Chips neuromórficos y la IA (Inteligencia Artificial) PDF

Chips neuromórficos En 2012, Google presentó un algoritmo capaz de reconocer gatos en vídeos, para ello hacían falta 16.000 procesadores, requisito indispensable para su ejecución. A sabiendas de que el cerebro humano es millones de veces mas eficiente en términos de energía que cualquier conjunto d...

Chips neuromórficos En 2012, Google presentó un algoritmo capaz de reconocer gatos en vídeos, para ello hacían falta 16.000 procesadores, requisito indispensable para su ejecución. A sabiendas de que el cerebro humano es millones de veces mas eficiente en términos de energía que cualquier conjunto de miles de procesadores. Por medio de los chips neuromórficos, se diseña un sistema capaz de imitar al cerebro con una notable reducción de consumo de energía. Esta eficiencia hace posible la implantación de microchips en retinas artificiales o sistemas capaces de captar olores.  1.3.8. IA (Inteligencia Artificial) En su forma más simple, podemos entender la IA como el intento de imitar la inteligencia humana usando un algoritmo, que aplique razonamientos humanos. Las técnicas de machine learning hacen que el sistema pueda aprender por sí mismo. Pero para ello, tiene que almacenar una serie de datos de referencia previamente clasificados, con los que el sistema es capaz de establecer unos parámetros y poder clasificar datos nuevos que puedan presentarse. Ejemplo: Se diseña un sistema capaz de reconocer una cara humana, Para ello, habrá que trabajar con un conjunto inicial de fotografías (cuantas más mejor); en algunas aparece una cara humana, y en otras no. Habrá que indicar al sistema qué fotografías tienen una cara humana y cuáles no. Una vez entrenado, el sistema será capaz de reconocer con cierta eficiencia en las nuevas fotografías si aparece una cara humana. Herramientas de I.A de libre disposición: 1. ChatGPT: soluciona cualquier problema (IA) 2. Flutterflow: crea aplicaciones 3. Glide: crea apps personalizadas desde cero (ML) 4. Pictory: convierte videos en texto 5. Socratic: resuelve tareas. Los sistemas de deep learning, utilizan redes neuronales en sus algoritmos. Actualmente, dispositivos de uso cotidiano como los smartphones integran coprocesadores de arquitectura neuromórfica para tareas concretas como el reconocimiento de escenas en fotografía, con lo que el resultado en el procesamiento de las mismas es excelente. Por otro lado, los sistemas actuales de reconocimiento reaccionan a la voz del usuario, sus gestos y detectan tu cara incluso si llevas gorra o barba, pero a fecha de 2020, todavía no eran capaces de reconocer la mascarilla facial. Las redes neuronales son un modelo computacional inspirado en la estructura y funcionamiento del cerebro humano. Una red neuronal está compuesta por una serie de nodos o neuronas artificiales organizadas en capas de entrada, una o varias capas de escapada (ocultas) y una única capa de salida. Cada neurona está conectada a otra mediante “Pesos”, que se ajustan durante el proceso de entrenamiento para optimizar la salida de la red con respecto a una tarea específica.  COMPONENTES BÁSICOS: Neurona artificial: Cada nodo en la red recibe entradas, las procesa y produce una salida que se transmite a las neuronas de la siguiente capa. Pesos: Valores que multiplican las entradas, determinando la importancia de cada conexión. Función de activación: Una función matemática que decide si una neurona debe activarse (dispararse) o no, dependiendo de la suma ponderada de sus entradas. Propagación hacia adelante: El proceso de pasar los datos desde la capa de entrada, a través de las capas ocultas, hasta la capa de salida. Retropropagación: Método utilizado para ajustar los pesos de la red mediante la minimización del error entre la salida deseada y la real, en cada iteración del entrenamiento.  TIPOS DE REDES NEURONALES 1. Convolucionales (CNN): Usadas principalmente en procesamientos de imágenes 2. Recurrentes (RNN): Diseñadas para procesar datos secuenciales, como texto o series temporales. 3. Percepto Multicapa (MLP): Se usa comúnmente para tareas de clasificación y regresión También existen las redes neuronales generativas antagónicas (GANs), que a su vez está formada por dos redes que compiten entre sí: Generador: Crea datos falsos (imágenes, texto. Etc.) Discriminador: Intenta distinguir entre los datos reales y los generados por el generador. UNIDAD 2: Elementos de un Sistema Informático  2.1. Conectores Cuando miramos un sistema informático, podemos ver los conectores externos, pero hay que tener en cuenta que tenemos conectores internos. Estos puertos le permiten al equipo que pueda conectarse a Internet, enviar sonido por el altavoz, usar un teclado o un ratón, o bien, conectar nuevos discos duros internos, un lector óptico, una nueva gráfica, etc. 2.1.1. Conectores externos DisplayPort  2.1.2. Conector USB USB (Universal Serial Bus). Es actualmente un elemento indispensable para los fabricantes de todo tipo de productos y sus velocidades y tamaños de puerto han debido adaptarse a los tiempos. Su versatilidad, hacía innecesarios puertos que anteriormente tenían dispositivos como ratones, teclados o impresoras. En la actualidad, casi todo se conecta por USB en caliente y ganando en velocidad. Evolución del puerto USB Velocidad Max. Copiar un Archivo de Versión Velocidad Mínima Tipo de conectores transferencia 1GB A/B/Mini A/Mini USB 1.0 1.5 Mbps 187 KBps 1h 40min B/micro A/Micro B A/B/Mini A/Mini USB 1.1 12 Mbps 1,5 MBps 11min B/micro A/Micro B A/B/Mini A/Mini USB 2.0 480 Mbps 60 MBps 17seg B/micro A/Micro B USB 3.0 4,8 Gbps 600 MBps 2,14seg A/B/Micro B USB 3.1 10 Gbps 1,25 GBps