Métodos de cartografía y tecnologías de aprendizaje de máquinas

En los últimos años, se han generalizado los métodos de aprendizaje automático basados en la implementación de redes neuronales profundas. La aplicación de estos métodos permitió obtener resultados decisivos en muchas esferas del conocimiento humano.

Hoy en día, los programas que utilizan redes neuronales logran establecer diagnósticos médicos mejor que los médicos, leen los labios, identifican mejor el habla que los profesionales, buscan nuevas moléculas, permiten generar secuencias de video en tiempo real, cuya creación aún requiere esfuerzos recientes por parte de numerosos especialistas en computación gráfica y gastos financieros y de tiempo significativos.

Sin embargo, estas redes son las más utilizadas actualmente en el reconocimiento de imágenes. Su uso permite construir modelos capaces de categorizar una imagen como perteneciente a una de los miles de clases. Hoy en día pueden alcanzar una precisión mayor que la de un ser humano sin equipo especializado.

· El éxito en todas estas áreas es posible gracias a una serie de factores:

· Aparición de nuevas arquitecturas de redes neuronales y métodos de formación Aumento del rendimiento de los equipos informáticos

· Aparición de un gran número de conjuntos de datos etiquetados (conjuntos de formación)

Se requiere entrenamiento preliminar para el funcionamiento de la red neural. En la entrada, el conjunto de datos va acompañado de la información sobre su contenido, que es el resultado que se espera que la red neuronal obtenga como resultado del procesamiento independiente de datos.

Por ejemplo:

· Las fotografías y la información relativa a su contenido se cargan para formar una red neuronal en el reconocimiento de imágenes.

· Cuando los datos de los parámetros de salud del paciente se cargan en la red neuronal, junto con los datos de los diagnósticos establecidos, la red neuronal es entrenada para establecer diagnósticos de forma independiente.

· El famoso programa Alpha Go utilizaba la grabación de los movimientos de los principales jugadores de Go, agregados como resultado de las partidas que jugaban entre ellos. Los movimientos de los jugadores ganadores se consideraron correctos

El programa demostró resultados extraordinarios en 2015, el primer año después de su creación; en sus versiones posteriores, después de haber jugado millones de partidas contra sí mismo, alcanzó un nivel que no dejó ni una sola oportunidad a los humanos. El misterioso jugador, apodado Master, apareció en los servidores de Go en 2017, ganando todos los partidos contra todos los campeones condecorados. Posteriormente, salió a la luz que el jugador es la nueva versión del programa Alpha Go, y no quedaba nadie capaz de derrotarlo.

Lo que parecía inalcanzable ayer, se ha hecho realidad hoy.

Para resolver el problema del posicionamiento preciso de los dispositivos de usuario, en Spheroid Universe utilizamos redes neuronales y métodos de aprendizaje automático.

Desde el punto de vista de la programación, la tecnología del Universo Esferoide es un conjunto de métodos:

· La clasificación de los emplazamientos se realiza para cada Espacio en función de las grabaciones de vídeo: agua, terrenos, edificios, árboles, objetos animados, transporte, etc., con la ayuda de la red neuronal preaprendida.

· A partir de una nube de puntos que se clasifican como objetos estáticos (presentes de forma permanente en el lugar), se crea un modelo 3D y se crean texturas.

· Se identifica un conjunto de características (el conjunto de elementos de imagen únicos y su ubicación en relación con los demás), a partir de los cuales la plataforma realiza posteriormente una búsqueda para determinar la posición y orientación del dispositivo.

· El modelo 3D resultante está vinculado al espacio circundante y al mapa, que proporciona coordenadas geográficas precisas para cada uno de los puntos del modelo.

En el modo de uso de la aplicación, subimos las características de la imagen y los modelos de ubicación al dispositivo del usuario, basados en la ubicación aproximada del usuario determinada por los datos GPS del dispositivo. Posteriormente, con la ayuda de la red neuronal, identificamos el conjunto de características que corresponden a la imagen de la cámara del dispositivo y buscamos un conjunto similar en los datos de la plataforma. De este modo, determinamos a qué parte del modelo y desde qué lado se dirige la cámara del dispositivo. Luego, comparando la imagen con el modelo 3D, determinamos la ubicación exacta del dispositivo en relación con el modelo. Esta información permite asegurar una interacción perfecta de los objetos virtuales con la realidad en la pantalla del dispositivo.