Seguritecnia 493

/ Enero-Febrero 2022 180 Artículo Técnico que la red ofrezca peores resultados después de entrenarla. En el sector de la seguridad no siempre podemos conse- guir buenas imágenes para los datasets antes de desplegar la solución o de tener imágenes del lugar con las que entrenar, y esto complica el entrenamiento de las redes neuronales. Una vez tenemos imágenes del lugar disponibles, crear datasets y mejorar los resultados es cuestión de tiempo. De hecho, entrenar las redes con imá- genes específicas del lugar a analizar hará que el entrenamiento sea a medi- da de ese sitio. Retos y obstáculos Las redes neuronales tienen obstáculos y retos que superar para avanzar. Entre ellos: Cantidad de datos: como hemos visto, para entrenar una red neuronal 2. Ejecutamos la red con los datos y obtenemos un resultado. 3. Comparamos el resultado obtenido con el resultado que deberíamos ha- ber obtenido y calculamos la diferen- cia. 4. Corremos la red neuronal hacia atrás, propagando el error obtenido hacia atrás y usando esta informa- ción para modificar los parámetros iniciales. Con esto tratamos de redu- cir el error que obtenemos en el resul- tado final. 5. Volvemos a ejecutar la red neuro- nal con los nuevos parámetros y se- guimos iterando desde el punto 2. Repetiremos este proceso hasta que obtengamos un resultado óptimo. En el proceso anterior asumimos que el dataset es idóneo, pero esto no siem- pre es así. Un mal dataset puede hacer Este resultado lo usamos en la fórmula de activación, que sería la siguiente: Como hemos tenido que y=1, con esta entrada de datos el nodo se habría “acti- vado”, pasando los datos a los nodos en la siguiente capa de la red. De no haber- se activado, la iteración de esa entrada de datos habría parado ahí. Cada capa tiene una función de activación dife- rente, por lo que los resultados en cada nodo pueden ir variando. Cuando la red hace esto con todos los datos y a través de toda la red, obtiene un resultado final, que es lo que estamos buscando. Entrenamiento Cuando hablamos de las redes neurona- les y la posibilidad de analizar cualquier imagen y detectar cualquier objeto o evento, entra en juego la fase de entre- namiento. El entrenamiento es un proce- so mediante el cual se buscan los pesos adecuados para la red que nos permi- ten obtener la salida deseada para una entrada determinada. Este proceso de optimización lo logramos proveyendo de datos a la red. Para entrenar una red neuronal ne- cesitamos un conjunto de datos, el dataset , que contiene un set de datos de entrenamiento y otro de datos de validación. Es decir, con una parte de los datos entrenamos y con la otra ve- rificamos que el entrenamiento ha sido efectivo. Se trata de un proceso iterativo en el cual pasamos cada dato del dataset ha- cia delante y posteriormente pasamos hacia detrás el error producido, forward propagation y backpropagation: 1. Empezamos el proceso con unos valores de la red iniciales, que tendre- mos que ir ajustando. En seguridad, no siempre podemos conseguir buenas imágenes para los ‘datasets’ antes de desplegar una solución, lo que complica el entrenamiento de las redes neuronales Ejemplo de aplicación de la IA al sistema de seguridad LAVA de Lanaccess.