SISTEMAS EXPERTOS Y DEEP LEARNING

SISTEMAS EXPERTOS Y DEEP LEARNING

Elaborado por: Wilson Vargas Calla

1. INTRODUCCION

En este ensayo daremos a conocer algunos conceptos muy importantes sobre DEEP LEARNING Y LOS SISTEMAS EXPERTOS, y también se dará a conocer la importancia que este tiene en la actualidad y en el desarrollo de la IA y como va ir cambiando a la tecnología que conocemos.

DEEP LEARNING o aprendizaje profundo estos conceptos nacieron desde una peculiar pregunta que sucedería si una maquina podría pensar y analizar situaciones   generales y que brinden una solución dependiendo de la condición que este perciba, y así se le denomina  por el aprendizaje automático que este realiza mediante un conjunto de algoritmos que va aprendiendo poco a poco de las principales actividades que se le da, y la forma de como analiza la situación y este algoritmo brinda una perspectiva similar a la que un humano percibe, y la forma que este va evolucionando al paso de tiempo como también la importancia que este tendría en el futuro.

Estos sistemas de algoritmos son muy primordiales en el aprendizaje, “ya que en lugar de organizar datos para que se ejecuten a través de ecuaciones predefinidas”, este configura dichos datos y entrena a la computadora para que aprende por cuenta propia reconociendo patrones mediante el uso de muchas capas de procesamiento (Borne, 2019).

1. DESARROLLO

Los sistemas expertos, se denomina a una aplicación informática que resuelve problemas complicadas que de otro modo requerían una amplia experiencia humana. Para ellos, simula el procese razonamiento humano mediante la aplicación de conocimiento (Wai & Abdul Rahman, 2020).

Curiosamente, el concepto de DEEP LEARNING no es algo nuevo. La primera vez que apareció esta definición provino de la tesis doctoral de Paul Werbos en 1974, que fue el primero que describió el proceso de entrenamiento de una red neuronal artificial a través de la retro propagación (SMARRTPANEL, 2020).

El aprendizaje profundo resuelve este problema central en el aprendizaje por representación al introducir representaciones que se expresan en términos de otras representaciones más simples (Goodfellow & Courville , 2016)

Respecto a la concepción de DEEP LEARNING, se basa del como una computadora o en otras palabras una maquina va adquiriendo conocimiento por el aprendizaje automático (MACHINE LEARNING), A su vez, también se caracteriza por estar compuesto por redes neuronales artificiales entrelazadas para el procesamiento de información. Se emplea principalmente para la automatización de análisis predictivos, todo esto para que pueda tener la capacidad de realizar ciertas actividades ya sea como el poder clasificar imágenes, reconocer el habla, detectar objetos y describir contenidos. Ejemplos claros son SIRI y CORTANA, que son potenciando por el aprendizaje profundo.

Para entrar en más conocimiento sobre el concepto, vamos a explicar como es la funcionalidad de este, y como opera, según SMARTPANEL, (2020).

Imagina que queremos que una maquina sea capaz de identificar si hay algún perro dentro de una imagen. Para ello tendríamos que programar un algoritmo de una manera semejante a la imagen superior, dividiendo las funciones de cada capa neuronal en un proceso de entrada, procesamiento y salida.

Para la entrada de datos, tendríamos que crear una capa que asimile la información introducida. En este caso, necesitaríamos que las neuronas desmembraran la imagen en pixeles, así, cada trozo de imagen se envía a las diferentes neuronas de la segunda capa.

Después, la capa de segundo nivel tiene como objetivo procesar cada uno de los pixeles delimitando los bordes dentro de los pixeles (separando los vectores dentro de los pixeles). En el tercer nivel se combinarían los bordes para diseñar las formas, y constituir cada uno de los objetos de la imagen.

En la capa de cuarto nivel, se utilizan los filtros del sistema para reconocer qué objetos son perros, y cuáles no, como pueden ser tener cuatro patas, tener una cola y un hocico. Como último paso, la capa 4 traspasa los datos a la última capa, el cual combina las características identificadas para reconocerse si es un «perro» o no por medio de conclusiones parciales, es decir, este fragmento es una cola de un animal, por tanto, sí puede ser un perro. Si tiene cuatro patas, sí tiene características de perro… así hasta entregar todos los fragmentos de información a la capa de salida y que este ofrezca una conclusión.

...