Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

Por lo general, el mayor problema al implementar un proceso de pronóstico rentable no tiene nada que ver con el análisis. La adopción de pronósticos, la incorporación de pronósticos en la toma de decisiones, es un obstáculo tan alto como las propias modas.

La previsión es más grande que las modas analíticas

La creación de un proceso de pronóstico generalmente comienza con la producción de modelos robustos y complicados. Eso no es poca cosa. En primer lugar, los científicos de la información deben recibir volúmenes gigantescos de información numerosa, luego manipularla y reelaborarla para que esté lista para el análisis. Posteriormente, aplican una variedad de métodos de modelado, desde la recolección de tiempo hasta el estudio de máquinas y todos los elementos intermedios, para generar pronósticos en varios rangos de elementos. Los científicos de la información analizan y refinan continuamente las estrategias de pronóstico para satisfacer las expectativas de precisión.

Luego, el problema se convierte en la construcción de un flujo de trabajo repetible para revisar las excepciones y ajustar las modas. Tan pronto como se ponen en funcionamiento, los pronósticos se integran en los métodos de ejecución y planificación posteriores para que los clientes empresariales puedan comerlos. Los clientes de pronóstico incluyen planificadores de demanda, surtido, monetarios, laborales y de inventario. Para simplificar, llamémoslos “planificadores”. El curso de pronóstico se repite repetidamente para alinearse con los ciclos de planificación, con información actualizada y pronósticos actualizados.

Todos estos esfuerzos son importantes para la previsión. Sin embargo, los científicos de la información suelen descubrir que los planificadores no utilizan pronósticos estadísticos. Algunas empresas informan que los planificadores aún modifican el 80-90% de los pronósticos, a pesar de los resultados de precisión constantemente sólidos.. ¿Por qué? como resultado de miNo se trata del pronóstico estadístico en sí mismo; se trata de confiar en el pronóstico.

La creencia resulta en adopción

La creencia es importante para construir credibilidad en los nuevos procesos de pronóstico. Está claro mientras te has ganado la confianza: mientras asistes a una reunión, los colegas asienten con la cabeza y realmente prestan atención mientras hablas; cuando los responsables de la toma de decisiones consultan un consejo, lo buscan instantáneamente para corroborarlo o negarlo. La creencia es un factor difícil de ganar. Y no aparece milagrosamente debido a su título o porque la administración lo dice. Se necesita tiempo para desarrollar la creencia y es un desarrollo, no un punto final.

Establecer creencias y obtener la adopción de pronósticos incluye confiar en los análisis, los resultados y las personas que producen los pronósticos.

Cree en los análisis: aclara los pronósticos con claridad

Los nuevos procesos empresariales se encuentran naturalmente con un punto de escepticismo. La introducción de un nuevo pronóstico estadístico no es totalmente diferente. Los planificadores podrían preguntar: “¿Me ayudará este pronóstico? ¿Sustituirá mis datos y experiencia? ¿Funcionará además de la información que los científicos dicen que va a hacer?”.

Superar esta vacilación comienza explicando el objetivo de los pronósticos estadísticos. En un flujo de trabajo de planificación, ¿cómo deberían usar los planificadores el pronóstico para mejorar las selecciones? La respuesta dependerá de muchos elementos, equivalentes a la extensión del elemento dentro del pronóstico, la información causal incluida y la frecuencia de las actualizaciones.

Por ejemplo, considere una empresa de artículos de clientes que ha desarrollado una serie de pronósticos estadísticos para ayudar a los planificadores de demanda con planificación agregada y detallada. Los pronósticos combinados se crean en una mejor etapa dentro de la jerarquía de producto/ubicación, en la etapa de modelo/canal, y están diseñados para selecciones estratégicas. Más particularmente, ayudan a los planificadores de la demanda a decidir dónde tomar una posición en el comercio, la publicidad y la innovación.

Sin embargo, las previsiones detalladas se encuentran en una etapa mucho más baja del elemento, en la etapa SKU/comprador. La precisión del pronóstico detallado apunta a las selecciones de ejecución al identificar los peligros y las alternativas dentro del plan. Los planificadores de la demanda no deben usar la combinación y los pronósticos detallados de manera intercambiable, ya que cada pronóstico se desarrolla para un objetivo en particular.

En observación, los pronósticos pueden cumplir una serie de funciones dependiendo de la clase de producto. Los planificadores se apoyan mucho en pronósticos estadísticos en cantidades excesivas, clases de baja volatilidad. Alternativamente, los pronósticos estadísticos son un lugar de referencia para comenzar a estratificar iniciativas futuras en clases intermitentes o estacionales.

Una vez que los científicos de la información describen y hablan del objetivo del pronóstico, ganar confianza en el análisis implica explicar los modelos analíticos en sí. Esto comienza con descubrir y cuantificar los impulsores subyacentes del pronóstico. ¿Qué información causal se incluye dentro del pronóstico? Igualmente necesario, ¿qué información causal no está dentro de la previsión?

Los científicos de la información utilizan métodos variados para calcular mecánicamente el efecto de las variables causales, con metodologías distintivas para la recolección de tiempo, el estudio de máquinas y modelos de conjuntos.

lo que sigue explicabilidad del modelo de pronóstico es más importante desde una perspectiva empresarial que una descripción técnica de los elementos del modelo matemático. En otras palabras, las previsiones se entienden mejor cuando se descomponen en cubos sensibles, como resultados de vacaciones, promocionales y económicos.

Posteriormente, ilustrar los impulsores de pronóstico de forma visual e interactiva en toda la jerarquía de producto/ubicación garantiza que los planificadores puedan interpretarlos sin esfuerzo. Esto da como resultado una comprensión transparente de los modelos de pronóstico al mismo tiempo que brinda visibilidad sobre cómo cambian los pronósticos cuando cambian las entradas causales o las características históricas. (Ver Determinar 1.)

Determine 1. Tablero de indicadores de pronóstico con valor, eventos y resultados macroeconómicos.

Creer en los resultados: Mostrar ventajas significativas

Los planificadores generalmente tienden a creer en los pronósticos estadísticos que constantemente producen resultados confiables. Con ese fin, la publicación de paneles de rendimiento de pronóstico es fundamental para fomentar la confianza en los modelos analíticos.

De hecho, muchos Ciencia de los datos los grupos distribuyen tableros de precisión de pronóstico repetidamente. Sin embargo, cuando los planificadores obtienen una montaña de tableros, Las historias de pronóstico también pueden verse solo o ignorarse por completo. ¿Cómo cambia esta noción?

Los paneles de pronóstico diseñados para anunciar información basada en hechos sobre el rendimiento histórico son instrumentos para comprender activamente lo que ha sido rentable y luego aprovechar esos datos para mejorar los resultados en el futuro. La visibilidad de la eficiencia a través de fabricantes, canales y clientes presenta alternativas para mejorar la información, los pronósticos y las selecciones de planificación.

Es importante analizar la eficiencia del pronóstico desde varios puntos de vista: la precisión del pronóstico medida en el porcentaje de error absoluto implícito (MAPE) o el MAPE ponderado, el sesgo del pronóstico, la rotación del pronóstico y el valor agregado del pronóstico (FVA), por nombrar algunos. A modo de ilustración, el MAPE ponderado general identifica las excepciones que requieren consideración, mientras que el sesgo de pronóstico ayuda a evitar los pronósticos excesivos o insuficientes constantes. Utilizando previsión de abandono, dLos científicos de ata son más capaces de detectar cambios en la demanda histórica o la necesidad de regular modelos estadísticos. Valor agregado de pronóstico (FVA) guía a los planificadores sobre cómo emplearán su tiempo de manera efectiva y exitosa. (Ver Determinar 2.)

Determinar 2. Los resultados de FVA a lo largo de las clases de productos y los rasgos de cantidad de demanda.

Traducir la precisión de los pronósticos en KPI importantes para los planificadores, equivalentes a existencias reducidas, etapa de servicio elevada y proceso mejorado de eficiencias, solidifica la conexión directa entre los pronósticos correctos y los resultados finales. (Ver Determinar 3.)

Determine 3. Precisión del pronóstico alineada con los días de venta de existencias en todas las clases de productos.

Con tantas medidas de precisión de pronóstico para elegir, el objetivo es no inundar a los planificadores con cada estadística factible. Los paneles de eficiencia de pronóstico se vuelven invaluables una vez que incorporan un subconjunto manejable de métricas de precisión que resuenan con su grupo. Explicar el objetivo de cada métrica mejora el poder de tomar acción.

A menos que se priorice el consumo activo de paneles de eficiencia de pronóstico, las historias simplemente pueden ignorarse. Simplemente publicar paneles tiene menos impacto que incorporarlos directamente en un proceso colaborativo y repetible. Tomar esto adicional, incluida la precisión y la adopción de pronósticos como un objetivo empresarial anual para los científicos de la información y los planificadores, incentiva la responsabilidad mutua para producir pronósticos de alta calidad.

Creer en la gente: empoderar a los científicos de la información

Creer se trata de construir relaciones. La energía de la conexión entre los científicos de la información y los planificadores puede afectar considerablemente la noción de pronósticos estadísticos.

En los primeros niveles de un nuevo proceso de pronóstico, la credibilidad de los planificadores que han “caminado con el mismo calzado” es inicialmente más fuerte que la voz de los científicos de la información. Aprovechando la creencia ya establecida, los científicos de la información pueden determinar patrocinadores dentro del grupo de planificación para defender el pronóstico estadístico.

La creación de relaciones entre los planificadores con puntos de vista dispares es vital: interactúe activamente el planificador que intrínsecamente cree en el pronóstico estadístico y el planificador que es el mayor escéptico del pronóstico. Para domesticar la creencia, los científicos de la información pueden preparar debates colaborativos recurrentes con los planificadores para obtener información general de los paneles de eficiencia y explicabilidad de las previsiones.

Mediante estas discusiones, los científicos de la información perciben puntos de vista alternativos sobre cómo los pronósticos estadísticos ayudan a planificar las selecciones. Esta sugerencia se integra en mejoras constantes de pronóstico, como información adicional interna y externa, metodologías de pronóstico modernas y procesos de mejora.

A medida que se fortalece la conexión entre los planificadores y los científicos de la información, los roles de los científicos de la información evolucionan adecuadamente más allá de las modas estadísticas sustentadoras. Los científicos de la información están capacitados para convertirse en compañeros estratégicos para los planificadores y son asesores confiables que brindan información basada en análisis para ayudar a generar resultados invaluables.

Esta creencia reforzada intrínsecamente impulsa el pronóstico estadístico para convertirse en algo más que una línea de referencia; se convierte en el barómetro de amenazas y alternativas, planificación más respetuosa con el medio ambiente y selecciones más altas.

el resumen

Con demasiada frecuencia, la adopción de pronósticos es una ocurrencia tardía. Hacer que la adopción de pronósticos sea una prioridad ayuda a llevar la creencia al frente de los procesos de pronóstico y planificación. Confiar en los pronósticos estadísticos requiere comprender el objetivo y los elementos subyacentes del pronóstico. Confiar en los resultados de precisión del pronóstico requiere paneles de control de rendimiento significativos integrados en un proceso empresarial colaborativo. Confiar en los científicos de la información incluye crear deliberadamente relaciones con responsabilidad mutua por los resultados. Con esta creencia viene la adopción de pronósticos.

Para obtener información adicional sobre cómo SAS resuelve los desafíos de pronóstico y planificación, visite SAS para predecir y planificar la demanda del consumidor.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

¿Pueden las computadoras entender palabras y conceptos complejos? – Lo último en Inteligencia Artificial | IA robótica

Published

on

Neuroscience News logo for mobile.

The Ultimate Managed Hosting Platform

Resumen: La inteligencia sintética puede percibir palabras e ideas avanzadas al representar el significado de las palabras en un enfoque idéntico que se correlaciona con los juicios humanos.

Suministro: Universidad de California en Los Ángeles

En “Via the Trying Glass”, Humpty Dumpty dice con desdén: “Cuando uso una frase, significa simplemente lo que quiero que signifique, ni más ni mucho menos”. Alice responde: “La pregunta es si puedes o no hacer que las frases impliquen tantos problemas alternativos”.

La investigación de lo que realmente implican las frases está desactualizada. Los pensamientos humanos deben analizar una línea de datos detallados y versátiles y usar un sentido sutil y frecuente para comprender sus significados.

Ahora, ha surgido un problema más reciente relacionado con el significado de las palabras: los científicos están averiguando si la inteligencia artificial puede imitar los pensamientos humanos para aprender palabras de la forma en que lo hacen las personas. Un nuevo estudio realizado por investigadores de la UCLA, el MIT y los Institutos Nacionales de Salud aborda esa pregunta.

El artículo, impreso dentro de la revista. Naturaleza Comportamiento Humanoestudios que las técnicas de inteligencia sintética ciertamente pueden enseñar significados de frases muy difíciles, y los científicos encontraron un truco fácil para extraer esa información avanzada.

Descubrieron que el sistema de IA que estudiaron representa los significados de las frases en un enfoque que se correlaciona fuertemente con el juicio humano.

El sistema de inteligencia artificial que investigaron los autores se ha utilizado regularmente durante la última década para verificar el significado de la frase. Aprende a determinar los significados de las frases “estudiando” cantidades astronómicas de contenido en la web, que abarca decenas de miles de millones de frases.

Cuando las frases ocurren colectivamente con regularidad, “escritorio” y “silla”, por ejemplo, el sistema aprende que sus significados están asociados. Y si pares de palabras se juntan muy rara vez, como “escritorio” y “planeta”, aprende que tienen significados muy diferentes.

Ese método parece un lugar lógico para comenzar, pero considere lo bien que la gente percibiría el mundo si la única forma de percibir qué significa fuera confiar en la frecuencia con la que las palabras suceden una cerca de la otra, sin ninguna habilidad para interactuar con otras personas y nuestros alrededores.

Idan Clean, profesor asistente de psicología y lingüística de la UCLA, y coautor principal del estudio, dijo que los investigadores se dispusieron a aprender de qué es consciente el sistema con respecto a las palabras que aprende, y cuánto “sentido frecuente” tiene. posee.

Antes de que comenzara la investigación, dijo Clean, el sistema parecía tener una limitación importante: “En la medida en que el sistema está ansioso, ambas palabras tienen solo un valor numérico que representa qué tan relacionadas están”.

Por el contrario, la información humana es mucho más detallada y complicada.

“Mira nuestra información sobre delfines y caimanes”, dijo Clean. “Una vez que evaluamos los 2 en una escala de dimensión, de ‘pequeño’ a ‘masivo’, están comparativamente relacionados. Cuando se trata de su inteligencia, son considerablemente diferentes. Cuando se trata del peligro que representan para nosotros, en una escala de ‘seguro’ a ‘dañino’, difieren enormemente. Entonces, el significado de una frase depende del contexto.

“Teníamos que preguntarnos si este sistema realmente es consciente de estas sutiles variaciones, si su idea de similitud es flexible o no de la misma manera que es para las personas”.

Para averiguarlo, los autores desarrollaron un método al que llaman “proyección semántica”. Uno puede dibujar una línea entre las representaciones del modelo de las palabras “grande” y “pequeño”, por ejemplo, y ver dónde caen las representaciones de varios animales en esa línea.

Utilizando esa técnica, los científicos estudiaron 52 equipos de frases para ver si se le puede enseñar al sistema a clasificar significados, como juzgar a los animales tanto por su tamaño o cuán dañinos son para las personas, o clasificar los estados de EE. UU. por clima o riqueza general. .

Entre las muchas agrupaciones de frases diferentes se han encontrado frases asociadas con la ropa, las profesiones, las actividades deportivas, las criaturas mitológicas y los nombres. A cada clase se le asignó una serie de contextos o dimensiones: dimensión, riesgo, inteligencia, edad y ritmo, por ejemplo.

Un esquema de proyección semántica, que puede decidir la similitud entre dos frases en un contexto seleccionado. Esta cuadrícula muestra cómo ciertos animales relacionados se basan principalmente en su tamaño. Puntuación crediticia: Idan Clean/UCLA

Los investigadores descubrieron que, a través de estos muchos objetos y contextos, su técnica demostró ser similar al instinto humano. (Para hacer esa comparación, los investigadores también solicitaron cohortes de 25 personas cada una para hacer evaluaciones similares sobre cada uno de los 52 equipos de palabras).

Sorprendentemente, el sistema descubrió que los nombres “Betty” y “George” están relacionados cuando se trata de ser comparativamente “anticuados”, pero representaban géneros completamente diferentes. Y que el “levantamiento de pesas” y la “esgrima” están relacionados en el sentido de que ambos ocurren a veces en interiores, pero son diferentes en cuanto a la cantidad de inteligencia que requieren.

“Es una técnica tan magníficamente fácil y completamente intuitiva”, dijo Clean. “El camino entre ‘masivo’ y ‘pequeño’ es una especie de escala psicológica, y ponemos a los animales en esa escala”.

Clean dijo que realmente no esperaba que el método funcionara, pero se alegró cuando lo hizo.

“Parece que este sistema de aprendizaje automático es mucho más inteligente de lo que pensábamos; incorpora tipos de información muy avanzados, y esta información está organizada en una construcción realmente intuitiva”, mencionó. “Simplemente manteniendo un registro de qué palabras coexisten entre sí en el idioma, puede aprender mucho sobre el mundo”.

Ver adicionalmente

Los coautores del estudio son la neurocientífica cognitiva del MIT Evelina Fedorenko, el académico graduado del MIT Gabriel Grand y Francisco Pereira, quien dirige el equipo de aprendizaje automático en el Instituto Nacional de Salud Psicológica de los Institutos Nacionales de Salud.

Fondos: La investigación fue financiada parcialmente por la Oficina del Director de Inteligencia Nacional, Ejercicio de Tareas de Análisis Superior de Inteligencia a través del Laboratorio de Análisis de Presión de Aire.

Acerca de esta información de análisis de lenguaje e inteligencia artificial

Creador: Estuardo Wolpert
Suministro: Universidad de California en Los Ángeles
Contacto: Stuart Wolpert – UCLA
Imagen: La imagen se atribuye a Idan Clean/UCLA.

Análisis único: Entrada abierta.
La proyección semántica recupera un rico conocimiento humano de múltiples características de objetos a partir de incrustaciones de palabras.” por Idan Clean et al. Naturaleza Conducta Humana


Resumen

La proyección semántica recupera información humana rica de una serie de opciones de objetos a partir de incrustaciones de frases.

¿Cómo se representa la información sobre la frase que significa dentro del léxico psicológico?

Las modas computacionales actuales infieren significados de frases a partir de patrones de co-ocurrencia léxica. Se les enseña a representar frases como vectores en un espacio multidimensional, en el que las frases que se pueden usar en contextos lingüísticos más relacionados, es decir, están más asociadas semánticamente, se colocan más juntas.

Sin embargo, mientras que la proximidad entre palabras capta únicamente la relación general, los juicios humanos dependen en gran medida del contexto. Por ejemplo, los delfines y los caimanes están relacionados en tamaño pero difieren en peligrosidad.

Justo aquí, usamos una técnica de dominio general para extraer relaciones dependientes del contexto de incrustaciones de frases: ‘proyección semántica’ de vectores de palabras en tensiones que significan opciones que se asemejan a la dimensión (el camino que conecta las frases ‘pequeño’ y ‘masivo’) o peligro (de ‘seguro’ a ‘dañino’), análogo a las ‘escalas psicológicas’. Esta técnica recupera juicios humanos a través de numerosas clases de objetos y propiedades.

Por lo tanto, la geometría de las incrustaciones de frases representa explícitamente una gran cantidad de información mundial dependiente del contexto.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

perro robot aprende a caminar en una hora: lo último en inteligencia artificial | IA robótica

Published

on

Neuroscience News logo for mobile.

The Ultimate Managed Hosting Platform

Resumen: Un nuevo algoritmo de aprendizaje entrena a un perro robótico para que camine dentro de una hora, informan los investigadores.

Suministro: Instituto Max Planck

Una jirafa o potro recién nacido debe aprender a caminar sobre sus patas lo más rápido posible para mantenerse alejado de los depredadores. Los animales nacen con redes de coordinación muscular situadas en su cordón espinal. Sin embargo, estudiar la coordinación exacta del tejido muscular y los tendones de las piernas lleva un tiempo. Inicialmente, los animales bebés dependen mucho de los reflejos de hilo espinal cableados.

Si bien los reflejos de control motor son mucho más fundamentales, ayudan al animal a evitar caerse y lastimarse durante su primer intento de caminar.

Se debe practicar el siguiente manejo muscular más avanzado y preciso, hasta que finalmente el sistema nervioso se adapte bien a los tendones y los músculos de las patas del animal más joven. Sin tropiezos descontrolados adicionales: el animal más joven ahora puede sostenerse con los adultos.

Investigadores del Instituto Max Planck para Programas Inteligentes (MPI-IS) en Stuttgart llevaron a cabo un estudio de investigación para aprender cómo los animales aprenden a caminar y aprenden a tropezar. Construyeron un robot de cuatro patas, del tamaño de un perro, que los ayudó a resolver los puntos principales.

“Como ingenieros y especialistas en robótica, buscamos la respuesta construyendo un robot que presenta reflejos idénticos a los de un animal y aprende de los errores”, dice Felix Ruppert, ex alumno de doctorado en el grupo de análisis de locomoción dinámica en MPI-IS.

“Si un animal tropieza, ¿es {eso} un error? No si ocurre tan pronto como. Pero cuando tropieza con frecuencia, nos da una idea de lo bien que camina el robot”.

Felix Ruppert es el primer escritor de “Estudio de la combinación plástica de la dinámica robótica en molinos de muestras centrales de circuito cerrado“, que se imprimirá el 18 de julio de 2022 en la prestigiosa revista Naturaleza Máquina Inteligencia.

Algoritmo de estudio optimiza hilo espinal digital

Después de aprender a caminar en solo una hora, el robot de Ruppert hace un buen uso de la mecánica avanzada de sus piernas. Un algoritmo de optimización bayesiano guía el entrenamiento: la información medida del sensor del pie se compara con la información del objetivo del cordel espinal digital modelado que funciona como un programa dentro de la computadora robótica.

El robot aprende a caminar evaluando constantemente la información del sensor enviada y anticipada, activando bucles reflejos y adaptando sus patrones de control motor.

El algoritmo de entrenamiento adapta los parámetros de gestión de un Generador Central de Muestras (CPG). En las personas y los animales, estos molinos de muestras centrales son redes de neuronas dentro del cordón espinal que producen contracciones musculares periódicas sin la entrada del cerebro.

Las redes generadoras de muestras centrales ayudan a la tecnología de tareas rítmicas como caminar, parpadear o digerir. Además, los reflejos son acciones involuntarias de control motor desencadenadas por vías neuronales codificadas que unen sensores dentro de la pierna con el cordón espinal.

Siempre que el animal más joven camine sobre un piso maravillosamente plano, los CPG serán suficientes para controlar las alertas de movimiento de la médula espinal. Sin embargo, un pequeño bache en la parte inferior ajusta el paseo. Los reflejos se activan y modifican los patrones de movimiento para evitar que el animal se caiga.

Estos ajustes momentáneos dentro de las alertas de movimiento son reversibles o ‘elásticos’, y los patrones de movimiento vuelven a su configuración única después de la perturbación. Pero cuando el animal no deja de tropezar en muchos ciclos de movimiento, independientemente de los reflejos vivos, entonces los patrones de movimiento deben volver a aprenderse y hacerse ‘plásticos’, es decir, irreversibles. En el nuevo animal infantil, los CPG inicialmente no se ajustan lo suficiente y el animal tropieza, tanto en terrenos llanos como irregulares. Sin embargo, el animal aprende rápidamente cómo sus CPG y sus reflejos controlan el tejido muscular y los tendones de las piernas.

Lo mismo ocurre con el perro-robot del tamaño de un labrador llamado “Morti”. Mucho más, el robot optimiza sus patrones de movimiento antes que un animal, en aproximadamente una hora. El CPG de Morti se simula en una pequeña y liviana computadora que controla el movimiento de las piernas del robot.

Este cordel espinal digital se coloca en la parte posterior del robot cuadrúpedo donde podría estar la parte superior. En el transcurso de la hora que tarda el robot en caminar con facilidad, la información del sensor de los pies del robot contrasta constantemente con el aterrizaje anticipado previsto por el CPG del robot. Si el robot tropieza, el algoritmo de entrenamiento ajusta qué tan lejos se balancean las piernas hacia adelante y hacia atrás, qué tan rápido se balancean las piernas y cuánto tiempo está una pierna en la parte inferior.

El movimiento ajustado también afecta lo bien que el robot puede aprovechar al máximo la mecánica de sus piernas compatibles. Durante el proceso de aprendizaje, el CPG envía alertas motorizadas personalizadas para que el robot tropiece en adelante menos y optimice su andar.

En este marco, la médula espinal digital no tiene información expresa sobre el diseño de las patas del robot, sus motores y sus derivados. Sin entender nada sobre la física de la máquina, carece de un ‘maniquí’ robótico.

“Nuestro robot virtualmente ‘nace’ sin saber nada sobre la anatomía de sus piernas o cómo funcionan”, explica Ruppert.

“El CPG se asemeja a una inteligencia ambulante computarizada integrada que da la naturaleza y que ahora hemos trasladado a la robótica. La computadora genera alertas que controlan los motores de las piernas, y el robot inicialmente camina y tropieza.

Morti el canino robótico. Crédito: Felix Ruppert, Dynamic Locomotion Group en MPI-IS

“La información vuelve a fluir desde los sensores hasta la médula espinal digital, donde el sensor de ubicación y los datos CPG contrastan. Si la información del sensor no coincide con la información esperada, el algoritmo de entrenamiento ajusta los hábitos de caminata hasta que el robot camina bien y sin tropezar. Cambiar la salida de CPG mientras se mantienen activos los reflejos y se controla el tropiezo robótico es una parte central del proceso de formación”.

Gestión canina robótica respetuosa con el medio ambiente

Ver adicionalmente

La computadora de Morti atrae solo cinco vatios de energía en el proceso de caminar. Los robots cuadrúpedos industriales de fabricantes destacados, que se han dado cuenta de que funcionan con la ayuda de controladores avanzados, consumen bastante más energía. Sus controladores están codificados con los datos de la masa exacta y la geometría del cuerpo del robot, utilizando un modelo del robot. Por lo general, consumen una cantidad de decenas, tanto como una cantidad de cientos de vatios de energía.

Ambos tipos de robots funcionan de manera dinámica y efectiva, pero el consumo de energía computacional es mucho menor en el modelo de Stuttgart. También brinda información vital sobre la anatomía animal.

“No podemos simplemente analizar el cordón espinal de un animal vivo. Pero modelaremos uno dentro de la robótica”, dice Alexander Badri-Spröwitz, coautor del artículo con Ruppert y director del Grupo de Análisis de Locomoción Dinámica.

“Todos sabemos que estas GPC existen en muchos animales. Todos sabemos que los reflejos están incrustados; sin embargo, ¿cómo podemos mezclar cada uno para que los animales estudien acciones con reflejos y CPG? Ese es un análisis básico sobre la intersección entre la robótica y la biología. El maniquí robótico nos ofrece soluciones a preguntas que la biología por sí sola no puede responder”.

Sobre esta información de análisis de robótica y neurotecnología

Creador: linda behringer
Suministro: Instituto Max Planck
Contacto: Linda Behringer – Instituto Max Planck
Imagen: La imagen se atribuye a Felix Ruppert, Dynamic Locomotion Group en MPI-IS

Análisis único: Entrada abierta.
Aprendizaje de coincidencias plásticas de dinámicas de robots en generadores de patrones centrales de bucle cerrado” por Félix Ruppert et al. Naturaleza Máquina Inteligencia


Resumen

Estudio de la coincidencia plástica de la dinámica robótica en molinos de muestras centrales de circuito cerrado

Los animales obtienen eficiencia de locomoción ágil con menor esfuerzo de manejo y eficiencia energética al aprovechar la flexibilidad de su tejido muscular y tendones. Sin embargo, no se sabe cómo aprenden los controladores orgánicos de locomoción para aprovechar la inteligencia incorporada en la mecánica de sus piernas.

Aquí presentamos un marco para combinar patrones y mecanismos de gestión basados ​​en la idea de elasticidad a corto plazo y plasticidad a largo plazo. Impresionados por los animales, diseñamos un robot, Morti, con patas elásticas pasivas.

El Morti robótico cuadrúpedo es administrado por un generador de muestra central de circuito cerrado bioinspirado que está diseñado para mitigar de manera elástica las perturbaciones a corto plazo utilizando sugerencias de contacto escasas.

Al minimizar la cantidad de sugerencias correctivas a largo plazo, Morti aprende a adaptar el controlador a su mecánica y aprende a caminar dentro de 1 hora. Al aprovechar las ventajas de su mecánica, Morti mejora su eficiencia energética en un 42% sin minimización expresa en el funcionamiento de la tarifa.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultimas noticias

AI puede ayudar a los compradores a encontrar la residencia de sus sueños: lo último en inteligencia artificial | IA robótica

Published

on

Ai Dream Residence

The Ultimate Managed Hosting Platform

La inteligencia artificial (IA) ha revolucionado nuestras vidas en una variedad de formas, desde automóviles autónomos hasta diagnósticos y tratamientos médicos más precisos. Los algoritmos de IA basados ​​en preferencias ya han demostrado ser muy efectivos en el negocio del entretenimiento, como Netflix y Amazon.

La inteligencia artificial ya está siendo utilizada por un número cada vez mayor de empresas inmobiliarias para acelerar los procedimientos de compra, venta e hipoteca. Compañías como Home Lending Pal están utilizando inteligencia artificial para ayudar a los compradores a encontrar la hipoteca y la casa adecuadas.

AI puede ayudar a los compradores de vivienda de las siguientes maneras:

La búsqueda de una casa se puede hacer más fácil con la IA

A pesar de que los compradores de viviendas pueden realizar una búsqueda en línea de propiedades en función de factores como la ubicación, el precio, los pies cuadrados y la cantidad de habitaciones, aún se les presentarán cientos o incluso miles de opciones.

Al evaluar el historial de búsqueda de un usuario y construir una imagen más precisa de lo que está buscando, la inteligencia artificial puede refinar y agilizar aún más el proceso de búsqueda. Es posible que un mercado de bienes raíces, como Netflix, recopile información de un cliente y la compare con la de otros clientes para generar una lista de casas que cumplan con sus criterios de búsqueda, así como para proporcionarles propiedades relacionadas.

Los compradores de viviendas pueden beneficiarse de los análisis de propiedades potenciales impulsados ​​por IA

Otra aplicación de la inteligencia artificial en bienes raíces es el análisis de propiedades. Para los compradores de vivienda por primera vez, la casa ideal es algo más que una “dos habitaciones con garaje”. Los clientes pueden hacer consultas como, “¿La casa tiene piscina?” y “¿Cuántos autos caben en el garaje?” usando aplicaciones de IA desarrolladas específicamente para sitios web de bienes raíces.

En los sitios web de bienes raíces, la IA puede emplear software de detección de imágenes y visión por computadora para examinar fotos de casas con el fin de identificar características cruciales, como cocinas y baños nuevos, luz natural y colocación de ventanas, y chimeneas en funcionamiento.

La inteligencia artificial (IA) puede ayudar a los compradores de viviendas a evaluar el valor de sus propiedades

Ahora es posible comparar el precio de una casa potencial con otras propiedades en venta mediante el uso de IA.

Cuando se trata de obtener una hipoteca, la inteligencia artificial puede ser de gran ayuda.

Home Lending Pal, un corredor de hipotecas de IA, utiliza inteligencia artificial en todo el proceso de la hipoteca, desde la selección del mejor tipo de préstamo para un prestatario hasta la localización de un inversor adecuado. Con solo unas pocas piezas de información básica, un sistema de IA puede evaluar la situación financiera de un prestatario y sugerir un préstamo “inteligente” que consolide todas esas obligaciones en un pago mensual conveniente.

Las tasaciones y el valor de mercado futuro de una casa se pueden predecir utilizando inteligencia artificial (IA).

La mayoría de los compradores de vivienda por primera vez consideran que su compra es una inversión, por lo que una proyección más precisa de su valor futuro podría darles más seguridad. La IA también puede usar datos de mercado para pronosticar el valor futuro de una casa en función de la información local de muchas fuentes, como el crimen, el transporte y las instituciones educativas.

Nota final

La IA en el sector inmobiliario puede ayudar a los compradores de vivienda Obtenga una mayor comprensión de sus opciones, especialmente para las personas que están en busca de la residencia de sus sueños. Los corredores y los compradores de viviendas se benefician del potencial de la IA para facilitar una transacción limpia en una situación en la que todos ganan.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending