Si alguna vez se ha preguntado por qué Google Translate ha mejorado mucho en la traducción en los últimos años, la respuesta se debe a las redes neuronales artificiales.
Desde noviembre de 2016, Google Translate se ha basado en un sistema de traducción automática neuronal (NMT). La tecnología va aprendiendo a base de prueba-error con millones de ejemplos de su base de datos. De esta manera la propia herramienta puede aprender de sus errores y mejorar hasta afinar la respuesta. El sistema ahora también permite la traducción directa de un idioma a otro, mientras que las versiones anteriores de Google Translate necesitaban traducir primero el texto al inglés antes de poder traducirlo a otro idioma.
En general, las redes neuronales artificiales han proporcionado mejoras tangibles, un salto tecnológico significativo hacia adelante y es que son una tecnología de aprendizaje automático que funciona de manera similar al cerebro humano.
Esta tecnología también tiene muchas aplicaciones potenciales en el campo de la inteligencia artificial y dado que la IA ahora se usa ampliamente para la gestión y el análisis de la energía, también es ideal para el negocio de la energía solar.
Investigadores de la Universidad de Sydney en Australia y de la Universidad de España Pablo de Olavide, por ejemplo, han propuesto un nuevo enfoque para el pronóstico de la energía solar que combina redes neuronales y secuencias de patrones por primera vez.
La novedad de este nuevo estudio es agregar los poderosos efectos de las redes neuronales artificiales al de las secuencias de patrones tradicionales. En matemáticas, las secuencias de patrones se usan comúnmente para predecir lo que viene antes o después de un conjunto de números ordenados en un orden particular, y ya se han usado para pronosticar la generación de energía fotovoltaica.
La Red neuronal de secuencia de patrón (PSNN) propuesta por los científicos se comparó con el Pronóstico basado en secuencia de patrón (PSF), que es un método de pronóstico que combina agrupamiento y coincidencia de secuencia que también se basa en la secuenciación de patrón.
PSNN es un enfoque general que se puede utilizar con diferentes algoritmos de agrupación y extracción de secuencias de clúster, y se puede aplicar a múltiples secuencias de tiempo relacionadas", explicaron los investigadores. El rendimiento del enfoque se probó en un conjunto de datos australiano que comprende información de la energía solar fotovoltaica, el clima y el pronóstico del tiempo durante un período de dos años. Los datos de PV se obtuvieron de una matriz en la azotea de la Universidad de Queensland en Brisbane.
"Los datos brutos de PV se midieron cada 1 minuto y se agregaron a intervalos de 30 minutos tomando el valor promedio del intervalo. Las pruebas han demostrado que todos los modelos PSNN superan a sus modelos PSF correspondientes en el pronóstico
de la energía solar". Todas las versiones de PSNN superaron a los métodos de PSF, y las diferencias fueron estadísticamente significativas", dijeron los investigadores.
El equipo de investigación ahora planea determinar si los modelos de predicción estacional pueden mejorar la precisión de este enfoque, o si estos métodos se pueden aplicar a otras tareas de pronóstico.
