En los últimos años, ha habido grandes avances en el aprendizaje profundo, que ahora está contribuyendo al reconocimiento de imágenes, de voz y una amplia gama de otros campos. El aprendizaje profundo permite niveles más altos de precisión en el reconocimiento concentrándose en las estructuras profundas de las redes neuronales artificiales para así aprender de los datos existentes. 

Sin embargo, si los sistemas se familiarizan demasiado con los datos, se vuelven incapaces de reconocer con precisión información que no han aprendido. Esto se conoce como "sobre entrenamiento" y da como resultado la degradación de la precisión del reconocimiento. Para evitar el sobre entrenamiento, se usa comúnmente la tecnología de "regularización", que como su nombre lo indica regula el grado de aprendizaje para evitar que llegue a un nivel excesivo. 

"Esta tecnología predice el avance del aprendizaje en cada capa basándose en la estructura de una red neuronal artificial y permite que la regularización se configure automáticamente como corresponde", expresó Akio Yamada, Gerente General de los Laboratorios de Investigación en Ciencia de Datos de NEC. "Esto significa que el aprendizaje se optimiza en toda la red, lo que permite mejorar la precisión de reconocimiento en un 20% en comparación con los sistemas convencionales". 

"Se espera que esta tecnología mejore la precisión de reconocimiento para el reconocimiento de imágenes y voz, y una gran cantidad de otros campos en los que se utiliza el aprendizaje profundo", continuó Yamada. "Se podrá mejorar la precisión del reconocimiento facial y el análisis del comportamiento para fines como videovigilancia, para aumentar la eficiencia de las inspecciones de la infraestructura, o para permitir la detección automática de fallas del sistema, accidentes o desastres".

Configuración automática de regularización en cada capa de una red neuronal artificial.

Redacción C21