INTELIGENCIA ARTÍSTICA Y FORMACIÓN DETENIDA EN EL CAMINO DE LA SEGURIDAD.

Los términos AI y Deep Learning son más comunes en términos de seguridad física, por lo que es importante distinguir estos titulares. Una breve historia nos ayuda a comprender cómo surgieron los términos y a explicar su significado.

La inteligencia artificial (IA) es la inteligencia humana representada por las máquinas. El término apareció en 1956 y fue introducido por primera vez por las computadoras, que muestran los aspectos limitados de la mente humana. Inicialmente, solo se podía lograr Dar dar AI, estas tecnologías podrían realizar tareas simples o ser mejores que los humanos.

A principios de la década de 1980, los procesadores de semiconductores alcanzaron un límite crítico en la potencia informática. Este poder se puede aplicar económicamente a una variedad de máquinas controladas electrónicamente y ha provocado la era del aprendizaje automático (ML), que es un subconjunto de IA pero tiene aplicaciones más complejas y útiles. Las reducciones rápidas de costos y las capacidades de procesamiento mejoradas han permitido aplicar algoritmos más sofisticados y desarrollar ML prácticos.

ENTRENAMIENTO

En ML, los algoritmos usan la información para realizar cálculos simples o muy complejos y encontrar la respuesta, dando esa respuesta de la manera correcta y más eficiente. Usar un algoritmo para predecir el resultado del evento no es ML. El uso de resultados predictivos para mejorar el pronóstico futuro es un verdadero ejemplo de LD.

El uso de un algoritmo para calcular respuestas no significa automáticamente el uso de ML o AI. Los algoritmos de ML deben diseñarse para aprender a clasificar y procesar datos, capacitar efectivamente al sistema para mejorar el rendimiento con el tiempo. La efectividad y precisión del algoritmo depende de qué tan bien esté diseñado el algoritmo para sus tareas planificadas.

La IA es un concepto amplio, pero ML se refiere al uso de computadoras para imitar las funciones cognitivas de las personas. La IA es una forma "consciente" de realizar tareas basadas en algoritmos. ML es un subconjunto de IA que se centra en la capacidad de las máquinas para recopilar y aprender por sí mismas, para cambiar algoritmos a medida que se vuelven más conscientes de los datos que se procesan.

Enseñar a las computadoras a multiplicar el pensamiento humano es en parte a través del uso de redes neuronales. El cerebro trata constantemente de comprender la información que se está procesando y, para hacerlo, los desglosa en categorías y categorías. Cuando encontramos algo nuevo, tratamos de compararlo con ciertas cosas para que podamos entenderlo y comprenderlo.

Las redes neuronales funcionan en computadoras. A medida que el cerebro puede identificar patrones e intentar categorizar y clasificar la información, las redes neuronales se multiplican en las computadoras:

• Extraer significado de información grande y compleja

• Identificar tendencias e identificar patrones.

• Aprende con el ejemplo

LEER:

Para 2010, el desarrollo de semiconductores ha permitido a los programadores buscar Deep Learning (DL) y lograr resultados aún mejores. Su título apunta a otro nivel más profundo que ML, por lo que DL nuevamente se considera un subconjunto de IA. El concepto de aprendizaje profundo a veces se denomina "redes neuronales profundas", que se refieren a muchas capas. Una red neuronal puede tener una capa de datos y dos o más en una red neuronal profunda. Las capas se pueden ver como una jerarquía integrada de conceptos relevantes o árboles de decisión, donde la respuesta a una pregunta conduce a un conjunto de preguntas profundamente relacionadas.

Por lo tanto, el DL es un subconjunto de ML. Utiliza algunas técnicas de ML para resolver problemas reales accediendo a redes neuronales que imitan la toma de decisiones humanas. El DL requiere un gran conjunto de conjuntos de datos independientes. Esto se debe a que hay muchos parámetros que deben ser entendidos primero por el algoritmo, que al principio puede producir muchos resultados positivos y positivos. Por ejemplo, un algoritmo de aprendizaje profundo puede recibir instrucciones de "aprender" la apariencia del atacante, evaluar su comportamiento y monitorear su progreso. Con una entrada de CCTV limitada, necesitará obtener un gran conjunto de datos precisos para conocer los pequeños detalles que hacen que las personas se destaquen. El DL debe aprender a completar la información que falta.

Las redes DL necesitan ver mucho para aprender. En lugar de programar elementos con bordes identificables, el sistema aprende a tocar muchos millones de puntos de datos. Como un ejemplo temprano de esto, Google Brain está aprendiendo a reconocer a los gatos después de mostrar más de diez millones de imágenes. Las redes de aprendizaje profundo no deben programarse con criterios que definan los elementos; son capaces de detectar bordes al estar expuestos a grandes cantidades de datos.

DL tiene aplicaciones comerciales. Puede tomar una gran cantidad de datos, por ejemplo, millones de imágenes y el reconocimiento de ciertas funciones. La búsqueda basada en texto, la detección de fraude, la detección de spam, el reconocimiento de la escritura a mano, la búsqueda de imágenes, el reconocimiento de voz, la detección de la vista de la calle y la traducción son tareas que se pueden lograr mediante un estudio en profundidad. Las redes de aprendizaje profundo han reemplazado muchos sistemas basados ​​en manuales y basados ​​en reglas.

Para AI, ML o DL, el uso exitoso de algoritmos es de alta calidad. Las decisiones deben basarse en información grande, limpia y significativa. Sin la información adecuada, DL estará sesgado. No se puede confiar en los resultados si hay datos inexactos o faltantes disponibles.