en profundidad el algoritmo de aprendizaje. La elección y extracción de estas características puede suponer un problema complejo y costoso que condicione las posibilidades del aprendizaje, además de estar condicionado por cambios en las condiciones de los datos (p.e. variaciones en iluminación). Pues bien, en el caso de las DNN, se introducen directamente en el algoritmo los datos de entrada originales (p.e. los píxeles de las imágenes) o con solo cierto preprocesamiento, siendo responsabilidad de la red, el analizar esos datos y aprender automáticamente las características que sirven como medio de discriminación Otra línea en la que se está trabajando es en la de mejorar la capacidad de reutilización de las redes ya entrenadas para ser empleadas en problemas similares con pequeñas modificaciones (problema denominado transfer learning). La finalidad es reducir los tiempos de aprendizaje o solventar las situaciones en las que no se disponga de grandes cantidades de datos para entrenamiento en los nuevos problemas a analizar. De todos los tipos de DNN que se han venido desarrollando en los últimos años, cabe destacar algunos de ellos por su singularidad. En particular, en el campo del procesamiento de imágenes desde aproximadamente el año 2012 se ha venido utilizando las denominadas redes neuronales convolucionales (CNN - Convolutional Neural Networks), que consisten en redes con varias capas internas interconectadas entre sí, que permiten extraer características de las imágenes con diferentes niveles de abstracción. Para ello, combina capas que aplican filtros sobre las imágenes con otras que submuestrean para reducir su tamaño, hasta llegar a las últimas que se encargan de clasificar. Se están utilizando fundamentalmente en aplicaciones tales como reconocimiento de objetos, clasificación de imágenes, etc. Por su parte, en aplicaciones de reconocimiento del habla o de escritura, generación de texto o voz, traducción automática, etc., se utiliza un tipo de red neuronal diferente (RNN - Recurrent Neural Networks), más orientada a analizar información secuencial (a diferencia de las CNN que son más aptas para analizar información espacial). En este tipo de aplicaciones, existe dependencia en el orden de las palabras, lo que hace que la presencia de una, condicione las anteriores y las siguientes. Todos estos avances están motivando que las grandes empresas dedicadas a la tecnología de gestión y análisis de datos (Google, Facebook, Baidu, Microsoft, etc.), así como numerosas startups estén desplegando aplicaciones basadas en DNN dedicadas a reconocimiento del habla, detección y reconocimiento de imágenes, análisis de lenguaje no estructurado, etc., en variados ámbitos como el de la medicina, redes sociales, conducción autónoma, observación de la tierra, etc. Asimismo, prestigiosas revistas, como MIT Technology Review, la han considerado en 2016 como una de las diez adelantos tecnológicos que más impacto van a tener en los próximos años. ¿Y cómo afecta esto al ámbito de defensa y seguridad? El ámbito de defensa y seguridad es uno de los que puede beneficiarse de estos avances, dada la necesidad de analizar las crecientes cantidades de información sensorial que las agencias de inteligencia y ejércitos de cada país adquieren a diario, buena parte del cual, lo realizan operadores que analizan horas de vídeo en busca de objetivos. Como ejemplo del interés que algunos organismos vinculados a defensa están teniendo en esta tecnología, cabe apuntar al estudio que la EDA ha licitado recientemente para profundizar en las aplicaciones que la tecnología de aprendizaje profundo puede tener en el ámbito militar. También son varios los autores que apuntan posibles aplicaciones de esta tecnología a los ámbitos de defensa y seguridad. Así, en 2 se destaca como principal interés la posibilidad de llevar las DNN a la “palma de la mano del combatiente”. Si se logra miniaturizar el hardware necesario para ejecutarlas, sería posible embarcar en pequeños drones el equipo necesario para adquirir las imágenes y realizar el reconocimiento de objetos a bordo, sin necesidad de enviarlas a la estación en tierra por analistas humanos o centros de procesamiento de datos. También permitiría a equipos de operaciones especiales o cuerpos de seguridad realizar algo similar mediante drones, cámaras portátiles u otros dispositivos, de forma que se pudiese realizar en el sitio la identificación automática de personas u objetos, distribuyendo esa información inmediatamente en la red. Es por ello, por lo que resulta especialmente interesante los avances que están logrando en el Instituto Tecnológico de Massachusetts 3 en el proyecto Eyeriss que tiene por objetivo el desarrollo de un hardware para acelerar la ejecución de CNN en el estado del arte (múltiples capas, millones de pesos, diferentes arquitecturas, etc.) que además sea energéticamente eficiente para su uso en dispositivos portátiles. Se trata de un proyecto que cuenta entre otros con financiación de la agencia americana de investigación DARPA. Además, el hecho que un hardware como éste pueda llegar a ser integrado en el futuro en los teléfonos inteligentes 4 está haciendo que otros fabricantes ya estén trabajando en esta misma línea pensando en múltiples aplicaciones para uso civil, con la consiguiente movilización de inversiones y aceleración de los desarrollos, lo que hace pensar que quizás, a no muy largo plazo, se trate de una realidad. En resumen, se trata de una tecnología que puede aportar importantes mejoras en la capacidad de los centros de procesamiento de datos para llevar a cabo análisis automáticos de grandes volúmenes de datos procedentes de sensores. Adicionalmente, la combinación de DNN con hardware miniaturizado parece ser la puerta a nuevas aplicaciones que, en el caso de desarrollarse, pueden ser ciertamente disruptivas para el ámbito de defensa y seguridad. Referencias 1 Deep Learning on GPUs. NVIDIA. Marzo 2016. 2 New michrochip could increase military intelligence powers exponentially. Patrick Turner. Febrero 2016. http://www.defenseone.com 3 Energy-friendly chip can perform powerful artificial-intelligence tasks. http://news.mit.edu/2016/neural chip-artificial-intelligence-mobile devices-0203 4 A new MIT computer chip could allow your Smartphone to do complex AI tasks. http://www.theverge. com/2016/2/5/10922646/mit-eyerisschip deep-learning-neural-networks 16 Boletín de Observación Tecnológica en Defensa n.º 51. Tercer trimestre 2016
BOLETIN DE OBSERVACION TECNOLOGICA 51
To see the actual publication please follow the link above