Alexa en su PC


Si no quiere o no lo ve necesario comprar el altavoz inteligente con tecnología de Alexa, ¡no hay necesidad de estar triste! Es posible usar Alexa en su PC con Windows 11. Puede controlar sus dispositivos inteligentes, establecer recordatorios y hacer mucho más con Alexa ejecutándose en Windows 11.

En el mundo moderno como el actual, Alexa no necesita presentación. En caso de que vivieras bajo la roca, Alexa de Amazon es el asistente digital más inteligente que puedas tener para ayudarte a hacer las cosas. ¡Este asistente virtual basado en la nube viene con un altavoz inteligente y te permite hacer mucho! Puede reproducir música, recordarle las tareas, controlar de manera eficiente los dispositivos inteligentes en su hogar y ese no es el final.

La esencia de las aplicaciones de Alexa son las tareas que pueden realizar. Para pedirle a Alexa que realice estas tareas, debe tener su aplicación oficial. Alexa es capaz de realizar decenas de miles de tareas como pedir comida, jugar juegos, escuchar podcasts y más. Pero este asistente digital no siempre necesita un altavoz inteligente para funcionar. Con Windows 11 oficialmente compatible con las aplicaciones de Android, ahora también es posible operar la aplicación Alexa en su PC.

Alexa en PC con Windows 11

Cuando opere la aplicación Alexa desde su PC con Windows 11, puede encender o apagar las luces, encender los dispositivos inteligentes e incluso cambiar la iluminación de las bombillas inteligentes según su elección.

Si cree que descargar y configurar la aplicación Alexa en su PC con Windows 11 es una tarea complicada, está equivocado. Usar la aplicación Alexa en tu PC es pan comido. Entonces, sin mucho preámbulo, ¡veamos cómo hacer las cosas!

Cómo descargar y configurar Alexa en su PC con Windows 11

Debe descargar la aplicación Alexa de la tienda oficial de Microsoft en su PC con Windows 11. Luego tendrás que configurarlo usando tu cuenta de Amazon. Veamos cómo hacer estas tareas fácilmente:

En primer lugar, deberá iniciar el menú Inicio en su PC con Windows 11 y escribir ‘Microsoft Store’. Haga clic en la aplicación Microsoft Store en el resultado de búsqueda para abrirla.

Cuando esté en Microsoft Store, busque el cuadro de búsqueda. Ahora escriba Alexa aquí y presione la tecla Intro para iniciar la búsqueda.

Ahora verá la aplicación Alexa en el resultado de búsqueda. Verá un botón Obtener en el mosaico de Alexa. Presione el botón para comenzar a descargar la aplicación en su PC con Windows 11.

Espere a que se complete la descarga; puede tardar unos minutos dependiendo de su conexión a Internet. Cuando la aplicación Alexa se haya descargado e instalado, cierre Microsoft Store.

Ahora vuelve al menú Inicio y escribe Alexa en la barra de búsqueda. Haga clic en la aplicación Alexa en el resultado de búsqueda para iniciarla.

Presione el botón Comenzar y comience a configurar la aplicación Alexa.

Ahora verá la pantalla de inicio de sesión en la aplicación Alexa. Si tiene una cuenta de Amazon existente, ingrese su identificación de usuario y contraseña en el cuadro de texto. Si no tiene una cuenta, presione el botón ‘Crear una nueva cuenta’ y regístrese en Amazon.

Después de iniciar sesión con éxito en su cuenta, presione el botón ‘Aceptar y continuar’ que verá en la página ‘Términos y condiciones’.

Alexa en PC con Windows 11

Después de esto, se abrirá una nueva página. Aquí debe activar el interruptor de ‘Wake Word’ si desea utilizar la función ‘Alexa manos libres’. Cuando decide utilizar la función de manos libres de Alexa, puede convocar a Alexa diciendo una palabra de llamada.

Después de habilitar Alexa manos libres, presione el botón ‘Permitir’ a continuación para llegar al siguiente paso del proceso.

En el siguiente paso, obtendrá una opción para anclar la aplicación Alexa en la barra de tareas. Si desea hacerlo, marque la casilla de verificación ‘Pin aplicación en la barra de tareas’.

Finalmente, haga clic en el botón ‘Finalizar configuración’ para finalizar el proceso de configuración de Alexa.

Use la aplicación Alexa en su PC con Windows 11

Ahora que la aplicación Alexa está configurada en su PC con Windows 11, es hora de aprovecharla al máximo.

Cuando inicie la aplicación Alexa después de configurarla, verá que aparece una nota de bienvenida en la pantalla. Presione el botón ‘Comenzar’ debajo de él para ir a la siguiente pantalla.

A continuación, aparecerá una ventana emergente en su PC sobre las ‘Comunicaciones de Alexa’. Presione el botón Aceptar para pasar a la nueva página.

Presione el botón ‘Siguiente’ en la aplicación Alexa para habilitar el modo Mostrar. Esta característica convertirá su PC en una pantalla inteligente de pantalla completa. Si no desea habilitar el modo Mostrar, presione el ícono X que está presente en la esquina derecha.

Ahora, si ha habilitado el ‘Modo Mostrar’ en la pantalla anterior, verá la ‘Configuración del Modo Mostrar’ en la siguiente pantalla.

Presiona ‘Habilitar modo Show’ para acceder a la pantalla de inicio de la aplicación Alexa.

Si ha activado el modo de asistente virtual de manos libres de Alexa, debe decir la palabra ‘Alexa’ seguida del comando que ha especificado en la opción ‘Palabra de activación’.

En caso de que no haya configurado Alexa como modo de asistente virtual manos libres, haga clic en el icono de Alexa en la esquina izquierda y comience a hablar.

Si desea configurar una alarma o un recordatorio en su PC, diga algo como «Alexa, configura una alarma para mañana a las 10 AM». Del mismo modo, para configurar el recordatorio, diga «Alexa, recuérdame que compre comestibles hoy a las 10 p.m.». Cuando digas estas frases, Alexa configurará la alarma para dicha hora y te recordará a la hora exacta que has mencionado.

Para confirmar la acción, vaya a la pestaña de alarmas y recordatorios de la aplicación Alexa y verá las alarmas y recordatorios en la lista

Cómo modificar la configuración de Alexa en una PC con Windows 11

También es posible modificar la configuración en la aplicación Alexa según sus requisitos.

Si no está satisfecho con la configuración actual, vaya a la pestaña Configuración en el panel izquierdo de la aplicación Alexa.

Alexa en PC con Windows 11

Si quieres que Alexa funcione incluso sin desbloquear tu PC, ve a la sección ‘Alexa en PC’.

Sigue desplazándote y busca la categoría ‘Wake Word’. Ahora active el interruptor para la opción ‘Responder mientras está bloqueado’ presente en la esquina derecha.

También es posible habilitar/deshabilitar los sonidos en la aplicación Alexa. Para hacerlo, vaya a la pestaña Alexa en PC y luego vaya a la sección ‘Sonidos de aplicaciones’.

Ahora mueva el interruptor al lado a la posición de apagado. Si desea deshabilitar ambos sonidos, el anterior y el posterior a la solicitud de Alexa, marque la casilla de verificación de ambas opciones que ve aquí.

Si desea activar la función ‘Drop In’ en su PC con Windows 11, vaya a la categoría de comunicación en la pestaña Configuración. Ahora encienda la palanca para el futuro de Drop-In.

Finalmente, si desea cerrar sesión en la aplicación Alexa o desea usar la aplicación con cualquier otra cuenta de Amazon, siga desplazándose hacia abajo hasta llegar a la pestaña ‘Cuenta de Amazon’.

Ahora haga clic en el botón ‘Cerrar sesión’ presente aquí para cerrar la sesión de la cuenta actual.

Conclusión

¡Eso es practicamente todo! Así es como puede usar la aplicación Alexa en su PC con Windows 11. Como puede ver, instalar y configurar la aplicación Alexa en su PC es bastante sencillo. Con esto, despidiéndose.

Que es la puntuación F1


La puntuación F, también llamada puntuación F1, es una medida de la precisión de un modelo en un conjunto de datos. Se utiliza para evaluar los sistemas de clasificación binaria, que clasifican los ejemplos en ‘positivos’ o ‘negativos’.El puntaje F es una forma de combinar la precisión y la recuperación del modelo, y se define como la media armónica de la precisión y la recuperación del modelo usandose comúnmente para evaluar los sistemas de recuperación de información, como los motores de búsqueda, y también para muchos tipos de modelos de aprendizaje automático , en particular en el procesamiento del lenguaje natural .

Es posible ajustar la puntuación F para dar más importancia a la precisión que a la recuperación, o viceversa. Los puntajes F ajustados comunes son el puntaje F0.5 y el puntaje F2, así como el puntaje F1 estándar.

Precisión se refiere a la dispersión del conjunto de valores obtenidos de mediciones repetidas de una magnitud. Cuanto menor es la dispersión mayor la precisión. Una medida común de la variabilidad es la desviación estándar de las mediciones y la precisión se puede estimar como una función de ella. Es importante resaltar que la automatización de diferentes pruebas o técnicas puede producir un aumento de la precisión. Esto se debe a que con dicha automatización, lo que logramos es una disminución de los errores manuales o su corrección inmediata. No hay que confundir resolución con precisión.

Exactitud se refiere a cuán cerca del valor real se encuentra el valor medido. En términos estadísticos, la exactitud está relacionada con el sesgo de una estimación. Cuanto menor es el sesgo más exacta es una estimación. Cuando se expresa la exactitud de un resultado, se expresa mediante el error absoluto que es la diferencia entre el valor experimental y el valor verdadero.

Fórmulas

La exactitud (accuaracy en ingles) se utiliza también como una medida estadística de que tan bien una prueba de clasificación binaria identifica correctamente o excluye una condición.

Esto es, la exactitud es la proporción de resultados verdaderos (tanto verdaderos positivos (VP) como verdaderos negativos (VN)) entre el número total de casos examinados (verdaderos positivos, falsos positivos, verdaderos negativos, falsos negativos).

​ Para dejar en claro el contexto por la semántica, a menudo se refiere como «exactitud Rand» or «índice Rand».

Es un parámetro de la prueba

{\displaystyle {\text{exactitud}}={\frac {{\text{VP}}+{\text{VN}}}{{\text{VP}}+{\text{FP}}+{\text{FN}}+{\text{VN}}}}}

Una exactitud del 100% significa que los valores medidos son exactamente los mismos que los dados.

Por otro lado, la precisión o valor predictivo positivo se define como la proporción de verdaderos positivos contra todos los resultados positivos (tanto verdaderos positivos, como falsos positivos)

{\displaystyle {\text{precisión}}={\frac {\text{VP}}{{\text{VP}}+{\text{FP}}}}}

La fórmula para la puntuación F1 estándar es la media armónica de la precisión y la recuperación. Un modelo perfecto tiene una puntuación F de 1.

Explicación de los símbolos de la fórmula de puntuación F

precisiónLa precisión es la fracción de verdaderos ejemplos positivos entre los ejemplos que el modelo clasificó como positivos. En otras palabras, el número de verdaderos positivos dividido por el número de falsos positivos más los verdaderos positivos.
recuerdoEl recuerdo, también conocido como sensibilidad, es la fracción de ejemplos clasificados como positivos, entre el número total de ejemplos positivos. En otras palabras, el número de verdaderos positivos dividido por el número de verdaderos positivos más los falsos negativos.

 El número de verdaderos positivos clasificados por el modelo.

El número de falsos negativos clasificados por el modelo.

 El número de falsos positivos clasificados por el modelo.

Fórmula de puntuación F β generalizada

El puntaje F ajustado nos permite ponderar la precisión o recordar más alto si es más importante para nuestro caso de uso. Su fórmula es ligeramente diferente:

Definición matemática de la puntuación F β

Un factor que indica cuánto más importante es recordar que la precisión. Por ejemplo, si consideramos que recordar es dos veces más importante que la precisión, podemos establecer β en 2. La puntuación F estándar es equivalente a establecer β en uno.

Recordamos que el F-score es la media geométrica de precisión y recordación. Al igual que la media aritmética, como media geométrica, la puntuación F se encuentra entre la precisión y la recuperación.

Puntuación F frente a precisión

Hay una serie de métricas que se pueden utilizar para evaluar un modelo de clasificación binaria, y la precisión es una de las más sencillas de entender. La precisión se define simplemente como el número de ejemplos categorizados correctamente dividido por el número total de ejemplos. La precisión puede ser útil, pero no tiene en cuenta las sutilezas de los desequilibrios de clase o los diferentes costos de los falsos negativos y los falsos positivos.

La puntuación F1 es útil:

• donde hay diferentes costos de falsos positivos o falsos negativos, como en el ejemplo de la mamografía

• o donde hay un gran desequilibrio de clases, como si el 10% de las manzanas en los árboles tienden a estar verdes. En este caso, la precisión sería engañosa, ya que un clasificador que clasificara todas las manzanas como maduras obtendría automáticamente un 90 % de precisión, pero sería inútil para las aplicaciones de la vida real.

La precisión tiene la ventaja de que es muy fácil de interpretar, pero la desventaja de que no es sólida cuando los datos están distribuidos de manera desigual o cuando hay un costo más alto asociado con un tipo particular de error.

Esto ilustra cómo la precisión como métrica es, en general, menos robusta e incapaz de capturar los matices de los diferentes tipos de errores. 

Cálculo de la puntuación F frente a la precisión con un desequilibrio de clase

Imaginemos un árbol con 100 manzanas, 90 de las cuales están maduras y diez verdes.

Tenemos una IA que es muy fácil de activar y clasifica los 100 como maduros y recoge todo. Claramente, un modelo que clasifica todos los ejemplos como positivos no es muy útil.

En este caso, nuestra matriz de confusión sería la siguiente:

La precisión es la siguiente:

Podemos ver que nuestro modelo ha logrado una precisión del 90% sin tomar ninguna decisión útil.

Calculando la precisión y la recuperación, obtenemos

Poniendo esto en la fórmula para F 1 , obtenemos:

Teniendo en cuenta el desequilibrio de clases, si sospecháramos de antemano que nuestro modelo adolece de baja precisión, podríamos elegir un F-score ajustado con β = 0.5 para priorizar la precisión:

A partir de este ejemplo, podemos ver que la precisión es mucho menos sólida cuando hay un gran desequilibrio de clases, y la puntuación F se puede ajustar para tener en cuenta si consideramos que la precisión o la recuperación son más importantes para una tarea determinada.

Aplicaciones de puntuación F

Hay una serie de campos de la IA en los que la puntuación F es una métrica ampliamente utilizada para el rendimiento del modelo.

F-score en Recuperación de Información

Las aplicaciones de recuperación de información, como los motores de búsqueda, a menudo se evalúan con la puntuación F.

Un motor de búsqueda debe indexar potencialmente miles de millones de documentos y devolver una pequeña cantidad de resultados relevantes a un usuario en muy poco tiempo. Por lo general, la primera página de resultados que se devuelve al usuario solo contiene hasta diez documentos. La mayoría de los usuarios no hacen clic en la segunda página de resultados, por lo que es muy importante que los primeros diez resultados contengan páginas relevantes.

Originalmente, la puntuación F 1 se usaba principalmente para evaluar los motores de búsqueda, pero hoy en día normalmente se prefiere una puntuación F β calibrada, ya que permite un control más preciso y nos permite priorizar la precisión o la recuperación. Idealmente, un motor de búsqueda no debe perder ningún documento relevante para una consulta, pero tampoco debe devolver una gran cantidad de documentos irrelevantes en la primera página. 

El puntaje F es una medida basada en conjuntos, lo que significa que si se calcula el puntaje F de los primeros diez resultados, el puntaje F no tiene en cuenta la clasificación relativa de esos documentos. Por este motivo, la puntuación F suele utilizarse junto con otras métricas, como la precisión media media o la precisión media interpolada de 11 puntos , para obtener una buena visión general del rendimiento del motor de búsqueda. 

Puntuación F en procesamiento del lenguaje natural

Hay muchas aplicaciones de procesamiento de lenguaje natural que se evalúan más fácilmente con la puntuación F. Por ejemplo, en el reconocimiento de entidades nombradas , un modelo de aprendizaje automático analiza un documento y debe identificar cualquier nombre y dirección personal en el texto. 

Historial de puntuación F

Se cree que el puntaje F fue definido por primera vez por el profesor holandés de informática Cornelis Joost van Rijsbergen, considerado uno de los padres fundadores del campo de la recuperación de información. En su libro de 1979 ‘Recuperación de información’, definió una función muy similar a la puntuación F, reconociendo la inadecuación de la precisión como métrica para los sistemas de recuperación de información.

En su libro, llamó a su métrica la función de Efectividad, y le asignó la letra E , porque “mide la efectividad de la recuperación con respecto a un usuario que concede β veces más importancia a la recuperación que a la precisión”. No se sabe por qué al puntaje F se le asigna la letra F hoy.

Referencias

Van Rijsbergen, CJ (1979). Recuperación de información (2ª ed.). Butterworth-Heinemann.

Y. Sasaki, La verdad de la medida F (2007), https://www.cs.odu.edu/~mukka/cs795sum09dm/Lecturenotes/Day3/F-measure-YS-26Oct07.pdf