Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Ver el tema anterior Ver el tema siguiente Ir abajo

Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Miguel_Martin el Sáb Abr 23, 2016 11:59 am

Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial



Desde los años 50 del siglo pasado y hasta hace muy pocos años el terreno habitual de la Inteligencia Artificial (IA) avanzada era mayoritariamente el laboratorio de investigación y la ciencia ficción. A excepción de casos contados, la práctica totalidad de sistemas con una inteligencia similar a la humana han aparecido en películas futurísticas u obras como las de Isaac Asimov. Sin embargo, este panorama está cambiando radicalmente en los últimos años.

El gran impulso tecnológico al que solemos referirnos bajo el término Big Data ha revolucionado el entorno empresarial. Las organizaciones sometidas a la necesidad de la transformación digital se han convertido en criaturas sedientas de cantidades ingentes de datos; y por primera vez en la historia de la IA existe una demanda generalizada de sistemas con una inteligencia avanzada, equivalente a la de un humano, que sean capaces de procesar esos datos. Esto está ocurriendo en prácticamente todos los sectores, pues es rara la actividad empresarial o de la administración pública que no se pueda beneficiar de un análisis inteligente y automatizado de los datos.

En la actualidad estamos viendo como el Big Data prolifera rápidamente para abarcar todas las organizaciones y todos los sectores, pues en un ecosistema digital y global las compañías que no son nativas digitales también necesitan convertirse en devoradoras de datos.


Una de las claves de la IA avanzada está en el aprendizaje. Es cada vez más habitual que les pidamos a las máquinas que aprendan por sí solas. No podemos permitirnos el lujo de pre-programar reglas para lidiar con las infinitas combinaciones de datos de entrada y situaciones que aparecen en el mundo real.

La disciplina del Aprendizaje Automático (Machine Learning) se ocupa de este reto y gracias a la tormenta perfecta en la que nos acabamos de adentrar todos los gigantes de Internet han entrado de lleno en el mundo del aprendizaje automático, ofreciendo servicios en la nube para construir aplicaciones que aprenden a partir de los datos que ingieren. Hoy en día el aprendizaje automático está más que nunca al alcance de cualquier programador. Para experimentar con estos servicios tenemos plataformas como IBM Watson Developer Cloud, Amazon Machine Learning, Azure Machine Learning, TensorFlow o BigML.

Este tipo de enfoques se denominan aprendizaje supervisado, pues requiere de la intervención de los humanos para indicar qué está bien y qué está mal. Posiblemente el futuro del aprendizaje automático pase por un giro hacia el aprendizaje no supervisado. En este paradigma los algoritmos son capaces de aprender sin intervención humana previa, sacando ellos mismos las conclusiones acerca de la semántica embebida en los datos. Ya existen compañías que se centran completamente en enfoques de aprendizaje automático no supervisado, como Loop AI Labs, cuya plataforma cognitiva es capaz de procesar millones de documentos no estructurados y construir de forma autónoma representaciones estructuradas.

En el enfoque Deep Learning se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, teniendo capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características existentes en los objetos percibidos. La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales. Existen varios entornos y bibliotecas de código de Deep Learning que se ejecutan en las potentes GPUs modernas tipo CUDA, como por ejemplo NVIDIA cuDNN.

Los modelos computacionales de Deep Learning imitan estas características arquitecturales del sistema nervioso, permitiendo que dentro del sistema global haya redes de unidades de proceso que se especialicen en la detección de determinadas características ocultas en los datos. Este enfoque ha permitido mejores resultados en tareas de percepción computacional, si las comparamos con las redes monolíticas de neuronas artificiales.



El valor de la información: la fiebre de los datos


Una vez que las empresas disponen de los datos y los sistemas capaces de procesarlos es el momento de entrar de lleno en la siguiente fase: la comprensión de los datos, la adquisición del conocimiento y la extracción del valor. A pequeña escala esto es algo que tradicionalmente hacemos los humanos, accedemos a los datos, los interpretamos usando nuestro cerebro y tomamos decisiones supuestamente inteligentes. Sin embargo, cuando hablamos de gigabytes, terabytes o incluso petabytes de información, junto con la necesidad de tomar decisiones en escalas temporales del orden de los milisegundos, los humanos estamos literalmente fuera de combate.

El primer objetivo es por lo tanto llegar a poder manejar cantidades tan ingentes de datos. Una vez que las modernas arquitecturas Big Data permiten almacenar y procesar decenas o cientos de petabytes de datos, el reto pasa a las fases de adquisición de datos y de interpretación de los mismos para la extracción de conocimiento.

El auge de los sistemas M2M (Machine to Machine) en el marco del Internet de las Cosas ha promovido un crecimiento exponencial del intercambio de datos entre las propias máquinas. Hemos pasado de un modelo tradicional, en el que los sensores obtenían información que luego usaban los humanos a un modelo en el que las máquinas ganan autonomía, pues los datos de los sensores ya no los consumen directamente los humanos, sino que pasan a formar parte del sistema perceptivo de la Red.


La nueva Internet es una red que necesita percibir el mundo. De igual forma que los humanos percibimos el mundo que nos rodea mediante nuestros sentidos, en el modelo IoT la red cuenta con un repertorio de sentidos muy superior al humano. Mientras que nosotros vemos, oímos y olemos lo que tenemos a nuestro alrededor, las nuevas redes de sensores pueden extenderse miles de kilómetros usando la nube para comunicarse y para almacenar datos y además pueden usar muchas más modalidades sensoriales.



Computación cognitiva, la revolución en el procesado de la información

Sistema Cognitivo Watson desarrollado por IBM


Una vez que los entornos IoT permiten obtener información en tiempo real de las más variadas fuentes tenemos el problema de la interpretación y la comprensión de los datos. Aquí es donde se hacen necesarios los enfoques de computación cognitiva, pues las máquinas han de ser capaces de dar sentido y extraer el significado que se oculta tras los trillones de bytes que se mueven por la red.

Los datos de los sensores M2M son fuentes de datos relativamente modernas, pero existe además una gran cantidad de conocimiento disponible en la propia web y las redes sociales. Se trata de cantidades ingentes de texto, audio y vídeo que contienen mucha información de interés.

LAS EMPRESAS INVERTIRÁN MÁS DE 31.000 MILLONES DE DÓLARES EN SISTEMAS COGNITIVOS ARTIFICIALES EN 2019.

En el enfoque tradicional hacemos consultas a un buscador como Google y tenemos que leer los resultados más relevantes, mientras que con la ayuda de asistentes cognitivos nosotros simplemente hacemos la pregunta y la máquina se ocupa dar la respuesta en base a lo que ha aprendido en su lectura de millones y millones de documentos y sensores (es lo que se denomina sistemas Q&A – Question & Answering).

En esta tormenta perfecta tecnológica que estamos viviendo el impacto va mucho más allá de las máquinas. Estamos viendo como nuestra forma de relacionarnos con otras personas ha cambiado radicalmente en pocos años debido a la invasión de los dispositivos móviles. Con la llegada de tecnologías como el Deep Learning y la Computación Cognitiva nuestra forma de aprender, de relacionarnos y de entender el mundo va a cambiar también de forma radical.



Definiciones:


Big Data: El Big Data o Datos masivos es un concepto que hace referencia al almacenamiento de grandes cantidades de datos y a los procedimientos usados para encontrar patrones repetitivos dentro de esos datos.

Deep Learning: Aprendizaje profundo es un conjunto de algoritmos en aprendizaje automático que intenta modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de transformaciones no-lineales múltiples.

M2M: M2M (Machine to Machine) es un concepto genérico que se refiere al intercambio de información o comunicación en formato de datos entre dos máquinas remotas.

Computación Cognitiva: Computación cognitiva es la nueva informática, una que tiene la capacidad de aprender, corregir, y acercarse a la forma de pensamiento y comunicación humana.



Miguel_Martin

Mensajes : 11
Fecha de inscripción : 19/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por DiegoAndres_TapiaSaravia el Lun Abr 25, 2016 1:51 am

Aprendizaje profundo (en inglés, deep learning) es un conjunto de algoritmos en aprendizaje automático (en inglés, machine learning) que intenta modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de transformaciones no-lineales múltiples.

Aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje automático basados en aprender representaciones de datos. Una observación (por ejemplo, una imagen) puede ser representada en muchas formas (por ejemplo, un vector de píxeles), pero algunas representaciones hacen más fácil aprender tareas de interés (por ejemplo, ¿es esta imagen una cara humana?) sobre la base de ejemplos, y la investigación en esta área intenta definir cuáles representaciones son mejores y cómo crear modelos para aprender estas representaciones.

Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales, y redes de creencia profundas, han sido aplicadas a campos como visión por computador, reconocimiento automático del habla, y reconocimiento de señales de audio y música, y han mostrado producir resultados de vanguardia en varias tareas.

No existe una única definición de aprendizaje profundo. En general se trata de una clase de algoritmos para aprendizaje automático. A partir de este punto común, diferentes publicaciones se centran en distintas características, como por ejemplo:


  • Usar una cascada de capas con unidades de procesamiento no lineal para extraer y transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado, y las aplicaciones incluyen modelización de datos y reconocimiento de patrones.
  • Estar basados en el aprendizaje de múltiples niveles de características o representaciones de datos. Las características de más alto nivel se derivan de las características de nivel inferior para formar una representación jerárquica.
  • Aprender múltiples niveles de representacion que corresponden con diferentes niveles de abstracción. Estos niveles forman una jerarquía de conceptos.

Todas estas maneras de definir el aprendizaje profundo tienen en común: múltiples capas de procesamiento no lineal y  el aprendizaje supervisado o no supervisado de representaciones de características en cada capa. Las capas forman una jerarquía de características desde un nivel de abstracción más bajo a uno más alto.

Los algoritmos de aprendizaje profundo contrastan con los algoritmos de aprendizaje poco profundo por el número de transformaciones aplicadas a la señal mientras se propaga desde la capa de entrada a la capa de salida. Cada una de estas transformaciones incluye parámetros que se pueden entrenar. No existe un estándar para el número de transformaciones que convierte a un algoritmo en profundo, pero la mayoría de investigadores en el campo considera que aprendizaje profundo implica más de dos transformaciones intermedias.

El aprendizaje profundo está suponiendo un gran avance en técnicas de posicionamiento SEO y este factor de aprendizaje no supervisado está revolucionando las técnicas de posicionamiento de una web, hasta tal punto que la experiencia de los usuarios va a resultar fundamental en la posición que ocupen las páginas en los resultados de búsqueda.

DiegoAndres_TapiaSaravia

Mensajes : 25
Fecha de inscripción : 17/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Verastegui_Mamani_Milton el Lun Abr 25, 2016 9:24 am

Deep Learning



Try it Yourself »

Fuente:http://elvex.ugr.es/decsai/computational-intelligence/
avatar
Verastegui_Mamani_Milton

Mensajes : 23
Fecha de inscripción : 18/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

‘DEEP LEARNING’, ¿UNA MODA MÁS?

Mensaje por Nito Prado el Lun Abr 25, 2016 11:19 am

‘DEEP LEARNING’, ¿UNA MODA MÁS?

El ‘deep learning’ no es la única técnica que se emplea para que las máquinas sea capaces de aprender. El área a la que pertenecen las redes neuronales profundas, dentro del campo de la inteligencia artificial, se corresponde con el aprendizaje automático. Un aprendizaje que, como bien ha señalado Fernández, puede conseguirse de múltiples maneras.

“Hay muchísimas técnicas que permiten que las máquinas aprendan y las redes de neuronas sólo son un tipo”, indica Daniel Borrajo, catedrático de informática e inteligencia artificial de la Universidad Carlos III de Madrid. Algunos ejemplos son "los árboles de decisión, reglas de asociación, razonamiento basado en casos, aprendizaje basado en la explicación, entre otras”.

Sin embargo, las mayores funciones que ofrece el ‘deep learning’ han hecho que se convierta en la técnica favorita de los gigantes tecnológicos. Pero, ¿y si resulta, al final, que el aprendizaje profundo es sólo una moda? Para que una máquina aprenda, ¿necesita realmente imitar el funcionamiento del cerebro humano?
Para algunos, la respuesta es un no. En 2012, Google contrató al célebre investigador Ray Kurzweil para perseguir varias formas en las que los ordenadores aprendieran desde la experiencia, empleando el ‘deep learning’, además de otras técnicas. Y según Beau Cronin, el programa Watson de IBM, basado en la técnica de pregunta-respuesta, “está ahora compitiendo agresivamente para hacer aplicaciones comerciales, como diagnósticos médicos, [y aquí] no hay neuronas”.

Sea como fuere, parece que el ‘deep learning’ ha venido para quedarse. Es posible que dentro de nada nos acostumbremos a pedirle al móvil que nos programe una cita o nos haga una foto, a que nuestra cuenta de Facebook reconozca las caras de nuestros amigos o a que en Whatsapp aparezcan mensajes publicitarios relacionados con las palabras que solemos escribir. O incluso, por qué no, a tener una conversación con nuestro sistema operativo (al más puro estilo 'Her'). Y todo ello gracias al progreso de la inteligencia artificial. Al final va a resultar que los robots no son tan malos como los pintan en el cine.



LOS FINES DE IMITAR EL SENTIDO DEL OÍDO Y DE LA VISTA
Los algoritmos de aprendizaje profundo han sido empleados para que nuestros móviles reconozcan nuestra cara –reconocimiento del rostro-, nuestra voz –reconocimiento de voz- y, lo más reciente, nuestra forma de hablar –procesamiento de lenguaje natural.

En este último caso, no sólo las grandes compañías están investigando en torno a la nueva aplicación del ‘deep learning’. Desde 2005, la empresa española Inbenta lleva ofreciendo a sus clientes un 'software' capaz de responder a las dudas de los usuarios. Unas preguntas que, normalmente, suelen ser informales, y cuyo significado varía dependiendo del contexto.

¿Y cómo hacen eso? “Nos basamos en la teoría del sentido-texto, y básicamente lo que hace es que no se basa en la sintaxis, sino en la semántica. Una frase puede estar sintácticamente correcta, pero semánticamente no decir nada”, nos explica David Fernández, director de desarrollo de Inbenta.

Para crear dicho 'software', la empresa tiene en plantilla a una serie de filólogas encargadas de mostrarle a la máquina los significados de las palabras. El 'software' lo asimila y crean así lo que Fernández denomina un " cerebro semántico".

“Hay otras empresas que se basan por ejemplo en la estadística a la hora de enlazar estos documentos o de entender lo que estás preguntando”, indica el director. Es precisamente lo que hace Google Translate. “No hay ninguna que conozcamos que haya utilizado esta teoría”.

Nito Prado

Mensajes : 19
Fecha de inscripción : 07/03/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por tatiana mamani lazarte el Lun Abr 25, 2016 12:49 pm

Empresas españolas que exploran el deep learning


En España también existen empresas que aplican los conocimientos de machine learning en beneficio de sus clientes. Una de las más importantes es Inbenta, dedicada al desarrollo de software de procesamiento de lenguaje natural. Su tecnología permite que una máquina entienda y recuerde la conversación con una persona gracias a la incorporación de la retención cognitiva, memoria y detección de contexto en las interacciones de sus máquinas y los usuarios.

“Esto tiene numerosas aplicaciones en el campo de los asistentes virtuales en los departamentos de atención al cliente de las grandes empresas y en sus comunicaciones en general como emails, chats…, y en sectores como la banca, los seguros, los transportes, el retail o las telecomunicaciones”, afirma Julio Prada, uno de los responsables de esta startup española.

Otro de los exponentes nacionales del deep learning es Sherpa, una empresa que ha diseñado un sistema que combina funciones de buscador, asistente personal y modelo predictivo. Y todo pensado para dispositivos móviles. Es una de las competencias internacionales de los dos grandes asistentes del mercado: Siri de Apple para dispositivos iOS y Google Now para móviles Android.


En ese campo también trabaja desde hace tiempo Indisys, una empresa española que acaparó en 2012 el interés inversor de una multinacional como Intel. Su campo de investigación es el mismo que el de Sherpa e Inbenta, el procesamiento de lenguaje natural. Fruto de ese desarrollo, Indisys diseñó su propio asistente personal capaz de mantener conversaciones como si fuera tu padre, tu hermano o tu amigo. Si el trabajo en deep learning sigue avanzando a esta velocidad, es posible que un futuro no seáis capaces de saber si un artículo con éste lo escribió una persona… o ¡una máquina!

tatiana mamani lazarte

Mensajes : 20
Fecha de inscripción : 23/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por GianinaTeran el Lun Abr 25, 2016 7:22 pm

Samsung aplica el deep learning en sus equipos medicos


La tecnología de aprendizaje profundo se ha implantado en el dispositivo de ultrasonidos RS80A para ayudar a los médicos a diagnosticar el cáncer de mama.

El aprendizaje profundo (deep learning) es un nuevo área de investigación de aprendizaje de las máquinas, donde un equipo emula la forma en que el cerebro humano extrae patrones a partir de los datos y los procesa.

Samsung ha aplicado esta tecnología a su dispositivo de examen de ultrasonidos RS80A, destinado a ayudar a los médicos a diagnosticar correctamente el cáncer de mama.

El algoritmo de aprendizaje profundo, S-Detect, implementado sobre el RS80A ha permitido llevar a cabo alrededor de 10.000 casos de exámenes de tumor para ayudar a los médicos en el diagnóstico. Se ha analizado el tamaño del tumor, si es benigno o maligno, y el tipo de células, permitiendo un diagnóstico más preciso gracias a la cognición de imágenes por parte de las máquinas.

El dispositivo RS80A empezó a venderse en Corea del Sur, Europa y Oriente Medio y más tarde se lanzó en América, China y Rusia.


En la actualidad se utiliza para pruebas clínicas en la Clínica Mayo en EEUU, el Hospital Charité de Alemania y el Hospital de la Universidad Nacional de Seúl en Corea del Sur, tal y como recoge ZDNet.



GianinaTeran

Mensajes : 11
Fecha de inscripción : 18/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por luis_chavez el Miér Abr 27, 2016 12:17 am

Redes de neuronas

Aunque existen varias maneras de implementar Deep Learning, una de las más comunes es utilizar redes de neuronas. Una red de neuronas es una herramienta matemática que modela, de forma muy simplificada, el funcionamiento de las neuronas en el cerebro. Dicho así suena bastante complicado, pero en realidad es una serie de operaciones matemáticas sobre una lista de números, que da como resultado otra lista de números. Otra forma de verlas, es como un procesador de información, que recibe información entrante, codificada como números, hace un poco de magia, y produce como resultado información saliente, codificada como otros números.

luis_chavez

Mensajes : 16
Fecha de inscripción : 17/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Kenny_Zurita el Miér Abr 27, 2016 10:47 am

Las 10 tecnologías más revolucionarias del 2013, según el MIT (Instituto de Tecnología de Massachusetts)

1) Inteligencia artificial avanzada o deep learning

El deep learning es una rama de la inteligencia artificial (AI) que se centra en el desarrollo de software que imita el funcionamiento de las neuronas del cerebro. Ahora, gracias a las mejoras en supercomputación, la inteligencia artificial hace por fin honor a su nombre.


2) Paneles solares ultra-eficientes

Nuevos diseños en paneles solares, como uno desarrollado por el investigador Harry Atwater del Instituto Tecnológico de California (Caltech), prometen producir el doble de energía solar a un coste menor que los paneles actuales. Esto podría revolucionar para siempre la viabilidad y el interés por las energías renovables.

3) Análisis del "big data" en smartphones

Ya hay casi más móviles en el mundo que habitantes. Los millones de datos sobre qué hacemos y cómo con los móviles se podrá utilizar para nuevos fines inimaginables, como intentar predecir la propagación de enfermedades en función de las llamadas, SMS o conexiones de datos, algo que ya se investiga en África.

4) Redes sociales temporales

Mensajes que se autodestruyen poco después de ser enviados como fórmula para proteger la privacidad. ¿Es este el futuro de las redes sociales? Servicios como Snapchat ya lo intentan de esta forma.

5) Relojes avanzados

Desde el Pebble a Apple, Samsung, Google o Microsoft. Sin duda, será una de las tecnologías que cambiarán 2013. Está por ver cuánto perdurarán los smartwatches en el tiempo.

6) Implantes de memoria

Investigadores como Theodore Berger, de la Universidad de Carolina del Sur, en Los Ángeles, ya trabaja en implantes cerebrales que imitan a las neuronas que intervienen en la memoria a largo plazo. No es el único. Los implantes cerebrales se ven como una gran esperanza para tratar pacientes de Azheimer o con derrames cerebrales.

7) Robots inteligentes a bajo coste

El MIT cree que robots industriales como Baxter, de bajo coste comparados con los actuales pero a la vez capaces de interactuar con el entorno de forma inteligente, serán el punto de partida para una revolución en el sector.


Cool Impresión 3D aplicada a la industria

La conocida como fabricación aditiva, es decir, la aplicación de la impresión 3D a la industria, promete poner patas arriba las formas tradicionales de fabricar productos. GE, por ejemplo, va a comenzar a utilizar impresoras 3D para producir partes de aviones.

9) Secuenciado prenatal de ADN

Secuenciar el ADN de un feto humano antes de que este nazca. Es el próximo paso que promete la genética y que podría predecir nuestro destino en cuanto a enfermedades, personalidad etc, antes incluso de llegar a este mundo. Varias compañías, como Illumina y Verinata, ya trabajan en ello.

10) Redes eléctricas superpotentes

Transportar energía eléctrica a miles de kilómetros de distancia de forma rápida, barata y efectiva. Es lo que prometen la redes eléctricas de alta tensión en corriente contínua (DC), que compañías como el conglomerado sueco ABB están desarrollando. El futuro: que la energía solar del Sáhara, por ejemplo, se consuma en Europa. Todo llegará.

Kenny_Zurita

Mensajes : 19
Fecha de inscripción : 17/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Aldo_Quino el Miér Abr 27, 2016 10:52 am

Ventajas y Desventajas de Deep Learning

Ventajas
- En el ámbito laboral reduce los costos y salarios adicionales
- Por resultar un atractivo, conlleva a generar mas ingresos
- Se han desarrollado aplicaciones que realizan tareas que el hombre nunca hubiera podido realizar debido a su complejidad
- Puede predecir situaciones a largo plazo
- Reduce el tiempo que consume realizar cierta actividad

Desventajas
- Por ser SW requiere de constantes actualizaciones (mantenimiento)
- Realizar estos sistemas expertos requiere de mucho tiempo y dinero
- Crear maquinas que sean autosuficientes
- El hombre se siente superado cuando una maquina lo supera

Aldo_Quino

Mensajes : 17
Fecha de inscripción : 23/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por jorge_quispe_marca el Miér Abr 27, 2016 11:33 am

Empresas españolas que exploran el deep learning


En España también existen empresas que aplican los conocimientos de machine learning en beneficio de sus clientes. Una de las más importantes es Inbenta, dedicada al desarrollo de software de procesamiento de lenguaje natural. Su tecnología permite que una máquina entienda y recuerde la conversación con una persona gracias a la incorporación de la retención cognitiva, memoria y detección de contexto en las interacciones de sus máquinas y los usuarios.

“Esto tiene numerosas aplicaciones en el campo de los asistentes virtuales en los departamentos de atención al cliente de las grandes empresas y en sus comunicaciones en general como emails, chats…, y en sectores como la banca, los seguros, los transportes, el retail o las telecomunicaciones”, afirma Julio Prada, uno de los responsables de esta startup española.  

#Serius "Asistente inteligente"

Otro de los exponentes nacionales del deep learning es Sherpa, una empresa que ha diseñado un sistema que combina funciones de buscador, asistente personal y modelo predictivo. Y todo pensado para dispositivos móviles. Es una de las competencias internacionales de los dos grandes asistentes del mercado: Siri de Apple para dispositivos iOS y Google Now para móviles Android.



En ese campo también trabaja desde hace tiempo Indisys, una empresa española que acaparó en 2012 el interés inversor de una multinacional como Intel. Su campo de investigación es el mismo que el de Sherpa e Inbenta, el procesamiento de lenguaje natural. Fruto de ese desarrollo, Indisys diseñó su propio asistente personal capaz de mantener conversaciones como si fuera tu padre, tu hermano o tu amigo. Si el trabajo en deep learning sigue avanzando a esta velocidad, es posible que un futuro no seáis capaces de saber si un artículo con éste lo escribió una persona… o ¡una máquina!

jorge_quispe_marca

Mensajes : 17
Fecha de inscripción : 18/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Gustavo_Conde el Miér Abr 27, 2016 1:24 pm

Alternativas
Los auto-codificadores no son el único mecanismo para realizar Deep Learning. Existen otras alternativas, como las Deep Belief Networks. Estas consisten también en una serie de capas entrenadas una a una, de la más específica a la más genérica, pero cada capa en lugar de un auto-codificador, utiliza una Restricted Boltzmann Machine. La idea general es la misma, sólo cambian algunos ladrillos.

Una máquina de Boltzmann restringida ( GBR ) es un generador estocástico red neuronal artificial que puede aprender una distribución de probabilidad sobre el conjunto de entradas Dichos mecanismos han encontrado aplicaciones en la reducción de dimensionalidad , de clasificación , el filtrado colaborativo , característica de aprendizaje y el tema de modelado .  Pueden ser entrenados en cualquiera supervisados o no supervisados maneras, dependiendo de la tarea.

Deep Belief Networks En el aprendizaje de máquina , una red profunda creencia ( DBN ) es un generativa modelo gráfico , o, alternativamente, un tipo de profunda red neural , compuesta de múltiples capas de variables latentes ( "unidades ocultas"), con conexiones entre las capas, pero no entre unidades dentro de cada capa.

Gustavo_Conde

Mensajes : 15
Fecha de inscripción : 18/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por sean_troche el Miér Abr 27, 2016 2:20 pm

Tay, la robot racista y xenófoba de Microsoft


Un proyecto de inteligencia artificial con un robot que aprendía del mundo en Twitter debió ser puesto en pausa

Se llamaba Tay y tardó más en aprender a mantener una conversación que en ser retirada del mercado. Fue creada, según Microsoft, como un experimento para conocer más sobre la interacción entre las computadoras y los seres humanos.

hellooooooo w??rld!!!&- TayTweets (@TayandYou) 23 de marzo de 2016

Se trataba de un programa informático diseñado para mantener en las redes sociales una conversación informal y divertida con una audiencia de entre 18 y 24 años, según explicó la compañía.

Pero la gran apuesta del gigante tecnológico en la inteligencia artificial acabó convirtiéndose en un fracaso estrepitoso. Y el día después de su lanzamiento, Microsoft tuvo que desactivarla.

Insultos raciales y comentarios sexistas


Los mensajes racistas y xenófobos de la adolescente rebelde de Microsoft en Twitter y otras redes sociales no pasaron desapercibidos. Su empatía hacia Hitler o su apoyo al genocidio al responder a preguntas de los usuarios de las redes sociales son algunos ejemplos, además de insultos raciales y comentarios sexistas y homófobos.

También defendió el Holocausto, los campos de concentración o la supremacía blanca, y se mostró contraria al feminismo.


Inicialmente, un portavoz de Microsoft dijo que la compañía está haciendo ajustes para asegurarse de que esto no vuelva a suceder y responsabilizó a los usuarios, en parte, por la reacción de Tay.

"Desafortunadamente, a las 24 horas de ser colocada en Internet (este miércoles), observamos un esfuerzo coordinado de algunos usuarios para abusar de las capacidades de conversación de Tay para que respondiera de forma inapropiada", explicó en un comunicado.

Peter Lee, jefe del área de Investigación de Microsoft, aseguró que la compañía "sentía profundamente los tuits ofensivos y dañinos, no intencionados".

"Proyecto de aprendizaje"

Algunos usuarios también criticaron limitaciones en temas relacionados con la música o la televisión. Otros se mostraron preocupados ante lo que Tay podría significar para las futuras tecnologías de inteligencia artificial.

"Tay es un robot de inteligencia artificial y un proyecto de aprendizaje diseñado para la interacción con humanos. A medida que aprende, algunas de sus respuestas pueden ser inapropiadas e indican el tipo de interacción que algunos usuarios tienen con ella", agregó el portavoz.

En efecto, el bot fue creado para emitir respuestas personalizadas a los usuarios, recabando información sobre cada uno de ellos durante la interacción, lo cual explicaría ciertos comentarios, según la naturaleza del interlocutor.

La compañía decidió editar o borrar los tweets ofensivos emitidos por Tay, una medida que criticaron algunos usuarios, quienes pidieron que "la dejen aprender por ella misma".

Microsoft dijo que reprogramará y lanzará próximamente de nuevo su bot adolescente, aunque no confirmó la fecha exacta.

sean_troche

Mensajes : 5
Fecha de inscripción : 19/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Andres_Teran el Miér Abr 27, 2016 3:53 pm

Imitar el cerebro, sin complicaciones
Las capas del ‘deep learning’ no imitan todos los tipos de neuronas que encontramos en nuestro cerebro. “Los sistemas que utiliza Google todavía contienen ‘neuronas’, pero son mucho más simples, lo que refleja la finalidad práctica de los esfuerzos de Google: se quiere que esos modelos solucionen problemas prácticos en la voz, la visión y el procesamiento de texto”.
El interés de los gigantes tecnológicos en el ‘deep learning’ está precisamente en eso. Quieren mejorar sus servicios para atraer más ingresos publicitarios. Y es que, según Figueiras, el ‘deep learning’ posee un amplio abanico de funciones. Unas funciones que, incluso, las hace mejor la máquina que el ser humano.
“Una de las grandes ventajas que tiene el ‘deep learning’ es que es posible aplicarlo a funciones que se han considerado hasta hace poco muy específicas de los humanos, por ejemplo, para la visión o para el reconocimiento de mensajes hablados”.

Andres_Teran

Mensajes : 12
Fecha de inscripción : 19/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por AntonioEncinasMaida el Miér Abr 27, 2016 4:07 pm

Aprendizaje automático
En ciencias de la computación el aprendizaje automático o aprendizaje de máquinas (del inglés, "Machine Learning") es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la estadística, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el aprendizaje automático se centra más en el estudio de la complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje automático puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

Modelos
El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Entre los modelos se distinguen1

1.los modelos geométricos, construidos en el espacio de instancias y que pueden tener una, dos o múltiples dimensiones. Si hay un borde de decisión linear entre las clases, se dice que los datos son linearmente separables. Un límite de decisión linear se define como w * x = t, donde w es un vector perpendicular al límite de decisión, x es un punto arbitrario en el límite de decisión y t es el umbral de la decisión.

2.los modelos probabilísticos, que intentan determinar la distribución de probabilidades descriptora de la función que enlaza a los valores de las características con valores determinados. Uno de los conceptos claves para desarrollar modelos probabilísticos es la estadística bayesiana.

3.los modelos lógicos, que transforman expresan las probabilidades en reglas organizadas en forma de árboles de decisión.

Los modelos pueden también clasificarse como modelos de agrupamiento y modelos de gradiente. Los primeros tratan de dividir el espacio de instancias en grupos. Los segundos, como su nombre lo indican, representan un gradiente en el que se puede diferenciar entre cada instancia. Clasificadores geométricos como las máquinas de vectores de apoyo son modelos de gradientes.
avatar
AntonioEncinasMaida

Mensajes : 15
Fecha de inscripción : 17/02/2016

Ver perfil de usuario

Volver arriba Ir abajo

Re: Deep Learning: Una tecnología clave en el futuro de la inteligencia artificial

Mensaje por Contenido patrocinado


Contenido patrocinado


Volver arriba Ir abajo

Ver el tema anterior Ver el tema siguiente Volver arriba

- Temas similares

 
Permisos de este foro:
No puedes responder a temas en este foro.