{"id":258703,"date":"2021-02-17T11:47:30","date_gmt":"2021-02-17T10:47:30","guid":{"rendered":"https:\/\/iotworlds.com\/?p=258703"},"modified":"2022-08-25T10:07:06","modified_gmt":"2022-08-25T08:07:06","slug":"cual-es-el-papel-del-aprendizaje-automatico-en-el-iot","status":"publish","type":"post","link":"https:\/\/iotworlds.com\/es\/cual-es-el-papel-del-aprendizaje-automatico-en-el-iot\/","title":{"rendered":"\u00bfCu\u00e1l es el papel del aprendizaje autom\u00e1tico en IoT?"},"content":{"rendered":"\n

\u00bfQu\u00e9 es IoT? y su futuro<\/strong>!<\/h2>\n\n

El \u201cInternet de las Cosas\u201d \u2013 IoT, t\u00e9cnicamente descrito como un dispositivo electr\u00f3nico que est\u00e1 equipado con sensores, que env\u00eda datos y recibe instrucciones gracias a la conexi\u00f3n a internet. Para describir en t\u00e9rminos no t\u00e9cnicos, miles de millones de dispositivos f\u00edsicos (con sensor) conectados a Internet en todo el mundo. IoT tiene diversas aplicaciones en todos los sectores, para empoderar y enriquecer la vida humana en este planeta.<\/p>\n\n

Por ejemplo, tomemos un tel\u00e9fono inteligente, est\u00e1 escuchando canciones usando auriculares conectados al tel\u00e9fono inteligente mientras est\u00e1 ocupado con otras cosas (conducir), viene IoT con tecnolog\u00eda de IA (inteligencia artificial). Imagine sensores IoT en los auriculares, que podr\u00edan tomar los datos de su frecuencia card\u00edaca y, con la ayuda de la IA, podr\u00edan predecir su emoci\u00f3n.<\/a> En funci\u00f3n de esa emoci\u00f3n, su tel\u00e9fono inteligente podr\u00eda elegir la mejor canci\u00f3n almacenada en alg\u00fan lugar del mundo. Hay varios millones de canciones en todo el mundo y su tel\u00e9fono inteligente no necesita tener un s\u00faper almacenamiento para almacenar todas las canciones o una s\u00faper potencia inform\u00e1tica para el modelo de IA aplicado para la detecci\u00f3n de emociones. Todo lo que necesita para asegurarse es que est\u00e1 conectado a Internet.<\/p>\n\n

Seg\u00fan Business Insider<\/a> , habr\u00e1 m\u00e1s de 41000 millones de dispositivos IoT para 2027, frente a los 8000 millones de 2019. Esta encuesta se construy\u00f3 con 400 respuestas de altos ejecutivos de todo el mundo. Esas empresas incluyen Alibaba, Alphabet, Amazon, Apple, VMWare, Verizon, etc. Adem\u00e1s, establece que para 2027 todos los dispositivos que quedan atr\u00e1s alcancen el acceso a Internet, y el mercado de IoT crecer\u00e1 a m\u00e1s de $ 2.4 billones anuales.<\/p>\n\n

IoT combinado con la tecnolog\u00eda m\u00e1s din\u00e1mica de Inteligencia Artificial (IA) posiblemente podr\u00eda hacer que el propio sistema IoT se vuelva m\u00e1s inteligente y pueda imitar f\u00e1cilmente la actividad humana.<\/p>\n\n

Papel de la inteligencia artificial en IoT<\/strong><\/h2>\n\n

\u201cIA + IoT = AIoT\u201d<\/em><\/p><\/blockquote>\n\n

La IA se define como el proceso de hacer que las m\u00e1quinas sean lo suficientemente inteligentes para realizar las tareas sin intervenci\u00f3n humana. Todos los dispositivos IoT juntos recopilan una gran cantidad de datos y, por otro lado, para construir un modelo de IA de \u00faltima generaci\u00f3n, se necesitan una gran cantidad de datos. As\u00ed, la combinaci\u00f3n de estas dos t\u00e9cnicas din\u00e1micas convierte el IoT mon\u00f3tono en un IoT inteligente (tareas inteligentes sin intrusi\u00f3n humana). La poderosa combinaci\u00f3n de IoT con la IA puede ser un gran avance en la vida de los humanos.<\/p>\n\n

Entonces, cuando hablamos de Inteligencia Artificial (IA), el aprendizaje autom\u00e1tico (ML) y el aprendizaje profundo (DL) juegan un papel m\u00e1s importante ya que DL y ML son los subconjuntos de AI.<\/p>\n

\n
\"\"<\/figure>\n<\/div>\n

Aprendizaje autom\u00e1tico (ML):<\/strong> el aprendizaje autom\u00e1tico tiene algoritmos o t\u00e9cnicas de ML en forma de programa inform\u00e1tico que aprenden informaci\u00f3n de los datos de forma iterativa, por s\u00ed solo o utilizando el conjunto de reglas que mencionamos. Hay tres tipos principales de algoritmos de aprendizaje autom\u00e1tico: aprendizaje supervisado y aprendizaje no supervisado. Veamos algunos de los algoritmos o modelos de aprendizaje autom\u00e1tico utilizados en IoT.<\/p>\n\n

Regresi\u00f3n:<\/strong> La regresi\u00f3n es el concepto fundamental en el aprendizaje autom\u00e1tico. Cae en la categor\u00eda de aprendizaje supervisado donde el modelo se entrena utilizando los datos de entrada (caracter\u00edstica independiente) y las etiquetas de salida (caracter\u00edstica dependiente). La regresi\u00f3n se aplica a la naturaleza continua de los datos. Hay dos tipos de regresi\u00f3n que son la regresi\u00f3n lineal y la regresi\u00f3n no lineal.<\/p>\n\n

La regresi\u00f3n lineal se aplica cuando existe una linealidad en los datos de entrada. Por ejemplo, cuando se cambia la entrada x, posiblemente deber\u00eda haber un cambio en una salida y. La ecuaci\u00f3n que utiliza el modelo de regresi\u00f3n lineal para entrenar viene dada por Y = \u03b8 1<\/sub> + \u03b8 2<\/sub> X 1<\/sub> . Por ejemplo, tome las emisiones de co 2<\/sub> en los veh\u00edculos seg\u00fan el tama\u00f1o del motor y el n\u00famero de cilindros. La tasa de emisi\u00f3n tiene una relaci\u00f3n lineal con el tama\u00f1o del motor y el n\u00famero de cilindros.<\/p>\n

\n
\"TensorFlow
regresi\u00f3n lineal<\/strong><\/figcaption><\/figure>\n<\/div>\n

Regresi\u00f3n no lineal, por ejemplo, considere los datos de un ingreso interno bruto (GDI) de China por a\u00f1o. Aqu\u00ed, la caracter\u00edstica independiente de los datos son los a\u00f1os y la caracter\u00edstica dependiente o variable pronosticada es GDI. A partir de estos datos pudimos ver la relaci\u00f3n no lineal entre las variables. La ecuaci\u00f3n para la regresi\u00f3n no lineal viene dada por Y = \u03b8 1<\/sub> + \u03b8 2<\/sub> (X 1<\/sub> ) 2<\/sup> .<\/p>\n

\n
\"Primeros
regresi\u00f3n no lineal<\/strong><\/figcaption><\/figure>\n<\/div>\n

Clasificaci\u00f3n:<\/strong> La clasificaci\u00f3n es una t\u00e9cnica de aprendizaje supervisado. Se utiliza para categorizar el conjunto desconocido de elementos en un conjunto discreto de clases. El algoritmo de clasificaci\u00f3n aprende la relaci\u00f3n entre la variable de caracter\u00edstica de entrada y la variable objetivo de inter\u00e9s. La variable objetivo es categ\u00f3rica con valores discretos. Los famosos algoritmos de clasificaci\u00f3n ampliamente utilizados son K-Nearest Neighbors, Decision Tree, Logistic Regression y Support Vector Machine.<\/strong><\/p>\n\n

Clustering:<\/strong> Clustering significa encontrar los clusters en un conjunto de datos, en una t\u00e9cnica no supervisada. El cl\u00faster se define como un grupo de puntos de datos u objetos en un conjunto de datos que son similares a otros objetos en un grupo y diferentes a los puntos de datos en otro cl\u00faster. Los algoritmos de agrupamiento ampliamente utilizados son el agrupamiento de K-means, el agrupamiento jer\u00e1rquico y el agrupamiento basado en la densidad.<\/strong><\/p>\n\n

Aprendizaje profundo (DL):<\/strong> el aprendizaje profundo es un subcampo del aprendizaje autom\u00e1tico, que se dise\u00f1\u00f3 con la inspiraci\u00f3n del cerebro humano y se denomin\u00f3 red neuronal artificial (ANN). Por lo tanto, el avance en las redes neuronales profundas hace que sea m\u00e1s sofisticado reaccionar en un entorno real complejo m\u00e1s r\u00e1pido que los humanos.<\/p>\n

\n
\"Perceptrones:
perceptr\u00f3n<\/strong><\/figcaption><\/figure>\n<\/div>\n

Red neuronal artificial:<\/strong> la red neuronal artificial se construy\u00f3 principalmente con tres capas, son capa de entrada, capa oculta, capa de salida.<\/strong> Las entradas de la primera capa (capa de entrada) se multiplican por el peso y el sesgo agregado. El sesgo y los pesos son aleatorios al principio. Luego, estos valores pasan por alguna funci\u00f3n de activaci\u00f3n (ReLU, Sigmoid, Tanh, etc.) y luego pasan a la siguiente capa hasta la capa de salida. Esta iteraci\u00f3n del proceso se puede repetir hasta que obtengamos el rendimiento\/precisi\u00f3n \u00f3ptimos.<\/p>\n

\n
\"Aprendizaje
<\/em> Red neuronal artificial<\/strong><\/figcaption><\/figure>\n<\/div>\n

Aplicaciones de Machine Learning a IoT<\/strong><\/h2>\n\n

Hoy en d\u00eda existen varios algoritmos de ML aplicados en IoT. Estas aplicaciones de ML dependen en gran medida del campo aplicado. Hay varias razones por las que el aprendizaje autom\u00e1tico influye en el IoT. Pero primero, \u00bfqu\u00e9 sucede si IoT se implementa sin ML? IoT tiene que enfrentar las siguientes consecuencias cuando se implementa \u00fanicamente sin ML. Eso incluye la integraci\u00f3n de datos de m\u00faltiples fuentes, administraci\u00f3n de dispositivos, manejo de grandes vol\u00famenes de datos y control de versiones de aplicaciones.<\/p>\n\n

IoT se ocupa de la interconexi\u00f3n de dispositivos con el objetivo principal de compartir la informaci\u00f3n (datos). Estos datos fueron la raz\u00f3n est\u00e1ndar que hace que el ML sea m\u00e1s poderoso, aumentando la eficiencia de IoT. Los factores clave que ML contribuye a IoT son: analizar los datos y predecir los eventos futuros, convertir datos sin procesar en un formato comprensible para humanos, sistema de recomendaci\u00f3n en tiempo real, mantenimiento de los dispositivos (IoT), etc.<\/p>\n\n

El proceso de hacer que IoT sea inteligente y analizar los grandes datos producidos por miles de millones de dispositivos de este tipo encuentra una aplicaci\u00f3n en varios campos. Dichos campos son los veh\u00edculos aut\u00f3nomos, los dispositivos port\u00e1tiles, la automatizaci\u00f3n industrial, la agricultura, la atenci\u00f3n m\u00e9dica y las compras minoristas.<\/p>\n\n

Automatizaci\u00f3n industrial:<\/strong> cuando se trata de las l\u00edneas de producci\u00f3n en las industrias, necesita la ayuda de los robots automatizados. Los robots que trabajan junto a los humanos se denominan robots colaborativos o cobots. La principal desventaja de ellos es que funcionan sin el conocimiento de ning\u00fan obst\u00e1culo (humano) presente en su entorno. Esta situaci\u00f3n podr\u00eda causar lesiones letales o incluso la muerte. Para mitigar el da\u00f1o f\u00edsico a los humanos o para hacer que los robots sean lo suficientemente inteligentes como para ser conscientes de su entorno de trabajo, se necesitan ciertos sistemas de seguridad. Llega la aplicaci\u00f3n de algoritmos ML\/DL con IoT, en el desarrollo del sistema de seguridad inteligente basado en visi\u00f3n artificial para robots colaborativos.<\/p>\n\n

Agricultura:<\/strong> La poblaci\u00f3n mundial sigue creciendo. En los pr\u00f3ximos 80 a\u00f1os se sumar\u00e1n 3.600 millones de personas a la poblaci\u00f3n actual. Por lo tanto, habr\u00e1 una mayor demanda de alimentos. Por lo tanto, IoT y AI juntos mejoran la producci\u00f3n agr\u00edcola con las siguientes tecnolog\u00edas,<\/p>\n\n