Seguritecnia 490

/ Octubre 2021 50 Artículo Técnico T odo lo desarrollado y proba- do en condiciones ideales de “laboratorio” puede ver comprometido su rendi- miento en entornos del mundo real. Las condiciones perfectas en un túnel de viento podrían, sobre el papel, hacer que un diseñador considere que ha creado el mejor coche de Fórmula 1 del mundo. Sin embargo, en un tempestuoso día de abril en la costa portuguesa, los mode- los de prueba pueden, literalmente, salir volando. Lo mismo ocurre con el análisis de ví- deo y con el porqué de las pruebas en entornos de usuario de la vida real. Son esenciales para garantizar que los algo- ritmos de aprendizaje automático sean efectivos para casos y escenarios de uso específicos. Antes de probar, entrenar Por tanto, antes de realizar pruebas en el mundo real, es necesario desarrollar y entrenar los algoritmos de aprendiza- je automático, como los que se utilizan para la detección y el reconocimiento de objetos en el análisis de vídeo. Para desarrollar una aplicación de análisis profundo o basada en aprendi- zaje automático, se necesita recopilar grandes cantidades de datos. En video- vigilancia, generalmente consiste en imágenes y videoclips de humanos y ve- hículos u otros objetos de interés. Dada la amplitud de estos objetos de interés en el análisis de vídeo, los conjuntos de datos requeridos pueden ser enormes. Para que los datos sean reconoci- bles por una máquina u ordenador, es necesario un proceso de anotación de datos a través del cual los objetos relevantes se categorizan y etiquetan. Los datos anotados deben cubrir una variedad suficientemente grande de muestras que sean relevantes para el contexto donde se utilizará la aplica- ción de análisis. Desafortunadamente, la anotación de datos es, en gran me- dida, una tarea manual y que requiere mucha mano de obra. El modelo algorítmico se alimenta con datos anotados y se utiliza un marco de entrenamiento para modificar y mejorar iterativamente el modelo hasta que se alcanza la calidad deseada. En otras pa- labras, el modelo está optimizado para resolver la tarea definida. Métodos de entrenamiento El entrenamiento del algoritmo basado en aprendizaje automático se puede realizar principalmente de tres formas: aprendizaje supervisado (el modelo aprende a realizar predicciones pre- cisas), aprendizaje no supervisado (el modelo aprende a identificar agrupacio- nes) y aprendizaje reforzado (el modelo aprende de los errores). El aprendizaje supervisado es el método más común en el aprendizaje automático en la actualidad y, en térmi- nos generales, se puede describir como “aprender con el ejemplo”. Los datos de entrenamiento están claramente ano- tados, lo que significa que los datos de entrada ya están emparejados con el re- sultado de salida deseado. El aprendiza- je supervisado requiere, generalmente, una gran cantidad de datos anotados; y La importancia de probar algoritmos de análisis en el mundo real A lberto A lonso S olution E ngineer de A xis C ommunications Antes de realizar pruebas en el mundo real, es necesario desarrollar y entrenar los algoritmos de aprendizaje automático