Una comparación de referencia de sistemas compuestos por redes entrenadas por separado en relación con redes más profundas individuales probablemente no revelaría una mejor opción universalmente aplicable. 1 Podemos ver en la literatura el aumento en el número de sistemas más grandes donde se combinan varias redes artificiales, junto con otros tipos de componentes. Es de esperarse. La modularización a medida que los sistemas crecen en complejidad y las demandas de rendimiento y capacidad crecen es tan antigua como la industrialización.
Nuestro laboratorio trabaja con control robótico, instrumentación termodinámica y análisis de datos, las redes artificiales son componentes en estos contextos de sistemas más grandes. no tenemos MLP o RNN individuales que por sí mismos realicen alguna función útil.
Contrariamente a la conjetura sobre las jerarquías hace décadas, el enfoque de topología que parece funcionar bien en la mayoría de los casos sigue las relaciones más comunes del módulo del sistema que se ven en plantas de energía, fábricas automatizadas, aeronáutica, arquitecturas de información empresarial y otras creaciones complejas de ingeniería. Las conexiones son las de flujo, y si están bien diseñadas, las funciones de supervisión son mínimas. El flujo ocurre entre módulos que involucran protocolos para comunicaciones, y cada módulo realiza bien su función, encapsulando el nivel más bajo de complejidad y detalle funcional. No es una red que supervisa a otra la que parece emerger más efectiva en la práctica real, sino el equilibrio y la simbiosis. La identificación de un diseño claro de maestro-esclavo en el cerebro humano parece ser igualmente resbaladiza.
El desafío no es encontrar las rutas de información que componen la topología de información del sistema. El flujo de información a menudo es obvio en el análisis de problemas. La dificultad está en descubrir las mejores estrategias para entrenar estas redes independientes. Las dependencias del entrenamiento son comunes y a menudo críticas, mientras que en los animales, el entrenamiento ocurre in situ o no ocurre en absoluto. Estamos descubriendo condiciones bajo las cuales ese tipo de aprendizaje en nuestros sistemas es práctico y cómo lograrlo. La mayor parte de nuestra investigación en este sentido tiene como objetivo descubrir formas de lograr una mayor confiabilidad y una menor carga en términos de horas de investigación para obtenerla.
Una mayor funcionalidad no siempre es beneficiosa. A menudo produce una fiabilidad más baja y consume recursos de desarrollo adicionales con poco rendimiento. Encuentre una manera de combinar la automatización de alto nivel, el ahorro de recursos y la confiabilidad en un solo proceso de desarrollo, y podría ganar un premio y una mención honorífica en la web.
Los sistemas paralelos que tienen el mismo objetivo es una buena idea, pero no una nueva. En un sistema aeronáutico, nueve sistemas paralelos tienen el mismo objetivo, en grupos de tres. Cada grupo utiliza un enfoque informático diferente. Si dos de los sistemas que usan el mismo enfoque proporcionan la misma salida y el tercero difiere, se usa la salida correspondiente y la diferencia en el tercero se informa como una falla del sistema. Si dos de los diferentes enfoques proporcionan resultados similares y el tercero difiere sustancialmente, se utiliza una combinación de los dos resultados similares y el tercero se informa como un caso de uso para desarrollar aún más el enfoque disidente.
La tolerancia a fallas mejorada tiene un costo, ocho sistemas más y recursos informáticos asociados y conectividad más los comparadores en la cola, pero en los sistemas que son una cuestión de vida o muerte, se pagan los costos adicionales y se maximiza la confiabilidad.
La adaptación topológica dinámica está relacionada con sistemas redundantes y tolerancia a fallas, pero de alguna manera es bastante distinta. En esa área de desarrollo, la tecnología a seguir es la computación neuromórfica, que en parte está inspirada en la neuroplasticidad.
Una última distinción a considerar es entre topología de proceso, topología de datos y topología de hardware. Estos tres marcos geométricos pueden producir una mayor eficiencia juntos si se alinean de maneras específicas que producen asignaciones más directas entre las relaciones entre flujo, representación y mecánica. Sin embargo, son topologías distintas. El significado de la alineación puede no ser aparente sin profundizar en estos conceptos y los detalles que surgen para objetivos específicos de productos o servicios.
Notas al pie
[1] Las redes profundas que se entrenan como una sola unidad y funcionan sin conectividad a otras redes artificiales no son necesariamente monolíticas. La mayoría de las redes profundas prácticas tienen una secuencia heterogénea de capas en términos de sus funciones de activación y, a menudo, de sus tipos de células.