Your browser is out of date

Update your browser to view this website correctly. Update my browser now

×

Investigación de Fast Forward Labs ya disponible sin suscripción

A partir de ahora, todos los informes nuevos estarán disponibles públicamente con descarga gratuita. Además, ofreceremos versiones actualizadas de informes más antiguos en el futuro, así que vuelva por aquí de vez en cuando para ver qué investigaciones gratuitas hay disponibles.

Informes de investigación gratuitos

Explore nuestros últimos informes y prototipos de investigación, disponibles de forma gratuita. 

Clasificación de texto con datos escasos

La clasificación de textos puede emplearse para el análisis de opiniones, asignación de temas, identificación de documentos, recomendación de artículos y más. Hoy en día existen docenas de técnicas para esta tarea fundamental, pero muchas de ellas requieren cantidades masivas de datos etiquetados para ser útiles. Normalmente, recopilar anotaciones para su caso de uso es una de las partes más costosas de cualquier aplicación de aprendizaje automático. En este informe exploramos cómo pueden utilizarse las integraciones de texto latente con pocos modelos de entrenamiento (o incluso ninguno) y ofreceremos información sobre las mejores prácticas para implementar este método.

Leer informe

Explorar el código

Few-Shot Text Classification

Series temporales estructuradas

Los datos de series temporales están en todas partes. Este informe analiza los modelos aditivos generales, que nos dan una forma sencilla, flexible e interpretable de modelar series temporales desglosándolas en sus componentes estructurales. Veremos los beneficios y compensaciones de adoptar un enfoque de serie temporal ajustado a la curva y mostraremos cómo se usa a través de la biblioteca de Prophet de Facebook con un problema de previsión de la demanda.

Leer informe

Explorar el código

Metaaprendizaje

A diferencia de la manera de aprender de los humanos, los algoritmos de aprendizaje profundo necesitan grandes cantidades de datos y computación, y aún así pueden tener dificultades para generalizar. Los humanos son capaces de adaptarse rápidamente porque, cuando se enfrentan a problemas nuevos, aprovechan los conocimientos adquiridos a partir de la experiencia previa. En este informe explicamos cómo el metaaprendizaje puede aprovechar los conocimientos previos adquiridos a partir de los datos para resolver tareas novedosas de manera rápida y más eficiente durante el periodo de pruebas.

Leer informe

Explorar el código

Respuesta automatizada de preguntas

La respuesta automatizada de preguntas es un procedimiento fácil de usar para extraer información a partir de datos mediante el uso de lenguaje natural. Gracias a recientes avances en el procesamiento de lenguaje natural, las capacidades de responder a preguntas a partir de datos de texto no estructurados se han incrementado con rapidez. Esta serie de publicaciones en el blog ofrece un recorrido en el que se detallan los aspectos técnicos y prácticos de la construcción de un sistema integral para dar respuesta a preguntas.

Lea la serie de publicaciones de blog interactivas

Explorar el prototipo

Causalidad para el machine learning

La intersección de la inferencia causal y el aprendizaje automático es un área de investigación en rápida expansión, que ya está dando resultados en capacidades para la construcción de sistemas de machine learning más sólidos, fiables y justos. En este informe se ofrece una introducción al razonamiento causal incluyendo gráficos causales y predicción invariante, y cómo aplicar las herramientas de inferencia causal junto con técnicas de machine learning clásicas en diversos casos de uso.

Explorar el prototipo

Leer el informe ahora

Interpretabilidad: edición de 2020

La interpretabilidad es la capacidad de explicar por qué y cómo toma una decisión un sistema, y puede ayudarnos a mejorar modelos, cumplir con regulaciones y crear productos mejores. Las técnicas de sistemas opacos como el aprendizaje profundo han logrado grandes avances en cuanto a capacidades, pero a costa de la interpretabilidad. En este informe, actualizado recientemente para incluir técnicas como la SHAP, se muestra cómo hacer modelos interpretables sin renunciar a su funcionalidad ni a su exactitud.

Explorar el prototipo

Leer el informe ahora

Aprendizaje profundo para la detección de anomalías

Desde la detección de fraudes hasta los avisos de anomalía en datos de imagen, hay innumerables aplicaciones para la identificación automática de datos anómalos. Este proceso puede resultar difícil, en especial cuando se trabaja con cantidades de datos mayores y más complejas. Este informe explora enfoques del aprendizaje profundo (modelos de secuencia, VAE, GAN) para la detección de anomalías, cuándo usarlos, los puntos de referencia en rendimiento y las posibilidades del producto.

Explorar el prototipo

Leer el informe ahora

Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

Aprendizaje federado

El aprendizaje federado hace posible crear sistemas de aprendizaje automático sin acceso directo a los datos de formación. Los datos permanecen en su ubicación original, lo que ayuda a garantizar la privacidad y reduce los costes de comunicación. El aprendizaje federado es muy adecuado para smartphones, hardware en el edge, asistencia sanitaria y otros casos de uso en los que la privacidad es esencial, así como aplicaciones industriales como el mantenimiento predictivo.

Explorar el prototipo

Leer el informe ahora

Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

Informes solo con suscripción

Habrá versiones actualizadas gratuitas de informes más antiguos disponibles en el futuro, así que vuelva por aquí de vez en cuando.

Fast Forward Labs Transfer Learning for NLP report preview

Transferencia de aprendizaje para NLP

Las tecnologías de procesamiento del lenguaje natural (NLP, por sus siglas en inglés) pueden traducir un idioma, responder a preguntas y redactar texto como una persona, pero las técnicas subyacentes de aprendizaje profundo requieren costosos conjuntos de datos, infraestructura y experiencia. En este report, mostramos cómo usar el aprendizaje por transferencia para adaptarse a modelos existentes en cualquier aplicación de NLP, lo que permite generar más fácilmente sistemas de NLP de alto rendimiento.

Fast Forward Labs Deep Learning for Image Analysis - 2019 Edition report preview

Aprendizaje profundo para análisis de imágenes (edición de 2019)

Las redes neuronales convolucionales (CNN, por sus siglas en inglés, o ConvNet) ofrecen resultados extraordinarios en el aprendizaje de representaciones significativas de características y conceptos en las imágenes. Por ello son muy valiosas para la resolución de problemas en múltiples ámbitos, como el diagnóstico por imágenes y la fabricación. En este report, mostramos cómo seleccionar los modelos de aprendizaje profundo adecuados para tareas y técnicas de análisis de imágenes que permitan perfeccionar los modelos de aprendizaje profundo.

Image of Multi-Task Learning Report and Prototype

Aprendizaje multitarea

En este informe centramos nuestra atención en el aprendizaje multitarea, un nuevo enfoque al aprendizaje automático que permite a los algoritmos realizar tareas en paralelo.

Recomendaciones semánticas

En este informe mostramos cómo el uso del contenido semántico de los elementos puede ayudar a solucionar problemas habituales en torno a las recomendaciones, como el arranque en frío, y abrir nuevas posibilidades para los productos.

Interpretabilidad

En este informe se muestra cómo hacer modelos interpretables sin renunciar a su funcionalidad ni a su exactitud.

Programación probabilística

Aquí mostramos cómo usar la programación probabilística y la inferencia bayesiana para crear fácilmente herramientas que realicen predicciones más acertadas con el fin de mejorar la eficiencia de la toma de decisiones.

Resumen

Aprende a usar el aprendizaje profundo y las incrustaciones a fin de convertir el texto en información procesable para diversas aplicaciones y productos empresariales.

Aprendizaje profundo: análisis de imágenes

Este informe explora la historia y el estado actual del aprendizaje profundo, explica cómo aplicarlo y predice futuros avances.

Métodos probabilísticos para streaming de datos en tiempo real

En este documento exploramos métodos probabilísticos que se traducen en modelos muy eficientes para extraer el valor de los streaming de datos según se van generando.

Generación de lenguaje natural

En este informe analizamos cómo los sistemas automatizados pueden convertir datos altamente estructurados en discurso articulado propio del lenguaje humano.

Lee el blog de Fast Forward Labs

 

Ve un paso por delante

Inscríbete para recibir nuestro boletín electrónico mensual y estar informado de los últimos avances en inteligencia artificial aplicada, así como de las novedades y los eventos de la empresa.

 

Ponte en contacto con nosotros para informarte sobre la suscripción a la investigación

Your form submission has failed.

This may have been caused by one of the following:

  • Your request timed out
  • A plugin/browser extension blocked the submission. If you have an ad blocking plugin please disable it and close this message to reload the page.