É«¿Ø´«Ã½

?Qu¨¦ es el aprendizaje autom¨¢tico?

El aprendizaje autom¨¢tico es una rama de la inteligencia artificial (AI, Artificial Intelligence) que se ocupa de los algoritmos inform¨¢ticos que pueden mejorarse a s¨ª mismos a trav¨¦s de datos de entrenamiento, sin la necesidad de programaciones expl¨ªcitas. Muchos lo consideran como el camino m¨¢s prometedor para alcanzar la verdadera inteligencia artificial, similar a la de los seres humanos.?

En l¨ªneas generales, los algoritmos de aprendizaje autom¨¢tico pueden clasificarse en las siguientes tres?categor¨ªas:

• Aprendizaje supervisado: se proporcionan etiquetas y ejemplos de entradas junto con los resultados deseados, lo que le permite al algoritmo aprender las reglas que asignan las entradas a los resultados.??
• Aprendizaje no supervisado: no se proporcionan etiquetas, de manera que el algoritmo puede encontrar su propia estructura para procesar entradas (p.?ej., descubrir patrones ocultos en los datos).
• Aprendizaje por refuerzo: con un objetivo espec¨ªfico, como ganar un juego o conducir un auto, el algoritmo interact¨²a de forma constante con un entorno din¨¢mico. El algoritmo se aproxima a la soluci¨®n ¨®ptima del problema mediante repetidas pruebas y errores.

En este art¨ªculo, encontrar¨¢ una breve descripci¨®n general del aprendizaje autom¨¢tico y el aprendizaje profundo, as¨ª como las diferencias entre ambos conceptos.

?Qu¨¦ es el aprendizaje profundo?

El aprendizaje profundo es una rama del aprendizaje autom¨¢tico que utiliza redes neuronales artificiales para asemejarse a la inteligencia humana. Inspirado por las neuronas humanas, el aprendizaje profundo utiliza la teor¨ªa de grafos para organizar los algoritmos de ponderaci¨®n en capas de nodos y aristas. Los algoritmos de aprendizaje profundo son excelentes para procesar datos sin estructurar, como im¨¢genes o el lenguaje.?

En teor¨ªa, para que una red neuronal reciba la clasificaci¨®n de ¡°profunda¡± debe contener capas ocultas entre las capas de entrada y de salida de un perceptr¨®n, la estructura base de una red neuronal. Se considera que estas capas est¨¢n ¡°ocultas¡± debido a que no tienen conexi¨®n alguna con el mundo exterior. Entre los ejemplos de arquitecturas de aprendizaje profundo se incluyen los siguientes:

• Feed-forward (FF):?los datos se desplazan en una ¨²nica direcci¨®n desde la capa de entrada, a trav¨¦s de las capas ocultas, hasta salir por la capa de salida. Todos los nodos est¨¢n conectados y los datos nunca vuelven a pasar por las capas ocultas. La FF se utiliza en la compresi¨®n de datos y en el procesamiento b¨¢sico de im¨¢genes.?
• Redes neuronales recurrentes (RNN, Recurrent Neural Networks):?es un tipo de red?FF que a?ade una demora de tiempo a las capas ocultas para poder acceder a informaci¨®n previa durante una iteraci¨®n actual. Este circuito de retroalimentaci¨®n se asemeja a la memoria y hace que las RNN sean una herramienta excelente para el procesamiento del lenguaje.? Un buen ejemplo de esto es el texto predictivo, que se basa en las palabras que usted utiliza con mayor frecuencia para personalizar las sugerencias.?
• Redes neuronales convolucionales (CNN, Convolutional Neural Networks):?una convoluci¨®n es una operaci¨®n matem¨¢tica sobre dos funciones que produce una tercera funci¨®n, la cual describe c¨®mo una modifica a la otra. Las CNN se utilizan principalmente para el reconocimiento y la clasificaci¨®n de im¨¢genes, y se las consideran los ¡°ojos¡± de la AI. Las capas ocultas en una CNN funcionan como filtros matem¨¢ticos que utilizan sumas ponderadas para identificar los bordes, los colores, los contrastes y dem¨¢s elementos de un pixel.

Aprendizaje autom¨¢tico vs aprendizaje profundo

El aprendizaje profundo se considera una subcategor¨ªa del aprendizaje autom¨¢tico. La diferencia principal que distingue a los algoritmos de aprendizaje profundo de otros algoritmos de aprendizaje autom¨¢tico es el uso de redes neuronales artificiales. Asimismo, la caracter¨ªstica principal que hace que una red neuronal se considere ¡°profunda¡± es la presencia de capas ocultas entre las capas de entrada y de salida que conforman un perceptr¨®n b¨¢sico.

Beneficios del aprendizaje profundo

Los algoritmos del aprendizaje profundo son excelentes para procesar los datos sin estructurar, siempre que se cuente con la capacidad de procesamiento para hacerlo. Debido a esto, cuando se trata del aprendizaje no supervisado y por refuerzo, el aprendizaje profundo cuenta con ventaja sobre los otros algoritmos de aprendizaje autom¨¢tico. Los avances recientes de la AI son, en gran parte, gracias al aumento de la viabilidad de las redes neuronales de aprendizaje profundo, producto de las mejoras en la capacidad de procesamiento y en el almacenamiento de datos.

C¨®mo potencia Pure?Storage las aplicaciones de aprendizaje autom¨¢tico

Pure?Storage? se encuentra en una posici¨®n ¨²nica que le permite aprovechar y respaldar el mundo de la AI. Las redes neuronales de aprendizaje profundo requieren de datos que sean grandes y r¨¢pidos. En Pure, las soluciones de almacenamiento basado ¨ªntegramente en tecnolog¨ªa flash combinan el rendimiento del 100?% de la memoria flash de NVMe con el an¨¢lisis predictivo accionado por la AI, con el fin de ofrecer una Modern Data Experience?. Con Pure, podr¨¢ realizar lo siguiente:

• Consolidar los silos de almacenamiento de datos en un?hub de datos unificado.
• Acelerar el tiempo de los resultados con los?an¨¢lisis de registros en tiempo real.
• Experimentar el futuro de la administraci¨®n del almacenamiento de datos impulsada por la AI con?Pure1?Meta?.
• Potenciar las soluciones de AI con?AIRI?, una soluci¨®n de pila completa y de infraestructura lista para la AI de Pure?Storage y NVIDIA.
• Obtener soporte de pila completa para los ciclos de vida de AI y de aprendizaje autom¨¢tico con?FlashStack?, una soluci¨®n de infraestructura convergente que se desarroll¨® en sociedad con Cisco.