Mejora de la eficiencia computacional de técnicas machine learning para la detección temprana de defectos superficiales en piezas sometidas a procesos de fundición y estampado de chapa
El Machine Learning (ML), como una de las principales ramas de la Inteligencia Artificial (IA), ha despertado un enorme interés en los últimos años, debido a un aumento de la capacidad de computación, una mayor disponibilidad de grandes conjuntos de datos y la consolidación de técnicas de ML tan pot...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad de Oviedo (UNIOVI) |
| Repositorio: | RUO. Repositorio Institucional de la Universidad de Oviedo |
| Idioma: | español |
| OAI Identifier: | oai:digibuo.uniovi.es:10651/61970 |
| Acceso en línea: | http://hdl.handle.net/10651/61970 |
| Access Level: | acceso abierto |
| Palabra clave: | Machine Learning Eficiencia computacional Edge TPU Coral Quantization |
| Sumario: | El Machine Learning (ML), como una de las principales ramas de la Inteligencia Artificial (IA), ha despertado un enorme interés en los últimos años, debido a un aumento de la capacidad de computación, una mayor disponibilidad de grandes conjuntos de datos y la consolidación de técnicas de ML tan potentes como las redes neuronales profundas (RNN), capaces de resolver tareas tan complejas como la detección de objetos o el procesamiento natural del lenguaje, con un desempeño similar o incluso mejor que un humano. Aunque la tecnología se esté aplicando y ya sea funcional, existe todavía un gran margen de mejora en términos de precisión y eficiencia computacional. Este trabajo explora la aplicación de distintas técnicas para la mejora de la eficiencia computacional de modelos Machine Learning, realizando una evaluación exhaustiva de los resultados obtenidos y comparándolos con el punto de partida mostrando los pros y contras en cada una de la casuísticas planteadas. |
|---|