Machine learning

En el enfoque Deep Learning se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, teniendo capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características existentes en los objetos percibidos. La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales. Existen varios entornos y bibliotecas de código de Deep Learning que se ejecutan en las potentes GPUs modernas tipo CUDA, como por ejemplo NVIDIA cuDNN.

El Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas.

Gracias a la neurociencia, el estudio de casos clínicos de daño cerebral sobrevenido y los avances en diagnóstico por imagen sabemos por ejemplo que hay centros específicos del lenguaje (como las áreas de Broca o Wernicke), o que existen redes especializadas en detectar diferentes aspectos de la visión, como los bordes, la inclinación de las líneas, la simetría e incluso áreas íntimamente relacionadas con el reconocimiento de rostros y la expresión emocional de los mismos (el giro fusiforme en colaboración con la amígdala).

Los modelos computacionales de Deep Learning imitan estas características arquitecturales del sistema nervioso, permitiendo que dentro del sistema global haya redes de unidades de proceso que se especialicen en la detección de determinadas características ocultas en los datos. Este enfoque ha permitido mejores resultados en tareas de percepción computacional, si las comparamos con las redes monolíticas de neuronas artificiales.

https://www.xataka.com/robotica-e-ia/deep-learning-que-es-y-por-que-va-a-ser-una-tecnologia-clave-en-el-futuro-de-la-inteligencia-artificial

Decentralized AI: Blockchain’s bright future

Previous collaboration between blockchain and AI

There’s been notable integration between AI and blockchain. Some examples of this include the Singularity.Net blockchain and AI program, which was created to enhance smart contract testing. Supply chain firm, Nahame has also incorporated blockchain technology and AI to help companies with auditing. There are some plans by a peer-to-peer car rental company, which have been made public, to produce a fleet of self driving cars on blockchain technology.

AI, or machine intelligence, has a lower error rate compared to humans when coding. As a result, AI offers a greater level of accuracy, speed and precision.

  • AI  is totally logical as it has no emotions and thus makes error-free rational decisions. 
  • Machines don’t get tired and can thrive in hazardous conditions. This enables them to carry out dangerous tasks, such as space exploration, or even mining.
  • Trusting AI with data analysis is the best decision any company can make. AI can easily calculate unstructured data, and give results in real-time, ensuring accuracy in data analytics.

Source;

Decentralized AI: Blockchain’s bright future