¿Cuáles son las tendencias e investigaciones actuales relacionadas con la red neuronal profunda en los sistemas inteligentes de transporte?

Varias compañías como Google, Apple y Uber, etc. están trabajando en automóviles autónomos que se implementan mediante varios algoritmos de aprendizaje profundo. La implementación más común del enfoque fragmentado al que se refieren los investigadores de aprendizaje profundo es el uso del aprendizaje profundo únicamente para la percepción. Esta forma de inteligencia artificial es buena para, por ejemplo, reconocer a los peatones en una imagen de cámara porque sobresale en la clasificación de cosas dentro de una escena arbitraria. Además, después de haber aprendido a reconocer un patrón en particular, puede extender esa capacidad a objetos que en realidad no ha visto antes. En otras palabras, no tiene que entrenarlo en cada peatón que pueda existir para poder identificar a una anciana amable con un andador y un niño con una gorra de béisbol como parte del mismo grupo de objetos. Si bien un peatón en una imagen de cámara es un patrón perceptual, también hay patrones en la toma de decisiones y la planificación del movimiento: el comportamiento correcto en una parada de cuatro vías, o al girar a la derecha en rojo, por nombrar dos ejemplos, a los que puede aprenderse el aprendizaje profundo aplicado. Pero ahí es donde la mayoría de los fabricantes de automóviles autónomos marcan la línea. ¿Por qué? Reiley y Tandon nos dicen que este es el tipo de decisiones variables y dependientes de la situación que los algoritmos de aprendizaje profundo son más adecuados para tomar que el enfoque tradicional basado en reglas con el que se sienten más cómodos. Aunque el reconocimiento de patrones “humanos” del aprendizaje profundo conduce a un comportamiento más matizado de lo que puede esperar de un sistema basado en reglas, a veces esto puede meterlo en problemas.