Introducción al Deep Learning para la fabricación

What is Deep Learning banner

Cuando usted piensa en cómo describirle a un niño qué es una casa, un enfoque podría ser dibujar un cuadrado con un triángulo en la parte superior y una puerta con algunas ventanas y decir: “esto es una casa”. Otro enfoque es mostrarle al niño varias imágenes de distintas casas y dejar que el niño comience a entender qué es una casa. Finalmente, el niño podría observar un edificio similar, como por ejemplo un complejo de apartamentos, y comprender de forma innata las diferencias entre los dos.

Al aprender qué es una casa por medio de imágenes de casas, el niño aprende a través de ejemplos. Este proceso está básicamente en el núcleo del Deep Learning, en especial para la fabricación.

El Deep Learning es un subconjunto de inteligencia artificial y una pieza de una familia más amplia de aprendizaje artificial. En lugar de humanos que programan aplicaciones informáticas específicas de la tarea, el Deep Learning toma datos no estructurados y los entrena para obtener resultados más precisos en función de los datos de entrenamiento. Las aplicaciones de Deep Learning aprenden y resuelven tareas limitadas sin que se las programe explícitamente para hacerlo.

Entonces, el Deep Learning no es solo una tecnología tan remota para ayudar a los humanos en el futuro. Está resolviendo problemas, mundanos e importantes, justo en este momento como: reconocimiento facial para desbloquear teléfonos o identificar amigos en fotos de medios sociales, motores de recomendación en videos en tiempo real y servicios de música o al comprar en sitios de comercio electrónico, procesamiento de imágenes médicas como ayudar a diagnosticar enfermedades como el cáncer, filtros de correo no deseado en el correo electrónico, y detección de fraude con tarjetas de crédito.

Las aplicaciones de Deep Learning logran reconocer las anomalías y las variaciones en un conjunto de datos de forma constante y en escala. Es algo que los humanos hacen intrínsicamente bien, detectan lo que es diferente o comprenden qué es lo que hace que una casa sea una casa, algo en lo que, hasta ahora, los sistemas informáticos no eran buenos.

Sin embargo, los humanos se cansan fácilmente para tomar decisiones y las computadoras no. Es por eso que el Deep Learning, si se implementa en aplicaciones adecuadas y en conjunto con la visión artificial, puede beneficiar a las fábricas y compañías en un corto plazo cuando a otras tecnologías emergentes podría llevarle años obtener resultados.

La tecnología de Deep Learning se utiliza para predecir patrones y tomar decisiones comerciales críticas. Esta misma tecnología está migrando ahora a prácticas de fabricación avanzadas para inspecciones de calidad y otros usos basados en el criterio como detección de defectos o verificación del montaje final.

Gran parte del Deep Learning se basa en el trabajo de las redes neurales. Cuando una red neural es entrenada, los datos de entrenamiento pasan al nivel inferior, el nivel de entrada, y pasan a través de sucesivos niveles informáticos, multiplicándose y sumándose juntos en formas complejas, hasta que finalmente llegan, radicalmente transformados, al nivel de salida. Es allí cuando el programa determina por qué una imagen es una casa y no un perro, por ejemplo.

El auge de las tecnologías de Deep Learning se debe en gran parte al auge de la popularidad de los juegos de video modernos. Según el MIT, “la compleja imaginería y el ritmo rápido de los juegos de video de hoy en día requieren de hardware que pueda mantenerse actualizado, y el resultado ha sido la unidad de procesamiento gráfico (GPU), que contiene miles de núcleos de procesamiento relativamente simples en un solo chip. A los investigadores no les llevó demasiado tiempo darse cuenta de que la arquitectura de una GPU es increíblemente similar a la de una red neural”.

Estas GPU modernas y de alto rendimiento posibilitaron las redes neurales de 50 niveles de hoy en día, lo que ha hecho que las aplicaciones de Deep Learning sean posibles. Esto le otorga a la tecnología de fabricación capacidades nuevas increíbles para reconocer imágenes, distinguir tendencias, realizar predicciones inteligentes y tomar decisiones acertadas.

Para más información acerca de las tecnologías de Deep Learning para la fabricación, descargue nuestro documento, Deep Learning versus visión artificial.

Suscribir

Más publicaciones en

Introducción al Deep Learning para la fabricación

What is Deep Learning banner

Cuando usted piensa en cómo describirle a un niño qué es una casa, un enfoque podría ser dibujar un cuadrado con un triángulo en la parte superior y una puerta con algunas ventanas y decir: “esto es una casa”. Otro enfoque es mostrarle al niño varias imágenes de distintas casas y dejar que el niño comience a entender qué es una casa. Finalmente, el niño podría observar un edificio similar, como por ejemplo un complejo de apartamentos, y comprender de forma innata las diferencias entre los dos.

Al aprender qué es una casa por medio de imágenes de casas, el niño aprende a través de ejemplos. Este proceso está básicamente en el núcleo del Deep Learning, en especial para la fabricación.

El Deep Learning es un subconjunto de inteligencia artificial y una pieza de una familia más amplia de aprendizaje artificial. En lugar de humanos que programan aplicaciones informáticas específicas de la tarea, el Deep Learning toma datos no estructurados y los entrena para obtener resultados más precisos en función de los datos de entrenamiento. Las aplicaciones de Deep Learning aprenden y resuelven tareas limitadas sin que se las programe explícitamente para hacerlo.

Entonces, el Deep Learning no es solo una tecnología tan remota para ayudar a los humanos en el futuro. Está resolviendo problemas, mundanos e importantes, justo en este momento como: reconocimiento facial para desbloquear teléfonos o identificar amigos en fotos de medios sociales, motores de recomendación en videos en tiempo real y servicios de música o al comprar en sitios de comercio electrónico, procesamiento de imágenes médicas como ayudar a diagnosticar enfermedades como el cáncer, filtros de correo no deseado en el correo electrónico, y detección de fraude con tarjetas de crédito.

Las aplicaciones de Deep Learning logran reconocer las anomalías y las variaciones en un conjunto de datos de forma constante y en escala. Es algo que los humanos hacen intrínsicamente bien, detectan lo que es diferente o comprenden qué es lo que hace que una casa sea una casa, algo en lo que, hasta ahora, los sistemas informáticos no eran buenos.

Sin embargo, los humanos se cansan fácilmente para tomar decisiones y las computadoras no. Es por eso que el Deep Learning, si se implementa en aplicaciones adecuadas y en conjunto con la visión artificial, puede beneficiar a las fábricas y compañías en un corto plazo cuando a otras tecnologías emergentes podría llevarle años obtener resultados.

La tecnología de Deep Learning se utiliza para predecir patrones y tomar decisiones comerciales críticas. Esta misma tecnología está migrando ahora a prácticas de fabricación avanzadas para inspecciones de calidad y otros usos basados en el criterio como detección de defectos o verificación del montaje final.

Gran parte del Deep Learning se basa en el trabajo de las redes neurales. Cuando una red neural es entrenada, los datos de entrenamiento pasan al nivel inferior, el nivel de entrada, y pasan a través de sucesivos niveles informáticos, multiplicándose y sumándose juntos en formas complejas, hasta que finalmente llegan, radicalmente transformados, al nivel de salida. Es allí cuando el programa determina por qué una imagen es una casa y no un perro, por ejemplo.

El auge de las tecnologías de Deep Learning se debe en gran parte al auge de la popularidad de los juegos de video modernos. Según el MIT, “la compleja imaginería y el ritmo rápido de los juegos de video de hoy en día requieren de hardware que pueda mantenerse actualizado, y el resultado ha sido la unidad de procesamiento gráfico (GPU), que contiene miles de núcleos de procesamiento relativamente simples en un solo chip. A los investigadores no les llevó demasiado tiempo darse cuenta de que la arquitectura de una GPU es increíblemente similar a la de una red neural”.

Estas GPU modernas y de alto rendimiento posibilitaron las redes neurales de 50 niveles de hoy en día, lo que ha hecho que las aplicaciones de Deep Learning sean posibles. Esto le otorga a la tecnología de fabricación capacidades nuevas increíbles para reconocer imágenes, distinguir tendencias, realizar predicciones inteligentes y tomar decisiones acertadas.

Para más información acerca de las tecnologías de Deep Learning para la fabricación, descargue nuestro documento, Deep Learning versus visión artificial.

Suscribir

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex