{"id":18557,"date":"2022-11-28T03:00:55","date_gmt":"2022-11-28T03:00:55","guid":{"rendered":"https:\/\/domosistemas.com\/?p=18557"},"modified":"2022-11-28T03:00:55","modified_gmt":"2022-11-28T03:00:55","slug":"tokyo-tech-desarrolla-un-enfoque-computacional-para-entrenar-a-la-ia-con-datos-limitados-de-sensores","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=18557","title":{"rendered":"Tokyo Tech desarrolla un enfoque computacional para entrenar a la IA con datos limitados de sensores"},"content":{"rendered":"
\n

Los ingenieros del Instituto de Tecnolog\u00eda de Tokio (Tokyo Tech<\/a>) han demostrado un enfoque computacional simple para mejorar la forma en que los clasificadores de inteligencia artificial (IA), como las redes neuronales, pueden entrenarse en funci\u00f3n de cantidades limitadas de datos de sensores.<\/p>\n

\"Datos
Los investigadores aplicaron dos enfoques: muestreo y datos sustituidos, para mejorar los datos de aprendizaje de la inteligencia artificial.<\/figcaption><\/figure>\n

Los sensores IoT pueden estar dise\u00f1ados para monitorizar diversas variables, como la cantidad de luz solar, la humedad, el movimiento, la cantidad de autom\u00f3viles que cruzan una intersecci\u00f3n o la tensi\u00f3n aplicada a una estructura suspendida como un puente. Estas variables evolucionan con el tiempo creando lo que se conoce como series temporales, y se espera que la informaci\u00f3n significativa est\u00e9 contenida en sus cambios.<\/p>\n

Algunos tipos de sensores miden variables que en s\u00ed mismas cambian muy lentamente con el tiempo, como la humedad. En tales casos, es posible transmitir cada lectura individual a trav\u00e9s de una red inal\u00e1mbrica a un servidor en la nube, donde se lleva a cabo el an\u00e1lisis de grandes cantidades de datos agregados. Sin embargo, cada vez m\u00e1s aplicaciones requieren medir variables que cambian bastante r\u00e1pido. Dado que a menudo se requieren muchas lecturas por segundo, se vuelve poco pr\u00e1ctico o imposible transmitir los datos sin procesar de forma inal\u00e1mbrica, debido a las limitaciones de la energ\u00eda disponible, los cargos por datos y, en ubicaciones remotas, el ancho de banda.<\/p>\n

Extracci\u00f3n de los datos de entrenamiento<\/h2>\n

Para solucionar este problema, la investigaci\u00f3n computacional realizada por los investigadores de Tokyo Tech ofrece una soluci\u00f3n para disponer de datos de entrenamientos de calidad para entrenar a los dispositivos de inteligencia artificial de \u00faltima generaci\u00f3n con datos limitados. Para ello, los investigadores aplicaron dos enfoques.<\/p>\n

El primero se conoce como muestreo, y consiste en extraer \u2018fragmentos\u2019 de series temporales correspondientes a las condiciones a clasificar siempre a partir de instantes distintos y aleatorios. La cantidad de fragmentos que se extraen se ajusta cuidadosamente, lo que garantiza que uno siempre termine con aproximadamente el mismo n\u00famero de fragmentos en todos los comportamientos que se clasificar\u00e1n, independientemente de cu\u00e1n comunes o raros sean. Esto da como resultado un conjunto de datos m\u00e1s equilibrado, preferible como base para entrenar cualquier clasificador como una red neuronal.<\/p>\n

El segundo se conoce como datos sustitutos e implica un procedimiento num\u00e9rico muy robusto para generar, a partir de cualquier serie temporal existente, cualquier n\u00famero de series nuevas que conserven algunas caracter\u00edsticas clave, pero que no est\u00e9n correlacionadas en absoluto.<\/p>\n

Las series temporales sustitutas se generan codificando completamente las fases de una o m\u00e1s se\u00f1ales, lo que las hace totalmente irreconocibles cuando se consideran sus cambios a lo largo del tiempo. Sin embargo, la distribuci\u00f3n de valores, la autocorrelaci\u00f3n y la correlaci\u00f3n cruzada, se conservan perfectamente.<\/p>\n

La entrada Tokyo Tech desarrolla un enfoque computacional para entrenar a la IA con datos limitados de sensores<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Los ingenieros del Instituto de Tecnolog\u00eda de Tokio (Tokyo Tech) han demostrado un enfoque computacional simple para mejorar la forma en que los clasificadores de inteligencia artificial (IA), como las redes neuronales, pueden entrenarse en funci\u00f3n de cantidades limitadas de datos de sensores. Los investigadores aplicaron dos enfoques: muestreo y datos sustituidos, para mejorar los … Sigue leyendo Tokyo Tech desarrolla un enfoque computacional para entrenar a la IA con datos limitados de sensores<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-18557","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/18557","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=18557"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/18557\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=18557"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=18557"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=18557"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}