Aprendizaje automático dinámico inspirado en el sistema de procesamiento visual

Innovación: Industria

Redes neuronales convolucionales

Imagen: v2osk / Unsplash / CC BY SA - Reconocimiento de Creative Commons + ShareAlike

Aprender

Los sistemas vivos obtienen información de su entorno y la utilizan para encontrar pareja y recursos, y para escapar de las amenazas. Algunas reacciones a la información recopilada son comportamientos instintivos o innatos, no basados en experiencias previas. Pero otras reacciones se basan en experiencias previas, lo que significa que, en algún nivel, el sistema vivo está aprendiendo. El aprendizaje puede implicar que un sistema vivo pase información a otro sistema vivo, o que un sistema vivo obtenga información y la use en un ciclo de retroalimentación. Esa información puede incluir conocimiento, experiencia, comportamiento y habilidades. El aprendizaje tiene lugar cuando la información que es nueva para el receptor se utiliza para modificar el comportamiento o las habilidades existentes. La fabricación y el uso de herramientas por parte de algunas especies de aves y mamíferos es un comportamiento aprendido. Si un chimpancé usa un palo para sacar hormigas de un hormiguero y continúa haciéndolo, ha aprendido ese comportamiento. Si otro chimpancé observa esta técnica y la replica, ha aprendido del primer chimpancé.

Buscar esta función

Calcular

La computación permite que un organismo tome y procese información para tomar decisiones. Ya sea calculando qué tan rápido se mueve la presa o decidiendo dónde construir un nido, la computación es una parte importante de la vida de un organismo.

Buscar esta función

Codificar descodificar

Los organismos están constantemente tomando nueva información, procesándola y almacenando esa información como memorias. La información sensorial y los estímulos, como los sonidos, el olor, el tiempo y la organización espacial, se codifican junto con nuestros recuerdos. Ya sea que estemos aprendiendo una nueva habilidad o repitiendo una tarea que hemos hecho antes, podemos llamar y decodificar fácilmente esa información cuando la necesitemos.

Buscar esta función

Transducir/Convertir señales

A veces, una señal, como un sonido o una vibración, llega a un sistema vivo y debe convertirse en una forma diferente y utilizable. Esto requiere la conversión de un tipo de forma de energía a otra. Por ejemplo, los organismos con ojos tienen fotorreceptores en la parte posterior de los ojos que convierten la luz en pulsos eléctricos. Estos pulsos viajan al cerebro y le permiten registrar el color, la forma y los detalles.

Buscar esta función

Coordinar por autoorganización

Para crear y mantener una comunidad saludable de individuos y ecosistemas se requiere que los sistemas vivos coordinen sus actividades. La coordinación no significa necesariamente que haya un líder orquestando lo que sucede. En la naturaleza, la coordinación generalmente se logra a través de la autoorganización. En una bandada de gansos que vuelan en formación de V, por ejemplo, no hay un ganso líder que controle dónde vuelan todos los demás. La bandada utiliza esta formación porque cada ganso obtiene energía de los vórtices de aire creados por el ganso que tiene delante. El ganso líder no obtiene ese beneficio, así que cuando se cansa, retrocede y otro ganso toma la posición delantera.

Buscar esta función

Las redes neuronales convolucionales utilizan un algoritmo de aprendizaje profundo para procesar información de manera eficiente.

Beneficios

Eficiencia incrementada
Mayor precisión
Disminución del tiempo de procesamiento

Aplicaciones

Inteligencia artificial
Aprendizaje automático

Objetivos de desarrollo sostenible de la ONU abordados

Objetivo 9: Innovación e infraestructura de la industria

El Desafío

Las computadoras son capaces de procesar mucha información más rápido que los humanos. Sin embargo, cuando se trata de información visual, las computadoras se ralentizan para procesar la amplitud y variedad de información presentada en una imagen. La computadora necesita realizar un seguimiento de la información, creando una gran cantidad de almacenamiento y utilizando una gran cantidad de poder de cómputo.

Detalles de la innovación

Una red neuronal convolucional es un algoritmo que toma una imagen de entrada, asigna importancia a varios aspectos de la imagen y luego puede diferenciar entre los aspectos dentro de la imagen, similar al sistema de procesamiento visual humano. Todo el sistema informático puede identificar qué hay en la imagen porque los niveles de importancia se convierten en características en un mapa que la computadora reconoce. Este sistema puede procesar completamente toda la imagen sin crear una gran cantidad de datos adicionales.

La relación entre los componentes del sistema visual y las operaciones básicas de una red neuronal convolucional. Foto: Grace W. Lindsay/University College London.

Modelo biologico

El sistema visual humano se compone de varios tipos diferentes de células. Las celdas simples tienen "ubicaciones preferidas" en la imagen, lo que significa que responden más fuertemente a ciertos tipos de entradas (por ejemplo, una línea en un ángulo particular). Las células complejas reciben información de muchas células simples y, por lo tanto, tienen respuestas más invariantes espacialmente. Estas operaciones se replican en una red neuronal convolucional.

Ver contenido relacionado

a black background with brightly colored glowing neurons and other cells in the cortex of a mouse brain

Estrategia biológica

Detectar y compartir información

Humanos

Las neuronas ayudan a los organismos a reaccionar a los estímulos ambientales porque colaboran para sentir el entorno, compartir información y filtrar información sin importancia.

Preguntar a la naturaleza