Los laboratorios Fujitsu han anunciado una nueva tecnología de enseñanza profunda para analizar información de serie de tiempo con un alto grado de precisión para aplicaciones IoT.
Enseñanza profunda esta atrayendo atención en el sector de inteligencia artificial ya que puede obtener extremadamente alto reconocimiento y exactitud con imágenes y lenguaje. Pero el tipo de información al que puede ser aplicado es limitado.
Es muy difícil de clasificar con exactitud datos volátiles de serie de tiempo tales como los dispositivos IoT portátiles ya que difícil de encontrar patrones en los dispositivos portátiles.
Fujitsu ha desarrollado una nueva manera de acercamiento para aprendizaje profundo que utiliza técnicas avanzadas de matemáticas para extraer características geométricas de información de serie de tiempo para obtener clasificaciones altamente precisas. También puede manejar con precisión información de tiempo complejo con oscilaciones severas.
Inicialmente información numérica era capturada por sensores y representados como el producto de una combinación compleja de movimientos dinámicos, Estos son trazados con el tiempo en una grafica para revelar vías características para cada mecanismo de movimiento.
Debido a la dificultad de aplicar directamente aprendizaje a los diagramas de graficas, análisis de información de topológica fue aplicada para expresas características de los diagramas como números. Los números de los agujeros contenidos en el diagrama y las características figuras mayores son analizadas y convertidas en representación de vectores formales.
El nuevo diseño de convolución de red neural de Fujitsu entrena la representación de vectores formales, a obtener clasificaciones de información de serie de tiempo volátil.
En pruebas de referencia llevados acabo en UC Irvine Machine Learning Repository utilizando información clasificada de serie de tiempo obtenidos de giroscopios de dispositivos portátiles, fue encontrado que esta técnica puede obtener cerca de 85% de precisión lo cual es 25% de mejoramiento sobre la tecnología existente.
Esta tecnología extiende los tipos de información en el cual aprendizaje profundo puede ser aplicado a información de serie de tiempo. Por ejemplo, utilizando dispositivos IoT, puede detectar anomalías del equipo o predecir fallas en fabricas.
Deja una respuesta