TensorFlow: 5 cosas que puedes enseñar a las máquinas

5 cosas que puedes enseñar a las máquinas gracias a TensorFlow

Si bien todavía estamos asombrados con las primeras aplicaciones de la tecnología de aprendizaje automático, esta continúa evolucionando a un ritmo acelerado, presentándonos algoritmos y ramas más avanzadas como Deep Learning.

Leonardo Mayorga.

El aprendizaje profundo utiliza algoritmos conocidos como redes neuronales, que se inspiran en los sistemas nerviosos biológicos, como el cerebro. Permite a las computadoras identificar cada uno de los datos de los que representa y aprender patrones.

La principal herramienta de software de aprendizaje profundo es TensorFlow. Es una biblioteca de inteligencia artificial de código abierto, que utiliza gráficos de flujo de datos para construir modelos. Permite a los desarrolladores crear redes neuronales a gran escala con muchas capas. TensorFlow se utiliza principalmente para: clasificación, percepción, comprensión, descubrimiento, predicción y creación. TensorFlow posee la capacidad de actuar en distintos casos y, a continuación, vamos a repasar los más comunes.

Reconocimiento de voz/sonido

Uno de los casos de uso más conocidos de TensorFlow son las aplicaciones basadas en sonido. Con la alimentación de datos adecuada, las redes neuronales son capaces de comprender las señales de audio. Estas pueden ser:

  • Reconocimiento de voz: se utiliza principalmente en IoT, Automoción, Seguridad y UX/UI
  • Búsqueda por voz: utilizada principalmente en telecomunicaciones, fabricantes de teléfonos móviles
  • Análisis de sentimiento: utilizado principalmente en la gestión de la relación con clientes (CRM)
  • Detección de fallas (ruido del motor): se utiliza principalmente en Automoción y Aviación

Con respecto a los casos de uso comunes, todos estamos familiarizados con la búsqueda por voz y los asistentes activados por voz con los nuevos teléfonos inteligentes de amplia distribución, como Siri de Apple, Google Now para Android y Microsoft Cortana para Windows Phone.

La comprensión del lenguaje es otro caso de uso común para el reconocimiento de voz. Las aplicaciones de voz a texto se pueden usar para determinar fragmentos de sonido en archivos de audio más grandes y transcribir la palabra hablada como texto.

Las aplicaciones basadas en sonido también se pueden utilizar en CRM. Un caso de uso podría ser: algoritmos TensorFlow representados por los agentes de servicio al cliente para encaminar a los usuarios a la información relevante que necesitan, y más rápido que los agentes humanos.

Aplicaciones basadas en texto

Otros usos populares de TensorFlow son aplicaciones basadas en texto, como análisis sentimental, detección de amenazas (redes sociales, gobierno) y detección de fraudes (seguros, finanzas).

La detección de idiomas es uno de los usos más populares de las aplicaciones basadas en texto. Google descubrió que, para textos más cortos, el resumen se puede aprender con una técnica llamada aprendizaje secuencia a secuencia. Esto se puede utilizar para producir titulares para artículos de noticias.

Otro caso de uso de Google es SmartReply. Que Genera automáticamente respuestas de correo electrónico.

Reconocimiento de imágenes

Este uso es empleado, principalmente, por los fabricantes de redes sociales, telecomunicaciones y teléfonos. El reconocimiento facial, la búsqueda de imágenes, la detección de movimiento, la visión artificial y el agrupamiento de fotos, también se pueden utilizar en las industrias automotriz, de aviación y de atención médica. El reconocimiento de imágenes tiene como objetivo reconocer e identificar personas y objetos en imágenes, así como comprender el contenido y el contexto.

Los algoritmos de reconocimiento de objetos de TensorFlow clasifican e identifican objetos arbitrarios dentro de imágenes más grandes. Esto se suele utilizar en aplicaciones de ingeniería para identificar formas con fines de modelado (construcción de espacios en 3D a partir de imágenes en 2D) y en las redes sociales para el etiquetado de fotos. Al analizar miles de fotos de árboles, por ejemplo, la tecnología puede aprender a identificar un árbol que nunca ha visto antes.

El reconocimiento de imágenes está comenzando a expandirse en la industria de la salud, también donde los algoritmos de TensorFlow pueden procesar más información y detectar más patrones que sus homólogos humanos.

Series de tiempo

Los algoritmos de serie temporal de TensorFlow se utilizan para analizar datos de series temporales con el fin de extraer estadísticas significativas. Permiten la previsión de períodos de tiempo no específicos además de generar versiones alternativas de serie temporal.

El caso de uso más común para las series de tiempo es la recomendación. Probablemente haya oído hablar de este uso en Amazon, Google, Facebook y Netflix, donde analizan la actividad del cliente y lo comparan con los millones de otros usuarios para determinar qué le gustaría comprar o ver al cliente. Estas recomendaciones son cada vez más inteligentes, por ejemplo, le ofrecen ciertas cosas como regalos o programas de televisión que a los miembros de su familia les puedan gustar.

Los otros usos de los algoritmos de TensorFlow de series de tiempo pertenecen principalmente al campo de finanzas, contabilidad, gobierno, seguridad y IoT con detecciones de riesgo, análisis predictivo y planificación empresarial.

Detección de vídeo

Las redes neuronales de TensorFlow también funcionan con datos de vídeo. Se utiliza principalmente en la detección de movimiento, detección de personas en tiempo real, en juegos, seguridad, aeropuertos y campos de UX/UI. Recientemente, las universidades están trabajando en conjuntos de datos de clasificación de videos a gran escala como YouTube-8M con el objetivo de acelerar la investigación sobre la comprensión de videos a gran escala, el aprendizaje por representación, el modelado de datos ruidosos, el aprendizaje por transferencia y los enfoques de adaptación de dominios para el video.

La NASA está diseñando un sistema con TensorFlow para la clasificación de la órbita terrestre y el agrupamiento de objetos de asteroides. Como resultado, pueden clasificar y predecir los NEO (objetos cercanos a la Tierra).

Como TensorFlow es una biblioteca de código abierto, pronto veremos muchos más casos de uso innovadores, que se influirán entre sí y contribuirán a la tecnología de aprendizaje automático.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *