{"id":35293,"date":"2019-10-31T22:03:28","date_gmt":"2019-10-31T19:03:28","guid":{"rendered":"https:\/\/prohoster.info\/blog\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\/"},"modified":"2019-10-31T22:03:28","modified_gmt":"2019-10-31T19:03:28","slug":"lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","title":{"rendered":"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Recientemente se lanz\u00f3 <noindex><a rel=\"nofollow\" href=\"https:\/\/www.getrevue.co\/profile\/peterzhegin\/issues\/ai-investment-activity-trends-of-2018-issue-8-150825?fbclid=IwAR0tU3l4WSotv7pQpYm8PmyKgVbgUgfMLeue_IiV78lXXApH-cy9EcG2kDc\">Windows<\/a><\/noindex>, que muestra bastante bien la tendencia en el aprendizaje autom\u00e1tico de los \u00faltimos a\u00f1os. En resumen: el n\u00famero de startups en el \u00e1mbito del aprendizaje autom\u00e1tico ha disminuido dr\u00e1sticamente en los \u00faltimos dos a\u00f1os.<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/68b58feab2da46b7bb6f412e088313c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nBueno. Analicemos si \"la burbuja ha estallado\", \"c\u00f3mo seguir adelante\" y hablemos sobre de d\u00f3nde proviene esta situaci\u00f3n.<br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><br \/>\nPara comenzar, hablemos de qu\u00e9 fue el impulsor de esta curva. \u00bfDe d\u00f3nde surgi\u00f3? Probablemente todos recordar\u00e1n <noindex><a rel=\"nofollow\" href=\"https:\/\/papers.nips.cc\/paper\/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf\">la victoria<\/a><\/noindex> del aprendizaje autom\u00e1tico en 2012 en el concurso ImageNet. \u00a1Ese fue el primer evento global! Pero en realidad no es as\u00ed. Y el crecimiento de la curva comienza un poco antes. Yo dividir\u00eda esto en varios momentos.<\/p>\n<ol>\n<li>El a\u00f1o 2008 es la aparici\u00f3n del t\u00e9rmino \"big data\". Los productos reales comenzaron <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D0%B5\">a aparecer<\/a><\/noindex> desde 2010. Los big data est\u00e1n directamente relacionados con el aprendizaje autom\u00e1tico. Sin big data, el funcionamiento estable de los algoritmos que exist\u00edan en ese momento es imposible. Y no son redes neuronales. Hasta 2012, las redes neuronales eran cosa de una minor\u00eda marginal. Sin embargo, en ese momento empezaron a funcionar algoritmos completamente diferentes que ya exist\u00edan durante a\u00f1os, si no d\u00e9cadas: <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%BE%D0%BF%D0%BE%D1%80%D0%BD%D1%8B%D1%85_%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2\">SVM<\/a><\/noindex>(1963, 1993), <noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/Random_forest\">Random Forest<\/a><\/noindex> (1995), <noindex>AdaBoost<\/noindex> (2003),... Las startups de esos a\u00f1os est\u00e1n principalmente relacionadas con el procesamiento autom\u00e1tico de datos estructurados: cajas registradoras, usuarios, publicidad, y mucho m\u00e1s.\n<p>La derivada de esta primera ola es un conjunto de frameworks, como XGBoost, CatBoost, LightGBM, etc.\n<\/li>\n<li>En 2011-2012 <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Convolutional_neural_network\">las redes neuronales convolucionales<\/a><\/noindex> ganaron varios concursos de reconocimiento de im\u00e1genes. Su uso real se demor\u00f3 un poco. Dir\u00eda que las startups y soluciones sensatas comenzaron a aparecer masivamente desde 2014. Se necesitaron dos a\u00f1os para asimilar que las redes neuronales funcionaban, crear marcos de trabajo que pudieran instalarse y ejecutarse en un tiempo razonable, desarrollar m\u00e9todos que estabilizaran y aceleraran el tiempo de convergencia.\n<p>Las redes convolucionales permitieron abordar tareas de visi\u00f3n por computadora: clasificaci\u00f3n de im\u00e1genes y objetos en im\u00e1genes, detecci\u00f3n de objetos, reconocimiento de objetos y personas, mejora de im\u00e1genes, etc.<\/li>\n<li>2015-2017 a\u00f1os. Boom de algoritmos y proyectos relacionados con redes recurrentes o sus an\u00e1logos (LSTM, GRU, TransformerNet, etc.). Aparecieron algoritmos efectivos para \"voz a texto\", sistemas de traducci\u00f3n autom\u00e1tica. Parte de ellos se basan en redes convolucionales para extraer caracter\u00edsticas b\u00e1sicas. Parte de que han aprendido a reunir conjuntos de datos realmente grandes y de calidad. <\/li>\n<\/ol>\n<p>\n<img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/d4b3a1dd2483ef1300862f5f61db645a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\"\u00bfLa burbuja estall\u00f3? \u00bfEl hype est\u00e1 sobrecalentado? \u00bfHan muerto como el blockchain?\"<br \/>\n\u00a1S\u00ed, claro! Ma\u00f1ana Siri dejar\u00e1 de funcionar en tu tel\u00e9fono, y pasado ma\u00f1ana Tesla no podr\u00e1 distinguir entre un giro y un canguro.<\/p>\n<p>Las redes neuronales ya est\u00e1n funcionando. Est\u00e1n en decenas de dispositivos. Realmente permiten generar ingresos, cambian el mercado y el mundo que nos rodea. El hype se ve un poco diferente:<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/a2b271c8eb1cf54fe59389d10cf8e17e.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nSimplemente las redes neuronales han dejado de ser algo nuevo. S\u00ed, muchas personas tienen expectativas desmedidas. Pero un gran n\u00famero de empresas ha aprendido a aplicar redes neuronales en su trabajo y a crear productos basados en ellas. Las redes neuronales ofrecen nuevas funcionalidades, permiten reducir los puestos de trabajo y disminuir el costo de los servicios:<\/p>\n<ul>\n<li>Las empresas manufactureras integran algoritmos para analizar defectos en la l\u00ednea de producci\u00f3n. <\/li>\n<li>Las granjas ganaderas compran sistemas para el control del ganado. <\/li>\n<li> Cosechadoras autom\u00e1ticas. <\/li>\n<li>Centros de llamadas automatizados.<\/li>\n<li>Filtros en SnapChat. (\u00a1algo \u00fatil por fin!)<\/li>\n<\/ul>\n<p>\nPero lo principal, y no tan obvio: \"No hay m\u00e1s ideas nuevas, o no generar\u00e1n capital instant\u00e1neo\". Las redes neuronales han resuelto decenas de problemas. Y resolver\u00e1n a\u00fan m\u00e1s. Todas las ideas evidentes que exist\u00edan dieron lugar a numerosos startups. Pero todo lo que estaba a la vista ya ha sido explorado. En los \u00faltimos dos a\u00f1os no he encontrado ninguna nueva idea para aplicar las redes neuronales. Ning\u00fan nuevo enfoque (bueno, un poco de problemas con los GANs).<\/p>\n<p>Y cada nuevo startup es cada vez m\u00e1s complicado. Ya no se trata de dos personas ense\u00f1ando a la red neuronal con datos abiertos. Se requiere programadores, servidores, un equipo de etiquetadores, soporte complejo, etc.<\/p>\n<p>Como resultado, hay menos startups. Pero hay m\u00e1s producci\u00f3n. \u00bfNecesitas implementar reconocimiento de matr\u00edculas? Hay cientos de especialistas en el mercado con experiencia relevante. Se puede contratar, y en unos meses tu empleado har\u00e1 el sistema. O puedes comprar uno ya hecho. \u00bfPero crear una nueva startup? \u00a1Una locura!<\/p>\n<p>Es necesario crear un sistema de seguimiento de visitantes: \u00bfpor qu\u00e9 pagar por un mont\u00f3n de licencias, cuando en 3-4 meses se puede hacer uno propio, adaptado a su negocio? <\/p>\n<p>Ahora las redes neuronales est\u00e1n pasando por el mismo camino que muchas otras tecnolog\u00edas. <\/p>\n<p>\u00bfRecuerdas c\u00f3mo ha cambiado desde 1995 el concepto de \"desarrollador de sitios web\"? Mientras el mercado no est\u00e1 saturado de especialistas. Hay muy pocos profesionales. Pero puedo debatir que dentro de 5-10 a\u00f1os no habr\u00e1 una diferencia significativa entre un programador de Java y un desarrollador de redes neuronales. Ambos tipos de especialistas ser\u00e1n suficientes en el mercado.<\/p>\n<p>Simplemente habr\u00e1 un tipo de tarea para la cual se resolver\u00e1 mediante redes neuronales. Surge una tarea: contratas a un especialista.<\/p>\n<p><b>\u00bfY ahora qu\u00e9? \u00bfD\u00f3nde est\u00e1 la inteligencia artificial prometida?<\/b><\/p>\n<p>Aqu\u00ed hay una peque\u00f1a, pero interesante confusi\u00f3n :)<\/p>\n<p>El stack de tecnolog\u00edas que existe hoy en d\u00eda, al parecer, no nos llevar\u00e1 a la inteligencia artificial. Las ideas, su novedad, en gran medida se han agotado. Hablemos sobre lo que sostiene el nivel actual de desarrollo.<\/p>\n<h3>Limitaciones<\/h3>\n<p>\nComencemos con los veh\u00edculos aut\u00f3nomos. Parece claro que hacer autom\u00f3viles completamente aut\u00f3nomos con la tecnolog\u00eda actual es posible. Pero \u00bfen cu\u00e1ntos a\u00f1os suceder\u00e1? No est\u00e1 claro. Tesla cree que suceder\u00e1 en un par de a\u00f1os - <\/p>\n<p><center><div class=\"youtube-placeholder\" data-id=\"Ucp0TTmvqOE\" onclick=\"loadVideo(this)\">\r\n        <img decoding=\"async\" src=\"https:\/\/img.youtube.com\/vi\/Ucp0TTmvqOE\/hqdefault.jpg\" alt=\"Reproducir video\" loading=\"lazy\" width=\"480\" height=\"360\" style=\"width:100%;height:auto;\">\r\n        <div class=\"play-button\"><\/div>\r\n    <\/div><\/center><br \/>\nHay muchos otros <noindex><a rel=\"nofollow\" href=\"https:\/\/beth.technology\/truths-autonomous-vehicles\/\">especialistas<\/a><\/noindex>, que lo eval\u00faan como 5-10 a\u00f1os. <\/p>\n<p>Probablemente, en mi opini\u00f3n, en unos 15 a\u00f1os la infraestructura de las ciudades cambiar\u00e1 por s\u00ed sola de tal manera que la aparici\u00f3n de autom\u00f3viles aut\u00f3nomos se volver\u00e1 inevitable, ser\u00e1 una continuaci\u00f3n de la misma. Pero eso no se puede considerar inteligencia. El Tesla moderno es una cadena de montaje muy compleja para filtrar datos, buscarlos y volver a entrenarlos. Son reglas-reglas-reglas, recopilaci\u00f3n de datos y filtros sobre ellos (bueno, <noindex><a rel=\"nofollow\" href=\"http:\/\/cv-blog.ru\/?p=279\">aqu\u00ed<\/a><\/noindex> escrib\u00ed un poco m\u00e1s sobre esto, o mira con <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?time_continue=7614&amp;v=Ucp0TTmvqOE\">esta<\/a><\/noindex> la marca).<\/p>\n<h3>El primer problema<\/h3>\n<p>\nY es aqu\u00ed donde vemos <b>el primer problema fundamental<\/b>. Grandes datos. Eso es precisamente lo que ha generado la actual ola de redes neuronales y aprendizaje autom\u00e1tico. Ahora, para hacer algo complejo y autom\u00e1tico, se necesitan muchos datos. No solo muchos, sino much\u00edsimos. Se requieren algoritmos automatizados para su recopilaci\u00f3n, etiquetado y uso. Si queremos que una m\u00e1quina vea camiones contra el sol, primero necesitamos reunir una cantidad suficiente. Si queremos que la m\u00e1quina no se confunda con la bicicleta atada al maletero, necesitamos m\u00e1s muestras.<\/p>\n<p>Y no basta con un solo ejemplo. \u00bfCientos? \u00bfMiles? <\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/923ef975804234f1b3dcbfee0143f2b4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>El segundo problema<\/h3>\n<p>\n<b>El segundo problema <\/b> \u2014 es la visualizaci\u00f3n de lo que nuestra red neuronal ha entendido. Esta es una tarea muy no trivial. Hasta ahora, muy pocos comprenden c\u00f3mo visualizarlo. Estos art\u00edculos son bastante recientes, y son solo algunos ejemplos, aunque lejanos:<br \/>\n<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/453788\/\">Visualizaci\u00f3n<\/a><\/noindex> el enfoque en las texturas. Muestra bien en qu\u00e9 se tiende a enfocar la red neuronal y qu\u00e9 percibe como informaci\u00f3n de partida.<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/0eab41c3aec71dc2b04794559dd4a651.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">Visualizaci\u00f3n<\/a><\/noindex> atenci\u00f3n en <noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">traducciones<\/a><\/noindex>. La atenci\u00f3n se puede utilizar a menudo precisamente para mostrar qu\u00e9 provoc\u00f3 esa reacci\u00f3n en la red. He visto cosas as\u00ed tanto para depurar como para soluciones de producto. Hay muchos art\u00edculos sobre este tema. Pero cuanto m\u00e1s complejos son los datos, m\u00e1s dif\u00edcil es entender c\u00f3mo lograr una visualizaci\u00f3n estable.<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/e0c370724115f602e5bd35b20b56f6eb.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nY s\u00ed, el viejo y querido conjunto de \u00abmira qu\u00e9 hay dentro de la red en <noindex><a rel=\"nofollow\" href=\"https:\/\/towardsdatascience.com\/how-to-visualize-convolutional-features-in-40-lines-of-code-70b7d87b0030\">filtros<\/a><\/noindex>\u00bb. Estas im\u00e1genes fueron populares hace unos 3-4 a\u00f1os, pero todos r\u00e1pidamente se dieron cuenta de que eran im\u00e1genes bonitas, pero poco \u00fatiles.<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/87ace90924d5b900f9382ecc6ceef6d0.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNo he mencionado decenas de otros trucos, m\u00e9todos, hacks e investigaciones sobre c\u00f3mo mostrar el interior de la red. \u00bfFuncionan estas herramientas? \u00bfAyudan a entender r\u00e1pidamente cu\u00e1l es el problema y a depurar la red?.. \u00bfExtraer los \u00faltimos porcentajes? Bueno, m\u00e1s o menos as\u00ed:<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/6da71648c300ee3bc8673d08287b77e3.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPuedes ver cualquier competencia en Kaggle. Y la descripci\u00f3n de c\u00f3mo la gente hace las soluciones finales. \u00a1Hemos acumulado de 100 a 500 a 800 millones de modelos y ha funcionado!<\/p>\n<p>Por supuesto, estoy exagerando. Pero estos enfoques no brindan respuestas r\u00e1pidas y directas.<\/p>\n<p>Con suficiente experiencia, probando diferentes opciones, se puede emitir un veredicto sobre por qu\u00e9 su sistema tom\u00f3 tal decisi\u00f3n. Pero ajustar el comportamiento del sistema ser\u00e1 complicado. Colocar un parche, mover un umbral, agregar un conjunto de datos, tomar otra red en la parte posterior.<\/p>\n<h3>El tercer problema<\/h3>\n<p>\n<b>El tercer problema fundamental <\/b> Las redes neuronales no aprenden l\u00f3gica, sino estad\u00edstica. Estad\u00edsticamente esto <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/417405\/\">cara<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/def14bbc2f40e4e26656a2d8032b09c1.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nL\u00f3gicamente, no se parece mucho. Las redes neuronales no aprenden algo complejo a menos que se les exija. Siempre aprenden caracter\u00edsticas lo m\u00e1s simples posible. \u00bfHay ojos, nariz, cabeza? \u00a1Entonces es una cara! O trae un ejemplo donde los ojos no signifiquen cara. Y de nuevo: millones de ejemplos.<\/p>\n<h3>Hay mucho espacio en la parte inferior<\/h3>\n<p>\nDir\u00eda que justamente estos tres problemas globales limitan el desarrollo de las redes neuronales y el aprendizaje autom\u00e1tico hoy en d\u00eda. Y donde estos problemas no limitaban, ya se usa activamente.<\/p>\n<p><b>\u00bfEs esto el fin? \u00bfSe han estancado las redes neuronales?<\/b><\/p>\n<p>No se sabe. Pero, por supuesto, todos esperan que no. <\/p>\n<p>Hay muchos enfoques y direcciones para resolver los problemas fundamentales que he mencionado arriba. Pero hasta ahora, ninguno de estos enfoques ha logrado hacer algo fundamentalmente nuevo, resolver algo que todav\u00eda no se hab\u00eda resuelto. Hasta el momento, todos los proyectos fundamentales se realizan sobre la base de enfoques estables (Tesla), o permanecen como proyectos de prueba de instituciones o corporaciones (Google Brain, OpenAI).<\/p>\n<p>Hablando en t\u00e9rminos simples, la direcci\u00f3n principal es crear una especie de representaci\u00f3n de alto nivel de los datos de entrada. En cierto sentido, una \"memoria\". El ejemplo m\u00e1s simple de memoria son los diferentes \"Embedding\" \u2014 representaciones de im\u00e1genes. Por ejemplo, todos los sistemas de reconocimiento facial. La red aprende a obtener de una cara una representaci\u00f3n estable que no dependa de la rotaci\u00f3n, la iluminaci\u00f3n o la resoluci\u00f3n. En esencia, la red minimiza la m\u00e9trica \"diferentes caras \u2014 lejos\" y \"similares \u2014 cerca\".<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/5e9d871fe096b7a77dbe11a6e315c5e4.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nPara este aprendizaje se necesitan decenas y cientos de miles de ejemplos. Sin embargo, el resultado lleva ciertos indicios de \"One-shot Learning\". Ahora no necesitamos cientos de caras para recordar a una persona. Con solo una cara, ya <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/davidsandberg\/facenet\">reconocemos<\/a><\/noindex>!<br \/>\nSolo que hay un peque\u00f1o problema... La red puede aprender solo objetos bastante simples. Al intentar diferenciar no caras, sino, por ejemplo, \"personas por su vestimenta\" (tarea <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@alitech_2017\/reforming-person-re-identification-with-local-convolutional-neural-networks-17148f11f17b\">Re-identificaci\u00f3n<\/a><\/noindex>) \u2014 la calidad cae en muchos \u00f3rdenes. Y la red ya no puede aprender cambios de \u00e1ngulo que son bastante obvios.<\/p>\n<p>Adem\u00e1s, aprender con millones de ejemplos tampoco es un entretenimiento muy agradable. <\/p>\n<p>Existen trabajos sobre la reducci\u00f3n significativa de ejemplos. Por ejemplo, se puede recordar uno de los primeros trabajos sobre <b>OneShot Learning<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1605.06065v1.pdf\">de Google<\/a><\/noindex>:<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/da83c6f290248f2bcf963c3053a26688.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHay muchos trabajos as\u00ed, por ejemplo <noindex><a rel=\"nofollow\" href=\"https:\/\/pdfs.semanticscholar.org\/d1c4\/c4c7989102e85b5248cebfcb0cb000c3b837.pdf\">1<\/a><\/noindex> o <noindex><a rel=\"nofollow\" href=\"https:\/\/www.cs.cmu.edu\/~rsalakhu\/papers\/oneshot1.pdf\">2<\/a><\/noindex> o <noindex><a rel=\"nofollow\" href=\"http:\/\/www.robots.ox.ac.uk\/~tvg\/publications\/2018\/0431.pdf\">3<\/a><\/noindex>.<\/p>\n<p>Una desventaja es que el aprendizaje generalmente funciona bien en algunos ejemplos simples, como los de \"MNIST\". Pero al pasar a tareas m\u00e1s complejas, se necesita una base de datos m\u00e1s grande, un modelo de objetos, o alg\u00fan tipo de magia.<br \/>\nEl trabajo en el aprendizaje One-Shot es un tema realmente interesante. Se encuentran muchas ideas. Pero en su mayor\u00eda, los dos problemas que mencion\u00e9 (preentrenamiento en un gran conjunto de datos \/ inestabilidad en datos complejos) dificultan mucho el aprendizaje.<\/p>\n<p>Por otro lado, el tema de Embedding se aborda con GAN, redes generativas antag\u00f3nicas. Seguro que has le\u00eddo numerosos art\u00edculos sobre este tema en Habr.<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/340154\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/itsumma\/blog\/447896\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ods\/blog\/322514\/\">3<\/a><\/noindex>)<br \/>\nUna caracter\u00edstica de los GAN es la formaci\u00f3n de un cierto espacio interno de estados (en esencia, lo mismo que el Embedding), que permite crear im\u00e1genes. Esto puede ser <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/shaoanlu\/faceswap-GAN\">rostros<\/a><\/noindex>, pueden ser <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/sergeytulyakov\/mocogan\">sobre los datos. Esto puede ser una operaci\u00f3n aritm\u00e9tica, una operaci\u00f3n l\u00f3gica o cualquier otra operaci\u00f3n que se nos ocurra. Lo principal es que el nodo tiene una entrada y una salida.<\/a><\/noindex>. <\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/8c25c375dae3559b6895d6c4eb3f6cfd.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nEl problema de los GAN es que cuanto m\u00e1s complejo es el objeto generado, m\u00e1s dif\u00edcil es describirlo dentro de la l\u00f3gica de \"generador-discriminador\". Como resultado, en las aplicaciones reales de GAN, que son conocidas, solo est\u00e1 DeepFake, que de nuevo, manipula representaciones de rostros (para los cuales existe una gran base de datos).<\/p>\n<p>He encontrado muy pocas aplicaciones \u00fatiles. Normalmente son solo gadgets que rellenan im\u00e1genes.<\/p>\n<p>Y de nuevo. Nadie tiene claro c\u00f3mo esto nos permitir\u00e1 avanzar hacia un futuro brillante. La representaci\u00f3n de l\u00f3gica\/espacio en una red neuronal es buena. Pero se necesita un n\u00famero enorme de ejemplos, no sabemos c\u00f3mo la red neuronal representa esto, y no entendemos c\u00f3mo hacer que la red neuronal memorice una representaci\u00f3n realmente compleja.<\/p>\n<p><b>El aprendizaje por refuerzo<\/b> es un enfoque completamente diferente. Seguro que recuerdas c\u00f3mo Google venci\u00f3 a todos en Go. Las recientes victorias en Starcraft y Dota. Pero aqu\u00ed las cosas no son tan optimistas ni prometedoras. El autor cuenta mejor sobre el RL y sus complejidades. <noindex><a rel=\"nofollow\" href=\"https:\/\/www.alexirpan.com\/2018\/02\/14\/rl-hard.html\">art\u00edculo<\/a><\/noindex>.<\/p>\n<p>Si resumimos brevemente lo que escribi\u00f3 el autor:<\/p>\n<ul>\n<li>Los modelos de caja de herramientas no son adecuados \/ funcionan mal en la mayor\u00eda de los casos.<\/li>\n<li>Es m\u00e1s f\u00e1cil resolver tareas pr\u00e1cticas de otras maneras. Boston Dynamics no utiliza RL debido a su complejidad e imprevisibilidad.<\/li>\n<li>Para que el RL funcione, se necesita una funci\u00f3n compleja. A menudo es dif\u00edcil de crear \/ escribir.<\/li>\n<li>Es complicado entrenar modelos. Se tiene que gastar mucho tiempo para desarrollarlos y salir de \u00f3ptimos locales.<\/li>\n<li>Como consecuencia, es dif\u00edcil replicar el modelo y hay inestabilidad en el modelo con los m\u00e1s m\u00ednimos cambios.<\/li>\n<li>A menudo se sobreajusta a patrones aleatorios, hasta llegar a un generador de n\u00fameros aleatorios.<\/li>\n<\/ul>\n<p>\nEl punto clave es que el RL a\u00fan no funciona en producci\u00f3n. Google tiene algunos experimentos ( <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.google\/research\/teams\/brain\/robotics\/\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/scalable-deep-reinforcement-learning.html\">2<\/a><\/noindex> ). Pero no he visto ning\u00fan sistema productivo.<\/p>\n<p><b>Memoria<\/b>. La desventaja de todo lo mencionado anteriormente es la no estructuraci\u00f3n. Uno de los enfoques para intentar organizar todo esto es proporcionar a la red neuronal acceso a una memoria separada. Para que pueda escribir y reescribir all\u00ed los resultados de sus pasos. Entonces, la red neuronal puede definirse por el estado actual de la memoria. Esto es muy similar a los procesadores y computadoras cl\u00e1sicos.<\/p>\n<p>La m\u00e1s conocida y popular <noindex>Windows <\/noindex> \u2014 de DeepMind:<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/acc6bcd86c8c071fbd9776a91f990752.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\n\u00bfParece que aqu\u00ed est\u00e1 la clave para entender la inteligencia? Pero m\u00e1s bien no. El sistema a\u00fan requiere un enorme conjunto de datos para el entrenamiento. Y funciona principalmente con datos tabulares estructurados. Al mismo tiempo, cuando Facebook <noindex><a rel=\"nofollow\" href=\"https:\/\/embodiedqa.org\/\">resolvi\u00f3 <\/a><\/noindex>un problema similar, decidieron ir por el camino de 'olvidemos la memoria, simplemente hagamos la red neuronal m\u00e1s compleja y tengamos m\u00e1s ejemplos, y ella se entrenar\u00e1 sola'.<\/p>\n<p><b>Desenredamiento<\/b>. Otra forma de crear una memoria significativa es tomar los mismos embeddings, pero al entrenar, introducir criterios adicionales que permitan destacar en ellos los 'significados'. Por ejemplo, queremos entrenar una red neuronal para distinguir el comportamiento de una persona en una tienda. Si hubi\u00e9ramos ido por el camino est\u00e1ndar, tendr\u00edamos que haber creado diez redes. Una que busca a la persona, otra que determina qu\u00e9 est\u00e1 haciendo, una tercera su edad, una cuarta \u2014 su g\u00e9nero. Una l\u00f3gica separada observa la parte de la tienda donde est\u00e1 haciendo\/aprendiendo sobre esto. Una tercera determina su trayectoria, etc.<\/p>\n<p>O, si hubiera una cantidad infinita de datos, se podr\u00eda entrenar una sola red en todos los posibles resultados (es evidente que no se puede reunir tal conjunto de datos).<\/p>\n<p>El enfoque de desenredamiento nos dice: \u00bfpor qu\u00e9 no entrenamos la red de tal manera que pueda distinguir conceptos por s\u00ed misma? Para que, a partir del video, formara un embedding, donde una \u00e1rea definiera la acci\u00f3n, otra \u2014 la posici\u00f3n en el tiempo en el suelo, otra \u2014 la altura de la persona, y otra m\u00e1s \u2014 su g\u00e9nero. Al mismo tiempo, en el entrenamiento, nos gustar\u00eda casi no sugerir a la red conceptos clave, sino que ella los destacara y agrupase \u00e1reas por s\u00ed sola. Hay suficientes art\u00edculos de este tipo (algunos de ellos <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2019\/04\/evaluating-unsupervised-learning-of.html\">1<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"http:\/\/papers.nips.cc\/paper\/5851-deep-convolutional-inverse-graphics-network.pdf\">2<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/pdf\/1812.02230.pdf\">3<\/a><\/noindex>) y en general son bastante te\u00f3ricos. <\/p>\n<p>Pero esta direcci\u00f3n, al menos te\u00f3ricamente, deber\u00eda abordar los problemas mencionados al principio.<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/b36046dc3cbe3b849e1d3a60f56ec3a2.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDescomposici\u00f3n de la imagen seg\u00fan los par\u00e1metros \"color de las paredes\/color del suelo\/forma del objeto\/color del objeto\/etc.\"<\/p>\n<p><img decoding=\"async\" alt=\"\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico o estamos ante un nuevo amanecer?\" src=\"\/wp-content\/uploads\/4d5ac8dfc43f76b35f3490c26049c7db.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDescomposici\u00f3n del rostro seg\u00fan los par\u00e1metros \"tama\u00f1o, cejas, orientaci\u00f3n, color de piel, etc.\"<\/p>\n<h3>Otros<\/h3>\n<p>\nHay muchas otras direcciones no tan globales, que permiten reducir las bases de datos, trabajar con datos m\u00e1s heterog\u00e9neos, etc.<\/p>\n<p><b>Atenci\u00f3n<\/b>. Probablemente, no tiene sentido destacar esto como un m\u00e9todo separado. Simplemente es un enfoque que refuerza a otros. Hay muchos art\u00edculos dedicados a \u00e9l (<noindex><a rel=\"nofollow\" href=\"http:\/\/www.wildml.com\/2016\/01\/attention-and-memory-in-deep-learning-and-nlp\/\">1<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"http:\/\/jalammar.github.io\/visualizing-neural-machine-translation-mechanics-of-seq2seq-models-with-attention\/\">2<\/a><\/noindex>,<noindex><a rel=\"nofollow\" href=\"https:\/\/arxiv.org\/abs\/1706.03762\">3<\/a><\/noindex>). El sentido de la atenci\u00f3n es reforzar la reacci\u00f3n de la red a los objetos significativos durante el entrenamiento. A menudo mediante alguna indicaci\u00f3n externa o una peque\u00f1a red externa.<\/p>\n<p><b>Simulaci\u00f3n 3D<\/b>. Si se hace un buen motor 3D, a menudo se puede cubrir el 90% de los datos de entrenamiento (incluso he visto un ejemplo en el que casi el 99% de los datos estaban cubiertos por un buen motor). Hay muchas ideas y trucos para hacer que una red entrenada en un motor 3D funcione con datos del mundo real (ajuste fino, transferencia de estilo, etc.). Pero a menudo hacer un buen motor es varias \u00f3rdenes de magnitud m\u00e1s dif\u00edcil que recopilar datos. Ejemplos de cuando se hicieron motores:<br \/>\nEntrenamiento de robots (<noindex><a rel=\"nofollow\" href=\"https:\/\/ai.googleblog.com\/2018\/06\/teaching-uncalibrated-robots-to_22.html\">google<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/youtu.be\/VZcmogKXC18\">braingarden<\/a><\/noindex>)<br \/>\nFormaci\u00f3n <noindex><a rel=\"nofollow\" href=\"https:\/\/neuromation.io\/\">reconocimiento<\/a><\/noindex> de productos en la tienda (pero en dos proyectos que hicimos, f\u00e1cilmente pod\u00edamos prescindir de esto).<br \/>\nEntrenamiento en Tesla (de nuevo, el video mencionado anteriormente).<\/p>\n<h2>Conclusiones<\/h2>\n<p>\nTodo el art\u00edculo es, de alguna manera, una conclusi\u00f3n. Probablemente, el mensaje principal que quer\u00eda transmitir es: \u201cla bonanza ha terminado, las redes neuronales ya no ofrecen soluciones simples\u201d. Ahora hay que trabajar duro construyendo soluciones complejas. O esforzarse haciendo investigaciones cient\u00edficas complejas.<\/p>\n<p>En general, el tema es discutible. Quiz\u00e1s los lectores tengan ejemplos m\u00e1s interesantes.<br \/>\n<br \/>Fuente: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/recognitor\/blog\/455676\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430 \u0441\u0442\u0430\u0442\u044c\u044f, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043f\u043b\u043e\u0445\u043e \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442 \u0442\u0435\u043d\u0434\u0435\u043d\u0446\u0438\u044e \u0432 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0438 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0445 \u043b\u0435\u0442. \u0415\u0441\u043b\u0438 \u043a\u043e\u0440\u043e\u0442\u043a\u043e: \u0447\u0438\u0441\u043b\u043e \u0441\u0442\u0430\u0440\u0442\u0430\u043f\u043e\u0432 \u0432 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0434\u0432\u0430 \u0433\u043e\u0434\u0430 \u0440\u0435\u0437\u043a\u043e \u0443\u043f\u0430\u043b\u043e. \u041d\u0443 \u0447\u0442\u043e. \u0420\u0430\u0437\u0431\u0435\u0440\u0451\u043c \u00ab\u043b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c\u00bb, \u00ab\u043a\u0430\u043a \u0434\u0430\u043b\u044c\u0448\u0435 \u0436\u0438\u0442\u044c\u00bb \u0438 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u043e\u0442\u043a\u0443\u0434\u0430 \u0432\u043e\u043e\u0431\u0449\u0435 \u0442\u0430\u043a\u0430\u044f \u0437\u0430\u0433\u043e\u0433\u0443\u043b\u0438\u043d\u0430. \u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u043f\u043e\u0433\u043e\u0432\u043e\u0440\u0438\u043c \u0447\u0442\u043e \u0431\u044b\u043b\u043e \u0431\u0443\u0441\u0442\u0435\u0440\u043e\u043c \u044d\u0442\u043e\u0439 \u043a\u0440\u0438\u0432\u043e\u0439. \u041e\u0442\u043a\u0443\u0434\u0430 \u043e\u043d\u0430 \u0432\u0437\u044f\u043b\u0430\u0441\u044c. \u041d\u0430\u0432\u0435\u0440\u043d\u043e\u0435 \u0432\u0441\u0451 \u0432\u0441\u043f\u043e\u043c\u043d\u044f\u0442 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-35293","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/es\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/es\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T19:03:28+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47\u00bfHa estallado la burbuja del aprendizaje autom\u00e1tico, o est\u00e1 comenzando un nuevo amanecer? | ProHoster","description":"Recientemente se lanz\u00f3","canonical_url":"https:\/\/prohoster.info\/es\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041b\u043e\u043f\u043d\u0443\u043b \u043b\u0438 \u043f\u0443\u0437\u044b\u0440\u044c \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438\u043b\u0438 \u043d\u0430\u0447\u0430\u043b\u043e \u043d\u043e\u0432\u043e\u0439 \u0437\u0430\u0440\u0438 | ProHoster","og:description":"\u041d\u0435\u0434\u0430\u0432\u043d\u043e \u0432\u044b\u0448\u043b\u0430","og:url":"https:\/\/prohoster.info\/es\/blog\/news\/lopnul-li-puzyr-mashinnogo-obucheniya-ili-nachalo-novoj-zari","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T19:03:28+00:00","article:modified_time":"2019-10-31T19:03:28+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"35293","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 22:41:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:06:24","updated":"2026-01-21 22:41:19","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/35293","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=35293"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/35293\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=35293"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=35293"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=35293"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}