Machine Learning Tarragona

Continuando con las posibilidades que brinda el campo de la Inteligencia Artificial responsable, es importante que tengas en cuenta que muchas veces el futuro del trabajo se describe con frecuencia como dominado por un aparato robótico y una gran cantidad de algoritmos que dicen ser personas.

Esta visión corresponde más a la ciencia ficción que a la realidad actual, ya que la adopción de la Inteligencia Artificial se ha pensado, en gran medida, para hacer que los procesos sean más efectivos, y también actualizar y crear productos y servicios.

Por ejemplo, en un estudio de Deloitte que ha consultado a ejecutivos de varias empresas, se ha visto que la disminución de la plantilla es uno de los objetivo menos significativos a la hora de adoptar soluciones de Machine Learning.

El objetivo de proveer a los sistemas de Inteligencia Artificial de un sentido común pueden favorecer y facilitar muchas tareas. No por ello el reto es menor, sino todo lo contrario. A nivel de los humanos todavía se sigue analizando qué es el sentido común.

Pero ten en cuenta el siguiente ejemplo, en un futuro remoto. Te encuentras enfermo y no puedes salir de la cama, por lo tanto le pides a tu robot asistente, que puede hacer muchas cosas, que vaya por el medicamento hasta la farmacia que está muy cerca de tu casa.

El robot, que puede tener una forma de un robot aspirador con alguna extensión, establece el camino hasta la farmacia de manera muy fácil. Va hasta allí, coge el medicamento y regresa, haciendo todas estas tareas de una forma eficiente y en el menor tiempo posible.

Éxito asegurado. ¿O no?

En todo este proceso, tu robot ha pasado por alto un importante detalle de sentido común: ha robado el medicamento, ya que no se ha interesado en la construcción social de intercambiar el dinero por el producto.

El conocimiento del sentido común, en la forma de un procedimiento o conjunto de estos, es un motivo importante a desarrollar en la teoría de la mente para interactuar con humanos.

Existen muchas ideas de cómo este uso puede impactar en diferentes áreas de uso habitual. En radiología, por ejemplo, puede llamar rápidamente la atención sobre determinados hallazgos, así como resaltar determinadas áreas que probablemente no serían captadas fácilmente por el ojo humano. El centrado en el ser humano de la Inteligencia Artificial responsable se convierte en un factor integral cuando los médicos y los pacientes, no las máquinas, toman una decisión final sobre el tratamiento. A fin de cuentas, el aumento de los profesionales médicos con un conocimiento cuantitativo profundo les proporciona datos invaluables para tener en cuenta la decisión.

Al mantener a los humanos actualizados, las organizaciones pueden decidir con mayor probabilidad de éxito el grado de automatización y aumento que necesitan, y controlar el impacto definitivo de la Inteligencia Artificial en su fuerza laboral.

Por lo tanto, las empresas pueden reducir enormemente su riesgo y desarrollar una comprensión más profunda de qué tipo de circunstancias podrían ser las más desafiantes para sus implementaciones de Inteligencia Artificial y aplicaciones

   

La Inteligencia Artificial se está desarrollando rápidamente como una innovación increíblemente sorprendente, y con un campo de aplicación aparentemente ilimitado. La consolidación de la imaginación y la creatividad humanas con la adaptabilidad de Machine Learning está impulsando nuestra base de conocimientos y comprensión a un ritmo notable.

Sin embargo, la Inteligencia Artificial genera preocupaciones en numerosos frentes debido a su posible efecto disruptivo. Estos miedos incluyen el desarraigo de la fuerza laboral, la pérdida de protección, posibles sesgos en la toma de decisiones y la falta de control sobre los sistemas automatizados y los robots. Si bien estos problemas son dignos de mención, también se pueden abordar con la planificación, supervisión y gobernanza correctas.

A la hora de trabajar con sistemas de Machine Learning que interactúen con  personas, ya sea en forma directa o indirecta, es importante que tengas en cuenta cómo se comportan estas personas y qué necesitan. Esto los hará más valiosos y, además, más seguros de utilizar.

Tienes, como mínimo, dos motivos por los que comprender a las personas puede beneficiar a los sistemas inteligentes.

El primer motivo está relacionado con la obtención de datos, ya que muchos sistemas automáticos están diseñados para recoger los datos personales, como fechas de nacimiento y direcciones. Pero se ha visto que las personas no siempre dicen lo que quieren decir, y a veces proporcionan datos falsos o incorrectos.

Otro motivo que debes revisar está relacionado con la interacción con las personas, ya que muchas veces se pasa por alto el simple hecho de no comprender el habla humana o el lenguaje escrito. Esto se puede percibir por las personas como un elemento desmotivador y hasta decepcionante, si parte de la conversación u objetivos son implícitos o públicamente conocidos.

La investigación sobre Inteligencia Artificial responsable es un campo en alza que aboga por mejores prácticas y técnicas en la implementación de modelos de Machine Learning. El objetivo es generar confianza y, al mismo tiempo, limitar los riesgos potenciales no sólo para las organizaciones que implementan estos modelos, sino también para los usuarios que los utilizan.

La Inteligencia Artificial responsable busca reunir las prácticas básicas que permitan garantizar el uso ético, transparente y responsable de las tecnologías de Inteligencia Artificial, de una manera predecible y cumpliendo con las expectativas del usuario, los estándares de calidad, las leyes vigentes y los estándares culturales.

La Inteligencia Artificial responsable puede proteger contra la utilización de información o algoritmos unilaterales, garantizar que las decisiones automatizadas sean defendidas y razonables, y ayudar a mantener la confianza del usuario y la privacidad individual. Al dar reglas claras de participación, la Inteligencia Artificial responsable permite a las empresas bajo el escrutinio público y de las autoridades gubernamentales, mejorar y comprender la capacidad innovadora de la Inteligencia Artificial que es a la vez convincente y responsable.

Machine Learning centrado en las personas es uno de los conceptos más importantes del mercado hasta la fecha. Organizaciones líderes como por ejemplo  Stanford y MIT, están creando laboratorios explícitamente para fomentar esta ciencia.

El MIT define este concepto como "el diseño, desarrollo e implementación de sistemas de información que aprenden y colaboran con los humanos de una manera profunda y significativa".

Este campo está en sus comienzos, pero es muy importante que lo tengas en cuenta, tanto para especializarte en esta nueva ciencia como también para implementar este paradigma en tus proyectos.

   

No te resultará difícil encontrar ejemplos de soluciones y/o aplicaciones que utilicen diferentes modelos o conjunto de ellos para aprender y pensar como seres humanos.

Si bien son avances en diferentes campos específicos, por medio del uso de Deep Learning o Redes Neuronales Profundas, se ha logrado un avance significativo en el reconocimiento de objetos, en los videojuegos y hasta en los juegos de mesa, como es el caso de ajedrez o go, más recientemente, llegando a competir o superar a las personas en ciertos aspectos.

A pesar de su inspiración biológica y los logros de desempeño, los marcos de trabajo de Inteligencia Artificial desarrollados son diferentes de la inteligencia humana en formas esenciales. La ciencia cognitiva está creciendo y propone que las máquinas con capacidad de pensar y aprender como un humano deberían alcanzar las tendencias actuales de la ingeniería tanto en lo que aprenden como en cómo lo aprenden.

Habrás notado un cambio de tendencia en cómo se utilizan los modelos de Machine Learning, que han pasado de resolver una tarea que se puede ahora suponer como más básica, como lo es la detección de patrones, a tareas más complejas, como lo es el de ajustarse de forma independiente a nuevos datos. Es decir que estos modelos o conjunto de modelos aprenden de cálculos anteriores para crear decisiones y resultados sólidos y repetibles. Es una ciencia que no es nueva, sino que ha ganado un nuevo impulso.

Estas habilidades de la Inteligencia Artificial pueden utilizarse para resolver o ayudar en problemas muy complejos, o para resolver o trabajar en tareas más cotidianas, como lo ha demostrado un estudio sobre visión por ordenador, donde los científicos revelaron un modelo híbrido lenguaje-visión que puede contrastar y comparar una gran cantidad de escenas captadas en video para identificar las ideas de alto nivel que las conectan.

Su modelo mostró una mejora con respecto a las personas en dos tipos de tareas de razonamiento visual: elegir el video que mejor termina la serie con destreza y elegir el video que no encaja.

Durante el estudio, si se le mostraba un vídeo de un perro ladrando y un hombre gritando cerca de su perro, por ejemplo, el modelo terminó el set eligiendo al niño llorando de un set de cinco posibles vídeos. Los investigadores imitaron sus resultados en dos conjuntos de datos para entrenar marcos de Inteligencia Artificial en el reconocimiento de acciones: MIT's Multi-Moments in Time y DeepMind's Kinetics.

De acuerdo a Mathew Monfort, co-creador del estudio y científico investigador del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, "las representaciones de lenguaje nos permiten incorporar información contextual aprendida de bases de datos de texto, en nuestros modelos visuales".

Palabras como "correr", "levantar peso" y "boxear" comparten algunas características comunes que las hacen más relacionadas con la idea de "hacer ejercicio", por ejemplo, que "conducir".

Utilizando WordNet, una base de datos de implicaciones de palabras, los investigadores planearon la conexión de cada etiqueta de clase de acción en "Momentos y cinética" con diferentes nombres en ambos conjuntos de datos. Palabras como "esculpir", "tallar" y "cortar", por ejemplo, se asociaron con ideas de nivel más significativas como "hacer manualidades" y "cocinar". Ahora, cuando el modelo percibe una acción como "esculpir", puede elegir ejercicios razonablemente comparativos en la base de datos.

Para finalizar, se comparó el modelo con las personas, donde los investigadores solicitaron que los voluntarios humanos realizaran arreglos similares de tareas de razonamiento visual en forma online. Sorprendentemente, el modelo funcionó tan bien como las personas en numerosas situaciones, a veces con resultados sorprendentes. En una pequeña desviación de la tarea de finalización del set, luego de ver un video de alguien envolviendo un regalo y cubriendo un artículo con cinta, el modelo recomendó un video de alguien en la orilla del mar cubriendo a otra persona en la arena.

Dentro de algunos puntos débiles del modelo se puede mencionar una inclinación a enfatizar demasiado algunos aspectos destacados. En un caso, recomendó terminar muchos videos deportivos con un video de un niño y una pelota, obviamente conectando las pelotas con el ejercicio y la competencia.

Un modelo de Deep Learning que pueda ser entrenado para "pensar" de manera más abstracta podría ser adecuado para aprender con menos información, afirman los analistas. La abstracción abre el camino a un nivel más significativo, a un pensamiento más parecido el de un ser humano.

Tu próximo proyecto quizás pueda incorporar soluciones donde el modelo busca resolver una tarea o dificultad cotidiana, aplicando un nuevo enfoque y creatividad.

   

Los campos donde puedes aplicar de Machine Learning son muy variados y las técnicas que funcionan en uno pueden las puedes aplicar en otro, o como mínimo servirte de inspiración para resolver los problemas en forma más creativa.

Esto es lo que han hecho investigadores del Laboratorio Nacional de Energía Renovable (NREL) del Departamento de Energía de los Estados Unidos (DOE), que han desarrollado un nuevo enfoque de Machine Learning para mejorar rápidamente la resolución de los datos de velocidad del viento en 50 veces y datos de irradianción solar en 25 veces, una mejora que nunca antes se había logrado con datos climáticos.

Los investigadores optaron por un enfoque alternativo mediante el uso de entrenamiento de confrontación (adversarial training), en el que el modelo produce detalles físicamente realistas al observar campos completos a la vez, proporcionando datos climáticos de alta resolución a una velocidad mucho más rápida. Este enfoque permitirá a los científicos completar estudios de energía renovable en futuros escenarios climáticos más rápido y con mayor precisión.

"Poder mejorar la resolución espacial y temporal de los pronósticos climáticos impacta enormemente no solo en la planificación energética, sino también en la agricultura, el transporte y mucho más", dijo Ryan King, científico informático de NREL que se especializa en Deep Learning basado en la física.

King y sus colegas de NREL, Karen Stengel, Andrew Glaws y Dylan Hettinger, escribieron un nuevo artículo que detalla su enfoque, titulado "Super-resolución adversaria de datos climatológicos de viento y solar", que aparece en la revista Proceedings of the National Academy of Sciences of the United Estados de América. Puedes acceder al artículo aquí.

Los pronósticos climáticos precisos y de alta resolución son importantes para predecir las variaciones en el viento, las nubes, la lluvia y las corrientes marinas que alimentan las energías renovables. Los pronósticos a corto plazo impulsan la toma de decisiones operativas, los pronósticos meteorológicos a mediano plazo guían la programación y la asignación de recursos, y los pronósticos climáticos a largo plazo informan la planificación de la infraestructura y la formulación de políticas.

Sin embargo, es muy difícil preservar la calidad temporal y espacial en los pronósticos climáticos, según King. La falta de datos de alta resolución para diferentes escenarios ha sido un gran desafío en la planificación de la resiliencia energética. Han surgido varias técnicas de Machine Learning para mejorar los datos gruesos a través de la súper resolución, el proceso clásico de imágenes de enfocar una imagen borrosa agregando píxeles. Pero hasta ahora, nadie había usado entrenamiento por confrontación para resolver datos climáticos.

"La capacitación adversaria es la clave de este avance", dijo Glaws, un postdoc NREL que se especializa en Machine Learning.

Como ya sabrás, el entrenamiento por confrontación es una forma de mejorar el rendimiento de las redes neuronales al hacer que compitan entre sí para generar datos nuevos y más realistas.

Los investigadores de NREL entrenaron dos tipos de redes neuronales en el modelo: una para reconocer las características físicas de los datos de alta resolución de la radiación solar y la velocidad del viento, y otra para insertar esas características en los datos gruesos. Con el tiempo, las redes producen datos más realistas y mejoran al distinguir entre entradas reales y falsas. Los investigadores de NREL pudieron agregar 2.500 píxeles por cada píxel original.

"Al utilizar el entrenamiento por confrontación, en oposición al enfoque numérico tradicional para los pronósticos climáticos, que puede implicar resolver muchas ecuaciones físicas, ahorra tiempo de computación, costos de almacenamiento de datos y hace que los datos climáticos de alta resolución sean más accesibles", dijo Stengel, un graduado de NREL que se especializa en Machine Learning.

Este enfoque se puede aplicar a una amplia gama de escenarios climáticos desde escalas regionales a globales, cambiando el paradigma para el pronóstico del modelo climático.

Como puedes imaginar, el utilizar una técnica para mejorar imágenes, como puede ser el entrenamiento por confrontación, para resolver modelos físicos complejos abre la puerta a utilizar esta técnica en otras áreas.
   

Tu vida es ahora más fácil. Desde el reconocimiento de voz, los sistemas de recomendaciones, hasta la mejora en los diagnósticos médicos y los coches de conducción autónoma, la Inteligencia Artificial ha llegado para crear un gran impacto en tu forma de vida, y la de todos.

Esta tecnología, como muchas otras, necesita una fuente de energía. En realidad consumen mucha energía y pueden generar grandes volúmenes de emisiones de carbono que afectan al medioambiente de todo el mundo.

Un estudio realizado en 2019 ha mostrado que entrenar un sistema de procesamiento de lenguaje Inteligencia Artificial listo para usar produjo 650 Kg de emisiones, aproximadamente la cantidad producida por volar una persona entre Barcelona y Los Ángeles.

El conjunto completo de experimentos necesarios para construir y entrenar ese sistema de lenguaje Inteligencia Artificial desde cero puede generar aún más: hasta 35.000 Kg (35 Tn), dependiendo de la fuente de energía. Esto es el doble de lo que una persona promedio exhala durante toda una vida.

La búsqueda por hacer que Machine Learning sea más limpio y ecológico ha derivado en todo un movimiento que se ha llamado "IA verde". Por la forma de operar y de realizar los cálculos internos, algunos algoritmos requieren menos energía que otros, por ejemplo, y muchas sesiones de entrenamiento se pueden mover a ubicaciones remotas que obtienen la mayor parte de su energía de fuentes renovables.

La clave es que tu, los desarrolladores en general y las empresas de Inteligencia Artificial sepáis cuánto están consumiendo vuestros proyectos de Machine Learning y cuánto podrían reducirse esos volúmenes.

 

Machine Learning y carbono

Un equipo de investigadores de Stanford, Facebook Inteligencia Artificial Research y McGill University han creado una herramienta fácil de usar que mide rápidamente cuánta electricidad utilizará un proyecto de Machine Learning y cuánto significa eso en las emisiones de carbono.

"A medida que los sistemas de Machine Learning se vuelven más ubicuos y requieren más recursos, tienen el potencial de contribuir significativamente a las emisiones de carbono", dice Peter Henderson, estudiante de doctorado en Stanford en ciencias de la computación y autor principal. "Pero no se puede resolver un problema si no se puede medir. Nuestro sistema puede ayudar a los investigadores e ingenieros de la industria a comprender cuán eficiente es su trabajo en términos de carbono, y tal vez generar ideas sobre cómo reducir su huella de carbono ".

"Hay un gran impulso para ampliar Machine Learning para resolver problemas cada vez más grandes, utilizando más potencia de cómputo y más datos", dice Dan Jurafsky, presidente de lingüística y profesor de ciencias de la computación en Stanford. "Mientras eso sucede, debemos tener en cuenta si los beneficios de estos modelos de computación pesada valen el costo del impacto en el medio ambiente".

Muchos sistemas de Machine Learning desarrollan sus habilidades ejecutando millones de experimentos estadísticos durante todo el día, refinando constantemente sus modelos para llevar a cabo tareas. Esas sesiones de entrenamiento, que pueden durar semanas o incluso meses, son cada vez más demandantes de energía. Y debido a que los costos se han desplomado tanto para la potencia informática como para los conjuntos de datos masivos, Machine Learning es cada vez más generalizado a nivel empresarial, gubernamental, académico y también en la vida personal.

Para obtener una medida precisa de lo que eso significa para las emisiones de carbono, los investigadores comenzaron midiendo el consumo de energía de un modelo de Inteligencia Artificial en particular.

Esto es más complicado de lo que parece, porque una sola máquina a menudo entrena varios modelos al mismo tiempo, por lo que cada sesión de entrenamiento debe ser aislada de las demás. Cada sesión de entrenamiento también consume energía para las funciones generales compartidas, como el almacenamiento de datos y la refrigeración, que deben asignarse adecuadamente.

El siguiente paso es traducir el consumo de energía en emisiones de carbono, que dependen de la combinación de combustibles renovables y fósiles que producen la electricidad. Esa mezcla varía ampliamente según la ubicación y la hora del día. En áreas con mucha energía solar, por ejemplo, la cantidad de carbono relacionado con la electricidad disminuye a medida que el sol sube más alto en el cielo.

Para obtener esa información, los investigadores buscaron fuentes públicas de datos sobre la combinación de energía en diferentes regiones del el mundo. La ubicación de una sesión de entrenamiento de Inteligencia Artificial puede marcar una gran diferencia en sus emisiones de carbono. Los investigadores estimaron que realizar una sesión en Estonia, que se basa principalmente en el petróleo de esquisto bituminoso, producirá 30 veces el volumen de carbono que la misma sesión en Quebec, que se basa principalmente en fuentes hidroeléctricas.

 

Obtener una IA más verde

La primera recomendación de los investigadores para reducir la huella de carbono es trasladar las sesiones de capacitación a un lugar suministrado principalmente por fuentes renovables. Eso puede ser fácil, porque los conjuntos de datos se pueden almacenar en un servidor en la nube y acceder desde casi cualquier lugar.

Sin embargo, los investigadores encontraron que algunos algoritmos de Machine Learning son más vampiros de energía que otros. En Stanford, por ejemplo, se les pidió a más de 200 estudiantes en una clase sobre aprendizaje de refuerzo que implementaran algoritmos comunes para una tarea. Aunque dos de los algoritmos funcionaron igualmente bien, uno utilizó mucha más potencia. Si todos los estudiantes hubieran usado el algoritmo más eficiente, los investigadores estimaron que habrían reducido su consumo de energía colectiva en 880 kilovatios-hora, aproximadamente lo que usa un hogar típico en un mes.

El resultado resalta las oportunidades para reducir las emisiones de carbono incluso cuando no es práctico trasladar el trabajo a una ubicación amigable con el carbono. Ese suele ser el caso cuando los sistemas de Machine Learning proporcionan servicios en tiempo real, como la navegación en automóvil, porque las largas distancias provocan retrasos en la comunicación o "latencia".

De hecho, los investigadores han incorporado una herramienta fácil de usar en el rastreador que genera un sitio web para comparar la eficiencia energética de diferentes modelos. Dicen que una forma simple de conservar energía sería establecer el programa más eficiente como la configuración predeterminada al elegir cuál usar.

"Con el tiempo", dice Henderson, "es probable que los sistemas de Machine Learning consuman aún más energía en la producción que durante el entrenamiento. Cuanto mejor comprendamos nuestras opciones, más podremos limitar los posibles impactos al medio ambiente”.
   

Durante el siglo pasado, los científicos han desarrollado métodos para mapear las estructuras dentro de la corteza terrestre, con el fin de identificar recursos como reservas de petróleo, fuentes geotérmicas y, más recientemente, depósitos donde el exceso de dióxido de carbono podría ser obtenido. Lo hacen rastreando las ondas sísmicas que se producen naturalmente por terremotos o artificialmente a través de explosivos o pistolas de aire submarinas. La forma en que estas ondas rebotan y se dispersan por la Tierra puede dar a los científicos una idea del tipo de estructuras que se encuentran debajo de la superficie.

Existe un rango estrecho de ondas sísmicas, las que ocurren a bajas frecuencias de alrededor de 1 hertz, que podrían dar a los científicos la imagen más clara de estructuras subterráneas que abarcan grandes distancias. Pero estas ondas son a menudo ahogadas por el ruidoso zumbido sísmico de la Tierra y, por lo tanto, son difíciles de detectar con los detectores actuales. Específicamente, generar ondas de baja frecuencia requeriría bombear enormes cantidades de energía. Por estas razones, las ondas sísmicas de baja frecuencia han desaparecido en gran medida en los datos sísmicos generados por humanos.

Ahora los investigadores del MIT han ideado una solución de Machine Learning para llenar este vacío.

En un artículo que aparece en la revista Geophysics, describen un método en el que entrenaron una red neuronal en cientos de terremotos simulados diferentes. Cuando los investigadores presentaron a la red entrenada solo las ondas sísmicas de alta frecuencia producidas por un nuevo terremoto simulado, la red neuronal pudo imitar la física de la propagación de ondas y estimar con precisión las ondas de baja frecuencia que faltan en el terremoto.

El nuevo método podría permitir a los investigadores sintetizar artificialmente las ondas de baja frecuencia que están ocultas en los datos sísmicos, que luego pueden usarse para mapear con mayor precisión las estructuras internas de la Tierra.

"El sueño final es poder mapear todo el subsuelo y poder decir, por ejemplo, 'esto es exactamente lo que parece debajo de Islandia, así que ahora sabes dónde explorar en busca de fuentes geotérmicas'", dice el coautor Laurent Demanet, profesor de matemáticas aplicadas en el MIT. "Ahora hemos demostrado que Deep Learning ofrece una solución para poder completar estas frecuencias faltantes".

El coautor de Demanet es el autor principal Hongyu Sun, un estudiante graduado en el Departamento de Ciencias de la Tierra, Atmosféricas y Planetarias del MIT.

Sun y Demanet adaptaron una red neuronal para el procesamiento de señales, específicamente, para reconocer patrones en datos sísmicos. Razonaron que si una red neuronal se alimentaba con suficientes ejemplos de terremotos, y las formas en que las ondas sísmicas de alta y baja frecuencia resultantes viajan a través de una composición particular de la Tierra, la red debería poder, como escriben en su documento, "extraer las correlaciones ocultas entre los diferentes componentes de frecuencia" y extrapolar las frecuencias faltantes si a la red solo se le dio el perfil sísmico parcial de un terremoto.

Los investigadores buscaron entrenar una red neuronal convolucional, o CNN, una clase de redes neuronales profundas que a menudo se usa para analizar información visual. Un CNN generalmente consiste en una capa de entrada y salida, y múltiples capas ocultas intermedias, que procesan entradas para identificar correlaciones entre ellas.

Entre sus muchas aplicaciones, las CNN se han utilizado como un medio para generar "deepfakes" visuales o auditivas, contenido que se ha extrapolado o manipulado a través de redes neuronales y de Deep Learning, para que parezca, por ejemplo, como si una mujer estuviera hablando con la voz de un hombre.

"Si una red ha visto suficientes ejemplos de cómo tomar una voz masculina y transformarla en una voz femenina o viceversa, puede crear una caja sofisticada para hacerlo", dice Demanet. "Mientras que aquí hacemos que la Tierra hable otra frecuencia, una que originalmente no pasó por ella".

Los investigadores entrenaron su red neuronal con las entradas que generaron utilizando el modelo Marmousi, un modelo geofísico bidimensional complejo que simula la forma en que las ondas sísmicas viajan a través de estructuras geológicas de densidad y composición variables.

En su estudio, el equipo utilizó el modelo para simular nueve "Tierras virtuales", cada una con una composición subsuperficial diferente. Para cada modelo de la Tierra, simularon 30 terremotos diferentes, todos con la misma fuerza, pero diferentes lugares de inicio. En total, los investigadores generaron cientos de diferentes escenarios sísmicos. Alimentaron la información de casi todas estas simulaciones en su red neuronal y dejaron que la red encontrara correlaciones entre las señales sísmicas.

Después de la sesión de entrenamiento, el equipo introdujo en la red neuronal un nuevo terremoto que simularon en el modelo de la Tierra pero que no incluyeron en los datos de entrenamiento originales. Solo incluyeron la parte de alta frecuencia de la actividad sísmica del terremoto, con la esperanza de que la red neuronal aprendiera lo suficiente de los datos de entrenamiento para poder inferir las señales de baja frecuencia faltantes de la nueva entrada.

Descubrieron que la red neuronal producía los mismos valores de baja frecuencia que el modelo Marmousi simuló originalmente.

"Los resultados son bastante buenos", dice Demanet. "Es impresionante ver hasta qué punto la red puede extrapolar a las frecuencias faltantes".

Como con todas las redes neuronales, el método tiene sus limitaciones. Específicamente, la red neuronal es tan buena como los datos que se le suministran. Si una nueva entrada es muy diferente de la mayor parte de los datos de entrenamiento de una red, no hay garantía de que la salida sea precisa. Para lidiar con esta limitación, los investigadores dicen que planean introducir una mayor variedad de datos en la red neuronal, como terremotos de diferentes intensidades, así como subsuperficies de composición más variada.

A medida que mejoran las predicciones de la red neuronal, el equipo espera poder utilizar el método para extrapolar señales de baja frecuencia de datos sísmicos reales, que luego se pueden conectar a modelos sísmicos para mapear con mayor precisión las estructuras geológicas debajo de la superficie de la Tierra. Las bajas frecuencias, en particular, son un ingrediente clave para resolver el gran rompecabezas de encontrar el modelo físico correcto.

"El uso de esta red neuronal nos ayudará a encontrar las frecuencias faltantes para finalmente mejorar la imagen del subsuelo y encontrar la composición de la Tierra", dice Demanet.
   

Supongamos que te gustaría construir una aplicación que calcule el impuesto sobre la renta para las personas de EE.UU.. De acuerdo con las normas federales de impuestos sobre la renta: “Para los contribuyentes individuales, todos los ingresos inferiores a $9.875 están sujetos a una tasa impositiva del 10%. Por lo tanto, si tiene $9.900 en ingresos imponibles, los primeros $9.875 están sujetos a la tasa del 10% y los $ 25 restantes están sujetos a la tasa de impuestos del siguiente tramo (12%)".
Este es un ejemplo de reglas o un algoritmo (conjunto de instrucciones) para un ordenador. Desde un punto de vista formal y pragmático, un ordenador equipado con esta aplicación puede lograr el objetivo de calcular los impuestos sin ayuda humana. Técnicamente, esto se podría clasificar como Inteligencia Artificial.

¿Es esta aplicación lo suficientemente "genial"? La verdad es que no lo es. Es por eso que muchas personas no lo considerarían parte de la Inteligencia Artificial. Se puede decir que si ya sabemos cómo hacer una determinada cosa, entonces el proceso no puede considerarse inteligencia real. Este es un fenómeno que se conoce como "Efecto Inteligencia Artificial". Una de las primeras referencias se conoce como el teorema de Tesler que dice: "Inteligencia Artificial es lo que aún no se ha hecho".

A los ojos de algunas personas, la parte genial de la Inteligencia Artificial está asociada con Machine Learning, y más específicamente con Deep Learning que no requiere instrucciones y utiliza redes neuronales para aprender todo por sí mismo, como un cerebro humano.

La realidad es que el desarrollo humano es una combinación de múltiples procesos, que incluyen ambos: instrucciones y capacitación de la red neuronal, así como muchas otras cosas.

Por poner otro ejemplo simple: si trabajas en un taller en un proyecto complejo, es posible que necesites varias herramientas, por ejemplo, un martillo, un destornillador, alicates, etc. Por supuesto, puedes hacer una tarea que solo se puede resolver usando un martillo o solo un destornillador, pero para la mayoría de los proyectos de la vida real probablemente necesitarás usar varias herramientas en combinación hasta cierto punto.

De la misma manera, la Inteligencia Artificial también consta de varias "herramientas" como algoritmos, Machine Learning supervisado y no supervisado, etc.. Resolver un problema de la vida real requiere una combinación de estas "herramientas" y, dependiendo de la tarea, las puedes usar en diferentes proporciones o no usar en absoluto.

Hay y siempre habrá situaciones en las que cada uno de estos métodos será preferido sobre otros.

Por ejemplo, la tarea de cálculo de impuestos descrita al comienzo probablemente no se delegará a Machine Learning. Hay buenas razones para ello, por ejemplo:

• la solución de este problema no depende de los datos
• el proceso debe ser controlable, observable y 100% exacto (no puede ser 85% exacto en tus impuestos sobre la renta)

Sin embargo, la tarea de evaluar las presentaciones de impuestos sobre la renta para identificar posibles fraudes es una aplicación perfecta para las tecnologías de Inteligencia Artificial.

Equipado con una cantidad de entradas de datos bien etiquetadas (edad, sexo, dirección, educación, título del trabajo, salario, deducciones, impuesto calculado, impuesto del año pasado y muchos otros) y utilizando el mismo tipo de información disponible en millones de otras personas, los modelos Machine Learning pueden identificar rápidamente "valores atípicos".

¿Qué pasa después? Los valores atípicos en los datos no son necesariamente fraude. Los científicos de datos analizarán las anomalías y tratarán de comprender la razón por la que se señala a estas personas. Es muy posible que encuentren algunos factores adicionales que tuvieron que ser considerados (ingeniería de características), por ejemplo, una división entre el impuesto sobre el salario y el impuesto sobre la ganancia de capital de la inversión.

En ese caso, probablemente se agregaría una instrucción al ordenador para dividir este conjunto de datos según el tipo de ingreso. En este mismo momento, ya no estarías tratando con un modelo de Machine Learning puro (ya que los científicos acaban de agregar una instrucción), sino con una combinación de múltiples herramientas de Inteligencia Artificial.

Machine Learning es una gran tecnología que ya puede resolver muchas tareas específicas. Ciertamente se expandirá a muchas áreas, debido a su capacidad de adaptarse al cambio sin un gran esfuerzo por parte humana.

Al mismo tiempo, aquellos segmentos que pueden resolverse usando instrucciones específicas y requieren resultados predecibles (cálculos financieros) o aquellos que involucran alto riesgo (vida humana, salud, proyectos muy costosos y riesgosos) requieren más control y si el enfoque algorítmico puede proporcionarlo, se continuará usando una aplicación específica y no Machine Learning.

Por razones prácticas, para resolver cualquier problema complejo específico, deberás usar la combinación correcta de herramientas y métodos de ambos tipos.
   

Normalmente, el rendimiento del código en un chip de ordenador determinado se estima utilizando modelos de rendimiento que prueban el código en una variedad de arquitecturas, después de lo cual los compiladores se utilizan para optimizar automáticamente el código para esas arquitecturas. Pero esos modelos de rendimiento son imperfectos, y la realidad puede diferir significativamente de sus estimaciones, lo que lleva a ineficiencias y déficits. Ahora, el MIT ha destacado una nueva herramienta de sus investigadores que utiliza Machine Learning para predecir con mayor precisión, facilidad y rapidez el rendimiento del código en chips de ordenador.

En esencia, la nueva tubería automatizada, llamada "Ithemal", se entrena en fragmentos de código etiquetados ("bloques básicos") y utiliza esa capacitación para predecir cuánto tiempo tomará un chip ejecutar otros bloques desconocidos. Esto ayuda a los desarrolladores a trabajar para optimizar su código en diversos diseños de chips de "caja negra" donde a menudo se desconocen las especificaciones exactas. Los investigadores también desarrollaron un conjunto de referencia de unos 300,000 bloques básicos, llamando al conjunto de datos de código abierto "BHive".

“Los procesadores de ordenador modernos son opacos, terriblemente complicados y difíciles de entender. También es increíblemente desafiante escribir código de ordenador que se ejecute lo más rápido posible para estos procesadores ”, dijo el coautor Michael Carbin, profesor asistente en el MIT e investigador en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). "Esta herramienta es un gran paso adelante para modelar completamente el rendimiento de estos chips para mejorar la eficiencia".

A modo de ejemplo, el MIT destaca que Intel proporciona miles de páginas de documentación que describen las arquitecturas de sus chips, además de proporcionar sus propios modelos de rendimiento. "Los documentos de Intel no están libres de errores ni están completos, e Intel omitirá ciertas cosas, porque es de propiedad exclusiva", dijo el coautor Charith Mendis. "Sin embargo, cuando usa datos, no necesita conocer la documentación. Si hay algo oculto, puede aprenderlo directamente de los datos ". Entonces, cuando Ithemal se probó en chips Intel, predijo el rendimiento del código mejor que uno de los propios modelos de Intel. En términos más generales, descubrieron que Ithemal redujo las tasas de error de predicción en aproximadamente un 50 por ciento en comparación con los modelos tradicionales.

La flexibilidad también es clave para la herramienta. "Si deseas entrenar un modelo en una nueva arquitectura, simplemente recopila más datos de esa arquitectura, ejecútalo a través de nuestro generador de perfiles, usa esa información para entrenar a Ithemal, y ahora tienes un modelo que predice el rendimiento", dijo Mendis. En ese sentido, el equipo también introdujo recientemente una técnica para generar automáticamente algoritmos "Vemal" que convierten el código en vectores para la computación paralela, superando nuevamente a las soluciones populares hechas a mano.

A medida que avanzan, el equipo de investigación está trabajando para que Ithemal sea menos un modelo de caja negra. “Nuestro modelo dice que se necesita, digamos, 10 ciclos de procesador para ejecutar un bloque básico. Ahora, estamos tratando de descubrir por qué", dijo Carbin. "Ese es un buen nivel de granularidad que sería sorprendente para este tipo de herramientas".  

La Inteligencia Artificial se puede utilizar para predecir las funciones de onda molecular y las propiedades electrónicas de las moléculas. Este innovador método de Inteligencia Artificial desarrollado por un equipo de investigadores de la Universidad de Warwick, la Universidad Técnica de Berlín y la Universidad de Luxemburgo, podría utilizarse para acelerar el diseño de moléculas de medicamentos o nuevos materiales.

La Inteligencia Artificial y los algoritmos de Machine Learning se utilizan de forma rutinaria para predecir nuestro comportamiento de compra y para reconocer nuestras caras o la escritura a mano. En la investigación científica, la Inteligencia Artificial se está estableciendo como una herramienta crucial para el descubrimiento científico.

En química, la Inteligencia Artificial se ha convertido en un instrumento para predecir los resultados de experimentos o simulaciones de sistemas cuánticos. Para lograr esto, la Inteligencia Artificial necesita poder incorporar sistemáticamente las leyes fundamentales de la física.

Un equipo interdisciplinario de químicos, físicos e informáticos dirigido por la Universidad de Warwick, que incluye la Universidad Técnica de Berlín y la Universidad de Luxemburgo, ha desarrollado un algoritmo de Deep Learning que puede predecir los estados cuánticos de las moléculas, también llamados funciones de onda, que determinan todas las propiedades de las moléculas.

La Inteligencia Artificial logra esto aprendiendo a resolver ecuaciones fundamentales de la mecánica cuántica como se muestra en su artículo "Unificación de Machine Learning y química cuántica con una red neuronal profunda para funciones de ondas moleculares" publicado en Nature Communications.

Resolver estas ecuaciones de la manera convencional requiere recursos informáticos masivos de alto rendimiento (meses de tiempo informático), que suele ser el cuello de botella para el diseño computacional de nuevas moléculas especialmente diseñadas para aplicaciones médicas e industriales. El algoritmo de Inteligencia Artificial recientemente desarrollado puede proporcionar predicciones precisas en segundos en un ordenador portátil o teléfono móvil.

El Dr. Reinhard Maurer del Departamento de Química de la Universidad de Warwick comenta:
"Este ha sido un esfuerzo conjunto de tres años, que requirió conocimientos de informática para desarrollar un algoritmo de Inteligencia Artificial lo suficientemente flexible como para capturar la forma y el comportamiento de las funciones de onda, pero también conocimientos de química y física para procesar y representar los datos de química cuántica en una forma que sea manejable para el algoritmo".

El equipo se ha reunido durante un programa interdisciplinario de becas de 3 meses en IPAM (UCLA) sobre el tema de Machine Learning en física cuántica.

El profesor Dr. Klaus Robert-Muller del Instituto de Ingeniería de Software y Ciencias de la Computación Teórica de la Universidad Técnica de Berlín agrega:
“Este trabajo interdisciplinario es un progreso importante ya que muestra que los métodos de Inteligencia Artificial pueden realizar eficientemente los aspectos más difíciles de las simulaciones moleculares cuánticas. En los próximos años, los métodos de Inteligencia Artificial se establecerán como una parte esencial del proceso de descubrimiento en química computacional y física molecular”.

El profesor Dr. Alexandre Tkatchenko del Departamento de Física e Investigación de Materiales de la Universidad de Luxemburgo concluye:
"Este trabajo permite un nuevo nivel de diseño compuesto donde las propiedades electrónicas y estructurales de una molécula se pueden ajustar simultáneamente para lograr los criterios de aplicación deseados".

Referencia: "Unificación de Machine Learning y la química cuántica con una red neuronal profunda para funciones de onda molecular" por K. T. Schütt, M. Gastegger, A. Tkatchenko, K.-R. Müller y R. J. Maurer, 15 de noviembre de 2019, Nature Communications. DOI: 10.1038/s41467-019-12875-2

   

Los investigadores están desarrollando herramientas de Machine Learning para ayudarles a acelerar el desarrollo tecnológico.

No les interesa la forma tradicional, incremental y costosa de realizar experimentos, recopilar datos y aplicar esas respuestas a los diseños tecnológicos. Quieren comenzar con la respuesta, en este caso mejores células solares, y utilizar Machine Learning para escanear datos existentes, aprender patrones, hacer predicciones y ayudarles a alcanzar rápidamente su objetivo de diseño.

"¿Puedo eludir la necesidad de una costosa recopilación de datos utilizando el conocimiento que ya se posee en este campo?", se preguntó Baskar Ganapathysubramanian de la Universidad Estatal de Iowa, profesor en Ingeniería y líder de un nuevo esfuerzo para desarrollar Machine Learning para diseño tecnológico.

Los investigadores creen que la respuesta es sí.

Una reciente donación de hasta $2 millones durante dos años de la Agencia de Proyectos de Investigación Avanzada del Departamento de Energía de los EE. UU. (ARPA-E) respaldará su exploración de esa idea. El proyecto liderado por el estado de Iowa es uno de los 23 respaldados por hasta $ 15 millones del programa "DIFERENCIADO" de la agencia de investigación dedicado a acelerar la búsqueda de innovaciones energéticas.

Además de Ganapathysubramanian, el equipo de investigación incluye a Adarsh ​​Krishnamurthy, Soumik Sarkar, ambos profesores asistente de ingeniería mecánica del estado de Iowa, Chinmay Hegde, anteriormente del estado de Iowa, ahora profesora asistente en la Escuela de Ingeniería Tandon de la Universidad de Nueva York, Zhenan Bao, presidente de ingeniería química y profesor en la Universidad de Stanford en California, Ross Larsen, científico senior en el Laboratorio Nacional de Energía Renovable (NREL) en Colorado, y Bryon Larson, investigador en NREL.

Ganapathysubramanian dijo que el objetivo inmediato del proyecto es desarrollar una teoría de Machine Learning y herramientas de software que permitan la identificación rápida de estructuras orgánicas de película delgada que mejoren el rendimiento de las células solares y que sean fáciles de fabricar. El objetivo más amplio es demostrar que Machine Learning puede ayudar a diseñar rápidamente todo tipo de tecnologías.
 
"Estamos viendo una forma no tradicional de hacer Machine Learning: estamos haciendo ciencia con Machine Learning", dijo Sarkar, quien estudia Machine Learning e Inteligencia Artificial. “Machine Learning se ha utilizado para hacer tu próxima recomendación de Netflix. El nuevo objetivo es tratar de ver si Machine Learning puede ayudar a los ingenieros o científicos a mejorar la ingeniería o la ciencia".

En este caso, la idea básica es utilizar Machine Learning para ayudar a los investigadores a invertir y acelerar el proceso de diseño, dijo Ganapathysubramanian.

Digamos que quiere diseñar coches que recorran 60 millas por galón de gasolina. Dijo que en lugar del lento y costoso proceso de probar y probar un cambio a la vez: mejor aerodinámica aquí, materiales más livianos allí, nueva tecnología de motor debajo del capó, el nuevo proceso usaría Machine Learning para analizar datos existentes y nuevos modelos por ordenador para identificar un diseño inicial capaz de alcanzar 60 millas por galón.
 
Krishnamurthy, del estado de Iowa, que estudia diseño asistido por ordenador y modelado 3D, ha dicho que ha trabajado con Sarkar en proyectos similares que han utilizado Machine Learning para mejorar la fabricación. Específicamente, analizaron cómo Machine Learning puede generalizar las reglas de diseño para fabricación e identificar características difíciles de fabricar en una pieza compleja. Esto ha acelerado el proceso de diseño y ayudó a identificar los cuellos de botella de fabricación en la etapa de diseño.

Una vez que la nueva herramienta de Machine Learning del equipo de investigación haya creado diseños para mejores células solares, el grupo de investigación de Bao en Stanford probará la capacidad de fabricación y el rendimiento del dispositivo. Larsen y Larson en NREL proporcionarán datos sobre las propiedades de los materiales y también evaluarán el rendimiento de los materiales.

Si bien las mejores células solares son ciertamente algo bueno, Ganapathysubramanian dijo que no es lo mejor que podría venir de este proyecto.

"Los resultados más importantes serán la teoría y las herramientas de software que nos permitirán diseñar nuevas tecnologías de manera rápida y ágil", dijo. "Ese es el resultado clave que ARPA-E espera".  

Machine Learning Tarragona es el resumen principal de noticias de Machine Learning (Aprendizaje Automático) y Deep Learning (Aprendizaje Profundo) para el área de Tarragona, España.

Los principales desarrollos en este campo, ya sean nuevas tecnologías, compañías o productos, procesados y simplificados para que lo puedas tener de forma fácil, simple y gratis!

Los ejemplos y tutoriales de Machine Learning permiten que los nuevos contenidos, muchas veces de gran complejidad, sean accesibles para una audiencia más amplia. A su vez, las técnicas y algoritmos de Machine Learning, ofrecen los últimos avances en investigación de forma más interesante y simple de comprender. Se incluye, también, ejemplos y técnicas de Python, ya que es uno de los lenguajes más utilizados en este campo.

Este contenido se complementa con información específica para el área de Tarragona, España.

Uso de Machine Learning y redes neuronales para soluciones espaciales avanzadas

KP Labs, una compañía de NewSpace con sede en Polonia, se especializa en aplicaciones de Machine Learning para la industria espacial y adquisición y procesamiento de imágenes hiperespectrales. La compañía se enfoca en acelerar la exploración espacial mediante el avance de la operación autónoma de naves espaciales y la tecnología robótica. Su producto estrella es la misión satelital Intuition-1. Es un satélite 6U, equipado con un instrumento óptico hiperespectral y un ordenador a bordo "Leopard" que avanzó el procesamiento de datos a través de redes neuronales convolucionales.

Aguas abajo, la compañía se concentra en el uso de imágenes hiperespectrales para fines industriales y agrícolas. Para esta aplicación, ha desarrollado un generador de imágenes ligero e hiperespectral "Zebra".

Hace unos meses, KP Labs firmó un contrato con ACC Clyde Space para la entrega de un autobús satelital y colocar el satélite en órbita terrestre baja. Se espera el lanzamiento de Intuition-1 para 2023. La misión de Intuition-1 es realizar la observación de la Tierra utilizando un instrumento hiperespectral y un procesamiento de datos avanzado basado en redes neuronales profundas (IA) a bordo del satélite.

KP Labs también está involucrado con la Agencia Espacial Europea en proyectos como HYPERNET, que trata sobre la segmentación de imágenes HYPER-espectral usando redes neuronales profundas, y SUPER RESOLUCIÓN - Reconstrucción de súper resolución (SRR) con redes neuronales profundas. El objetivo de las técnicas de SRR es mejorar la calidad y aumentar la resolución de las imágenes mientras se restauran tantos detalles como sea posible de la imagen o imágenes de origen.

http://bit.ly/2DCOQvm

 

Los químicos muestran cómo el sesgo puede surgir en los resultados del algoritmo de Machine Learning

Un equipo de científicos de materiales en el Haverford College ha demostrado cómo el sesgo humano en los datos puede afectar los resultados de los algoritmos de Machine Learning utilizados para predecir nuevos reactivos para su uso en la fabricación de los productos deseados. En su artículo publicado en la revista Nature, el grupo describe la prueba de un algoritmo de Machine Learning con diferentes tipos de conjuntos de datos y lo que encontraron.

Una de las aplicaciones más conocidas de los algoritmos de Machine Learning es el reconocimiento facial. Pero hay posibles problemas con tales algoritmos. Uno de estos problemas ocurre cuando un algoritmo facial destinado a buscar a un individuo entre muchas caras ha sido entrenado con personas de una sola raza. En este nuevo esfuerzo, los investigadores se preguntaron si el sesgo, involuntario o no, podría estar surgiendo en los resultados del algoritmo de Machine Learning utilizados en aplicaciones químicas diseñadas para buscar nuevos productos.

Dichos algoritmos usan datos que describen los ingredientes de las reacciones que resultan en la creación de un nuevo producto. Pero los datos sobre los que se entrena el sistema podrían tener un gran impacto en los resultados. Los investigadores señalan que actualmente, dichos datos se obtienen de los esfuerzos de investigación publicados, lo que significa que generalmente son generados por humanos. Señalan que los datos de tales esfuerzos podrían haber sido generados por los propios investigadores o por otros investigadores que trabajan en esfuerzos separados. Los datos incluso podrían provenir de una sola persona que simplemente se relacionan de memoria, o de la sugerencia de un profesor, o de un estudiante graduado con una idea brillante. El punto es que los datos podrían estar sesgados en términos del fondo del recurso.

http://bit.ly/2PvDSiB

 

Cómo Machine Learning puede ayudar a desbloquear el mundo del antiguo Japón

La rica historia de la humanidad ha dejado una enorme cantidad de documentos y artefactos históricos. Sin embargo, prácticamente ninguno de estos documentos, que contienen historias y experiencias grabadas esenciales para nuestro patrimonio cultural, puede ser entendido por personas no expertas debido a cambios en el idioma y la escritura a lo largo del tiempo.

Por ejemplo, un arqueólogo ha desenterrado decenas de miles de tabletas de arcilla de la antigua Babilonia, pero solo unos pocos cientos de académicos especialmente capacitados pueden traducirlas. La gran mayoría de estos documentos nunca se han leído, incluso si se descubrieron en el siglo XIX. Para dar una ilustración adicional del desafío planteado por esta escala, se recogió una tableta del Cuento de Gilgamesh en una expedición en 1851, pero su importancia no salió a la luz hasta 1872. Esta tableta contiene una narración de inundación prebíblica, que tiene un enorme significado cultural como precursor de la narrativa del Arca de Noé.

Este es un problema global, pero uno de los ejemplos más llamativos es el caso de Japón. Desde 800 hasta 1900 CE, Japón utilizó un sistema de escritura llamado Kuzushiji, que fue eliminado del plan de estudios en 1900 cuando se reformó la educación primaria. Actualmente, la gran mayoría de los hablantes japoneses no pueden leer textos que tienen más de 150 años. El volumen de estos textos, compuesto por más de tres millones de libros almacenados pero que solo puede leer un puñado de académicos especialmente capacitados, es asombroso. Una sola biblioteca ha digitalizado 20 millones de páginas de dichos documentos. El número total de documentos, incluidas, entre otras, cartas y diarios personales, se estima en más de mil millones. Dado que muy pocas personas pueden entender estos textos, principalmente aquellos con doctorados en literatura japonesa clásica e historia japonesa, sería muy costoso y requeriría mucho tiempo financiar a los académicos para convertir estos documentos al japonés moderno. Esto ha motivado el uso de Machine Learning para comprender automáticamente estos textos.

http://bit.ly/33HXaVa

 
Tu opinión es muy importante! Deja tu comentario con sugerencias o ideas de cómo mejorar este servicio.

Puedes seguir noticias y eventos en facebook: https://www.facebook.com/machinelearningtarragona

#machinelearning #deeplearning #tarragona