Page 36 - Revista 2021 - 2022

Revista de la Facultad de Ingeniería, Año 7, Número 1
Conclusiones y Reflexiones

Las redes convolucionales representan un salto cualitativo y cuantitativo en lo que
refiere al reconocimiento de objetos en imágenes, permitiendo no solo mejorar los
tiempos y la calidad en los resultados obtenidos, sino que también posibilitó la
masificación en el uso de estos algoritmos.
Por lo dicho anteriormente, las redes convolucionales son una herramienta cuyo uso
se ha difundido en muchos ámbitos de la industria con un gran número de
implementaciones. Algunos de estas implementaciones pueden ser en problemas que
a priori resultarían en tareas muy simples para los humanos, como es el
reconocimiento o clasificación de un conjunto limitado de animales, sin embargo,
también se pueden observar implementaciones mucho más complejas y difíciles de
realizar hasta para un humano como lo es en el reconocimiento de enfermedades o
su uso en sistemas de conducción autónoma.
A lo largo de este artículo se han cubierto muchos de los conceptos que hacen a las
redes neuronales convolucionales tanto en su composición y construcción como en
su utilización, yendo desde los aspectos más generales a los más particulares. Sin
embargo, existen dos temas adicionales que por su amplitud no pudieron ser
incluidos a lo largo de este trabajo, pero no por eso se debe omitir alguna mención a
estos.

El primero de ellos es el Aprendizaje Transmitido o Transfer Learning, un concepto
que en los últimos tiempos ha tomado mucha relevancia debido a que permiten
transferir el conocimiento aprendido y/o generado a partir de otros modelos pre
entrenados para contribuyan a resolver otros problemas (generalmente similares).
El segundo consiste en el Ajuste Fino o Fine-Tuning. El Fine Tuning consiste en
realizar ajustes muy precisos al modelo para obtener los resultados esperados. Es
importante destacar que, si bien este concepto puede ser aplicado en cualquier
problema, se encuentra muy ligado al Aprendizaje Transmitido ya que, al utilizar un
aprendizaje en otro contexto se debe ajustar este aprendizaje a nuestro problema
objetivo y por este motivo se debe hacer un ajuste preciso para sacar el mejor
provecho del modelo.
En nuestro ejemplo, el Aprendizaje Transmitido correspondería en las capas
convolucionales, las cuales no se volverían a entrenar; mientras que el Ajuste Fino,
correspondería a las capas densas que se agregan luego de las capas convolucionales
cuya finalidad consiste en realizar las predicciones donde estas capas si deben ser
entrenadas en nuestro modelo con nuestros datos.
Los aspectos éticos es otro de los temas que ha generado un gran y amplio debate,
no solo en el mundo académico, sino que también en el mundo político. Obviando las
historias de fantasías donde robots con inteligencias artificiales muy avanzadas
deciden terminar con la humanidad (aunque esto se podría dar sin que ellos
intervinieran), el uso de este tipo de tecnologías por parte de particulares o del
gobierno genera una gran controversia. Esto se debe principalmente por el uso
abusivo de ciertos actores que pueden utilizar esta tecnología para el control e
invasión a la privacidad de las personas. Un ejemplo de este escenario es el uso de
esta tecnología por parte de gobiernos en el medio oriente que han sido
públicamente criticados.

35