O Fujitsu Laboratories, centro de pesquisa subsidiário da Fujitsu Limited, anuncia o desenvolvimento de uma tecnologia de aprendizagem profunda que analisa dados de séries temporais – coleção de observações feitas sequencialmente ao longo do tempo – com um alto nível de precisão. Tais dados podem ser sujeitos a severas volatilidades, o que torna difícil para pessoas padronizá-los. Considerada uma promessa para aplicações de Internet das Coisas, a novidade permite que as informações sejam analisadas de maneira mais profunda, com a perspectiva de criar novos valores e abertura de novas áreas de negócios.
A tecnologia de aprendizagem profunda é uma área de pesquisa relacionada ao aprendizado de máquinas baseada na adoção de uma rede neural com diversas camadas, permitindo que um computador identifique padrões e organize informações automaticamente e aprenda tarefas. Ela tem chamado a atenção como uma inovação no avanço da inteligência artificial e atingiu uma precisão extremamente alta no reconhecimento de imagem e linguagem. Entretanto, os tipos de dados a que pode ser aplicada ainda a torna limitada. Isso se dá pela complexidade de classificar precisa e automaticamente dados de séries temporais voláteis, como os extraídos de dispositivos IoT, difíceis de terem padrões discernidos por pessoas.
A abordagem de aprendizagem profunda desenvolvida pela Fujitsu Laboratories utiliza uma técnica matemática avançada e extrai características geométricas dos dados de séries temporais, permitindo uma classificação precisa de intervalos de tempo variáveis. No cotidiano, por exemplo, o uso da tecnologia poderia ser utilizado para detectar com precisão anomalias em equipamentos, prever interrupções em uma fábrica, ou para analisar dados de sinais vitais com o objetivo de auxiliar diagnósticos médicos e tratamentos. Nesse sentido, a expectativa é que a tecnologia traga avanços para uma série de segmentos por meio da inteligência artificial.
Em testes realizados na UC Irvine Machine Learning – repositório de renome mundial que proporciona inúmeros conjuntos de dados para avaliações comparativas de aprendizagem de maquinas – que classificaram dados de séries temporais de giroscópios em dispositivos wearables, a nova tecnologia atingiu aproximadamente 85% de precisão, uma melhoria de cerca de 25% em relação à tecnologia existente.
A tecnologia de aprendizagem profunda é uma área de pesquisa relacionada ao aprendizado de máquinas baseada na adoção de uma rede neural com diversas camadas, permitindo que um computador identifique padrões e organize informações automaticamente e aprenda tarefas. Ela tem chamado a atenção como uma inovação no avanço da inteligência artificial e atingiu uma precisão extremamente alta no reconhecimento de imagem e linguagem. Entretanto, os tipos de dados a que pode ser aplicada ainda a torna limitada. Isso se dá pela complexidade de classificar precisa e automaticamente dados de séries temporais voláteis, como os extraídos de dispositivos IoT, difíceis de terem padrões discernidos por pessoas.
A abordagem de aprendizagem profunda desenvolvida pela Fujitsu Laboratories utiliza uma técnica matemática avançada e extrai características geométricas dos dados de séries temporais, permitindo uma classificação precisa de intervalos de tempo variáveis. No cotidiano, por exemplo, o uso da tecnologia poderia ser utilizado para detectar com precisão anomalias em equipamentos, prever interrupções em uma fábrica, ou para analisar dados de sinais vitais com o objetivo de auxiliar diagnósticos médicos e tratamentos. Nesse sentido, a expectativa é que a tecnologia traga avanços para uma série de segmentos por meio da inteligência artificial.
Em testes realizados na UC Irvine Machine Learning – repositório de renome mundial que proporciona inúmeros conjuntos de dados para avaliações comparativas de aprendizagem de maquinas – que classificaram dados de séries temporais de giroscópios em dispositivos wearables, a nova tecnologia atingiu aproximadamente 85% de precisão, uma melhoria de cerca de 25% em relação à tecnologia existente.
PT 
EN 
