La forma en la que las\ncomputadoras pueden comprender y procesar informaci\u00f3n visual, ha revolucionado\na lo largo del tiempo gracias a poderosas herramientas como las redes\nneuronales convolucionales (CNN, por sus siglas en ingl\u00e9s). <\/p>\n\n\n\n
Y es que las CNN, son un conjunto\nde redes artificiales inspiradas en el funcionamiento del cerebro humano y\ndise\u00f1adas fundamentalmente para reconocer y procesar datos provenientes de im\u00e1genes,\nmediante el reconocimiento de patrones. Estas redes, realizan operaciones donde\nse filtran, activan y agrupan datos, de tal manera que en este paso final, se\norganice la informaci\u00f3n relevante en conjuntos de similitud.<\/p>\n\n\n\n
En la vida diaria, podemos\nencontrar a las CNN en situaciones tales como: clasificaci\u00f3n y reconocimiento\nde im\u00e1genes, detecci\u00f3n y localizaci\u00f3n de objetos, reconocimiento y an\u00e1lisis\nfacial, optimizaci\u00f3n agr\u00edcola y an\u00e1lisis de cultivos, reconocimiento de voz y\nprocesamiento de audio, entre otros. <\/p>\n\n\n\n
Sin embargo, as\u00ed como cuando se\nconstruye una casa, las CNN poseen su propia arquitectura, la cual consiste en\ncapas de filtrado, agrupaci\u00f3n y conexi\u00f3n cuya funci\u00f3n es obtener patrones\ncaracter\u00edsticos de la informaci\u00f3n analizada y aprender de estos.<\/p>\n\n\n\n
Wilmar Hern\u00e1ndez, docente investigador de la Universidad de Las Am\u00e9ricas<\/a>, colabora en un estudio<\/a> que se encuentra a la vanguardia de estas tecnolog\u00edas; y compara las arquitecturas de CNN m\u00e1s representativas en dispositivos Edge emergentes, algunos de los cuales, tienen aceleradores de hardware.<\/p>\n\n\n\n \u00bfQu\u00e9 implica esto?<\/strong><\/p>\n\n\n\n En palabras simples, los\naceleradores de hardware, son procesos mediante los cuales ciertas aplicaciones\nrealizan tareas en otros componentes del sistema, para brindar asistencia al\nprocesador principal del computador (CPU) y aumentar la eficiencia y\nrendimiento de la computadora. En ese sentido, los dispositivos Edge\nemergentes, que son el punto final de la red o interfaz entre el centro de\ndatos y el mundo real, permiten el an\u00e1lisis de datos en el mismo lugar en el\ncual el usuario est\u00e1 ubicado f\u00edsicamente, facilitando y haciendo m\u00e1s eficiente el\nprocesamiento de datos. <\/p>\n\n\n\n Contribuciones de la\ninvestigaci\u00f3n:<\/strong><\/p>\n\n\n\n Los principales aportes del estudio<\/a> publicado en la revista de alto impacto IEEE Internet of Things Journal<\/a> son las siguientes:<\/p>\n\n\n\n El aporte en general, est\u00e1 en\nintentar contribuir en el desarrollo de dispositivos IoT, mediante la\ncomparaci\u00f3n modelos de ML con pesos previamente entrenados y que luego se ajusten\npara ser probados en dispositivos Edge.<\/p>\n\n\n\n\n
comparar dispositivos Edge y modelos ML (machine-learning models) utilizando el
aprendizaje por transferencia y considerando optimizaciones en hardware y
software.<\/li>\n\n\n\n
modelos de ML que se implementar\u00e1n en Edge para realizar inferencias, centradas
en el entrenamiento, el ajuste y las optimizaciones de los modelos de ML para
entornos con restricciones de hardware.<\/li>\n\n\n\n
modelos de aprendizaje autom\u00e1tico que se ejecutan en dispositivos Edge, los
cuales son entrenados utilizando datos de sensores.<\/li>\n<\/ul>\n\n\n\n