Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
Date
2019-10-09
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en
diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de
texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de
aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se
haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado.
El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales.
En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales
para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una
mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso
procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen
conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando
se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el
error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará
buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de
acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia.
El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de
predicción de incendios utilizado en el laboratorio LICPaDa
. En este modelo se trabaja
constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al
implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones
sobre las variables según qué peso tienen estas en el incendio a predecir.
Description
Keywords
Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
Citation
X Encuentro de Investigadores y Docentes de Ingeniería (X EnIDI 2019). Año 2019.
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwised noted, this item's license is described as openAccess