1. Introducción
Hoy en día, se necesita mucho esfuerzo para desarrollar software. Se gasta demasiado tiempo en lo que sería lógico asignar a los metodólogos a las computadoras, diseñar, escribir especificaciones técnicas, probar, todo esto lo hace una persona y se hace muy lentamente. Pero, ¿es esto posible en principio? El Doctor en Ciencias Técnicas Maxim Shcherbakov en su conferencia "Redes neuronales: matemáticas y magia" respondió: "Sí, es posible". Es bueno tener un asistente automatizado que resuelva el problema simplemente teniendo ciertos criterios y plantillas, pero no tiene que pagar y lo hará en el menor tiempo posible, pero ¿qué tareas específicas pueden resolver las redes neuronales en nuestro tiempo? El desarrollo del aprendizaje automático hoy en día está avanzando a pasos agigantados, no así que mañana las máquinas pueden reemplazar a una persona en tareas rutinarias. Redactar una tarea técnica no es lo más agradable, especialmente debido a la necesidad de pintar todo con gran detalle y forma (para más detalles, ver el punto 4). Cada compañía elige una metodología de desarrollo de software particular y rara vez la cambia. Pero, ¿qué pasa si la otra metodología es mejor para el proyecto que la anterior o la actual no es adecuada en absoluto? Sería lógico reemplazar, pero ¿cuál elegir (más detalles en el párrafo 5)? Las pruebas adecuadas deberían llevar una cantidad de tiempo y personas decentes. Bastante costoso y largo (más en el párrafo 6). Una red neuronal reducirá el costo y acelerará todas estas etapas.
2. Abreviaturas
NS - Redes neuronales
Software - Software
TK - Términos de referencia
AI - Inteligencia Artificial
3. Redes neuronales artificiales
¿Qué es la inteligencia artificial? En términos generales, esta es una simulación de una persona que usa una computadora. La prueba de Turing, en cierto sentido, responde a esta pregunta. Consiste en el hecho de que durante el diálogo una persona debe decidir quién es la persona o máquina frente a él. Hoy en día, la prueba de Turing no se considera correcta y se utilizan otros métodos de prueba de inteligencia artificial. Para comprender mejor por qué esta prueba no es del todo correcta, simplemente puede darle la vuelta. ¿Cómo sabe una computadora que hay una persona frente a ella? Le preguntará cuánto será 754534 * 32 e iniciará el temporizador. Por lo tanto, así como no podemos resolver la ecuación lo suficientemente rápido, la máquina (por ahora) no puede simular completamente la comunicación humana con todas sus sutilezas y características. Desde este punto de vista, una simulación completa del cerebro por una computadora parece imposible. Entonces, por ahora, usamos la inteligencia artificial solo como asistentes en un área específica.
3.1 Una breve historia de la IA
La historia del desarrollo de la inteligencia artificial no es muy divertida y fluida. Los primeros experimentos sobre la creación de inteligencia artificial ayudaron a algunas empresas a ahorrar no pequeñas cantidades de dinero. Por ejemplo, Digital Equipment Corporation, utilizando inteligencia artificial, ahorró $ 10 millones al año. También se desarrollaron chatbots, sistemas de identificación de bacterias y mucho más. Después de eso, las compañías de inteligencia artificial no pudieron cumplir con todos sus altos objetivos y finalmente cerraron, debido a esto, llegaron tiempos difíciles para la IA y la comunidad comenzó a mirar el aprendizaje automático y las redes neuronales. En 1943, Warren McCallock y Walter Pitts acuñaron el término red neuronal artificial. Modelo realizando cálculos utilizando neuronas biológicas. Y después de 63 años en las universidades de Toronto y Montreal, comenzaron a enseñar redes neuronales profundas con gran poder, ¡lo que se convirtió en una verdadera revolución para el aprendizaje automático!
3.2 El principio de la red neuronal, sus éxitos y debilidades.
En una forma simplificada, el principio de funcionamiento de una red neuronal es encontrar dependencias y cambiar pesos: si la acción es correcta, entonces las escalas responsables de esta acción se fortalecen y viceversa. Y para ser más precisos, el principio es reducir algunas funciones de error. El descenso de gradiente se usa con mayor frecuencia para este propósito.
Todos han escuchado sobre los éxitos de las redes neuronales. Vencen a los campeones del juego GO, para jugar lo que, en teoría, es la única prerrogativa de una persona y para la computadora es demasiado complicado, pero aparentemente esto no es cierto. No hace mucho tiempo, en 2015, AlphaGo ganó el campeón al ganar cuatro de cinco juegos. No está mal, ¿verdad? Dos años después, en 2017, la red neuronal mejoró y derrotó a 9 campeones de GO, ganando sesenta de sesenta juegos. Lo peor para los campeones fue que el programa actuó de manera absolutamente aleatoria y al final ganó de todos modos. ¿Cómo logró Google (desarrolladores de AlphaGo) este resultado? Todo acaba de mejorar AlphaGo entrenado con su predecesor. La red neuronal misma encontró las deficiencias y las corrigió.
Las redes neuronales también aprendieron a escribir música. Habiendo "escuchado" las obras maestras de los clásicos del mundo, la red neuronal compuso su propia música, y sin una buena comprensión del aprendizaje automático, es casi imposible distinguir la creación humana de la creación automática. En la conferencia "Redes neuronales: matemáticas y magia" incluyeron uno de los trabajos de computación informática y ofrecieron escuchar previamente diciendo que fue creado por un gran músico. Después de escuchar a la audiencia, preguntaron: "¿Alguien se ha enganchado?" Algunos respondieron que sí. Resulta que los coches pueden hacer? La respuesta es bastante difícil. Para entender por qué, veremos el principio de la red neuronal usando el ejemplo de una habitación con una gran cantidad de folletos con símbolos que no entendemos. Tenemos un algoritmo de cómo, dónde y qué hoja cambiar o nosotros mismos construimos este algoritmo en función de si somos alentados o regañados por nuestras acciones. Y aquí recibimos una solicitud de entrada, después de correr para cambiar las hojas de acuerdo con nuestro algoritmo y obtener un conjunto de hojas dobladas para la salida, no entendemos qué significan estos símbolos en la entrada y qué obtenemos en la salida, somos una red neuronal. Volvamos a hacer música. Resulta que la red neuronal no crea el trabajo, es simplemente caótico pero con ciertas reglas supera los acordes sin entender lo que está haciendo (recuerda a la pintura moderna). Un ejemplo de música creada por una red neuronal de Yandex:
También aprendieron a dibujar redes neuronales utilizando el mismo principio que con la música.
Como puede ver, el aprendizaje automático le permite resolver una gran variedad de tareas. ¿Pero cómo enseñarles cómo hacer todo esto? El secreto está en el aprendizaje automático. Volvamos a la habitación con las hojas y recordemos que "tenemos un algoritmo de cómo, dónde y qué hoja transferir" en esta situación, la red neuronal ya está entrenada. Ella sabe qué y dónde poner, pero también había una segunda opción "nosotros mismos construimos este algoritmo en función de si somos alentados o regañados por nuestras acciones", es esta opción la que formula el llamado entrenamiento de la red neuronal de refuerzo. Un cierto "maestro" alienta las acciones correctas de la red neuronal, como resultado de lo cual recuerda e intenta encontrar una dependencia en las acciones correctas o un "maestro" regaña a la red neuronal por sus errores y cada vez más intenta encontrar una dependencia en las acciones correctas. Las redes neuronales también se enseñan utilizando métodos: con un maestro, sin un maestro, con una participación parcial del maestro. La elección depende de las condiciones en las que se entrena la red neuronal.
Al usar el entrenamiento con un maestro, debemos enviar un conjunto de datos con las respuestas correctas u otro conjunto de datos de entrenamiento a la entrada, después de lo cual la red neuronal debe identificar patrones y responder correctamente al conjunto de datos de la prueba. Por lo general (lo cual es lógico), la red neuronal se confunde con mayor frecuencia en la muestra de prueba, esto se debe al "problema de reentrenamiento".
Cuando una red neuronal procesa los mismos datos demasiadas veces, se adapta exclusivamente a esta muestra de datos, como resultado de lo cual, en una nueva muestra donde se confunden muchas redes neuronales diferentes.
Al utilizar la capacitación sin un maestro, también presentamos datos, pero no sabemos la respuesta correcta y la tarea es encontrar la dependencia en estos datos. La formación parcial del profesorado se utiliza con mayor frecuencia en la formación de redes neuronales capaces de procesar sonido. Podemos encontrar tantos datos como queramos, pero el marcado tendrá que hacerse manualmente.
Lo más interesante (según algunas opiniones) es el entrenamiento de refuerzo, ya que esencialmente podemos enseñar cualquier cosa a la red neuronal simplemente notando la acción correcta o incorrecta que realizó. En 2017, el campeonato de deportes electrónicos DOTA 2 se celebró bajo el nombre "The International 2017", en el que los jugadores profesionales jugaron un juego contra la red neuronal OpenAI (aunque con algunas restricciones). Los profesionales no tuvieron la oportunidad de ganar. Para entrenar esta red neuronal, se utilizó un método de refuerzo. La red neuronal ha jugado tantas veces y ha aprendido a ganar sin problemas. Por supuesto, no funciona sin problemas en absoluto, ya que el juego es bastante complicado y puedes engañar a la red neuronal. Un jugador profesional logró ganar solo a través del engaño.
Ahora que entendemos los conceptos básicos, podemos discutir el uso de redes neuronales como asistentes para programadores.
4. El uso de redes neuronales en la creación de especificaciones técnicas.
4.1 Principio
¿Quién podría necesitar software? Hoy en día, todos lo necesitan y para propósitos completamente diferentes. A menudo, ellos mismos no pueden crear el software ellos mismos, o por lo tanto no quieren, recurren a los programadores. Pero, ¿cómo le explicas al artista lo que quieres? En principio, un programador puede elaborar una tarea técnica y decir condicionalmente qué habrá en el programa, pero no todos serán completamente claros debido al uso de términos o serán mal interpretados. ¿Qué tal redactar TK individualmente? Es difícil, largo y no tan necesario a tales costos, pero cuando es necesario hacer algo difícil y durante mucho tiempo, ¿por qué no asignar esta tarea a una computadora? Una red neuronal logrará esta tarea.
4.2 Necesidad
El constructor está lejos de programar y, de hecho, lejos de la computadora. Para él, la línea "procesador Intel Core i5 4200M 2.5 GHz y superior" no dirá nada en absoluto, y ¿por qué entonces necesita TK? Enseñemos a una red neuronal a cambiar líneas para cada uno individualmente en función de lo que hace. Por ejemplo, tome la misma línea del párrafo 4.3 “Intel Core i5 4200M 2.5 GHz o superior”, por ejemplo, lo cambiaremos por el nombre corto y el costo promedio de este procesador en el mercado. Por lo tanto, será más informativo para el cliente.
4.3 Implementación
Esto se puede hacer utilizando el método de enseñanza con un maestro. En la entrada presentamos un conjunto de información que el contratista puede recibir sobre los clientes condicionales. También agregaremos atajos y los colgaremos en las personas y un programa se colgará detrás de cada atajo, lo que cambiará el texto. La tarea de clasificación estándar es un conjunto de datos y varias opciones de respuesta. Suponga que una red neuronal ha determinado que el nivel de conocimiento del cliente en esta área no está en un nivel alto y cuelga una etiqueta apropiada después de que recurre al programa responsable de esta etiqueta y el texto ha sido reemplazado por el correspondiente al conocimiento del cliente. Esto no es del todo correcto, ya que el funcionamiento de una red neuronal se reduce solo a la determinación del tipo de cliente, y el programa en sí cambia el texto.
¿Qué tal reemplazar el programa responsable de los accesos directos con una red neuronal (
kremlebot ) similar a la utilizada para crear reseñas de sitios web, películas y, en general, donde se utilizan las reseñas? Enseñaremos a la red neuronal a usar los términos inherentes a la etiqueta del cliente a cambio de los términos del programa, y pronto el programa reformulará y transmitirá los datos al ejecutor de acuerdo con la descripción aproximada del cliente. Lo más probable es que al principio sea posible utilizar las comunicaciones de la red neuronal solo para el punto "4. Requisitos técnicos para el producto de software" debido al hecho de que allí hay principalmente una "zona problemática". Artículo "8. El horario de trabajo ”también se puede transferir a la red neuronal, pero más sobre eso en la cláusula 6.
Más tarde, cuando las tecnologías evolucionen un poco, será posible transferir todo el diseño de la tarea técnica a los hombros de una red neuronal, o más bien, a una cadena conectada de redes neuronales. Al igual que nuestro cerebro, los componentes individuales serán responsables de los procesos individuales en nuestro organismo neural artificial. Todo esto permitirá destruir la barrera profesional de comunicación (también llamada barrera comunicativa) entre el cliente y el contratista.
4.4 Conclusión
La implementación de esto no es muy complicada, especialmente la primera red neuronal. Tendrás que jugar con el segundo, pero al final dará sus frutos. Tal uso de una red neuronal simplificará la interacción entre el cliente y el contratista.
5. El uso de redes neuronales en la creación de metodologías óptimas de desarrollo de software.
Un hombre apenas acepta algo nuevo cuando ya está acostumbrado. Incluso si una pala es más conveniente, más simple, más fácil, una persona continuará usando un palo para cavar un hoyo. Se ve muy claramente entre generaciones. Las abuelas, que tienen la oportunidad de pagar un apartamento comunal desde su casa a través de Internet, prefieren conducir la mitad de la ciudad. Por qué Porque, en primer lugar, son personas y, como la mayoría de las personas, no les gusta el cambio, en segundo lugar, no quieren aprender cosas nuevas, lo consideran demasiado difícil y ni siquiera intentan profundizar en ello. Lo mismo es cierto para las metodologías. Las empresas, especialmente las grandes, no están muy dispuestas a cambiar la metodología, que ya funciona. Pero, ¿qué pasa si la metodología seleccionada no es óptima o completamente inadecuada para un proyecto dado? Es lógico decir qué necesita ser reemplazado por el óptimo, pero ¿cuál será el indicado y qué significa óptimo? ¿El que el equipo aceptará fácilmente o el que acelerará el desarrollo? ¿Quién puede confiar un trabajo tan responsable? Veamos cómo las redes neuronales pueden resolver esto.
5.1 Implementación
Lo más probable es que para una red de este tipo no se pueda administrar y nuevamente necesitaremos una cadena de conexiones, cada una de las cuales será responsable de una tarea separada. En esta situación, tenemos un conjunto de datos sobre el uso de metodologías y los proyectos mismos para los que se aplicaron. También puede agregar datos sobre los desarrolladores, pero esto complicará mucho todo, por lo que lo pospondremos por un tiempo. En presencia de un conjunto de datos que no tiene una "respuesta" significa que usamos el método sin un maestro. La red neuronal misma encontrará la relación entre el tiempo dedicado al desarrollo y los datos del proyecto en sí. Lo más probable es que la precisión no sea muy alta debido al factor humano. Se necesitará una segunda red neuronal, que analizará a los desarrolladores en función de, por ejemplo, la correspondencia (que requerirá su consentimiento) o cómo prefieren trabajar. Y agregue accesos directos como los que estaban en el párrafo 4 y los devolveremos a la primera red neuronal para su procesamiento. Aquí deberá utilizar el método con una participación parcial del profesor. Tendremos que seleccionar un grupo de personas e identificar sus personajes (accesos directos) mediante pruebas y enviar estos datos a la entrada. Ahora es necesario determinar con qué buscará una red la red neuronal. Si toma la correspondencia, en primer lugar, a las personas no les gustará, porque se utilizan sus datos personales, en segundo lugar, no dará un resultado exacto. Luego trataremos de usar datos sobre el trabajo de estas personas, pero el problema aquí es la disponibilidad de estos datos para la red neuronal. Transferir correspondencia a la entrada no será difícil, pero ¿cómo recolectar y transformar datos sobre el trabajo de estas personas? Vamos al otro lado. Como "personajes" tomamos 8 tipos de roles identificados por el Dr. Meredith Belbin.
Ahora tenemos etiquetas y características específicas para determinar cuál elegir. Es bastante difícil tener en cuenta el factor humano en vista de su estocástico, pero, sin embargo, se siguen algunos patrones que pueden verse en la red neuronal. Supongamos que el tema tendrá la primera etiqueta de "Presidente", pero la Asamblea Nacional no lo sabrá. Las características de esta personalidad, la red neuronal puede tomar de los archivos personales de esta será suficiente para ella. Con base en los informes, también se formará qué etiqueta se aplicará a esta persona. Como resultado, se colgará un acceso directo y se enviará a la primera red neuronal para procesar y encontrar relaciones. Todo esto es bastante complicado, pero agregará significativamente precisión al elegir una metodología para la red neuronal. Nuestra cadena se ha capacitado y puede determinar a partir de los datos de entrada qué metodología será óptima en el tiempo, teniendo en cuenta las características del equipo de desarrollo. Si el equipo utilizará constantemente la red neuronal para seleccionar metodologías, paso a paso aprenderá mejor y mejor, pagándose a sí mismo y aumentando su precisión. Partiendo de esto, la red neuronal no es la mejor salida debido a la larga capacidad de aprendizaje. Veamos qué más puede hacer el aprendizaje automático por nosotros.
5.2 Conclusión
Una red neuronal no es del todo adecuada para tal tarea debido a la gran cantidad de factores humanos y al entrenamiento largo y costoso.
6. Prueba de software utilizando redes neuronales
Todos somos seres humanos y tendemos a cometer errores. Kevin Mitnik dijo una vez: “Las personas son el eslabón más débil en seguridad. Gente, no tecnología ". Con el desarrollo de tecnologías de desarrollo de software, siempre se mantienen los mismos problemas. Deficiencias, errores, errores. Todo esto aparece debido a la pereza humana, la falta de atención o el no conocimiento. La depuración y las pruebas resuelven este problema.
6.1 -
Las pruebas toman hasta el sesenta por ciento del tiempo total, esta es la etapa más larga del desarrollo de software. Esto sucede debido a la complejidad de la automatización de esta etapa debido a la falta de estocasticidad en los auto testers y la complejidad de su creación. La mejor opción es la prueba manual, porque ningún programa (en este momento) puede reemplazar completamente a una persona. ¿Largo y difícil de implementar? Nuevamente usamos la ayuda de una red neuronal. Primero debe comprender qué significa probar con una red neuronal. Es necesario comprender de inmediato que crear un probador universal no funciona, tendrá que crear para cada tarea generalizada por separado, por ejemplo, una red neuronal que pruebe sitios. Primero, tratemos de descubrir su principio de funcionamiento y si es posible su uso en esta dirección.¿Qué enviamos a la entrada? ¿Qué esperamos salir? La muestra de entrenamiento consistirá en sitios probados en los que se entrenará la red neuronal. Dejando que nuestro amigo vryatli obtenga libremente el resultado deseado, restringimos el NS en términos de que los objetos que pueden estar presentes en el sitio son todo tipo de botones, barras, casillas de verificación y acciones que la red neuronal puede realizar. Mientras la red neuronal se divierte y recuerda lo que sucede con tal acción, y con esto, y busca adicción, creamos el sitio con más errores de todo lo que tenemos y configuramos la red neuronal para enviar un mensaje si el evento no cumple con sus expectativas. Al enviar este sitio a la entrada, recibiremos mensajes sobre posibles errores, automatizando así el proceso de creación de la Hoja de aceptación.Dejando que nuestro amigo vryatli obtenga libremente el resultado deseado, restringimos el NS en términos de que los objetos que pueden estar presentes en el sitio son todo tipo de botones, barras, casillas de verificación y acciones que la red neuronal puede realizar. Mientras la red neuronal se divierte y recuerda lo que sucede con tal acción, y con esto, y busca adicción, creamos el sitio con más errores de todo lo que tenemos y configuramos la red neuronal para enviar un mensaje si el evento no cumple con sus expectativas. Al enviar este sitio a la entrada, recibiremos mensajes sobre posibles errores, automatizando así el proceso de creación de la Hoja de aceptación.Dejando que nuestro amigo vryatli obtenga libremente el resultado deseado, restringimos el NS en términos de que los objetos que pueden estar presentes en el sitio son todo tipo de botones, barras, casillas de verificación y acciones que la red neuronal puede realizar. Mientras la red neuronal se divierte y recuerda lo que sucede con tal acción, y con esto, y busca adicción, creamos el sitio con más errores de todo lo que tenemos y configuramos la red neuronal para enviar un mensaje si el evento no cumple con sus expectativas. Al enviar este sitio a la entrada, recibiremos mensajes sobre posibles errores, automatizando así el proceso de creación de la Hoja de aceptación.que puede realizar una red neuronal. Mientras la red neuronal se divierte y recuerda lo que sucede con tal acción, y con esto, y busca adicción, creamos el sitio con más errores de todo lo que tenemos y configuramos la red neuronal para enviar un mensaje si el evento no cumple con sus expectativas. Al enviar este sitio a la entrada, recibiremos mensajes sobre posibles errores, automatizando así el proceso de creación de la Hoja de aceptación.que puede realizar una red neuronal. Mientras la red neuronal se divierte y recuerda lo que sucede con tal acción, y con esto, y busca adicción, creamos el sitio con más errores de todo lo que tenemos y configuramos la red neuronal para enviar un mensaje si el evento no cumple con sus expectativas. Al enviar este sitio a la entrada, recibiremos mensajes sobre posibles errores, automatizando así el proceso de creación de la Hoja de aceptación.Aplicación web Método de refuerzo Zanahoria y palo.Es difícil predecir qué tan precisa será la versión de prueba anterior, ya que la red neuronal puede no aprender correctamente y esperar un resultado ilógico. Hay una segunda opción que es más larga, pero más precisa y universal. La red neuronal simplemente supervisará las acciones de los evaluadores y, por lo tanto, aprenderá a utilizar el método reforzado. Recibirá una gran cantidad de datos al encontrar una conexión en ellos y reproducirlos. La red neuronal debe registrar no solo las acciones en el sitio, sino también en qué punto el probador registrará un mensaje sobre el error para encontrar la conexión. Aquí ya tenemos una versión más precisa del probador independiente. Pero al mismo tiempo, hay un factor humano que no es una tarea fácil de describir por función; por lo tanto, es difícil para las redes neuronales dar estocasticidad humana.6.2
Al probar software, nosotros, como la sección anterior, podemos usar el método con refuerzos. Un método extremadamente universal que le permite enseñar a una red neuronal casi cualquier cosa. Ponemos una red neuronal para monitorear la gran cantidad de probadores. Dividiremos sus funciones en pruebas funcionales y pruebas no funcionales. La red neuronal responsable de las pruebas funcionales se basará en los términos de referencia. Para su capacitación, utilizaremos un conjunto de conocimientos tradicionales y errores encontrados por los programadores en estos programas. Aquí también puede usar la red neuronal del párrafo 5 para agregar accesos directos a los datos suministrados a la entrada. Por lo tanto, el NS podrá notificar posibles errores o errores, así como mejorar constantemente con el tiempo y adaptarse a un equipo de desarrollo específico.Para las pruebas no funcionales, puede usar programas convencionales ya que la red neuronal aquí solo será una complicación.6.3 Conclusión
Una red neuronal es buena para probar sitios, pero al mismo tiempo tomará mucho tiempo entrenar. Lo mismo ocurre con las pruebas de software, pero algo peor y más difícil de implementar las pruebas en sí.7. Conclusión
En resumen, podemos decir que el uso de redes neuronales para el desarrollo de software acelerará el proceso, pero no en todos los casos. Todo lo anterior, por supuesto, solo funciona en teoría, en la práctica todo puede no ser tan optimista, pero el trabajo es estudiar la posibilidad, al menos en teoría, de acelerar el desarrollo de software utilizando una red neuronal. Mi resultado final del estudio es la respuesta: y no solo en teoría, sino con los enfoques individuales y el análisis de una persona como persona, habrá grandes problemas que actualmente son difíciles de superar. Para el uso completo de las redes neuronales como asistentes, se necesita una capacitación prolongada, que luego dará sus frutos. La red neuronal es la más adecuada para crear especificaciones técnicas, o más bien para simplificar la interacción entre el contratista y el cliente.Una red neuronal destruye la barrera de comunicación, lo que acelera y facilita todo el proceso. También vale la pena señalar que la posibilidad de usar redes neuronales en las pruebas también es extremadamente útil. Una red neuronal puede predecir un posible error que acelerar las pruebas. Esto no acelerará dramáticamente el proceso, pero lo hará un poco más fácil. Desafortunadamente, las redes neuronales no son muy efectivas en la selección de metodologías. Una red neuronal no puede comenzar a comprender los sentimientos de las personas; por lo tanto, solo puede elegir una metodología basada en datos estadísticos.Desafortunadamente, las redes neuronales no son muy efectivas en la selección de metodologías. Una red neuronal no puede comenzar a comprender los sentimientos de las personas; por lo tanto, solo puede elegir una metodología basada en datos estadísticos.Desafortunadamente, las redes neuronales no son muy efectivas en la selección de metodologías. Una red neuronal no puede comenzar a comprender los sentimientos de las personas; por lo tanto, solo puede elegir una metodología basada en datos estadísticos.Las redes neuronales se están desarrollando a pasos agigantados y quién sabe qué tan rápido aparecerán los mismos androides humanoides en nuestros hogares que ( destruirán a toda la humanidad ) mejorarán nuestras vidas.
(Android Sofía)ReferenciasNikolenko, S. Deep Learning: inmersión en el mundo de las redes neuronales / S. Nikolenko, A. Kadurin, E. Arkhangelskaya - San Petersburgo - Deep Learning. - SPb: Peter, 2018-480 p .: Ill. - (Serie "Biblioteca del programador").