Seguritecnia 493

Artículo Técnico depara el futuro y seguiremos trabajan- do para proveer las mejores soluciones de analítica. Reflexiones Cuando una tecnología alcanza tal po- pularidad como sucede con la IA, el hype hace que tendamos a simplificar el tema. Siendo un tema tan complejo, vale la pena indagar un poco más y no quedarnos en la superficie. Cuando evaluamos una solución para nuestra organización que nos ayude a mejorar nuestra seguridad y nuestra operativa, vale la pena ir un paso más allá de si tiene o no tiene IA. ¿Funciona con ML, con DL o es algo más básico? ¿Qué métricas nos ofrecen para evaluar su rendimiento? ¿Cuántos canales pue- de analizar manteniendo ese rendimien- to? ¿Puede analizar vídeo de cualquier cámara? ¿Es posible customizar de alguna manera? ¿Con qué datasets ha sido entrenada? ¿Qué equipo de I+D hay detrás? Podemos hacernos multitud de preguntas al respecto. Estamos en un punto del desarrollo de este tipo de tecnología cuyo avance es muy rápido, y si queremos rentabilizar nuestra inversión en dichas soluciones, vale la pena que nos aseguremos de que nos dan el resultado que queremos. No estamos comprando una caja negra, sino algo que tiene que resolver nuestra necesidad. En Lanaccess estamos siem- pre dispuestos a conversar y asesorar sobre estos temas, al igual que aquellos distribuidores e integradores que hacen un trabajo exhaustivo en ofrecer un valor real con esta tecnología. Usémoslos. Referencias 1. History of Artificial Intelligence. JavaT- Point. 2. History of Artificial Intelligence . Rebe- ca Reynoso, 2021. 3. The difference between artificial inte- lligence, machine learning and deep learning . Mark Robbins, 2020. 4. Application of Dijkstra Algorithm in Lo- gistics Distribution Lines . Liu Xiao-Yan, Chen Yan-Li, 2010. 5. Psychology in AI: How Pavlov’s Dogs Influenced Reinforcement Learning . Anirudh V. K., 2019. 6. Artificial Intelligence AI Primer - Part II . Christopher Seifel, 2021. 7. Artificial Intelligence Primer - Part III . Christopher Seifel, 2021. 8. Deep Learning with Python . 2nd Edi- tion. François Chollet, 2021. 9. AI vs. Machine Learning vs. Deep Lear- ning vs. Neural Networks: What’s the Difference? . IBM, 2020. necesitamos buenos datasets , que se componen de miles o millones de datos. En el caso de las analíticas de vídeo, estamos trabajando con data- sets de cientos de miles de imágenes para obtener resultados fiables. Con- forme evolucione la tecnología y per- sigamos objetivos de analítica más ambiciosos, necesitaremos mayor cantidad de datos etiquetados. Caja negra: conforme evoluciona la utilidad y los objetivos de las redes neuronales también evoluciona su complejidad, que por lo general resul- ta en redes más profundas; esto es, con mayor número de capas ocultas. Esto hace que se transformen en cier- ta manera en cajas negras, donde a mayor profundidad más difícil nos re- sulta entender por qué genera un re- sultado y otro con los datos dados, lo cual hace más difícil optimizar y evolu- cionar esas redes neuronales. Capacidad de procesamiento: el desarrollo de redes neuronales más complejas va generalmente acompa- ñado de mayor capacidad de proce- sado requerida. La mejora de las tarje- tas gráficas (GPU) es crítica y ha sido uno de los principales facilitadores en la última década. En menor medida, también influyen las capacidades de las CPU y memorias RAM. El reto en este punto es dual pues, por un lado, podemos evolucionar las capacidades de procesamiento de los hardwares utilizados y, por otro, podemos opti- mizar las redes neuronales para que requieran menos capacidad de proce- samiento. En el futuro veremos mejoras incre- mentales en cada uno de estos puntos, facilitando el avance de la IA, aunque ya hay voces que hablan de cambios significativos con la llegada de la com- putación cuántica. Veremos qué nos / Enero-Febrero 2022 181