XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 17 el modelo ‘aprende’ a ser más preciso basándose en la retroalimentación positiva de los cálculos anteriores. ¿CÓMO FUNCIONA EL DEEP LEARNING? Las redes neuronales de Deep Learning (llamadas Deep Neural Networks o redes neuronales profundas) están modeladas según la forma en que los científicos creen que funciona el cere- bro humano. Procesan y reprocesan los datos, refinando gradualmente el análisis y los resultados para reconocer, clasificar y describir con precisión los objetos dentro de los datos. Las redes neuronales profundas con- sisten en múltiples capas de nodos interconectados, cada una de las cua- les utiliza un algoritmo de aprendizaje profundo cada vez más complejo para extraer e identificar características y patrones en los datos. A continuación, calculan la probabilidad o la confianza de que el objeto o la información pue- dan clasificarse o identificarse de una o más maneras. Las capas de entrada y salida de una red neuronal profunda se denominan capas visibles. La capa de entrada es donde el modelo de aprendizaje profundo ingiere los datos para su procesamiento, y la capa de salida es donde se calcula la identificación, clasificación o descripción final. Entre las capas de entrada y salida hay capas ocultas en las que los cálculos de cada capa anterior son ponderados y refinados por algoritmos cada vez más complejos para llegar a cero en el resultado final. Este movimiento de los cálculos a través de la red se denomina propagación hacia adelante. Otro proceso llamado propagación hacia atrás identifica los errores en las predicciones calculadas, les asigna pesos y sesgos y los empuja de vuelta a las capas anteriores para entrenar o refinar el modelo. Juntos, la propaga- ción hacia adelante y la propagación hacia atrás permiten a la red hacer predicciones sobre la identidad o la clase del objeto, al tiempo que se aprende de las inconsistencias en los resultados. El resultado es un sistema que aprende a medida que trabaja y se vuelve más eficiente y preciso con el tiempo al procesar grandes cantidades de datos. Lo anterior describe el tipo más sim- ple de red neuronal profunda en los términos más sencillos. En la práctica, los algoritmos de aprendizaje profundo son increíblemente complejos. Y se han desarrolladomuchosmétodos ymode- los complejos de aprendizaje profundo para resolver ciertos tipos de problemas, incluyendo los siguientes ejemplos: 1. Las redesneuronales convoluciona- les (CNN), utilizadas principalmente en aplicaciones de visión por computadora, pueden detectar características y patrones dentro de una imagen compleja y, en última instancia, reconocer objetos especí- ficos dentro de la imagen. En 2015, una CNN superó por primera vez a un humano en un desafío de reco- nocimiento de objetos.