INTELIGENCIA COMPUTACIONAL

Hola, mi nombre es Santiago Corredor, soy estudiante de Ingeniería Electrónica y actualmente me encuentro cursando la asignatura Inteligencia Computacional como modalidad de grado en el programa de la Maestría en Telecomunicaciones Móviles. En este blog puedes encontrar temas relacionados a computación natural y redes neuronales, que son de mi interés para desarrollar, acompáñame a investigar! Es probable que te llamen la atención... si eres una persona curiosa.

Muchos problemas interesantes que se pueden resolver por medio de algoritmos en un determinado modelo precisan de un alto coste para su resolución, ya sea en tiempo y/o en espacio, siendo habitual que el intento de disminuir una de las dos medidas provoca un crecimiento exponencial en la otra. Por ello, surge la necesidad de buscar nuevos modelos que sean capaces de reducir ambos parámetros o, al menos, de incluir procedimientos en los que un coste alto en una de las medidas sea  asimilado , en cierto sentido, por el propio modelo en beneficio de una reducción considerable sobre la otra. En este contexto, la búsqueda de nuevos modelos alternativos de computación está encaminada a la mejora cuantitativa en los resultados que proporciona la  Teoría de la Complejidad . En los últimos años, esta búsqueda ha dado como resultado la introducción de nuevos modelos de computación sustancialmente distintos de los clásicos o convencionales (máquinas de Turing, funciones recursivas, ...

Las  redes neuronales artificiales  están basadas en el funcionamiento de las redes de neuronas biológicas. Las neuronas que todos tenemos en nuestro cerebro están compuestas de dendritas, el soma y el axón: Las dendritas se encargan de captar los impulsos nerviosos que emiten otras neuronas. Estos impulsos, se procesan en el soma y se transmiten a través del axón que emite un impulso nervioso hacia las neuronas contiguas.  Figura 1. Neurona y sus partes. ¿Qué es una red neuronal en Inteligencia Artificial? A nivel esquemático, una  neurona artificial  se representa del siguiente modo: Figura 2. Representación de una neurona artificial. En el caso de las neuronas artificiales, la suma de las entradas multiplicadas por sus pesos asociados determina el “impulso nervioso” que recibe la neurona. Este valor, se procesa en el interior de la célula mediante una función de activación que devuelve un valor que se envía como salida de la neurona. ...

Algunos de los problemas más populares que resuelven las redes neuronales artificiales y el deep learning son: Conversión de voz a texto. Traducción de idiomas. Descripción de imágenes. Generación de imágenes. Conversión de texto a voz: Entre el año 2000 al 2009, el margen de error en la conversión de voz a texto era de aproximadamente 27%. Esto significa que por cada 100 palabras a convertir 27 resultaban incorrectas. En el 2009 se comenzó a introducir técnicas de redes neuronales artificiales y deep learning para resolver el problema de pasar la voz a texto. Lo cual redujo el margen de error hacia un 14%, luego hacia un 8% en el 2012 y, hoy en día, se encuentra por debajo del 2%. Figura 1. Tasa de error en la aplicación de conversión de texto a voz. Traducción de idiomas: En el caso de Google Translate, podemos ver una  escala comparativa de la efectividad de las traducciones  por parte de: Sistema   Phrase Based Machine Translation...

[1] Saavedra C., Izaurieta F., "Redes Neuronales Artificiales", Departamento de Física de la Universidad de Concepción" , 2018 [2] Ruíz C., Basualdo M., "Redes Neuronales: conceptos básicos y aplicaciones" , Universidad Tecnolólogica Nacional, 2010. [3]    Piccinini, G., Bahar, S.,  "Neural Computation and the Computational Theory of Cognition",   Cognitive Science, pp. 453–488, 2013. [4] Sutskever I., Vinyals O., Quoc V. Le.,  " Sequence to Sequence Learning with Neural Networks",  Advances in Neural Information Processing Systems, 2014. [5]  Bahdanau D., Kyunghyun C., Bengio Y.,  " Neural Machine Translation by Jointly Learning to Align and Translate"  International Conference on Learning Representations, 2015.