Al mismo tiempo, varias startups reinventaron el mundo y desarrollaron sus plataformas en Internet a un ritmo fren\u00e9tico. Despu\u00e9s de llegar a millones de usuarios y de acumular monta\u00f1as de datos, muy pronto result\u00f3 evidente que esta enorme cantidad de informaci\u00f3n era toda una mina de oro. Con equipos inform\u00e1ticos est\u00e1ndar, sus ingenieros crearon plataformas de procesamiento para extraer valor de estos datos.<\/p>\n
En la actualidad, los usuarios tienen una amplia gama de posibilidades, desde el DIY al aprendizaje autom\u00e1tico como servicio. Uno de los primeros pasos para la creaci\u00f3n de una aplicaci\u00f3n de\u00a0 aprendizaje autom\u00e1tico es la \u201cextracci\u00f3n de caracter\u00edsticas\u201d. Para ello, los cient\u00edficos especializados en datos exploran un conjunto de datos para determinar las variables que son \u00fatiles para predecir o clasificar los datos, as\u00ed como aquellas que no lo son.<\/p>\n
Aunque este proceso es largo y aburrido, se utiliza ahora de forma generalizada para datos estructurados o semiestructurados, como el historial de Internet o los datos de ventas. Sin embargo, a\u00fan no podemos ocuparnos de asuntos m\u00e1s complejos relacionados con la IA, como la visi\u00f3n o la voz por ordenador, porque es pr\u00e1cticamente imposible definir las caracter\u00edsticas de manera formal. Por ejemplo, \u00bfqu\u00e9 hace que un gato sea un gato? \u00bfO un le\u00f3n? El aprendizaje autom\u00e1tico actual no se ocupa de este tipo de problemas, y creemos que hay una necesidad para contar con nuevas herramientas.<\/p>\n
Regreso al futuro<\/strong><\/p>\n En 1957, Frank Rosenblatt cre\u00f3 una red neuronal electromec\u00e1nica, el Perceptron, que se entren\u00f3 para el reconocimiento de im\u00e1genes. En 1975, Paul Werbos public\u00f3 un art\u00edculo en el que describi\u00f3 la \u201cretropropagaci\u00f3n\u201d, un algoritmo que permite crear redes neuronales con mayor rapidez y de forma m\u00e1s eficiente.<\/p>\n Si las redes neuronales han existido durante tanto tiempo, es posible que tambi\u00e9n hayan sido en parte responsables de todos los intentos fallidos para el desarrollo de la IA. \u00bfDeber\u00edamos resucitarlas? \u00bfPodr\u00edan darnos de repente grandes resultados?<\/p>\n Lo primero y lo m\u00e1s importante es entender el funcionamiento de las redes neuronales. Una neurona es una sencilla construcci\u00f3n que incorpora varios datos ponderados de entrada para producir datos de salida como resultado. Las neuronas se organizan en \u201cn + 1\u201d capas. La primera capa se conoce como la capa de entrada y recibe los datos, por ejemplo, los valores del pixel de una imagen. La \u00faltima capa es la capa de salida y genera los resultados, por ejemplo, una categor\u00eda para la imagen (\u201cesto es un perro\u201d).<\/p>\n La ventaja de las redes neuronales es que son capaces de organizarse por s\u00ed mismas: cuando se les proporciona un conjunto de datos lo suficientemente amplio (por ejemplo, las etiquetas de las im\u00e1genes de entrada y de las categor\u00edas de los resultados), una red neuronal puede aprender autom\u00e1ticamente para generar las respuestas correctas. Asimismo, gracias a un proceso de entrenamiento interativo, es posible determinar las caracter\u00edsticas que hacen posible la categorizaci\u00f3n de las im\u00e1genes, adem\u00e1s de ajustar los valores varias veces para obtener los mejores resultados, para conseguir, de esta forma, los menores m\u00e1rgenes de error.<\/p>\n La fase de entrenamiento y el descubrimiento autom\u00e1tico de las caracter\u00edsticas son procesos especialmente apropiados para la resoluci\u00f3n de problemas informales, aunque, por otra parte, \u00e9ste es el mayor reto, que asumen una gran cantidad de operaciones matem\u00e1ticas que tienden a crecer exponencialmente, de la misma forma que lo hace el tama\u00f1o de la muestra de los datos con fotograf\u00edas de alta resoluci\u00f3n, algo que hace aumentar el n\u00famero de capas. Este problema se conoce como el \u201cazote de la dimensi\u00f3n\u201d, y es una de las principales razones por la que las redes neuronales han estado estancadas durante d\u00e9cadas, ya que la potencia inform\u00e1tica era, sencillamente, insuficiente para utilizarlas a una escala necesaria.<\/p>\n Las redes neuronales necesitan una enorme cantidad de datos para funcionar bien. Cuanto mayor sea la cantidad de datos, mejor funcionan. Pero, hasta muy recientemente, era sencillamente imposible recopilar y almacenar grandes cantidades de datos digitales -solo tenemos que recordar las tarjetas perforadas y los discos blandos-.<\/p>\n En 1998, Yann Le Cun realiz\u00f3 un importante descubrimiento cuando invent\u00f3 la Red Neuronal Convolucional (RNC), una nueva forma de red de m\u00faltiples capas (de ah\u00ed, el t\u00e9rmino \u201caprendizaje profundo\u201d). En resumen, las RNC pueden extraer, de manera eficiente, caracter\u00edsticas, reduciendo al mismo tiempo el tama\u00f1o de los datos de entrada, lo que permite el uso de redes m\u00e1s peque\u00f1as para el proceso de clasificaci\u00f3n, reduciendo dr\u00e1sticamente el coste de las TI para las redes. Este enfoque ha tenido tanto \u00e9xito que los bancos han adoptado sistemas basados en RNC para automatizar el reconocimiento de la escritura a mano en los cheques. Este avance ha representado todo un \u00e9xito para el desarrollo e impulso de las redes neuronales. Pero lo mejor est\u00e1 a\u00fan por llegar.<\/p>\n El contraataque del imperio (neuronal)<\/strong><\/p>\n A finales de la primera d\u00e9cada de este siglo XXI, tres eventos tuvieron lugar de forma casi simult\u00e1nea que hicieron posible el desarrollo de las redes neuronales a gran escala.<\/p>\n En primer lugar, los grandes conjuntos de datos se encontraron ampliamente disponibles. Textos, im\u00e1genes, pel\u00edculas y m\u00fasica, todo ello digitalizado de repente y disponible para ser usado para el desarrollo de redes neuronales. En la actualidad, la base de datos de ImageNet contiene m\u00e1s de 14 millones de im\u00e1genes identificadas que son utilizadas por los investigadores de todo el mundo cada a\u00f1o para competir en capacidad de invenci\u00f3n y para el desarrollo de la mayor red de clasificaci\u00f3n y detecci\u00f3n de im\u00e1genes.<\/p>\n En segundo lugar, los investigadores pueden utilizar el extraordinario poder del procesamiento en paralelo de los procesadores gr\u00e1ficos (GPU) para crear amplias redes neuronales. Debemos tener en cuenta que las redes neuronales que ganaron el concurso de ImageNet en 2015 y 2016 ten\u00edan 152 y 269 capas, respectivamente.<\/p>\n Por \u00faltimo y, por encima de todo, la nube ha proporcionado elasticidad y flexibilidad a los investigadores, permiti\u00e9ndoles usar la infraestructura que necesiten para el entrenamiento y sin necesidad de crear, gestionar o pagar por su uso a largo plazo.<\/p>\n De hecho, la convergencia de estos tres factores ha permitido hacer realidad las promesa de las redes neuronales realizadas hace sesenta a\u00f1os: las redes innovadoras actuales son capaces de clasificar las im\u00e1genes m\u00e1s r\u00e1pidamente y con mayor precisi\u00f3n que cualquier ser humano (con menos de un 3% de error, en comparaci\u00f3n al 5% para los seres humanos). Dispositivos como Amazon Echo entienden el lenguaje natural y pueden respondernos. Los veh\u00edculos aut\u00f3nomos se est\u00e1n haciendo realidad. Y la lista de aplicaciones basadas en Inteligencia Artificial crece cada d\u00eda. \u00bfTe gustar\u00eda a\u00f1adir la tuya a este listado?<\/p>\n <\/p>\n Julien Simon<\/strong> Principal Evangelist ML\/AI, EMEA en Amazon Web Services<\/p>\n <\/p>\n <\/p>\n En 1956, un peque\u00f1o grupo de cient\u00edficos inform\u00e1ticos dirigidos por John McCarthy organiz\u00f3 un seminario dedicado a la Inteligencia Artificial, que estableci\u00f3 la base para esta tecnolog\u00eda tal y como la conocemos en la actualidad. El t\u00e9rmino tambi\u00e9n fue inventado por el mismo McCarthy, quien lo defini\u00f3 como \u201ccualquier aspecto del aprendizaje o de cualquier […]<\/p>\n","protected":false},"author":2,"featured_media":94182,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[8285,39369,28598,42674,10645,15815,48623,26149,52124],"wps_subtitle":"","_links":{"self":[{"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/posts\/94181"}],"collection":[{"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/comments?post=94181"}],"version-history":[{"count":0,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/posts\/94181\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/media\/94182"}],"wp:attachment":[{"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/media?parent=94181"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/categories?post=94181"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.agendaempresa.com\/wp-json\/wp\/v2\/tags?post=94181"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\u201cLas redes innovadoras actuales son capaces de clasificar las im\u00e1genes m\u00e1s r\u00e1pidamente y con mayor precisi\u00f3n que cualquier ser humano (con menos de un 3% de error, en comparaci\u00f3n al 5% para los seres humanos)\u201d<\/h4>\n
![\"\"](\"http:\/\/www.agendaempresa.com\/wp-content\/uploads\/2018\/10\/Julien-Simon-145x145.jpg\")
<\/p>\nArt\u00edculo incluido en el especial sobre IA<\/a> incluido en el\u00a0n\u00famero de octubre<\/a>\u00a0de la revista\u00a0Agenda de la Empresa<\/a><\/h6>\n","protected":false},"excerpt":{"rendered":"