_r1, MOD_rs, que contribuyen a responder la cuestión lógica CUE_r planteada. El enfoque que sigue la combinación de modelos sigue un patrón multi-modal, donde cada modelo de inferencia de entrada, MOD_r1, MOD_rs, resuelve un problema de decisión en dominios de datos diferentes, por ejemplo, combinando modelos entrenados con fuentes de vídeo, de audio, etc, que sean relevantes para responder la pregunta lógica contenida en la cuestión lógica CUE_r.

Sentencia Lógica SL_r: El resultado del problema de inferencia está expresado en términos de probabilidades numéricas, por tanto, es necesaria una traducción al dominio de lenguaje entendióle por un humano. En este sentido, se define Sentencia Lógica SL_r como la máxima expresión de afirmación sobre la cuestión lógica CUE_r que en términos de información puede llegarse a inferir del evento base EVENTO_r.

El error Err (cuE_r) que se comete en cada predicción está acotado a la definición de la cuestión inicial CUE_r y el nivel de dificultad en la predicción del evento base EVENTO_ r, el cual delimita la cantidad de información que se puede llegar a extraer del entorno y por tanto, con la que se puede contestar a la pregunta inicial CUE_r. Dicho formalmente, esto es la fórmula Err (cuE_r) = Inf (EVENTO^) - Inf (cuE_r), donde la función lnf() define el nivel de información o contenido semántico del elemento lógico del que se trate, cuestión CUE_r o evento EVENTO_r.

De hecho, otra manera de verlo es que la sentencia lógica SL_r que infiere la unidad lógica UL_r es la máxima cantidad de información que puede obtenerse del evento base EVENTO_r para tratar de responder la cuestión inicial CUE_r; i.e., lnf(EVENTo_r) = SL_r.

Sustituyendo esa expresión en la fórmula anterior, queda: Err (cuE_r) = SL_r - Inf (cUE_r)

Por tanto, el error semántico cometido en el proceso de inferencia y que viene dado por Err() medido sobre la cuestión lógica que se pretende responder es igual a la diferencia semántica entre la información extraída de la cuestión inicial y la sentencia lógica inferida por la unidad lógica. Y, en cualquier caso, este el error semántico está acotado en cuanto a que siempre puede encontrarse una cuestión lógica menos ambiciosa acerca del entorno y siempre puede escogerse un mejor evento base para el modelado del esquema predictivo.

La potencia de este planteamiento se alcanza mediante la combinación de vahas unidades lógicas en un esquema de decisión tipo árbol o grafo, donde las últimas hojas o nodos extremo alcanzan niveles de dificultad predictiva considerables, sin ver por ello afectada la complejidad de la arquitectura del sistema. En otras palabras, la arquitectura propuesta garantiza la escalabilidad de la solución.

Para tratar de entender el modelo anterior, se explica aquí un caso práctico: en el entorno del hogar. El mapa de inferencia para el ecosistema del hogar es un árbol de decisión que trata de responder a cuestiones lógicas sencillas relacionadas con el Quién, Qué, Dónde y Cómo. Un ejemplo del comienzo del árbol de decisión diseñado para un entorno de hogar estándar puede empezar con la exploración del entorno preguntando acerca de quién se encuentra en escena y para ello se quiere saber si existe movimiento, si existe presencia humana, etc. Por ejemplo, con dispositivos detectores de movimiento se determina si hay cuerpos en movimientos en el hogar. Si es así, intervienen detectores de presencia humana para determinar si hay personas en el hogar. Y, si no, se puede determinar si hay mascotas en el hogar mediante detectores de animales, para concluir si alguna mascota se está moviendo por el hogar. Si existe domótica inteligente, además se puede identificar si algún dispositivo de domótica ha realizado un desplazamiento o bien el movimiento ha sido de un objeto movido accidentalmente o una falsa alarma, usando detectores de dispositivos móviles. A la vez, si los detectores de movimiento detectaron personas moviéndose, usando detectores de grupos se puede determinar si hay varias personas o solo una en el hogar. Así, el árbol de decisión, partiendo de premisas simples, va deduciendo situaciones de mayor complejidad. En resumidas cuentas, los nodos del árbol, que son las unidades lógicas UL_r, más alejados se van alimentando de los patrones inferidos del nivel anterior para llegar a conclusiones más sofisticadas acerca del entorno.

A continuación, se describen etapas más avanzadas del árbol de inferencia en su vertiente del Quién, terminando con una matriz de relación donde se plantean sentencias lógicas no triviales acerca del entorno.

Etapa para descubrir en el hogar miembros de la familia:

Si en la etapa anterior del mapa de inferencia se ha determinado que hay una o más personas en el hogar, el sistema es capaz de determinar si la persona pertenece a la familia y si lleva o no el móvil encima a través de la información obtenida de la red inalámbrica WLAN del hogar.

Si el sistema ha descubierto en la etapa anterior que hay una persona sola en el hogar y la red WLAN no detecta ningún dispositivo nuevo conectado, el sistema deduce que la persona está sola y sin el móvil. Si además la red WLAN tampoco detecta un dispositivo previamente registrado, se concluye que esa persona no es miembro de la familia. Pero si la red WLAN encuentra un nuevo dispositivo conectado que además estaba previamente registrado, se concluye que la persona que está sola es un miembro de la familia.

Cuando el sistema ha descubierto en la etapa anterior que hay un grupo de personas en el hogar y la red WLAN detecta un nuevo dispositivo conectado que además estaba previamente registrado, el sistema deduce que alguien del grupo es miembro de la familia. Si la red WLAN no detecta ningún dispositivo nuevo conectado, el sistema determina que alguien del grupo no es miembro de la familia o puede serlo pero no lleva el móvil encima; si además no se encuentra el dispositivo previamente registrado, se concluye que alguien del grupo es ajeno a la familia.

Etapa para descubrir la edad y género de las personas extrañas en el hogar:

Cuando en la etapa anterior del mapa de inferencia se ha determinado que hay un grupo de personas en el hogar donde alguna es ajena a la familia, el sistema es capaz de distinguir si esa persona ajena es un niño o un adulto usando técnicas de reconocimiento de edad y determinar si la persona (niño o adulto) que está en el grupo (acompañada) ajena a la familia es hombre o mujer, mediante técnicas de clasificación de género como las de la Tabla 1 anterior.

Etapa para descubrir qué personas de la familia hay en el hogar:

Cuando en la etapa anterior de descubrimiento de miembros de la familia en el hogar se ha determinado que alguien del grupo es del núcleo familiar, usando técnicas de reconocimiento de edad y de clasificación de género como se ha mencionado anteriormente, el sistema es capaz de distinguir si la persona de la familia que está en el grupo es un niño (y, por tanto, según su género, por ejemplo, concluir si es el hijo o la hija) o un adulto (hombre o mujer, el marido o la esposa) que, por tanto, está en el hogar acompañado.

Etapa para descubrir qué persona de la familia está sin compañía en el hogar:

Cuando en la etapa anterior de descubrimiento de miembros de la familia en el hogar se ha determinado que hay una sola persona en el hogar, las técnicas de clasificación de género y de reconocimiento de edad discriminando entre mayores de 18 años o menores permiten al sistema igualmente distinguir si la persona que está sola es un niño (el hijo o la hija) o un adulto (el marido o la esposa) o, si es mayor de cierta edad (por ejemplo, usando un segundo rango de discriminación establecido en 70 años), determinar si una persona mayor de la familia (por ejemplo, el abuelo o la abuela) es quien está en el hogar sin compañía.

Etapa para descubrir qué persona ajena a la familia está sola en el hogar:

De forma similar, el sistema usa las técnicas de clasificación de género y de reconocimiento de edad discriminando entre mayores de 18 años o menores, para determinar si es un niño o niña o un adulto hombre o mujer la persona que, en la etapa anterior de descubrimiento de miembros de la familia en el hogar, se ha concluido que está sola sin ser de la familia.

La Figura 5 muestra finalmente en forma de matriz, partiendo de la vertiente o cuestión lógica de Quién, la relación entre eventos base que se han descubierto mediante las técnicas de predicción y las sentencias lógicas no triviales inferidas en relación al entorno del hogar descrito. La matriz en el ejemplo mostrado tiene los siguientes eventos detectados como base dispuestos en columnas de la matriz de relación y las siguientes sentencias lógicas en filas:

Evento e1 : Hay un menor varón ajeno a la familia en casa acompañado

Evento e2: Hay una menor ajena a la familia en casa acompañada

Evento e3: Hay un hombre adulto ajeno a la familia en casa acompañado

Evento e4: Hay una mujer adulta ajena a la familia en casa acompañada

Evento e5: Mi hijo está en casa acompañado

Evento e6: Mi hija está en casa acompañada

Evento e7: Mi marido está en casa acompañado

Evento e8: Mi mujer está en casa acompañada

Sentencia s1: Mis hijos están solos en casa

Sentencia s2: Madre está en casa con adultos ajenos a la familia

Sentencia s3: Padre está en casa con adultos ajenos a la familia

Sentencia s4: Mi hijo está en casa con menores ajenos a la familia

Sentencia s5: Mi hijo está en casa con un menor ajeno a la familia Sentencia s6: Mi hijo está en casa con una menor ajena a la familia Sentencia s7: Mi hija está en casa con menores ajenos a la familia Sentencia s8: Mi hija está en casa con un menor ajeno a la familia Sentencia s9: Mi hija está en casa con una menor ajena a la familia Sentencia s10: Hay una mujer adulta en casa ajena a la familia con mis hijos

Sentencia s11 : Hay una mujer adulta en casa ajena a la familia con mi hijo

Sentencia s12: Hay una mujer adulta en casa ajena a la familia con mi hija

Sentencia s13: Hay un hombre adulto en casa ajeno a la familia con mis hijos

Sentencia s14: Hay un hombre adulto en casa ajeno a la familia con mi hijo

Sentencia s15: Hay un hombre adulto en casa ajeno a la familia con mi hija

Sentencia s16: Madre e hijos están solos en casa

Sentencia s17: Madre e hijo están solos en casa Sentencia s18: Madre e hija están solas en casa Sentencia s19: Padre e hijos están solos en casa Sentencia s20: Padre e hijo están solos en casa Sentencia s21 : Padre e hija están solos en casa Sentencia s22: Padre y Madre están solos en casa

El resto de las vertientes del árbol o mapa de inferencia, vertientes de las cuestiones iniciales de Dónde, Qué y Cómo, se construyen de forma similar a lo explicado para vertiente del Quién. Y con todo, usando el contexto de los dispositivos, la detección de los objetos inferidos y un modelo supervisado, por ejemplo, se establecen los elementos de entendimiento o “insights” de los siguientes lugares del hogar: garaje, puerta principal de la casa, salón, sala de estar, cocina y jardín.

La asociación de los “insights”, obtenidos a través de los distintos procesos de inferencia, proporcionada por la tercera capa 130 del modelo de capas de la Pila de Descubrimiento descrito anteriormente presenta numerosas ventajas diferenciales frente a las soluciones existentes en el entorno del hogar y que se muestras a continuación.

Información contextual dinámica en el entorno del hogar

La Pila de Descubrimiento, en cada nivel de inferencia, lanza una batería de modelos predictivos predeterminados basados en aprendizaje profundo (DL: Deep Learning, en inglés) que, combinados con una lógica adicional, permiten ir construyendo un contexto dinámico con información de los acontecimientos más relevantes sucedidos en el entorno en cuestión. La composición del contexto se alimenta de vectores de información de distinta naturaleza, proporcionando elementos de inferencia relacionados con el mundo físico y el mundo virtual. A parte de la generación de “insights” en tiempo real, el sistema presenta mecanismos de retroalimentación de información basado en el histórico del material inferido previamente.

El hogar como entidad autónoma

Toda esta capacidad contextual permite hablar del hogar como una entidad consciente que resuelve problemas no obvios, pudiendo anticiparse incluso a la propia acción del usuario. En concreto, aquí se enumeran algunas capacidades - a), b), c) y d)- que emergen inmediatamente aplicando el modelo de la invención: a) Notificaciones Inteligentes

El hogar se percibe de puertas hacia fuera como una entidad activa que abstrae de la necesidad de especificar el dispositivo o mecanismo de comunicación destino. Es decir, el hogar como entidad autónoma y consciente de su entorno es capaz de entregar el mensaje adecuado, a la persona adecuada, en el sitio o canal y en el momento adecuado. En otras palabras, ya no es necesario especificar como destino de la comunicación un número de teléfono, una dirección IP, un dominio o un dispositivo concreto, sólo sería necesario especificar un hogar determinado como receptor de la información. A partir de aquí, el hogar, conocedor de su entorno, selecciona el mecanismo idóneo para garantizar la entrega del mensaje y la atención del destinatario.

A modo de ejemplo, se detallan algunas situaciones donde la entrega de información a través de notificaciones se ve beneficiada por la capacidad de inferencia ofrecida por la solución. En concreto, se ubica al usuario titular de la línea telefónica en diferentes escenarios donde la entrega de la notificación debe articularse a través de distintos canales: 1) El titular de la línea está en el salón de su casa viendo la televisión. El móvil se está cargando en el dormitorio.

En una situación normal la notificación se entregaría al teléfono. Sin embargo, claramente el canal de entrega no es el adecuado ya que el titular vería el mensaje cuando volviera al dormitorio a recoger su teléfono. Pero si se aplica el modelo de capas de la invención, mediante una combinación sencilla de sentencias lógicas deducidas del entorno, que serían “mi marido está solo en casa” y “mi marido está en el salón”, junto con el estado de encendido/apagado del descodificador como parte de la lógica extraída del entorno, el sistema es capaz de habilitar la televisión como canal idóneo para realizar la entrega.

2) El titular de la línea se encuentra cocinando. Hay un dispositivo multimedia con una pantalla (“display”) habilitada (por ejemplo, una tableta, altavoz inteligente, asistente de hogar, etc, ...) instalado en la cocina. El móvil está en el dormitorio nuevamente cargándose. Están los hijos viendo la televisión en el salón.

En este caso, nuevamente la notificación siguiendo una solución convencional llegaría al teléfono. Y de la misma manera que en el caso anterior, el canal de entrega no sería el adecuado al no llegar la información al receptor final en el momento preciso, si no al terminal móvil.

Este escenario resultaría a priori más complicado de resolver puesto que hay varios individuos en diferentes escenas. No obstante, la capacidad de escala de la solución permite extraer inferencias concretas de las dos escenas que plantea el caso de uso:

2.1) Escena del salón

Mediante la combinación de las sentencias lógicas inferidas por el motor de análisis, el sistema a la conclusión de que son “Mis hijos” quienes están viendo la TV. Según se explicó anteriormente, usando el detector de presencia de personas, clasificadores de edad y de género, y la información de los dispositivos móviles registrados y conectados en la WLAN, el sistema llega a que hay un menor y una menor, que son miembros de la familia, por tanto, el hijo y la hija, en el hogar y están acompañados por un adulto. Se detecta además que están en el salón y se tiene el estado de encendido/apagado del descodificador, con lo que el sistema infiere finalmente que “mis hijos están en el salón viendo la TV”,

Por tanto, atendiendo a la especificación de la notificación (el destinatario final es el titular de la línea), en este caso la televisión no es considerado un canal válido para entregar la información.

2.2) Escena de la cocina

Por otro lado, de forma similar el sistema llega a la conclusión de que “Mi padre” (el titular de la línea en este ejemplo) se encuentra en la cocina realizando una actividad determinada (por ejemplo, se determina que está preparando la comida por el estado de encendido/apagado de la cocina), partiendo del evento base de que “mi marido está en casa acompañado”. En este caso el dispositivo ubicado en la cocina es, por tanto, seleccionado por el Hogar como canal de entrega del mensaje. ) El titular de la línea se encuentra fuera del hogar

Este caso probablemente es el más sencillo de resolver, porque la pregunta o cuestión inicial es si existe o no presencia humana en el hogar y, utilizando la capacidad de inferencia del sistema, el nodo del árbol proporciona esta información según lo recibido por los detectores de presencia del hogar. Como resultado, el mensaje, esta vez sí, es entregado al terminal móvil del titular de la línea (se notifica en primera instancia al terminal móvil porque es la opción de entrega adecuada y no la opción por defecto, como en los dos casos anteriores). b) Autenticación a nivel de Hogar

En general, los procesos de autenticación suelen moverse entre dos líneas rojas: una relacionada con utilidad del método para el usuario y la otra relacionada con la intrusión del algoritmo de identificación. El valor diferencial que introduce el hogar como entidad autónoma se resume en dos cosas: i. el hogar no necesita molestar al usuario con un proceso de autenticación que implique acción alguna por su parte, ya que dispone de suficiente información contextual del entorno como para reconocer en cada momento los roles que están participando en la escena y qué acción se pretende completar.

¡i. el hogar no necesita conocer datos sensibles del usuario (por ejemplo, datos biométricos). Nuevamente le vale con conocer la huella contextual que el usuario deja a diario sobre el entorno del hogar.

En concreto, el hogar necesita resolver un problema más simple que el de la autenticación biométrica, donde únicamente necesita ubicar a cada individuo en el anillo de pertenencia al núcleo familiar adecuado. En términos de interacción con el hogar, no es lo mismo un invitado, que el titular de la línea o que un intruso, de la misma manera que no es lo mismo un niño pequeño, que un adulto o que una persona en edad avanzada. Para ello, el motor de inferencia recorre un árbol de decisión respondiendo a una serie de preguntas clave con información recogida del entorno a través del conjunto de técnicas de DL.

La Figura 6 muestra un ejemplo de cómo se realiza la autenticación del titular de la línea (suponiendo que es el padre quien está ostentando este rol), apoyándose en una matriz de relación, similar a la de la Figura 5, para encontrar las sentencias lógicas que dan paso a esta autenticación desatendida a nivel de hogar:

Sentencia s19: Padre e hijos están solos en casa

Sentencia s20: Padre e hijo están solos en casa

Sentencia s21 : Padre e hija están solos en casa

Sentencia s22: Padre y Madre están solos en casa Sentencia s3: Padre está en casa con adultos ajenos a la familia en base a los siguientes eventos:

Evento e5: Mi hijo está en casa acompañado

Evento e6: Mi hija está en casa acompañada

Evento e7: Mi marido está en casa acompañado

Evento e8: Mi mujer está en casa acompañada

Evento e9: Hay un hombre adulto en casa ajeno a la familia y acompañado Evento e10: Hay una mujer adulta en casa ajena a la familia y acompañada Evento e11 : Mi marido está en casa solo

La autenticación de otros miembros o actores del entorno del hogar se puede obtener de forma similar. c) Control Parental a nivel de Hogar

En esta ocasión el valor diferencial reside justamente en que el hogar como entidad autónoma es capaz de crear un control parental a nivel holístico, tomando decisiones conjuntas sobre el plano físico (por ejemplo, bloqueando electrodomésticos potencialmente peligrosos para un niño) y el plano virtual (deshabilitando ciertas actividades de juego o consumo excesivo de contenido). Todo ello aprovechando la información contextual recabada del entorno donde la aplicación de determinados perfiles se realiza ad-hoc a la escena en cuestión en tiempo real y sin necesidad de configuraciones predeterminadas. Todo esto supone una mejora sustancial frente al panorama actual donde cada servicio contratado en el hogar tiene su propio control parental. En concreto, la Figura 7 muestra cómo encontrar las condiciones que propician una activación del control parental a nivel de hogar en el sistema, es decir, todos aquellos escenarios en los que la casa perciba a menores sin presencia de adultos:

Evento e5: Mi hijo está en casa acompañado

Evento e6: Mi hija está en casa acompañada

Evento e12: Mi hijo está en casa solo

Evento e13: Mi hija está en casa sola para concluir si

Sentencia s1: Mis hijos están solos en casa d) Fluidez en la experiencia

Hoy en día, debido a la segmentación de dispositivos y servicios en el hogar, todas las experiencias que percibe el usuario tienen un carácter aislado y generalista, y por supuesto, interrumpido por otro tipo de estímulos accesorios que luchan sin cuartel por la atención del usuario. El hogar como entidad autónoma permite organizar, sincronizar y cambiar la atención del usuario a diferentes estados de una manera suave y fluida. Dichos estados no luchan entre sí, sino que se complementan y adecúan a los intereses verdaderos del usuario del hogar. La información contextual de la que hace uso el Hogar como entidad autónoma permite salvaguardar la privacidad del usuario, el ritmo de consumo de información y la adecuación del entorno a las circunstancias concretas del momento. Se describen aquí unos ejemplos -d1) y d2)- concretos: d.1) Anillos de privacidad en el entorno del hogar

Este caso de uso refleja claramente cómo el hogar, aplicando el nivel de privacidad adecuado, es capaz de modular la información que proyecta al entorno en función de quién se encuentra en escena. De esta manera se distinguen tres niveles de privacidad en función del nivel de pertenencia al núcleo familiar:

(a) Escena privada: un único miembro perteneciente al núcleo familiar se encuentra solo en casa.

(b) Escena familiar: vahos miembros pertenecientes al núcleo familiar se encuentran en la escena.

(c) Escena pública: a parte de algún miembro perteneciente al núcleo familiar se encuentra en escena una persona ajena al núcleo familiar.

En este caso el motor de inferencia llega a una serie de conclusiones reflejadas en el mapa de la Figura 8, donde se asocia el comportamiento del hogar con un anillo de privacidad dependiendo del nivel de pertenencia al núcleo familiar de los componentes en escena. En el ejemplo de mapa de inferencia se parte de dos eventos básicos: e81 : “hay un grupo de vahas personas en el hogar” e82: “hay una sola persona en el hogar” La cuestión lógica que se plantea es si alguien pertenece al núcleo familiar: c1 : “¿hay alguien de la familia en el grupo?” c2: “¿la persona es miembro de la familia?”

En el hogar hay una red de comunicaciones de área local inalámbrica WLAN familiar y otra WLAN de invitados, WLAN_GUEST. El sistema obtiene de esas redes información sobre si: n1 : hay algún dispositivo nuevo conectado en la red WLAN familiar n2: hay algún dispositivo nuevo conectado en la red WLAN_GUEST n3: no hay ningún dispositivo nuevo conectado en la red WLAN familiar

Así, el sistema es capaz de inferir las siguientes sentencias mostradas en el mapa:

S81: Alguna persona del grupo es ajena al núcleo familiar o no lleva el móvil encima

S82: Alguna persona del grupo lleva el móvil encima y está conectada a la red WLAN_GUEST

S83: Alguna persona del grupo lleva el móvil encima y está conectada a la red WLAN familiar

S84: Hay una sola persona en el hogar, lleva el móvil encima y está conectada a la red WLAN familiar

S85: Hay una sola persona en el hogar, lleva el móvil encima y está conectada a la red WLAN_GUEST

S86: Hay una persona sola en el hogar y no lleva el móvil encima

En el siguiente nivel, el sistema obtiene información más depurada, descubriendo si: d1 : el dispositivo inalámbrico conectado estaba previamente registrado d2: no se detecta dispositivo inalámbrico previamente registrado

Así, el sistema es capaz de hacer inferencias más allá de las anteriores sentencias, como se muestran en el nivel superior del mapa:

S811 : Alguna persona del grupo es ajena al núcleo familiar S821 : Alguna persona del grupo es invitada

S831 : Alguna persona del grupo pertenece al núcleo familiar

S812: Hay una persona sola en el hogar que es ajena al núcleo familiar

S822: Hay una persona sola en el hogar que es invitada

S833: Hay una persona sola en el hogar y pertenece al núcleo familiar

Para visualizar este caso de uso, se toma por ejemplo como actuador un servicio de la Nube (“cloud”) que muestra contenido multimedia a través de una pantalla (Tableta, TV, ...). En este caso el hogar es capaz de articular la interfaz de programación de aplicaciones (API) de la Nube, mostrando únicamente contenidos adecuados en función del anillo de privacidad reportado por el motor de inferencia. Esto sin duda proporciona un valor diferencial al servicio de “cloud” que aprovecha los anillos de privacidad en el hogar para dotar de privacidad a la entrega de contenidos. d.2) El Hogar como extensión de memoria

Actualmente se da un crecimiento progresivo del número de transacciones en las relaciones diarias. Esto conlleva indudablemente un deterioro en la capacidad de memorización de tareas y compromisos que finalmente quedan sin ejecutarse en el momento oportuno por una falta latente de atención, priorización o tiempo. Aquí es donde el hogar como entidad autónoma aprovecha su información contextual para recordar todas esas tareas relevantes que quedan sin hacer a sus usuarios. Y precisamente, por su capacidad para identificarlas como parte de su comprensión del entorno, el sistema es capaz de informar al usuario en el momento máximo de atención o incluso de operar autónomamente la acción adecuada para asegurar su consecución. Para visualizar esta capacidad del Hogar vamos a plantear algunos casos de uso:

• El Hogar recuerda regar las plantas

Aplicando técnicas de asociación de información el sistema es capaz de inferir qué acción/es se están llevando a cabo en el entorno acotado (el Hogar). En concreto, aplicando técnicas basadas en Reconocimiento de Activitidad Humana, Comprensión de la Escena y una marca de tiempo, el sistema es capaz de clasificar las actividades del día a día y ordenarlas en una línea de tiempos. Posteriormente, un modelo basado en series temporales puede llegar a predecir que todas las tardes, por ejemplo a las 20:15 horas, el titular de la línea riega las plantas del jardín. Por tanto, si no se detecta la actividad en cuestión cuando llega la hora, se notifica al usuario adecuado que las plantas no se han regado hoy. Un ejemplo de la lógica seguida es: del evento “Padre está solo en casa” se infiere que “Padre está solo en el jardín” pero, a las 20:15 horas, no se detecta en el jardín la actividad “regar las plantas” y, por tanto, hay que enviar recordatorio a “Padre” (titular de la línea).

• El Hogar recuerda a mis hijos hacer los deberes

De la misma manera y aplicando técnicas similares, el sistema puede identificar el horario de trabajo habitual de los más pequeños del hogar y recordarles que es hora de hacer la tarea. Así mismo también se podría mandar una notificación a los padres en caso de que no se estén realizando las tareas del colegio. Un ejemplo de la lógica seguida es: del evento “Mis hijos están solos en casa” se infiere que “Mis hijos están solos en el salón” pero, cuando llega la hora de hacer la tarea, no se detecta en el salón la actividad “leer/estudiar” y, por tanto, hay que enviar recordatorio a “Hijos” o “Madre” o “Padre” (titular de la línea).

• El Hogar recuerda a una persona mayor tomar la medicación

En la misma línea, el motor de inferencia reconocería a una persona mayor (abuelo/a) que toma un medicamento regularmente a una hora. El día que no se encuentra registro de esta actividad a esa hora, el Hogar envía una notificación a esta persona (abuelo/a) recordándole la toma del medicamento.

Los propósitos de esta propuesta es la creación de: una verdadera solución para que el usuario perciba el valor de sus datos y como éstos gestionados de forma adecuada le devuelven un valor sustancial; nuevos modelos de negocio basados en la conciencia (“Awareness”, en inglés) de acontecimientos; nuevas formas de construir experiencias diferenciadoras en el ámbito del hogar; nuevo valor entorno a productos y servicios de proveedores, los cuales ven potenciado y amplificado su ámbito de actuación aprovechando la base de capacidades que ofrece el hogar como una nueva entidad proactiva.