{"id":5424,"date":"2022-01-19T20:56:24","date_gmt":"2022-01-19T19:56:24","guid":{"rendered":"https:\/\/telecomkh.info\/?p=5424"},"modified":"2022-01-19T20:56:24","modified_gmt":"2022-01-19T19:56:24","slug":"fujitsu-y-el-centro-de-cerebros-mentes-y-maquinas-del-mit-desarrollan-una-tecnologia-de-ia-inspirada-en-el-cerebro-humano-capaz-de-reconocer-datos-invisibles-con-gran-precision","status":"publish","type":"post","link":"https:\/\/telecomkh.info\/?p=5424","title":{"rendered":"Fujitsu y el Centro de Cerebros, Mentes y M\u00e1quinas del MIT desarrollan una tecnolog\u00eda de IA inspirada en el cerebro humano capaz de reconocer datos invisibles con gran precisi\u00f3n"},"content":{"rendered":"

Fujitsu Limited y el Centro de Cerebros, Mentes y M\u00e1quinas (CBMM, siglas en ingl\u00e9s), con sede en el Massachusetts Institute of Technology (MIT), han logrado un importante hito en una iniciativa conjunta para mejorar la precisi\u00f3n de los modelos de inteligencia artificial (IA)<\/strong><\/p>\n

Los resultados de la investigaci\u00f3n entre Fujitsu y el CBMM se publican en un art\u00edculo en el que se discuten los principios computacionales que se inspiran en la neurociencia para permitir que los modelos de IA reconozcan datos no vistos (fuera de distribuci\u00f3n, OOD) (1) que se desv\u00edan de los datos de entrenamiento originales. Los aspectos m\u00e1s destacados del art\u00edculo se presentar\u00e1n en la NeurIPS 2021 (Conferencia sobre Sistemas de Procesamiento de Informaci\u00f3n Neuronal) (2), mostrando mejoras en la precisi\u00f3n de los modelos de IA.
\nLa llegada de las redes neuronales profundas (DNN) en los \u00faltimos a\u00f1os ha contribuido a una creciente variedad de aplicaciones en el mundo real para la IA y las tecnolog\u00edas de aprendizaje autom\u00e1tico, incluyendo tareas como la detecci\u00f3n de defectos para la industria manufacturera y el diagn\u00f3stico por im\u00e1genes en el campo m\u00e9dico. Aunque estos modelos de IA pueden demostrar a veces un rendimiento igual o mejor que el de los humanos, siguen existiendo retos, ya que la precisi\u00f3n del reconocimiento tiende a deteriorarse cuando las condiciones ambientales, como la iluminaci\u00f3n y la perspectiva, difieren significativamente de las de los conjuntos de datos utilizados durante el proceso de entrenamiento.
\nPara resolver este problema, los investigadores de Fujitsu y el CBMM han avanzado conjuntamente en la comprensi\u00f3n de los principios de la IA que permiten el reconocimiento de datos OOD con gran precisi\u00f3n, dividiendo la DNN en m\u00f3dulos -por ejemplo, la forma y el color, entre otros atributos- adoptando un enfoque \u00fanico inspirado en las caracter\u00edsticas cognitivas de los seres humanos y la estructura del cerebro. Un modelo de IA que utiliza este proceso fue calificado como el m\u00e1s preciso en una evaluaci\u00f3n que mide la exactitud del reconocimiento de im\u00e1genes frente a la referencia \u00abCLEVR-CoGenT\u00bb (3), como se muestra en el documento presentado por el grupo en NeurIPS.
\nEl Dr. Seishi Okamoto, Fellow de Fujitsu Limited coment\u00f3 \u00abDesde 2019, Fujitsu ha participado en la investigaci\u00f3n conjunta con el CBMM del MIT para profundizar en nuestra comprensi\u00f3n de c\u00f3mo el cerebro humano sintetiza la informaci\u00f3n para generar un comportamiento inteligente, persiguiendo c\u00f3mo realizar dicha inteligencia como IA y aprovechando este conocimiento que contribuye a resolver los problemas a los que se enfrentan una variedad de industrias y la sociedad en general. Este logro marca un hito importante para el desarrollo futuro de la tecnolog\u00eda de IA que podr\u00eda ofrecer una nueva herramienta para entrenar modelos que puedan responder con flexibilidad a diferentes situaciones y reconocer incluso datos desconocidos que difieran considerablemente de los de entrenamiento originales con gran precisi\u00f3n. Y esperamos con inter\u00e9s las emocionantes posibilidades del mundo real que esto abre.\u00bb
\nEl Dr. Tomaso Poggio, catedr\u00e1tico Eugene McDermott del Departamento de Ciencias Cerebrales y Cognitivas del MIT y director del Centro de Cerebros, Mentes y M\u00e1quinas, se\u00f1al\u00f3: \u00abExiste una brecha significativa entre las DNN y los humanos cuando se eval\u00faan en condiciones fuera de distribuci\u00f3n, lo que compromete seriamente las aplicaciones de la IA, especialmente en t\u00e9rminos de su seguridad y equidad. La investigaci\u00f3n inspirada en la neurociencia puede dar lugar a nuevas tecnolog\u00edas capaces de superar el sesgo de los conjuntos de datos. Los resultados obtenidos hasta ahora en este programa de investigaci\u00f3n son un buen paso en esta direcci\u00f3n\u00bb.
\nLas posibles aplicaciones futuras pueden incluir una IA para la vigilancia del tr\u00e1fico que pueda responder a los cambios en las distintas condiciones de observaci\u00f3n y una IA de diagn\u00f3stico de im\u00e1genes m\u00e9dicas que pueda reconocer correctamente los distintos tipos de lesiones.<\/p>\n

Sobre el nuevo m\u00e9todo<\/strong>
\nLos resultados de la investigaci\u00f3n se centran en el hecho de que el cerebro humano puede captar y clasificar con precisi\u00f3n la informaci\u00f3n visual, aunque haya diferencias en las formas y los colores de los objetos que percibimos. El nuevo m\u00e9todo calcula un \u00edndice \u00fanico basado en la forma en que un objeto es percibido por las neuronas y en c\u00f3mo la DNN clasifica las im\u00e1genes de entrada. El modelo fomenta el aumento del \u00edndice con el fin de mejorar el reconocimiento de los objetos de ejemplo OOD con mayor eficacia.
\nHasta ahora se supon\u00eda que el mejor m\u00e9todo para crear un modelo de IA con alta precisi\u00f3n de reconocimiento era entrenar la DNN como un \u00fanico m\u00f3dulo sin dividirla. Sin embargo, al dividir la DNN en m\u00f3dulos separados en funci\u00f3n de las formas, los colores y otros atributos de los objetos bas\u00e1ndose en el nuevo \u00edndice desarrollado, los investigadores de Fujitsu y CBMM han conseguido una mayor precisi\u00f3n de reconocimiento.<\/p>\n

Planes futuros<\/strong>
\nFujitsu y el CBMM esperan seguir perfeccionando los resultados para desarrollar una IA capaz de emitir juicios flexibles similares a los humanos, con el objetivo de aplicarla en diversos \u00e1mbitos como la fabricaci\u00f3n y la atenci\u00f3n m\u00e9dica.<\/p>\n

Acerca del Center for Brains, Minds, and Machines at MIT<\/strong>
\nEs un centro cient\u00edfico y tecnol\u00f3gico multiinstitucional de la NSF con sede en el MIT, que se dedica a desarrollar una comprensi\u00f3n de la inteligencia humana basada en la computaci\u00f3n y a establecer una pr\u00e1ctica de ingenier\u00eda basada en esa comprensi\u00f3n. El CBMM re\u00fane a inform\u00e1ticos, cient\u00edficos cognitivos y neurocient\u00edficos para crear un nuevo campo: la Ciencia e Ingenier\u00eda de la Inteligencia.
\nEste trabajo ha sido financiado en parte por el Center for Brains, Minds and Machines (CBMM), financiado por el premio NSF STC CCF – 1231216.<\/p>\n

Notas<\/span>
\n– [1] Datos OOD:<\/span>
\nDatos sustancialmente diferentes de los observados durante el entrenamiento de la IA.<\/span>
\n– [2] Presentado en NeurIPS:\u3000<\/span>
\n\u00ab\u00bfC\u00f3mo de modulares deben ser las redes de m\u00f3dulos neuronales para la generalizaci\u00f3n sistem\u00e1tica?\u00bb;\u00a0<\/span>
\n-[ 3] Conjunto de datos CLEVR-CoGenT:<\/span>
\nUna referencia desarrollada por la Universidad de Stanford para medir la capacidad de una IA de reconocer nuevas combinaciones de objetos y atributos.<\/span>
\nhttps:\/\/cs.stanford.edu\/people\/jcjohns\/clevr\/<\/span><\/p>\n

Arriba, en la imagen: Principios que permiten a la IA lograr una alta precisi\u00f3n de reconocimiento de datos OOD utilizando un \u00edndice original que indica el grado de reconocimiento de im\u00e1genes de la IA \/ cortes\u00eda de Fujitsu<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Fujitsu Limited y el Centro de Cerebros, Mentes y M\u00e1quinas (CBMM, siglas en ingl\u00e9s), con sede en el Massachusetts Institute of Technology (MIT), han logrado un importante hito en una iniciativa conjunta para mejorar la precisi\u00f3n de los modelos de inteligencia artificial (IA) Los resultados de la investigaci\u00f3n entre Fujitsu y el CBMM se publican … <\/p>\n

Continue reading \u00abFujitsu y el Centro de Cerebros, Mentes y M\u00e1quinas del MIT desarrollan una tecnolog\u00eda de IA inspirada en el cerebro humano capaz de reconocer datos invisibles con gran precisi\u00f3n\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":5425,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[9],"tags":[],"_links":{"self":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/5424"}],"collection":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5424"}],"version-history":[{"count":1,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/5424\/revisions"}],"predecessor-version":[{"id":5426,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/posts\/5424\/revisions\/5426"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=\/wp\/v2\/media\/5425"}],"wp:attachment":[{"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5424"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5424"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/telecomkh.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5424"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}