De colorear fotos antiguas a ser más eficientes con Deep Learning


Learn about IDbox national
and international news and events

December 04, 2020

La tecnología clave en la mejora del futuro presente

En la actualidad se está demostrando que la capacidad de sintetizar datos sensoriales, preservando las propiedades estadísticas deseadas, supone un gran éxito en diferentes industrias.

Muchos ejemplos se basan en este concepto y lo aplican a diversas industrias que utilizan tecnología. Uno de los más destacados es el caso de DeOldify, un programa de inteligencia artificial que traduce imágenes en blanco y negro a color, o Nvidia, con su propuesta de crear imágenes realistas de falsos paisajes o rostros de personas inexistentes, a partir de bocetos semánticos.

GANs: La idea más interesante en Machine Learning de la última década

Estos sistemas se basan en una arquitectura de red neuronal muy específica, denominada Generative Adversarial Network (GAN), unalgoritmo de inteligencia artificial que incide en que los datos sintetizados deben mantener tanto las propiedades estadísticas como ser indistinguibles de los datos reales, proceso similar a un test de Touring para datos.

Dichos conceptos tienen su origen tiempo atrás, donde la comparación se realizaba a través de simple inspección visual. Actualmente se emplean modelos de clasificación, llamados discriminadores, encargados de distinguir entre datos sintetizados y datos reales. De una forma más intuitiva se puede entender esta red como dos redes competidoras: la primera de ellas es la encargada de generar candidatos, datos sintetizados, mientras que la segunda evalúa si los datos son reales o sintetizados. El objetivo del entrenamiento es aumentar la tasa de error de la red discriminadora, es decir, engañar al discriminador.

La monitorización, el deep learning y sus beneficios para el negocio

Las soluciones descritas anteriormente se adaptan a diversos sectores como “Smart”, “Industria 4.0” y “Energía” entre otros. El software de monitorización de activos en tiempo real comienza a utilizar estos avances tecnológicos para resolver problemas comunes, como, por ejemplo, los fallos de conexión. Suele pasar que algunos sensores que envían datos están parcialmente desconectados, lo que podría haberse evitado si un modelo generador-discriminador hubiera entrado en el juego, sustituyendo los datos que faltan por datos sintéticos. A partir de aquí podríamos considerar la posibilidad de sustituir algunos sensores completamente por piezas sintéticas, lo que aseguraría la mayor calidad posible y reduciría la infraestructura de hardware necesaria para una supervisión eficaz.

Actualmente, empresas españolas como CIC Consulting Informático, con su producto de monitorización de activos IDboxRT Inteligencia Operacional, consideran el Deep Learning como una herramienta destinada a facilitar la vida de sus clientes.

Ejemplo de visualización predictiva del valor que cada variable tendrá en el próximo período de 15 minutos.

La serie de medidas en el ámbito de Deep Learning en materia de monitorización, desarrollada por CIC Consulting Informático, da lugar a importantes resultados positivos a diversos niveles. En primer lugar, proporciona condiciones económicas favorables, permitiendo ahorrar en la explotación y el mantenimiento de equipos específicos, evitando al mismo tiempo graves pérdidas de información. Por este motivo, existen ventajas asociadas a la eficiencia energética, como la reducción del consumo de energía resultante de la disminución del número de componentes físicos.

Regreso al futuro con el deep learning

Se espera que el Deep Learning revolucione la metodología de funcionamiento de las empresas en un futuro próximo, haciéndolas más eficientes en términos de consumo y rentabilidad, optimizando todos sus procesos y logrando resultados tangibles a escala mundial.

We use our own and third party cookies to analyze our services and improve your experience. If you continue browsing, we will consider that you accept its use. You can configure the use of cookies or get more information here.