El mercado de productos de consumo en las sociedades avanzadas es un mercado de oferta. La abundancia de diferentes tipos de un mismo producto con similares funcionalidades y características, provoca que el usuario tome su decisión final de compra y establezca sus preferencias, por uno u otro, en base a los atributos no funcionales de los objetos. Colores, formas, texturas o imagen de marca determinan, entonces, el éxito o el fracaso del producto.^1-2

Durante la etapa de diseño, el diseñador cuenta con herramientas que le permiten validar la funcionalidad del futuro producto. La Ingeniería Asistida por Ordenador determinará si el objeto soportará las cargas a las que se le someterá en su utilización, si las cadenas cinemáticas actuarán convenientemente y transmitirán los movimientos a los subsistemas adecuados, o si el objeto y el usuario interactuarán correctamente desde el punto de vista ergonómico. En general, estas herramientas se basan en la creación de modelos del producto y en modelos de la morfología del usuario. Sin embargo, los modelos de usuario son incompletos. Estos usuarios artificiales difícilmente son capaces de predecir, en etapas tempranas del proceso de diseño, cómo será percibido el producto en base a sus atributos no funcionales.

Un gran avance en este sentido ha sido la ingeniería Kansei,³ que trata de establecer la relación entre los atributos del producto y la manera cómo el usuario los percibe. El éxito de las técnicas englobadas mediante este epígrafe, aunque relevante en el nivel teórico, se encuentra con dificultades en la praxis. En la mayor parte de las técnicas empleadas existe un elevado intervencionismo del diseñador, que introduce «ruido» en el sistema debido, por ejemplo, a la necesidad de «interpretar» lo que el usuario percibe a través de las expresiones que emplea para manifestarlo. O como en el caso de las técnicas de carácter semántico, a la generación de una forma un tanto discrecional de conceptos o ejes semánticos para delimitar la percepción. Por otra parte, en las herramientas derivadas de estas técnicas tanto las entradas como las salidas deben ser, de nuevo, interpretadas lo que puede restar operatividad a su aplicación.

Parece manifestarse la necesidad de un usuario artificial de carácter aséptico, que deje poco espacio a la interpretación de los resultados y que requiera una mínima intervención del diseñador. Un modelo que permita determinar cómo valorará un usuario un producto a partir de los atributos no funcionales del mismo. O a la inversa, determinar los atributos del producto que harán que el usuario lo perciba de cierta forma. Puede entenderse que la tarea es ardua debido a la complejidad de las relaciones atributos-percepción, y a que éstas se hallan afectadas por multitud de factores externos al sistema usuario-producto. Sin embargo, el desarrollo en los últimos años de técnicas englobadas en lo que genéricamente se denomina «Inteligencia Artificial», ha abierto un camino sobre el que se están dando los primeros pasos. De entre estas técnicas, las redes neuronales artificiales son especialmente prometedoras. Desde que en 1957, Frank Rosenblatt desarrollara la red Perceptrón hasta nuestros días, estos sistemas de procesamiento paralelo, inspirados en los esquemas de funcionamiento cerebrales, han aumentado paulatinamente su capacidad para tratar e interpretar información de carácter difuso o inconsistente. Precisamente esta característica y su capacidad para aprender (en contraposición a los sistemas secuenciales), las convierten en el instrumento idóneo para generar usuarios artificiales y, de hecho, ya existen aplicaciones de las redes neuronales en este ámbito.^4-5

Un marco lógico para la modelización de la percepción del usuario de productos industriales mediante redes neuronales

El trabajo desarrollado en el seno del Departamento de Proyectos de Ingeniería de la Universidad Politécnica de Valencia sobre la generación de modelos de usuario empleando redes neuronales (y en menor medida algoritmos genéticos), ha ofrecido resultados prometedores. Para la consecución de dichos resultados se hizo necesario el establecimiento de un marco lógico que guiara el desarrollo de los modelos neuronales. Este marco lógico parte de diferenciar lo que conocemos del proceso de valoración del producto de aquello que únicamente intuimos. Sabemos que el producto, dejando de lado su funcionalidad, posee una serie de atributos que pueden caracterizarse en diferentes niveles. Así el atributo «color» puede adoptar el nivel «rojo», «verde», «naranja», etc. El número de atributos y de niveles del atributo que resultan relevantes en la opinión del usuario se considerará no determinable a priori. Sabemos que a los sentidos del usuario llega la información correspondiente a dichos atributos, y que es de esta información de la que se obtendrá la respuesta del usuario. Sabemos que el usuario, preguntado al respecto, emitirá un juicio basado en la valoración que realice sobre el producto. Evidentemente, para poder emitir la valoración es necesario haber establecido qué se quiere juzgar y la escala que se va a emplear. Hasta aquí, lo que sabemos a ciencia cierta. El proceso mental que tiene lugar en el usuario desde que recibe la información a través de los sentidos hasta que emite su juicio entra en el ámbito de las hipótesis. Así pues, lo que hemos obtenido es una «caja negra» a la que llegan una serie de entradas (niveles de atributo) y de la que se obtiene una salida (valoración).

Un sistema como el descrito es modelizable mediante una red neuronal. La red recibirá las entradas y producirá unas salidas. Tras un proceso de aprendizaje la estructura topológica de la red establecerá las relaciones entre las entradas y las salidas a través de la asignación de pesos a las diferentes conexiones sinápticas, es decir, habrá modelizado el proceso mental del usuario. Sin embargo, la capacidad de aprendizaje de la red neuronal dependerá, en gran medida, de la topología y tipo de red escogido y de un tratamiento adecuado de la información. Así pues, este modelo básico necesita un cierto refinamiento, y para ello es necesario entrar en al campo de las hipótesis.

Una vez que la información llega a los sentidos, ésta se trata de manera diferente en cada usuario. Parece lógico pensar que existen una serie de condicionantes particulares que afectan a la sensación que esa información produce. Por ejemplo, podría hablarse de condicionantes de tipo fisiológico: la capacidad de los sentidos para percibir los detalles, o la educación de los mismos en la percepción de determinados atributos; de tipo psicológico: el estado de ánimo del observador; de tipo físico: el entorno y el medio de presentación del producto; o de tipo social: educación, bagaje cultural o adscripción social. Por otra parte, la información llegada a través de los sentidos debe ser preprocesada y filtrada antes de generar la sensación. No todos los atributos del producto tendrán la misma relevancia, e incluso alguna información no influirá en absoluto. Yendo más allá, la información puede combinarse para dar lugar a atributos combinados que pueden ser determinantes en la sensación. Podemos hablar de una integración de los datos que añade, a la recibida por los sentidos, información global sobre el producto. Si el todo es más que la suma de sus partes, es en esta etapa donde se generaría información sobre el todo.

Una vez que se produce la sensación a partir de esta información preprocesada comienza el proceso de percepción. Planteemos la percepción como el proceso por el que, a partir de la sensación, se realiza una valoración del producto, en aquel aspecto que se le pide al usuario que juzgue. Por supuesto, la percepción producirá otro tipo de respuestas de tipo emocional o fisiológico, pero en este caso la investigación se centró en la valoración. Supongamos que al usuario se le pide que valore en una escala Likert de cinco niveles algo tan genérico como cuánto le gusta el producto observado. Podemos partir de la hipótesis de que, para realizar esta valoración, el usuario, en su proceso perceptual, realiza una serie de valoraciones paralelas. Así, asignaría al producto un valor de uso: ¿cuánto cubre el producto mis necesidades?; un valor de posesión: ¿cuánto deseo poseer el producto?; o un valor estético: ¿en qué medida los niveles de los diferentes atributos se ajustan a mis preferencias? Finalmente, mediante una ponderación de las diferentes valoraciones emitiría el juicio solicitado.

Traslademos ahora estas hipótesis al marco lógico. En primer lugar, se ha establecido que existen condicionantes particulares que provocan que la sensación producida a partir de la información llegada a través de los sentidos difiera de un usuario a otro. Parece lógico, por lo tanto, que el modelo que se genere sea válido para un único usuario. Así, al entrenar la red con los datos recogidos de un usuario particular, la propia estructura de la red neuronal será capaz de modelizar las particularidades físicas, psicológicas y fisiológicas del mismo, dado que dicha información está implícita en las respuestas dadas por el usuario. Comprobaremos posteriormente que esto que en principio parece una limitación del modelo no lo es en realidad.

Por otra parte, se ha establecido que la información correspondiente a los atributos del producto debe ser filtrada antes de producir la sensación. Esta tarea puede encomendarse a un algoritmo genético,⁶ que determinará qué atributos y niveles de atributo resultan relevantes antes de proporcionar la información de entrada a la red neuronal. La red neuronal se hará constar de dos módulos en serie. El primer módulo se encarga del preprocesamiento de la información antes mencionado. Para ello se empleará una red de aprendizaje no supervisado que, a partir de las entradas, genere salidas con información significativa. La información de salida de este primer módulo es lo que se ha denominado sensación. El segundo módulo recogerá las salidas del primer módulo y emitirá la valoración, es decir, este módulo modelizará la percepción. Para ello, y dado que se ha establecido que en esta etapa se llevan a cabo diversas valoraciones paralelas, se considera conveniente el empleo de una red neuronal modular. Este tipo de redes procesan sus entradas empleando varias redes Perceptrón multicapa en paralelo, combinando finalmente sus resultados. De esta forma se tiende a crear cierta especialización de cada una de las subredes en la emisión de un tipo de valoración.

En resumen el marco lógico quedaría como sigue:

· La información del producto es sometida a un proceso de filtrado eliminando aquella que resulte superflua; tarea encomendada en el modelo a un algoritmo genético.
· La información filtrada es preprocesada para obtener información de calidad relevante para el usuario, generando lo que hemos denominado sensación, proceso modelizado mediante una red neuronal de aprendizaje no supervisado.
· Esta sensación es la información de entrada en la etapa perceptiva del proceso, en la que, tras una serie de valoraciones paralelas, se realiza una valoración global y se emite un juicio. En el modelo, esta etapa es realizada por varias redes multicapa en paralelo que suman sus salidas.
· Los condicionantes, tanto inherentes al usuario como los de carácter exógeno, que provocan que la valoración sea particular y característica de cada usuario, quedan modelizados en la propia estructura del modelo, que aprende únicamente de la información proveniente del usuario objeto de modelización.

Del usuario artificial al mercado artificial

Evidentemente, la utilidad de un modelo artificial de un único usuario es pequeña para el diseñador de productos. Salvo excepciones, el diseño debe dirigirse al mercado, tratando de que la percepción asociada al producto sea satisfactoria para la mayor parte del mismo. En general, los trabajos realizados hasta la fecha en la obtención de modelos de usuario mediante redes neuronales han seguido este camino. Se escoge a un grupo de usuarios como muestra del mercado, se les pide que valoren determinado aspecto de un grupo de productos, y se entrena a una red neuronal empleando como entradas los atributos del producto y como salidas la media de las respuestas de los usuarios. Así pues, lo que se está modelizando es cuál será la respuesta media de los usuarios. Si partimos de la premisa de que podemos modelizar la relación entre los atributos del producto y cómo lo valora el usuario, porque éste lleva a cabo un proceso perceptivo lógico, no es coherente emplear como datos de entrenamiento las respuestas medias de los usuarios. Este procedimiento implica aventurar que existe un proceso perceptivo global del mercado que la red debe modelizar.

El problema de la individualidad del modelo puede salvarse mediante un muestreo adecuado del mercado. Aunque los procesos perceptivos varían de usuario a usuario es posible agruparlos en función de sus valoraciones del producto mediante procedimientos de clustering, obteniendo un grupo de usuarios representativos de cada uno de los clusters. De esta forma es factible obtener un modelo artificial del mercado modelizando a cada uno de estos usuarios y ponderando su aportación al modelo global, en función del tamaño de grupo al que representan. Como en cualquier otro ámbito, el tamaño de la muestra de usuarios influirá en la exactitud del modelo.

Primeros resultados

La aplicación práctica del marco lógico antes descrito a la generación de modelos de usuario artificiales ha ofrecido resultados satisfactorios. Tras las etapas previas de definición de la topología de las redes neuronales y parametrización del proceso, ha sido posible generar modelos que sean capaces de predecir la respuesta de los usuarios con elevada fiabilidad. En los casos en los que los modelos no predicen correctamente la valoración, ofrecen respuestas muy similares, aunque no exactas, a las del observador.

Por otra parte, es destacable la robustez de los modelos. La misma topología definida para la red neuronal ha servido para modelizar a todos los usuarios con los que se ha experimentado, debiendo únicamente entrenar a la red con los datos correspondientes a cada uno. En este último aspecto hay que remarcar una excepción. Aunque la topología de la red Perceptrón en paralelo que modeliza la percepción de los usuarios ha sido común para todos ellos, no ha ocurrido lo mismo con la red de aprendizaje no supervisado que modeliza la sensación. En este caso se ha debido variar la topología en función de si el usuario modelizado era hombre o mujer. Los usuarios de género femenino debieron ser modelizados con redes de topología más compleja en esta etapa.

El número de experimentos realizado es aún pequeño pero, a priori, parecen validarse las hipótesis planteadas en la generación del marco lógico. El hecho de que la misma topología de la red encargada de la percepción sirva para modelizar a todos los usuarios podría indicar la similitud de los procesos mentales llevados a cabo en los usuarios para valorar el producto. Asimismo, las diferencias detectadas en la etapa de obtención de la sensación podrían interpretarse como diferencias en los procesos de aprehensión de la información. No obstante, el hecho de que estas diferencias se den entre hombres y mujeres podría deberse a que en los productos empleados en los ensayos existen diferencias debidas al género. Es decir, existen productos dirigidos a hombres y otros dirigidos a mujeres, diferenciándose en determinados atributos.

En definitiva, y antes de obtener conclusiones válidas, es necesario profundizar más en la aplicación práctica del marco lógico descrito llevando a cabo una experimentación más profusa. No obstante, los primeros resultados obtenidos hacen presumir que la generación de usuarios artificiales es algo cada día más cercano.

Bibliografía
¹Crilly, N.; Moultrie, J. y Clarkson, P.J.: «Seeing things: consumer response to the visual domain in product design», Design Studies 2004; 25: 547-577.
²Holbrook, M.B.: «Emotion in the consumption experience: Toward a new model of the human consumer», in: Peterson R.A., Hoyer W.D. & Wilson W.R. (Eds.), The role of affect in consumer behaviour: Emerging theories and applications. Lexington, MA: Heath, 1985. <
³Nagamachi, M.: «An image technology expert system and its application to design consultation», International Journal of Human-Computer Interaction 1991; 3 (3): 267-279.
⁴Hsiao, S.W. y Huang, H.C.: «A neural network based approach for product form design», Design Studies 2002; 23: 67-84.
⁵Yang-Cheng, L. y Hsin-Hsi, L.: «Design Optimization of Product Forms using Neural Networks: a case study of cellular phones», Proceedings of the ADC 2003; 6th Asian Design International Conference, Tsukuba, Japan
⁶Holland, J. H.: «Adaptation in natural and artificial systems», University of Michigan Press: Ann Arbor 1975.