Uma comparação de benchmark de sistemas compostos de redes treinadas separadamente em relação a redes mais profundas provavelmente não revelaria uma melhor escolha universalmente aplicável. 1 Podemos ver na literatura o aumento no número de sistemas maiores, onde várias redes artificiais são combinadas, juntamente com outros tipos de componentes. É de se esperar. A modularização à medida que os sistemas crescem em complexidade e as demandas por desempenho e capacidade crescem são tão antigas quanto a industrialização.
Nosso laboratório trabalha com controle robótico, instrumentação termodinâmica e análise de dados; redes artificiais são componentes nesses contextos de sistemas maiores. não temos MLPs ou RNNs únicos que, por si só, desempenhem qualquer função útil.
Ao contrário da conjectura sobre hierarquias décadas atrás, a abordagem de topologia que parece funcionar bem na maioria dos casos segue os relacionamentos mais comuns dos módulos de sistema que são vistos em usinas de energia, fábricas automatizadas, aeronáutica, arquiteturas de informações corporativas e outras criações complexas de engenharia. As conexões são de fluxo e, se forem bem projetadas, as funções de supervisão são mínimas. O fluxo ocorre entre os módulos que envolvem protocolos de comunicação e cada módulo executa bem sua função, encapsulando o nível mais baixo de complexidade e detalhes funcionais. Não é uma rede que supervisiona outra que parece emergir mais eficaz na prática real, mas equilíbrio e simbiose. A identificação de um projeto claro de mestre-escravo no cérebro humano parece ser igualmente escorregadia.
O desafio é não encontrar os caminhos de informações que compõem a topologia de informações do sistema. O fluxo de informações geralmente é óbvio na análise de problemas. A dificuldade está em descobrir as melhores estratégias para treinar essas redes independentes. As dependências do treinamento são comuns e frequentemente críticas, enquanto que nos animais, o treinamento ocorre in situ ou de modo algum. Estamos descobrindo condições sob as quais esse tipo de aprendizado em nossos sistemas é prático e como alcançá-lo. A maior parte de nossa pesquisa nesse sentido visa descobrir maneiras de obter maior confiabilidade e menor carga em termos de horas de pesquisa para obtê-lo.
Funcionalidades mais altas nem sempre são benéficas. Geralmente, produz menor confiabilidade e consome recursos de desenvolvimento adicionais com pouco retorno. Encontre uma maneira de combinar automação de nível superior, economia de recursos e confiabilidade em um único processo de desenvolvimento, e você poderá ganhar um prêmio e uma menção honrosa na web.
Sistemas paralelos que têm o mesmo objetivo é uma boa ideia, mas não uma nova. Em um sistema aeronáutico, nove sistemas paralelos têm o mesmo objetivo, em grupos de três. Cada grupo usa uma abordagem de computação diferente. Se dois dos sistemas que usam a mesma abordagem fornecem a mesma saída e a terceira é diferente, a saída correspondente é usada e a diferença na terceira é relatada como uma falha do sistema. Se duas das abordagens diferentes fornecerem resultados semelhantes e a terceira diferir substancialmente, uma mescla dos dois resultados semelhantes será usada e a terceira será relatada como um caso de uso para desenvolver ainda mais a abordagem dissidente.
A tolerância a falhas aprimorada tem um custo, mais oito sistemas e recursos de computação e conectividade associados, além dos comparadores na cauda, mas em sistemas que são uma questão de vida ou morte, os custos extras são pagos e a confiabilidade é maximizada.
A adaptação topológica dinâmica está relacionada a sistemas redundantes e tolerância a falhas, mas de certa forma é bem distinta. Nessa área de desenvolvimento, a tecnologia a seguir é a computação neuromórfica, que é parcialmente inspirada na neuroplasticidade.
Uma última distinção a considerar é entre topologia de processo, topologia de dados e topologia de hardware. Esses três quadros geométricos podem produzir maior eficiência juntos, se alinhados de maneiras específicas que produzem mapeamentos mais diretos entre as relações entre fluxo, representação e mecânica. São, no entanto, topologias distintas. O significado do alinhamento pode não ser aparente sem mergulhar profundamente nesses conceitos e nos detalhes que emergem para objetivos específicos de produtos ou serviços.
Notas de rodapé
[1] Redes profundas que são treinadas como uma única unidade e funcionam sem conectividade com outras redes artificiais não são necessariamente monolíticas. As redes profundas mais práticas têm sequência heterogênea de camadas em termos de suas funções de ativação e, freqüentemente, de seus tipos de células.