En los últimos años, el entrenamiento de redes neuronales profundas a partir de grandes cantidades de datos etiquetados ha mejorado el nivel de desarrollo de muchas áreas vinculadas a la IA, como el de la percepción y predicción de objetos. Pero, ¿eso basta cuando buscamos desarrollar un sistema de conducción autónoma lo bastante robusto como para conducir coches reales en escenarios de conducción complejos? ¿Miles de ejemplos de conducción humana pueden ayudarnos a enseñar a una IA a ser buena conductora?

En Internet, discernir qué es verdad de lo que no lo es resulta una tarea más complicada conforme pasa el tiempo. Atrás quedó esa época de los fakes y hoaxes de dudosa calidad que se defendían por la mala calidad de, por ejemplo, las cámaras del momento. Sin embargo, estamos cerca de dar un salto enorme en fabricar realidades alternativas con los deep fakes. En vídeo ya hemos visto realidades preocupantes, pero en foto lo nuevo de los desarrolladores de NVIDIA es incluso más inquietante.

La red neuronal libre Leela se ha clasificado para la siguiente ronda de la 13ª Temporada del Torneo de Motores de Ajedrez TCEC que por primera vez admitía sistemas basados en entrenamiento y aprendizaje. En segundo lugar se ha clasificado también otra red neuronal, basada en el mismo software libre Leela, pero en vez de haber sido entrenado jugando contra si mismo, lo había hecho con partidas entre humanos. Los autores de Leela han calificado esto de "Plagio"

Hace unas horas ha empezado la temporada 13 del torneo de motores de ajedrez TCEC. Como novedad, este año incluye por primera vez dos redes neuronales.

Investigadores crearon red neuronal artificial impresa en 3D capaz de utilizar fotones para procesar información con una rapidez impresionante y sin consumo de energía eléctrica.

El equipo de Shanhui Fan, de la Universidad de Stanford en California, ha comprobado que es posible "adiestrar" redes neurales artificiales directamente sobre un chip óptico. Esto podría ser el punto de partida para desarrollar modos menos caros, más rápidos y con mayor eficiencia energética, de realizar tareas informáticas complejas, como el reconocimiento del habla o de imágenes. Hasta ahora, este "aprendizaje" solo se había logrado en sistemas total o parcialmente eléctricos. En español: bit.ly/2K4ycpp Rel.: menea.me/1lv5h

La computación evolutiva, ignorada durante años, acaba de demostrar que es capaz de rendir mejor que las redes neuronales. Además, es más fácil de entrenar.

Las redes neuronales son hoy día parte fundamental de la IA y en concreto del Deep Learning y como veremos a continuación, al contrario de la creencia popular, no son conceptos nuevos. El primer algoritmo que presentaba una red neuronal simple se llamó Perceptrón, creado por Frank Rosenblatt en 1958 basándos, centrándonos en la Biología, en el trabajo realizado previamente por Santiago Ramón y Cajal y Charles Scott Sherrintong (pioneros en el estudio del funcionamiento del cerebro humano)...

IA, machine learning, redes neuronales… Demasiados términos que a la mayoría de la gente les suena a ciencia ficción. Sergio Rozada, científico de datos, no acerca estos términos de forma sencilla.

En este vídeo aprenderemos a programar un ataque adversario. Este tipo de técnicas permiten confundir a una red neuronal para que muestren el resultado que tu quieras

¡Hoy nos complace anunciar el lanzamiento oficial del repositorio de redes neuronales Wolfram! Se ha dedicado una gran cantidad de trabajo a capacitar o convertir alrededor de 70 modelos de redes neuronales que ahora viven en el repositorio, y se puede acceder mediante programación en Wolfram Language a través de NetModel

En este artículo se da inicio a un debate entre un detractor y un defensor de la IA fuerte. Los argumentos de este primer artículo se centran en la diferenciación del hardware de los microprocesadores frente a la complejidad del cerebro humano. Posteriormente, la cuestión se centra en la distinta manera que tienen los ordenadores y los humanos de afrontar la resolución de un problema; la lógica simbólica únicamente deductiva de los primeros frente a una lógica inductiva y abductiva del cerebro humano. Les sorprenderá.

La aparición del coche autónomo es una realidad cada vez más presente. En León, España, se ha probado con éxito el software que llevarán este tipo de vehículos, en un coche equipado con cámaras. La red neuronal instalada es capaz de reconocer más de 80 elementos, como personas, coches, autobuses, semáforos o animales entre otros, y de tomar decisiones con esta información. Tras las satisfactorias pruebas, DROTIUM espera ahora que el Ayuntamiento de León apruebe la ordenanza municipal que permita regular las pruebas de vehículos sin conductor.

En esta serie de OpenAI el objetivo final será ofrecer una introducción al entrenamiento de una Inteligencia Artificial el cual se sea capaz de superar estos entornos de videojuegos con más dificultad siguiendo la estrategia de prueba y error. La base del entrenamiento se realizará sobre el clásico videojuego Breakout de Atari, aunque las soluciones que propondremos se podrán extrapolar a otros con más o menos las mismas características como Space Invaders o MsPacMan

General Electric está creando un sistema basado en Inteligencia Artificial, que sea capaz de predecir la aparición de fallos durante la impresión 3D en metal, alterando los parámetros de impresión en tiempo real.

Esto es lo que dice el creador de este proyecto: "Charles, es una red neuronal convolucional que aprende a conducir a través del aprendizaje profundo. Por el momento, Charles aprende y toma todas las acciones basándose en fotogramas individuales a la vez, y basa sus decisiones en datos de píxeles. Charles sólo ve exactamente lo que tú ves. Con el tiempo, tengo la intención de darle a Charles un poco de memoria a corto plazo para, con suerte, mejorar su conducción."

Esta creación artificial utiliza una refinada arquitectura de redes neuronales para lograr una voz más humana en la conversión texto-a-voz (TTS). forma parte de un trabajo publicado en ArXiv bajo el enrevesado título de Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions.

Es innegable que los mejores teléfonos móviles del mercado, los estandartes de Apple, Samsung o Google, toman fotos increíbles. A pesar de lo pequeños que puedan ser los sensores y las lentes que montan, son capaces de captar instantáneas de una enorme calidad gracias tanto al hardware como al software.

Hace dos semanas, un par de investigadores de la Universidad de Stanford dieron qué hablar. Usando cientos de miles de imágenes tomadas de un sitio web de citas, aseguraron haber un sistema de reconocimiento facial que podría identificar si alguien era heterosexual u homosexual. Algunos creen que estamos volviendo a una creencia antigua sin fundamento: que podemos intuir la personalidad a partir de la apariencia.

El método que se utilizaba hasta ahora para representar figuras volumétricas, la malla poligonal, va a dejar paso a uno más eficiente, las nubes de puntos, gracias a la ayuda de las redes neuronales. Google, Apple, Nvidia y Microsoft ya dan los primeros pasos.

Un estudio de la universidad de Stanford —que obtuvo que un algoritmo podía distinguir correctamente entre homo y heterosexual el 81% de las veces (74% para mujeres)— ha puesto sobre la mesa las cuestiones de los orígenes biológicos de la orientación sexual, la ética de las tecnologías de reconocimiento facial y el potencial de este tipo de software para violar la privacidad de la gente o ser usado con fines homófobos.

Cansado de esperar, y armado con avances tecnológicos con los que los grandes maestres de Antigua ni podrían soñar, el ingeniero de software Zack Thoutt ha decidido programar una red neuronal recurrente (RNR) para que pronostique los acontecimientos de la sexta novela. "Me apasiona Juego de tronos, tanto la serie como los libros", dijo Thoutt, que acaba de finalizar un curso de Udacity sobre inteligencia artificial y aprendizaje profundo y ha utilizado los conocimientos adquiridos para este proyecto. "En clase tocamos un poco las RNR y...