Saltar al contenido

Aplicaciones del Big Data y Deep Learning en empresas

4 mayo 2020
| Bloque de Anuncios |

El Machine Learning o Aprendizaje Automático es actualmente el derivado de mayor crecimiento de la IA. El Aprendizaje Profundo tiene redes que son capaces de aprender, sin supervisión, a partir de datos en gran parte no estructurados y no etiquetados.


La era digital ha traído consigo una explosión de datos procedentes de diversas fuentes, entre ellas, pero no exclusivamente, los medios sociales, los motores de búsqueda, las plataformas de comercio electrónico, los vídeos en línea, los sensores y otros. Todos estos datos, en volúmenes muy grandes, se denominan típicamente «Big Data» y, como puede verse, muchos de estos datos están desestructurados.

El análisis de estos datos para encontrar algunas correlaciones y patrones y, por lo tanto, la respuesta a ciertas preguntas se conoce generalmente como Big Data Analytics.

El Aprendizaje Automático es un algoritmo auto-adaptativo que mejora cada vez más el análisis y la determinación de patrones con la experiencia o con nuevos datos añadidos. Mientras que el aprendizaje automático clásico es en su mayor parte lineal, el aprendizaje profundo utiliza un nivel jerárquico de redes neuronales artificiales que pueden ser concebidas como una cascada de unidades de procesamiento no lineales.

| Bloque de Anuncios |

Cada capa sucesiva toma la salida de la capa anterior como entrada para finalmente llevar a cabo la extracción de características e información. La mayoría de los modelos actuales de aprendizaje profundo son redes neuronales artificiales, lo que significa que están construidas algo así como un cerebro humano con nodos neuronales en varios niveles conectados entre sí como una red.

Generación automática de subtítulos de imágenes

Esto implica la identificación de los objetos en las imágenes, asociando etiquetas con ellos y luego encadenando estas etiquetas en una o más frases coherentes. Técnicamente hablando, esto implica el uso de redes neuronales convolucionales muy grandes para la detección y etiquetado de objetos y luego el uso de Redes Neuronales Recurrentes para convertir las etiquetas en frases coherentes.

Generación automática de texto

Esto implica el aprendizaje de un corpus de texto y luego la generación de un nuevo texto sobre la base de este aprendizaje, palabra por palabra o carácter por carácter. El modelo desarrolla capacidades para aprender a deletrear, puntuar, formar oraciones e incluso capturar el estilo del texto en el corpus que ha «estudiado». Típicamente, se utilizan grandes redes neuronales recurrentes para esto.

Deep Learning en el sector de la salud

Este apasionante ámbito abarca toda una gama de aplicaciones como el diagnóstico, incluidos los diagnósticos no invasivos, la supervisión de determinados parámetros a través de aplicaciones utilizando una variedad de sensores, la predicción de la salud y las probables dolencias y la prescripción de medicina personalizada sobre la base de los datos del Biobanco.

Las innovaciones en la IA y el Aprendizaje Profundo están haciendo avanzar el futuro de la medicina de precisión y la gestión de la salud de la población de manera increíble. Gracias a la IA, la detección asistida por ordenador, las imágenes cuantitativas y el diagnóstico asistido por ordenador se generalizarán en la próxima década.

Deep Learning en Finanzas

Hoy en día, las acciones se negocian frecuentemente a través de bolsas electrónicas. Los comerciantes están continuamente presentando, cancelando y ejecutando órdenes de compra y venta en el libro de órdenes de límite de la bolsa. Dado que los acontecimientos del mercado suelen notificarse con una granularidad de nanosegundos, los datos del libro de órdenes limitadas que se generan a lo largo del tiempo se convierten en terabytes y petabytes.

Los algoritmos de aprendizaje profundo pueden modelar cantidades clave, como la distribución de probabilidad de los movimientos futuros de los precios, dado el estado actual de la oferta y la demanda en el mercado.

Deep Learning en fabricación

La fabricación inteligente se refiere al uso de análisis de datos avanzados para complementar la ciencia física para mejorar el rendimiento del sistema y la toma de decisiones. Con el despliegue generalizado de sensores y de la IO (Internet de las cosas), existe una creciente necesidad de manejar grandes datos de fabricación caracterizados por un gran volumen, alta velocidad y gran variedad.

El aprendizaje profundo proporciona herramientas analíticas avanzadas para procesar y analizar grandes datos de fabricación.

Predicciones demográficas y resultados de elecciones

50 millones de imágenes de Google Street View se utilizaron para explorar lo que una red de aprendizaje profundo puede hacer con ellas. Entre los impresionantes resultados, el ordenador aprendió a localizar y reconocer coches. Detectó más de 22 millones de coches, incluyendo su marca, modelo, tipo de carrocería y año.

Yendo más allá, el modelo fue capaz de predecir la demografía de cada área por la composición de los coches de esa área. Entre los muchos datos que se generaron basados en la demografía deducida de la composición del coche, aquí hay un ejemplo genial: «Si el número de sedanes encontrados durante un recorrido de 15 minutos por una ciudad es mayor que el número de camionetas, es probable que la ciudad vote por un demócrata en las próximas elecciones presidenciales (88% de probabilidad); de lo contrario, es probable que vote por un republicano (82% de probabilidad).

| Bloque de Anuncios |