Machine Learning España #190205

Machine Learning España es el resumen principal de noticias de Machine Learning (Aprendizaje Automático) y Deep Learning (Aprendizaje Profundo) de España.

Los principales desarrollos a nivel mundial en este campo, ya sean nuevas tecnologías, compañías o productos, procesados y simplificados para que lo puedas tener de forma fácil, simple y gratis!

Los ejemplos y tutoriales de Machine Learning permiten que los nuevos contenidos, muchas veces de gran complejidad, sean accesibles para una audiencia más amplia. A su vez, las técnicas y algoritmos de Machine Learning, ofrecen los últimos avances en investigación de forma más interesante y simple de comprender. Se incluye, también, ejemplos y técnicas de Python, ya que es uno de los lenguajes más utilizados en este campo.

Este contenido se complementa con información específica para España.

Las limitaciones de Deep Learning

Lo más sorprendente de Deep Learning es lo simple que es. Hace diez años, nadie esperaba que se lograran resultados tan sorprendentes en los problemas de percepción por parte de los ordenadores mediante el uso de modelos paramétricos simples entrenados con gradiente de pendiente (gradient descent). Ahora, resulta que todo lo que necesita son modelos paramétricos suficientemente grandes entrenados con pendiente de gradiente en suficientes ejemplos. Como Feynman dijo una vez sobre el universo, "no es complicado, es mucho".

En Deep Learning, todo es un vector, es decir, todo es un punto en un espacio geométrico. Las entradas del modelo (podría ser texto, imágenes, etc.) y los objetivos se "vectorizan" primero, es decir, se convierten en un espacio de vector de entrada inicial y un espacio de vector de destino. Cada capa en un modelo de Deep Learning opera una transformación geométrica simple en los datos que la atraviesan. Juntas, la cadena de capas del modelo forma una transformación geométrica muy compleja, dividida en una serie de transformaciones simples. Esta transformación compleja intenta asignar el espacio de entrada al espacio objetivo, un punto a la vez. Esta transformación está parametrizada por los pesos de las capas, que se actualizan de forma iterativa según el rendimiento del modelo que se entrena. Una característica clave de esta transformación geométrica es que debe ser diferenciable, lo que es requerido para que se puedan aprender sus parámetros a través del gradiente de pendiente. Intuitivamente, esto significa que la transformación geométrica de las entradas a las salidas debe ser suave y continua, una restricción significativa.

Todo el proceso de aplicación de esta compleja transformación geométrica a los datos de entrada se puede visualizar en 3D imaginando a una persona que intenta desmenuzar una bola de papel: la bola de papel arrugada es la variedad de los datos de entrada con los que comienza el modelo. Cada movimiento operado por la persona sobre la bola de papel es similar a una transformación geométrica simple operada por una capa. La secuencia completa de gestos no arrugados es la transformación compleja de todo el modelo. Los modelos de Deep Learning son máquinas matemáticas para deshacer múltiples datos complejos de alta dimensión.

https://bit.ly/2u2egNi

 

Cómo la mano de obra barata impulsa las Ambiciones de Inteligencia Artificial de China

Algunos de los trabajos más críticos para avanzar en los objetivos tecnológicos de China tienen lugar en una antigua fábrica de cemento en el corazón del país, lejos de los aspirantes a los Silicon Valleys de Beijing y Shenzhen. En medio del patio todavía hay una mezcladora de concreto dejada, perdida. Cajas de vajilla de melamina se apilan en un almacén al lado.
En el interior, Hou Xiameng dirige una empresa que ayuda a la Inteligencia Artificial y Machine Learning a dar sentido al mundo. Dos docenas de jóvenes pasan por fotos y videos, etiquetando casi todo lo que ven. Eso es un coche. Eso es un semáforo. Eso es pan, eso es leche, eso es chocolate. Eso es lo que parece cuando una persona camina.
En China, la extensión de fábricas más grande del mundo, una nueva generación de trabajadores de bajos salarios está sentando las bases del futuro. Surgieron nuevas empresas en ciudades más pequeñas y más baratas para aplicar etiquetas a las enormes cantidades de imágenes y grabaciones de vigilancia de China. Si China es la Arabia Saudita de los datos, como dice un experto, estas empresas son las refinerías, convirtiendo los datos en bruto en el combustible que puede impulsar las ambiciones de Inteligencia Artificial de China.

https://nyti.ms/2zrQY7E

 

Cómo la Inteligencia Artificial y Machine Learning mejoran el tráfico de comunicaciones en tiempo real

Las redes modernas están provocando un cambio sísmico en la forma en que las comunicaciones en tiempo real atraviesan las redes IP para tomar las rutas más óptimas. Las técnicas de la generación anterior para gestionar el tráfico requerían escenarios estáticos "si X, luego Y" para ser preprogramados en redes en una base de salto por salto utilizando la tecnología heredada de calidad de servicio. Pero gracias a los avances en Machine Learning e Inteligencia Artificial, las redes pueden aprovechar la visibilidad de la red de extremo a extremo y el redireccionamiento dinámico de los flujos de datos para mejorar considerablemente el rendimiento y la confiabilidad del tráfico de comunicaciones en tiempo real.

Las redes heredadas dependen de la calidad de servicio tradicional (QoS) para ayudar a mejorar la confiabilidad de los flujos de datos de comunicación en tiempo real, como voz y vídeo. QoS utiliza un proceso de identificación, marcado y cumplimiento de políticas de tres pasos para brindar un tratamiento preferencial a los flujos críticos, incluidas las aplicaciones de transmisión en tiempo real.

Se requiere la identificación de los datos para que el sistema pueda saber qué paquetes deben ser favorecidos sobre otros. Durante años, este proceso fue a menudo manual, en el que un administrador de red ha configurado reglas para identificar paquetes IP en función de factores como la dirección IP de origen y destino, el protocolo y el número de puerto. Los administradores de red también tenían que editar constantemente las reglas cuando ocurrían cambios en la red o en las aplicaciones.

Si bien QoS ofreció una manera de mejorar la confiabilidad de las comunicaciones en tiempo real, fue incómodo de administrar debido a los métodos de configuración manual, así como al hecho de que cada router o switch a lo largo de una ruta de flujo de datos tenía que administrarse por separado. Así, cuando la Inteligencia Artificial y Machine Learning comenzaron a ganar impulso en la red, uno de los primeros escenarios de casos de uso fue asumir el desafío de simplificar y mejorar el tráfico de comunicaciones en tiempo real.

Tres tecnologías son responsables de estas mejoras: inspección de la aplicación de Capa 7, un plano de control centralizado y reencaminamiento dinámico de flujos de datos individuales.

https://bit.ly/2t581bS

 
Tu opinión es muy importante! Deja tu comentario con sugerencias o ideas de cómo mejorar este servicio.

Puedes seguir noticias y eventos en facebook: https://www.facebook.com/machinelearningespana

#machinelearning #deeplearning #espana #españa