Datos, algoritmos y políticas: la redefinición del mundo digital

More documents

Recommendations

Info

Capítulo VII Comisión Económica para América Latina y el Caribe (CEPAL) productos electrónicos de consumo. La noción de reutilización está en el corazón de las ventajas teóricas detrás del aprendizaje profundo, es decir, la construcción de múltiples niveles de representación o el aprendizaje de una jerarquía de características (Bengio, Courville y Vincent, 2013). Cuando esta idea se implementa en un entorno semisupervisado a menudo se denomina aprendizaje multitarea, mientras que cuando se hace mediante aprendizaje supervisado se denomina transferencia de aprendizaje (Goodfellow, Bengio y Courville, 2016). Técnicamente, esto se puede implementar de arriba hacia abajo y de abajo hacia arriba, resumiendo las estructuras compartidas de distintos insumos y proporcionando una base compartida para evaluar diversos productos (véase el diagrama VII.2). Diagrama VII.2 Arquitectura ilustrativa del aprendizaje multitarea o de transferencia in (1) h (1) h (1) out (1) in (2) h (2) h shared h (2) out (2) in (3) h (3) h (3) Fuente: M. Hilbert y S. Mann, “Artificial intelligence for development: AI4D”, Rochester, 2018, inédito. En la arquitectura ilustrativa del aprendizaje multitarea o de transferencia, una variable oculta en los niveles medios tiene una semántica compartida, mientras que las variables de entrada y las variables de salida específicas de la tarea tienen diferentes significados. En este caso, el factor h (3) del diagrama VII.2 explica algunas de las variaciones de entrada, pero no es relevante para la tarea actual. En un entorno supervisado, esta técnica es extremadamente útil cuando hay muchos más datos en una configuración que en otra. Por ejemplo, se podría entrenar la visión por computadora con imágenes de gatos domésticos y luego usar las características extraídas para detectar el leopardo salvaje de las nieves, que rara vez aparece (Yosinski y otros, 2014). Incluso se puede usar para casos sin precedentes, para los que no hay ejemplos de etiquetas disponibles (el llamado aprendizaje de cero disparos o zero-shot learning) (Goodfellow, Bengio y Courville, 2016). Esto es útil para análisis de temas sobre el desarrollo internacional, cuyo contexto está plagado de asimetrías de información. c) Robustez: redes neuronales convolucionales Las redes neuronales convolucionales (CNN) son un tipo de red profunda que se considera fácil de entrenar y generalizar y una de las aplicaciones más comunes de las redes neuronales profundas (LeCun, Bengio y Hinton, 2015). Las redes neuronales convolucionales están diseñadas para procesar datos en forma de matrices múltiples, como una imagen a color formada por múltiples cuadrículas bidimensionales que contienen píxeles de diversa intensidad. Han sido muy exitosas en aplicaciones prácticas. 174
Datos, algoritmos y políticas: la redefinición del mundo digital Capítulo VII Las redes convolucionales son el mayor triunfo de la inteligencia artificial inspirada en la biología. Se basan en el concepto galardonado con un Premio Nobel de que algunas neuronas responden a patrones muy específicos y difícilmente a otros, a la vez que son muy robustas e invariables al hacer lo que hacen (Hubel y Wiesel, 1968). En las redes convolucionales esto se implementa mediante el uso sistemático de parámetros compartidos que involucran al menos dos tipos de capas: capas convolucionales y capas de agrupamiento. La función de la capa convolucional es detectar grupos de funciones o características de la capa anterior, en tanto que la función de la capa de agrupación es unir funciones o características similares, es decir, literalmente agruparlas. De esta forma, incluso si una imagen de entrada tiene millones de píxeles, podemos detectar características pequeñas y significativas, como los bordes, con núcleos que ocupan solo decenas de píxeles, y compartir esos parámetros. Esto se hace deslizando ventanas superpuestas de representación compartida sobre la estructura de la grilla, tanto desde arriba como desde abajo (véase el diagrama VII.3). Diagrama VII.3 Conectividad compartida en una red convolucional A. Vista desde arriba s (1) s (2) s (3) s (4) s (5) h (1) h (2) h (3) h (4) h (5) in (1) in (2) in (3) in (4) in (5) B. Vista desde abajo s (1) s (2) s (3) s (4) s (5) h (1) h (2) h (3) h (4) h (5) in (1) in (2) in (3) in (4) in (5) Fuente: M. Hilbert y S. Mann, “Artificial intelligence for development: AI4D”, Rochester, 2018, inédito. 175
Page 1 and 2:
Datos, algoritmos y políticas La r
Page 3 and 4:
Datos, algoritmos y políticas La r
Page 5 and 6:
Datos, algoritmos y políticas: la
Page 7 and 8:
Page 9 and 10:
Page 11:
Page 14 and 15:
Prólogo Comisión Económica para
Page 17 and 18:
Page 19 and 20:
Page 21 and 22:
Page 23 and 24:
Page 25:
Page 28 and 29:
Capítulo I Comisión Económica pa
Page 30 and 31:
Page 32 and 33:
Page 34 and 35:
Page 36 and 37:
Page 38 and 39:
Page 40 and 41:
Page 42 and 43:
Page 44 and 45:
Page 47:
Page 50 and 51:
Capítulo II Comisión Económica p
Page 52 and 53:
Page 54 and 55:
Page 56 and 57:
Page 58 and 59:
Page 60 and 61:
Page 62 and 63:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97:
CAPÍTULO IV Formación de recursos
Page 100 and 101:
Capítulo IV Comisión Económica p
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127: Capítulo IV Comisión Económica p
Page 129 and 130: Datos, algoritmos y políticas: la
Page 147: Datos, algoritmos y políticas: la
Page 169: Datos, algoritmos y políticas: la
Page 172 and 173: Capítulo VII Comisión Económica
show all

Datos, algoritmos y políticas: la redefinición del mundo digital

Create successful ePaper yourself

Delete template?

Save as template?