OPINIÓN DEL CIO actividades de acuerdo con los requisitos de cada cliente . El rendimiento del hardware de AMD y el software asociado también proporciona beneficios significativos para el proceso de desarrollo y prueba de los sistemas de inteligencia artificial .
Una red neuronal podría hacer una declaración , y luego el algoritmo aplica este aprendizaje a los datos , buscando y categorizando los elementos definidos . Este proceso puede mejorar con el tiempo con la ayuda de la información proporcionada por las personas .
El algoritmo de la red neuronal ajusta todas las decisiones futuras en función de la información recibida , lo que resulta en una recopilación de datos más precisa .
Actualmente , una plataforma informática basada en las últimas tecnologías de AMD ( AMD EPYC CPU y Radeon Instinct GPU ) puede desarrollar y probar una nueva aplicación inteligente en días o semanas , un proceso que solía llevar años .
Por ejemplo , si la información proporcionada fuera que “ cada forma tiene varias variaciones ”, el algoritmo podría organizar los resultados de la siguiente manera : Google contrató a fotógrafos profesionales y especialistas en documentales para proporcionar pautas técnicas para entrenar el algoritmo basado en redes neuronales detrás de su cámara inteligente , Clips .
Descripción del aprendizaje automático y el aprendizaje profundo
Los actuales sistemas de inteligencia informática ML y DL de última generación pueden ajustar las operaciones después de la exposición continua a datos y otros tipos de información . Si bien están relacionados en la naturaleza , existen diferencias sutiles que distinguen estos campos dentro de la informática .
ML se refiere a un sistema que puede aprender activamente por sí mismo , en lugar de simplemente recibir y procesar información pasivamente . El sistema informático está codificado para responder a la información dada como si fuera humana , utilizando algoritmos que analizan los datos en busca de patrones o estructuras . Los algoritmos de ML están diseñados para mejorar el rendimiento con el tiempo , ya que están expuestos a más datos .
Cuando un humano reconoce algo , ese reconocimiento ocurre instantáneamente . Para ayudar a imitar este proceso , los algoritmos de ML utilizan redes neuronales . Al igual que el proceso de aprendizaje humano , el cálculo en redes neuronales clasifica los datos en función de elementos reconocidos dentro de la imagen .
La tasa de éxito de la clasificación correcta puede mejorar con el tiempo a través de la retroalimentación proporcionada por humanos “ expertos ”, ayudando al sistema a aprender y discernir las decisiones correctas de las incorrectas , con el objetivo de lograr la máxima eficiencia y una mayor precisión . El algoritmo de la red neuronal ajusta todas las decisiones futuras en función de la retroalimentación recibida . Este proceso imita el reconocimiento humano entrenando a la red para producir el resultado deseado .
La información proporcionada ayudó a la cámara a ser más intuitiva no solo en los aspectos técnicos de la fotografía digital , sino también en la anticipación de cualidades más abstractas en la captura de momentos memorables .
DL se centra en un subconjunto de ML que va aún más lejos para resolver problemas , inspirado en cómo el cerebro humano reconoce y recuerda la información sin la participación externa de expertos para dirigir el proceso .
Las aplicaciones de DL deben acceder a grandes cantidades de datos de los que aprenden . Los algoritmos de DL utilizan redes neuronales profundas para acceder a amplios conjuntos de información , explorarlos y analizarlos , por ejemplo , todos los archivos de música en Spotify o Pandora para hacer sugerencias de música continuas , basadas en las preferencias de un usuario específico .
El principal factor distintivo entre DL y ML es la representación de los datos . Por ejemplo , en el ejemplo mencionado anteriormente de la cámara Clips ML de Google , se necesitaba la participación de fotógrafos profesionales para entrenar el sistema .
Sin embargo , en los sistemas DL , no se requieren expertos para la identificación precisa de características . Los datos , ya sea una imagen , un artículo de noticias o una canción , se evalúan en su forma natural , sin procesar , con una transformación mínima . Este proceso de capacitación no supervisada a veces se conoce como aprendizaje de representación . Durante el entrenamiento , el algoritmo DL aprende progresivamente de los datos para mejorar la precisión de sus conclusiones ( también conocidas como inferencias ). p
46 INTELLIGENTCIO LATAM www . intelligentcio . com / latam-es