Share it with your network.
La investigación de la IA nos rodea por todas partes, desde Alexa de Amazon hasta Google Home. Atrás quedaron los días en que la IA se consideraba cosa del futuro. De hecho, la investigación en este campo ha dado lugar a inventos muy tangibles y, a menudo, revolucionarios. La inteligencia artificial es un campo muy amplio con muchas ramas diferentes e infinitas aplicaciones.
ParallelDots ha llevado a cabo algunas de las mejores investigaciones sobre inteligencia artificial, creando algunas de las herramientas más potentes con diferentes aplicaciones. Desde sus inicios, ParallelDots siempre ha tenido una gran cultura de investigación. Este hecho se refleja en las diversas publicaciones de investigación acreditadas ante su equipo. Ahora que 2018 está llegando a su fin, veamos qué ha estado haciendo el equipo de ParallelDots durante el año pasado.
La IA ahora puede ayudar a detectar la tuberculosis (TB) automáticamente a gran escala
La tuberculosis es una de las enfermedades más mortales que ha asolado la India y se cobra aproximadamente medio millón de víctimas cada año. La economía india ha sufrido una merma de 340 000 millones de dólares durante el período comprendido entre 2006 y 2014 a causa de la tuberculosis. Las cepas de tuberculosis resistentes a los medicamentos son más problemáticas y, lamentablemente, también más comunes en la India. En 2017, el gobierno indio ideó un Política antituberculosa en 2017 para abordar y combatir esta enfermedad mortal. Esta política tiene como objetivo abordar la maldición de la tuberculosis a través de una política de lucha contra la tuberculosis basada en cuatro pilares.
El primer pilar se centra en el diagnóstico. Aquí es donde entra en juego nuestra investigación sobre la IA, que actúa como agente de diagnóstico. ParallelDots intentó mostrar cómo funciona esto en su investigación. La tuberculosis que responde a los medicamentos se puede detectar mediante la prueba de esputo. El diagnóstico de la tuberculosis se realiza básicamente en dos pasos: 1. Amplíe hasta un nivel adecuado, 2. Detecta y localiza cualquier grupo de bacilos (bacterias que causan la tuberculosis). La investigación de la IA tenía como objetivo automatizar la detección del bacilo con precisión. Esto se logró con el uso de la red neuronal en cascada como se muestra en la imagen. A medida que crece el conjunto de datos, esta tecnología puede ampliarse para automatizar, al menos parcialmente, el diagnóstico de la tuberculosis y, con un nuevo conjunto de datos de niveles de Zoom, este estudio podría conducir a la automatización total de la prueba del esputo. Obtenga más información sobre la investigación aquí.
Un nuevo método de IA poco exigente para monitorear las estanterías minoristas
La detección visual de las estanterías de las tiendas o cualquier otra forma de detección de objetos se puede lograr mediante el uso de algoritmos de aprendizaje profundo como RCNN, YOLO o SSD. Sin embargo, crear el conjunto de datos para estos algoritmos puede ser una tarea tediosa y, a menudo, resultar costosa. ParallelDots ha creado una nueva metodología que puede detectar y localizar objetos en imágenes, con solo un conjunto de datos de instancias de objetos para entrenar. Esta técnica se denomina técnica de detección de objetos con supervisión débil.
Supongamos que hay que localizar las latas de BIRA en las imágenes, todo lo que hay que hacer es entrenar el algoritmo en un conjunto de datos de solo unas pocas fotos de latas de BIRA individuales. Nuestra red consta de dos etapas, en las que utilizamos una arquitectura totalmente intrincada que ha sido entrenada para clasificar el objeto como un mapa de segmentación principal y, a continuación, rectificamos este mapa con un codificador convolucional y descodificador diseñado con un conjunto de datos sintético. Obtenga más información sobre la investigación aquí.
Nuevo método de IA para determinar si dos oraciones son paráfrasis entre sí
El campo de la IA está en constante evolución y siempre hay algoritmos nuevos y mejores para explorar. Uno de estos algoritmos, llamado Supervised Mover's Distance, se puede usar para determinar si dos oraciones son paráfrasis entre sí. El algoritmo es ligero en términos de parámetros (es decir, solo una capa LSTM y dos capas Fuccly Connected). Este método genera resultados casi precisos en el corpus Paraphrase de Microsoft y más del 81% en el corpus de preguntas similares de Quora. Nuestro algoritmo es una combinación de LSTM que crean representaciones de la oración en varios puntos y redes de relación que derivan la relación entre las oraciones. Lea más sobre la investigación aquí.
Algoritmo de aprendizaje profundo para detectar la ironía en el texto
La ironía es un rasgo muy humano y ahora es detectable por la Inteligencia Artificial. El desafío 3 de SemEval 2018 consistía en detectar la ironía en el texto. El equipo de ParallelDots que llevó a cabo la tarea se denominó «Binarizer» y el enfoque utilizó el aprendizaje por transferencia para detectar la ironía en el texto. Obtenga más información sobre la investigación aquí.
Algoritmo de aprendizaje permanente para el análisis de imágenes médicas
El segmento sanitario de ParallelDots Dentistry.AI anota continuamente más y más datos para que las predicciones sean precisas. Los productos de aprendizaje automático suelen enfrentarse al problema de una precisión inadecuada y requieren comentarios periódicos para que el algoritmo sea eficiente. ParallelDots resuelve el problema del entrenamiento incremental utilizando ejemplos de minería. La minería de ejemplos se ha utilizado anteriormente para abordar el problema del desequilibrio de datos, pero nunca nadie ha propuesto utilizarla para entrenar de forma incremental los algoritmos de inteligencia artificial a partir de los comentarios recibidos. Lea más sobre la investigación aquí.
Comprensión del diseño de documentos multidominio mediante la detección de pocos objetos capturados
ParallelDots aborda el problema de la comprensión del diseño de documentos mediante un algoritmo simple que se puede generalizar en varios dominios utilizando solo unos pocos ejemplos por dominio para entrenar. El problema se resolvió utilizando el método de detección supervisada de objetos en lugar de emplear grandes conjuntos de datos. ParallelDots utilizó el concepto de aprendizaje por transferencia entrenando previamente el detector de objetos en un conjunto de datos artificial simple (fuente) y ajustándolo con precisión en un pequeño conjunto de datos específico de un dominio (objetivo). ParallelDots demostró que esta metodología puede funcionar en varios dominios con tan solo 10 muestras de entrenamiento. Esta metodología demostró ser muy superior a los detectores de objetos simples. Lea más sobre la investigación aquí.
Esperamos que os haya gustado el artículo. Por favor Inscríbase para obtener una cuenta Komprehend gratuita para comenzar su viaje con la IA ahora. También puedes echar un vistazo a las demostraciones gratuitas de las API de Komprehend AI aquí.
