Deep Learning II

En la actualidad las restricciones que limitan el entrenamiento de los algoritmos las que en cierta medida limitan su potencia de avance, pues se requieren de conjuntos de datos para su entrenamiento, a menudo son etiquetados manualmente por los humanos, para que los algoritmos aprendan de forma efectiva, en el ámbito de la visión artificial, estos logren detectar objetos e imágenes de forma automática y han de ser entrenados previamente con un buen conjunto de imágenes etiquetadas.

Posiblemente el futuro del Machine Learning pase a un giro hacia el aprendizaje automatizado, en este tipo de paradigma los algoritmo ya serán capaces de aprender por si mismo sin intervención humana, excluyendo a los mismos con conclusiones acerca de la semántica obtenida por la Big Data , ya existen compañías que se han centrado completamente en el enfoque del autoaprendizaje 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.

Este tipo de disciplina automatizada ha empezado una ebullición gracias a la aplicación en la Big dATA  y el IoT. No han dejado de aparecer en sus avances las mejores de algoritmos que ya heran más que tradicionales, desde conjuntos de clasificaciones (Ensemble Learning) hasta el Deep Learning, ya esta es una moda en la actualidad dada su capacidad de acercarse más a la potencia perceptiva de los seres humanos

Muy posiblemente en el futuro el autoaprendizaje automatizado pase a convertirse en un giro no supervisado.

“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.”

Estos modelos computacionales de Deep Learning imitan ciertas características en una arquitectura como la del sistema nervioso, permitiéndole adentrarse al sistema global de redes de unidades en procesos que se especializan en la detención de determinadas características ocultas en los datos, este enfoque ha permitido mejores resultados a la hora de realizar tareas de percepción computacional, si las comparamos con redes monolíticas de neuronas artificiales.

Hasta hora hemos visto la computación cognitiva en que se basa en la integración de procesos típicamente psicológicos, como el propio aprendizaje y lenguaje humano, en los próximos años veremos cómo los sistemas cognitivos artificiales logran expandirse en múltiples aplicaciones de un ecosistema digital

Tal motivación y la emoción de como da forma este tipo de sistema artificiales que va acercándose cada ve más al nivel de la inteligencia humana e incluso adelantándola en ConsScale.