1. IA 2024 - Tema 01 - Lectura 03_OK.pdf

Tema 1. Descubriendo el Poder de la Inteligencia Artificial

Deep Learning (DL)

Introducción a la Inteligencia Artificial Generativa

Lectura 3.

El Deep Learning (DL) es un subcampo del Machine Learning (ML) que utiliza redes neuronales artificiales para aprender y realizar tareas complejas. Las redes neuronales artificiales, inspiradas en el funcionamiento del cerebro humano, procesan información de manera jerárquica, permitiendo a los sistemas aprender representaciones abstractas de los datos. Están, compuestas por capas de neuronas artificiales que procesan información y aprenden a realizar tareas como la clasificación, detección de objetos, traducción automática y generación de contenido. Algo importante a considerar es que hay redes neuronales que no pertenecen al mundo de DL, aunque la gran mayoría de modelos de DL son redes neuronales. Por esta razón, los términos se utilizan de manera intercambiable. ¿Sabías que gran parte de la revolución actual en IA se debe al uso exitoso de redes neuronales? En 2012, en la competencia de detección de imágenes ImageNet, un sistema de redes neuronales convolucionales llamado AlexNet ganó la competencia, superando el sistema del año anterior por 10 puntos porcentuales (en comparación, la diferencia entre el ganador de 2011 y 2010 fue de 2 puntos porcentuales). La gran mayoría de sistemas de AI de los que escuchas hablar hoy en día, durante el BOOM de AI, son redes neuronales. A continuación, te describimos cuatro ejemplos comunes en los que se utiliza el DL. Notarás que, independientemente de si se trata de detección de objetos en imágenes o de autos que se conducen de forma autónoma, el entrenamiento de los modelos de datos se realiza de forma similar.

5 min.

Deep Learning (DL)

Introducción a la Inteligencia Artificial Generativa

| Lectura 3

Descubriendo el Poder de la Inteligencia Artificial

| Tema 1

BEDU • Todos los derechos reservados | Powered by LOTTUS EDUCATION

Lectura 3

Primero, se recopilan miles de imágenes etiquetadas con las ubicaciones de los objetos que se quieren detectar. Luego, estas se utilizan para entrenar un modelo de red neuronal profunda, como una red neuronal convolucional (CNN). Durante el entrenamiento, el modelo aprende características relevantes de los objetos, como formas, colores y texturas.

Detección de objetos en imágenes

Reconocimiento de voz Primero, se recopilan cientos de miles de grabaciones de voz con sus transcripciones correspondientes. Luego, estas grabaciones se convierten en numéricas llamadas con palabras o frases. El modelo ajusta sus pesos para minimizar los errores entre las transcripciones predichas y las reales. Una vez completado el entrenamiento, el modelo puede transcribir automáticamente el habla en texto con una precisión cada vez mayor.

Se recopilan miles o millones de textos traducidos, que luego, se preparan y procesan. A continuación, se selecciona una arquitectura de red neuronal adecuada y se entrena el modelo utilizando estos datos, ajustando sus pesos para minimizar los rrores de traducción. Posteriormente, se valida y ajusta el modelo en función de su rendimiento en datos no vistos durante el entrenamiento. Una vez finalizado el entrenamiento, el modelo está capacitado para traducir texto de un idioma a otro.

Traducción automática

BEDU • Todos los derechos reservados | Powered by LOTTUS EDUCATION

Lectura 3

Trigos Sena, J. M. (2023). Reconocimiento y clasificación de imágenes utilizando técnicas de aprendizaje profundo (Deep Learning). Dpto. Teoría de la Señal y Comunicaciones Escuela Técnica Superior de Ingeniería Universidad de Sevilla.

Sol, A. H. (2021). Sistema de ubicación y reconocimiento de objetos para robot autónomo. Revista Tecnología Digital. Vol, 11(2), 69-78.

Gegúndez Arias, M. E., & Pérez Borrero, I. (2021). Deep learning: fundamentos, teoría

| Referencias:

El modelo aprende a tomar decisiones de conducción seguras y eficientes en diversas situaciones. Una vez completado el entrenamiento, el vehículo autónomo puede utilizar estos modelos para percibir su entorno y tomar decisiones en tiempo real mientras conduce de manera autónoma.

Se recopilan millones de datos de conducción real, que incluyen imágenes de cámaras y datos de sensores. Estos datos se utilizan para entrenar modelos de inteligencia artificial, como redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), los cuales aprenden a reconocer patrones en la carretera, como vehículos, peatones, señales de tráfico y carriles.

Desarrollo de vehículos autónomos

Poco a poco, el modelo mejora su capacidad para identificar y delimitar objetos en nuevas imágenes. Una vez completado el entrenamiento, el modelo puede analizar imágenes nuevas y predecir con precisión qué objetos están presentes y dónde se encuentran en la imagen.

BEDU • Todos los derechos reservados | Powered by LOTTUS EDUCATION

Lectura 3