É«¿Ø´«Ã½

?Qu¨¦ es el aprendizaje autom¨¢tico?

El aprendizaje autom¨¢tico es un subcampo de la inteligencia artificial que trata de algoritmos inform¨¢ticos que pueden mejorarse a s¨ª mismos mediante el entrenamiento de los datos sin programaci¨®n expl¨ªcita. Se considera ampliamente el camino m¨¢s prometedor para lograr una verdadera inteligencia artificial como la humana.?

Los algoritmos de aprendizaje autom¨¢tico pueden clasificarse ampliamente en tres categor¨ªas:

• Aprendizaje supervisado: Usted proporciona etiquetas y presenta entradas de ejemplo con sus salidas deseadas y permite que el algoritmo aprenda las reglas que asignan las entradas a las salidas.??
• Aprendizaje sin supervisi¨®n: No proporciona ninguna etiqueta, por lo que el algoritmo puede encontrar su propia estructura para procesar las entradas (por ejemplo, descubrir patrones ocultos en los datos).
• Aprendizaje de refuerzo: El algoritmo interact¨²a repetidamente con un entorno din¨¢mico con un objetivo espec¨ªfico, como ganar un juego o conducir un coche. El algoritmo aproxima la soluci¨®n ¨®ptima al problema mediante pruebas y errores repetidos.

En este art¨ªculo, le daremos una breve descripci¨®n general del aprendizaje autom¨¢tico y el aprendizaje profundo y las diferencias entre los dos conceptos.

?Qu¨¦ es el aprendizaje profundo?

El aprendizaje profundo es una rama del aprendizaje autom¨¢tico que utiliza redes neuronales artificiales para aproximarse a la inteligencia humana. Inspirado en las neuronas humanas, el aprendizaje profundo utiliza la teor¨ªa de gr¨¢ficos para organizar los algoritmos de ponderaci¨®n en capas de nodos y bordes. Los algoritmos de aprendizaje profundo son excelentes para procesar datos no estructurados, como im¨¢genes o lenguaje.?

T¨¦cnicamente, para clasificarse como ¡°profunda¡±, una red neuronal debe contener capas ocultas entre las capas de entrada y salida de un perceptor ¡ªla estructura base de una red neuronal¡ª. Estas capas se consideran ¡°ocultas¡± porque no tienen conexi¨®n con el mundo exterior. Algunos ejemplos de arquitecturas de aprendizaje profundo son:

• Feed-forward (FF):?los datos pasan en una direcci¨®n desde la capa de entrada a trav¨¦s de las capas ocultas y hacia fuera de la capa de salida ¡ªtodos los nodos est¨¢n conectados y los datos nunca retroceden a trav¨¦s de las capas ocultas¡ª. FF se utiliza en la compresi¨®n de datos y el procesamiento b¨¢sico de im¨¢genes.?
• Redes neuronales recurrentes (RNN):?un tipo de red FF que a?ade un retardo de tiempo a las capas ocultas, lo que permite acceder a la informaci¨®n anterior durante una iteraci¨®n actual. Este bucle de retroalimentaci¨®n se aproxima a la memoria y hace que los RNN sean excelentes para el procesamiento del lenguaje.? Un buen ejemplo de ello es el texto predictivo, que se basa en las palabras que utiliza con m¨¢s frecuencia para adaptar sus sugerencias.?
• Redes neuronales convolucionales (CNN):?una convoluci¨®n es una operaci¨®n matem¨¢tica en dos funciones que produce una tercera funci¨®n que describe c¨®mo una es modificada por la otra. Utilizadas principalmente para el reconocimiento y la clasificaci¨®n de las im¨¢genes, las CNN son los ¡°ojos¡± de la IA. Las capas ocultas de una CNN act¨²an como filtros matem¨¢ticos usando sumas ponderadas para identificar los l¨ªmites, el color, el contraste y otros elementos de un p¨ªxel.

Aprendizaje autom¨¢tico frente al aprendizaje profundo

El aprendizaje profundo se considera un subconjunto del aprendizaje autom¨¢tico. El principal factor diferenciador que distingue los algoritmos de aprendizaje profundo de otros algoritmos de aprendizaje autom¨¢tico es el uso de redes neuronales artificiales. Y la principal caracter¨ªstica que hace que una red neuronal sea "profunda" es la presencia de capas ocultas entre las capas de entrada y salida que constituyen un perceptor b¨¢sico.

Ventajas del aprendizaje profundo

Los algoritmos de aprendizaje profundo son excelentes para procesar datos no estructurados, siempre que tenga la capacidad de procesamiento para hacerlo. Esto proporciona una ventaja al aprendizaje profundo sobre otros algoritmos de aprendizaje autom¨¢tico cuando se trata de aprendizaje no supervisado y de refuerzo. Los avances recientes en la IA se deben en gran medida al aumento de la viabilidad de las redes neuronales de aprendizaje profundo, gracias a las mejoras en la potencia de procesamiento y el almacenamiento de datos.

C¨®mo É«¿Ø´«Ã½ impulsa las aplicaciones de aprendizaje autom¨¢tico

É«¿Ø´«Ã½ ? est¨¢ en una posici¨®n ¨²nica para aprovechar y soportar el mundo de la IA. Las redes neuronales de aprendizaje profundo necesitan datos grandes y r¨¢pidos. Las soluciones de almacenamiento totalmente flash de Pure combinan el rendimiento de la memoria flash 100% NVMe con los an¨¢lisis predictivos basados en la IA para proporcionar una Experiencia de Datos Moderna?. Con Pure, puede:

• Consolide sus silos de almacenamiento de datos en un?concentrador de datos unificado
• Acelere el tiempo de obtenci¨®n de informaci¨®n con?an¨¢lisis en tiempo real/registro
• Experimente el futuro de la gesti¨®n del almacenamiento de datos impulsada por la IA con?Pure1 Meta ?
• Impulse sus soluciones de IA con?AIRI ?, una soluci¨®n de infraestructura de pila completa preparada para la IA de É«¿Ø´«Ã½ y NVIDIA
• Consiga soporte full-stack para los ciclos de vida de la IA y el aprendizaje autom¨¢tico con?FlashStack ?, una soluci¨®n de infraestructura convergente desarrollada en colaboraci¨®n con Cisco .