Imaxina un mundo onde os ordenadores son máis precisos que as persoas á hora de interpretar os datos visuais. Os campos da visión por ordenador e da aprendizaxe automática fixeron realidade esta idea.
A visión por ordenador e a aprendizaxe automática son dous compoñentes cruciais da IA. Ás veces confúndense entre si. Incluso poden usarse indistintamente.
Non obstante, son áreas separadas con métodos distintos. Neste post, comentaremos os contrastes entre a visión por ordenador e aprendizaxe de máquina. Únete a nós mentres exploramos estes intrigantes subcampos de IA.
Por que necesitamos facer esta distinción?
Tanto a visión por ordenador como a aprendizaxe automática son partes cruciais da intelixencia artificial. Porén, teñen diferentes metodoloxías e obxectivos. Coñecendo as diferenzas entre eles podemos aproveitar mellor o potencial da IA.
E, podemos escoller a tecnoloxía adecuada para os nosos proxectos.
Imos repasar os dous un por un.
Comprensión da visión por ordenador
A capacidade dos ordenadores para interpretar o mundo visual coñécese como visión por ordenador. Inclúe a formación de ordenadores para comprender e analizar imaxes e vídeos dixitais.
Esta tecnoloxía funciona como funcionan os ollos e o cerebro nos humanos. Os ordenadores poden recoñecer obxectos, caras e patróns. Poden extraer datos das fotos. E, avalían os datos mediante algoritmos e modelos.
Varias industrias, incluíndo a saúde, o transporte, o entretemento e a seguridade, poden beneficiarse da visión por ordenador. Por exemplo, a visión por ordenador utilízase para guiar os coches sen condutor e axudar aos médicos no diagnóstico de enfermidades.
As posibilidades coa visión por ordenador son ilimitadas. E só comezamos a explorar o seu potencial.
Principais Tarefas de Visión por Computador
Recoñecemento de imaxes
Unha función crucial da visión por ordenador é o recoñecemento de imaxes. Ensina aos sistemas informáticos a recoñecer e categorizar imaxes dixitais. Isto implica que os ordenadores son capaces de recoñecer automaticamente os compoñentes dunha imaxe.
Poden distinguir entre obxectos, animais e humanos, e etiquetalos adecuadamente.
Varias industrias empregan o recoñecemento de imaxes. Por exemplo, o recoñecemento de imaxes úsase nos sistemas de seguridade para identificar e rastrexar intrusos. Ademais, úsase na radiografía para axudar aos médicos no diagnóstico e tratamentos.
Detección de obxectos
É a técnica de localizar e recoñecer elementos nun soporte visual fijo ou en movemento. As solicitudes para este traballo inclúen robots, coches autónomos e vixilancia. Por exemplo, o Nest Cam é un sistema de seguridade doméstico que alerta aos clientes cando detecta movemento ou son mediante a detección de obxectos.
Segmentación
O proceso de segmentar unha imaxe é dividila en moitos segmentos, cada un coas súas propiedades únicas. As solicitudes para este traballo inclúen análise de documentos, procesamento de vídeo e imaxes médicas.
Por exemplo, o coñecido programa de edición de imaxes Adobe Photoshop emprega a segmentación para illar varios compoñentes dunha imaxe e aplicar varios efectos a cada elemento.
Comprensión do Machine Learning
Un exemplo de intelixencia artificial é aprendizaxe automática. Está ensinando aos ordenadores a aprender a partir dos datos e a facer predicións baseadas neses datos. Sen estar codificado explícitamente, emprega modelos estatísticos para axudar aos ordenadores a mellorar nunha actividade concreta.
Para dicilo doutro xeito, A aprendizaxe automática é o proceso de formación ordenadores para aprender por si mesmos tomando os datos como guía.
Os datos, os algoritmos e os comentarios son os tres compoñentes principais da aprendizaxe automática. O algoritmo de aprendizaxe automática primeiro debe ser adestrado nun conxunto de datos para identificar patróns. En segundo lugar, o algoritmo fai predicións baseadas nun novo conxunto de datos utilizando os patróns aprendidos.
En definitiva, despois de recibir comentarios sobre as súas predicións, o algoritmo fai axustes. E, aumenta a súa eficiencia.
Principais tipos de aprendizaxe automática
Aprendizaxe supervisada
Na aprendizaxe supervisada, un conxunto de datos etiquetado adestra o algoritmo. Así, as entradas e as saídas coincidentes están emparelladas. Despois de aprender a vincular entradas con saídas, o algoritmo pode predecir resultados utilizando datos novos.
Aplicacións como o recoñecemento de imaxes, o recoñecemento de audio e o procesamento da linguaxe natural empregan a aprendizaxe supervisada. Asistente virtual de Apple Siri, por exemplo, emprega a aprendizaxe supervisada para interpretar e executar as súas ordes.
Aprendizaxe sen supervisión
A aprendizaxe non supervisada é un subconxunto da aprendizaxe automática. Neste caso, o algoritmo ensínase nun conxunto de datos onde as entradas e as saídas non están emparelladas. Para xerar predicións, primeiro o algoritmo debe aprender a recoñecer patróns e correlacións nos datos.
Aplicacións como a compresión de datos, a detección de anomalías e a agrupación en clúster empregan aprendizaxe sen supervisión. Por exemplo, Amazonas recomenda produtos aos consumidores en función do seu historial de compras e dos seus hábitos de navegación mediante a aprendizaxe non supervisada.
Aprendizaxe de reforzo
Implica interactuar co medio ambiente e obter feedback en forma de recompensas e penalizacións. O algoritmo gaña a capacidade de tomar decisións que aumentan as recompensas e diminúen as penalizacións.
As aplicacións para este tipo de aprendizaxe automática inclúen robots, coches autónomos e xogos. Por exemplo, Google DeepMind AlphaGo o software emprega a aprendizaxe de reforzo para xogar ao xogo de Go.
Relación entre a visión por ordenador e a aprendizaxe automática
Como poden usar os algoritmos de aprendizaxe automática as tarefas de visión por ordenador?
Varias tarefas de visión por ordenador, incluíndo a identificación de obxectos e a categorización de imaxes, utilizan a aprendizaxe automática. Unha forma común de técnica de aprendizaxe automática que se emprega é redes neuronais convolucionais (CNN).
Pode identificar patróns e características en imaxes.
Por exemplo, a Google Pictures fai uso de algoritmos de aprendizaxe automática. Recoñece e clasifica automaticamente as fotografías en función dos elementos e das persoas presentes.
Aplicacións da visión por ordenador e da aprendizaxe automática no mundo real
Varias aplicacións do mundo real combinan visión por ordenador e aprendizaxe automática. Un gran exemplo son os coches autónomos. Identifican e supervisan as cousas na estrada con visión por ordenador.
E, usan algoritmos de aprendizaxe automática para facer xuízos en función desa información. Waymo é unha empresa de coches autónomos propiedade de Alphabet. Para o recoñecemento de obxectos e a cartografía, combina visión por ordenador e aprendizaxe automática.
A visión por ordenador e a aprendizaxe automática tamén se usan xuntos na industria médica. Axudan aos profesionais a examinar imaxes médicas e axudan no diagnóstico. Por exemplo, a ferramenta de diagnóstico IDx-DR aprobada pola FDA usa a aprendizaxe automática para examinar imaxes da retina e atopar a retinopatía diabética. É unha condición que, se se ignora, pode producir cegueira.
Diferenzas entre Machine Learning e Computer Vision
Tipos de datos empregados
Os tipos de datos que empregan a visión por ordenador e a aprendizaxe automática difiren. A aprendizaxe automática pode xestionar unha variedade de tipos de datos, incluíndo datos numéricos, de texto e de audio.
Non obstante, a visión por ordenador céntrase só en datos visuais como fotos e vídeos.
Obxectivos de cada campo
A aprendizaxe automática e a visión por ordenador teñen varios obxectivos. Os principais obxectivos da visión por ordenador son analizar e comprender a entrada visual. Estes tamén inclúen o recoñecemento de obxectos, o seguimento de movemento e a análise de imaxes.
Non obstante, os algoritmos de aprendizaxe automática pódense utilizar para todo tipo de actividades.
A visión por ordenador como subconxunto da aprendizaxe automática
Aínda que é unha área separada, a visión por ordenador tamén se ve como parte da aprendizaxe automática.
Varios dos métodos e recursos utilizados na aprendizaxe automática, como aprendizaxe profunda, redes neuronais e agrupación—tamén se usan para crear visión por ordenador.
Posibilidades emocionantes por diante
O potencial para a súa intersección é cada vez máis fascinante. Co avance das novas tecnoloxías, podemos esperar ver aplicacións espectaculares.
Un campo onde esta intersección é especialmente interesante é a robótica. A visión por ordenador e a aprendizaxe automática terán un papel importante para permitir que os robots naveguen por entornos complicados.
Interaccionarán cos obxectos e cos humanos a medida que se vaian facendo máis independentes. Podemos esperar ver robots máis eficientes en varias tarefas.
Outro potencial intrigante é a realidade virtual. A visión por ordenador e a aprendizaxe automática, coa súa capacidade para identificar e analizar as entradas visuais, poden permitir aos humanos interactuar co entorno virtual de forma máis natural e intuitiva. Veremos aplicacións que nos permiten combinar sen problemas o mundo real e o virtual. Aportará novas posibilidades de entretemento, educación e outros fins.
O futuro da visión por ordenador e da aprendizaxe automática é moi prometedor. Veremos usos aínda máis notables destes dominios nos próximos anos.
Deixe unha resposta