Multilayer perceptron

Las posibilidades que ofrecen a la industria las técnicas de Machine Learning son enormes siendo en la actualidad un campo de investigación muy activo. Todos conocemos los usos de la técnicas de inteligencia artificial en los vehículos autónomos ya que probablemmente sea esta la aplicación mas vistosa. Sin embargo dentro del mundo de la automoción podemos encontrar otros usos también muy interesantes. AIanalytics trabaja con BegasMotor en el desarrollo de técnicas de diagnosis predictiva aplicada a ciertos elementos clave en un motor de gas licuado del petróleo (GLP). El propósito es que los motores contaminen y reduzacan consumos teniendo una estimación de la vida útil de los elementos clave en la reducción de contaminantes.  Para tal fín usamos  técnicas de inteligencia artificial tales como: redes neuronales artificiales, algoritmos genéticos, etc.., para el análisis inteligente de datos.

Evidentemente el uso de estas técnicas no se limita al sector de la industria del automóbil, por ejemplo, las redes neuronales artificiales han encontrado su aplicación en distintas áreas tales como:

financiera: análisis de riesgos en créditos; patrones de uso fraudulento de tarjetas de crédito
comercio: evaluación de campañas publicitarias; estimación de stocks, de costes, de ventas
medicina: identificación de patologías; diagnostico de enfermedades
biología: análisis de secuencia de genes, proteínas
industria: predicción de fallos y accidentes
transporte: modelos de tráfico a partir de cámaras, GPS, etc..

Las redes neuronales pueden ser entrenadas para realizar distintas tareas independientemente del área en la que se aplican:

modelización: obtener modelos de sistemas complejos a través de muestras
análisis: para un mejor entendimiento de un proceso complejo
agrupamiento: basado en relaciones establecidas (distancias, similitudes)
clasifiación: identifica a que clase pertenece una muestra
predicción de series temporales: predice una serie de eventos partiendo de eventos pasados
prognosis: conocimiento anticipado de algún suceso.

En la Fig. 2 se muestra el resultado del entrenamiento de una red neuronal para la aproximación de una función: $f(x)$ = 1+ sin$(6πx/4)$, donde se representa la función original y la salida de la red neuronal $($ gráfico superior $)$ , y la evolución del error cometido por la red durante el proceso de entrenamiento $($ gráfico inferior $)$.