El mundo produce alrededor de 2,5 trillones de bytes de datos todos los días. Almacenar y transferir todo este enorme (y en constante crecimiento) número de imágenes, videos, Tweets, y otras formas de datos se está convirtiendo en un desafío importante, uno que amenaza con socavar el crecimiento de Internet y frustrar la introducción de nuevas tecnologías, como el Internet de las cosas.

Ahora, un equipo de investigadores informa que un algoritmo que utiliza una técnica de aprendizaje automático basada en el cerebro humano podría aliviar esa obstrucción de datos al reducir el tamaño de los archivos multimedia, como videos e imágenes, y restaurándolos sin perder mucha calidad o información. El aprendizaje automático es un tipo de inteligencia artificial, o AI.

En un estudio, los investigadores desarrollaron un algoritmo que presenta una red neuronal recurrente para comprimir y restaurar datos, según C. Lee Giles, Profesor David Reese de Ciencias y Tecnología de la Información, Penn State, y un asociado del Institute for CyberScience. En este caso, el algoritmo, que llamaron algoritmo de refinamiento iterativo, que se centra en el paso de decodificación o restauración, fue capaz de producir imágenes restauradas que tenían mejor calidad que los puntos de referencia seleccionados para el estudio, incluido un sistema de compresión diseñado por Google, que los investigadores consideraron la mejor en ese momento.

Las personas comprimen datos para almacenar más fotos en su teléfono inteligente, por ejemplo, o compartir videos en Internet o en plataformas de redes sociales como YouTube y Twitter.

Dijo que el éxito del sistema en la compresión de archivos se debe al uso de un decodificador de red neuronal recurrente, en lugar de una red de alimentación directa o un decodificador (lineal) convencional. Una red neuronal recurrente utiliza memoria con estado, lo que le permite almacenar datos a medida que realiza los cálculos. Sin embargo, una red neuronal normal, o una red neuronal de avance, no puede almacenar datos y solo puede procesar información de forma secuencial. Con la capacidad de memoria agregada, las redes neuronales recurrentes pueden funcionar mejor en las tareas, como el reconocimiento de imágenes.

"Un sistema recurrente tiene retroalimentación, mientras que un perceptrón de múltiples capas, o red convolucional, u otro tipo similar de red neuronal, suelen ser de retroalimentación, en otras palabras, los datos simplemente pasan, no se almacena como memoria, "Dijo Giles.

David Miller, profesor de ingeniería eléctrica e informática, que trabajó con Giles, dijo que "la ventaja clave de la recurrencia en este contexto de decodificación de imágenes es que explota correlaciones sobre regiones espaciales largas de la imagen que un decodificador de imágenes convencional".

Otra ventaja del algoritmo, en comparación con los sistemas de la competencia, fue la simplicidad del diseño del algoritmo, dijeron los investigadores, quienes informaron sus hallazgos recientemente en la Conferencia de Compresión de Datos (DCC).

"Realmente solo tenemos la red neuronal recurrente al final del proceso, en comparación con Google, que incluye redes neuronales recurrentes, pero están colocados en muchas capas diferentes, que se suma a la complejidad, "dijo Giles.

Uno de los problemas con la compresión es que cuando se restaura una imagen o video comprimido, el archivo puede perder bits de información, lo que puede hacer que la imagen o el video se vean borrosos, o distorsionado. Los investigadores probaron el algoritmo en varias imágenes y pudo almacenar y reconstruir las imágenes con mayor calidad que el algoritmo de Google y otros sistemas de referencia.

Las redes neuronales organizan sus "neuronas" electrónicas de manera muy similar a la forma en que el cerebro está compuesto por redes de neuronas; sin embargo, Alexander G. Ororbia, profesor asistente en el Instituto de Tecnología de Rochester, cuya investigación se centra en el desarrollo de sistemas neuronales motivados biológicamente, y algoritmos de aprendizaje lideran esta investigación, dijo que los cerebros electrónicos son mucho más simples.

"Lo importante a recordar es que estas redes neuronales se basan libremente en el cerebro, "dijo Ororbia." Las neuronas que componen una red neuronal electrónica son mucho, mucho más simple. Las neuronas biológicas reales son extremadamente complejas. Algunas personas dicen que la red neuronal electrónica es casi una caricatura de la red neuronal del cerebro ".

Giles dijo que la idea de usar redes neuronales recurrentes para la compresión provino de una revisión de la antigua investigación de redes neuronales sobre el problema de la compresión. .

"Notamos que no había mucho sobre el uso de redes neuronales para la compresión, y nos preguntamos por qué, ", dijo Giles." Siempre es bueno volver a visitar el trabajo antiguo para ver algo que pueda ser aplicable hoy ".

Los investigadores probaron la capacidad de su algoritmo para comprimir y restaurar una imagen en comparación con el sistema de Google utilizando tres métricas independientes que evalúan la calidad de la imagen:Relación de ruido de señal máxima, Índice de imagen de similitud estructural e índice de imagen de similitud estructural de múltiples escalas:que evalúan la calidad de la imagen.

"Los resultados de todas las comparativas y conjuntos de pruebas independientes y de todas las métricas, muestran que el algoritmo de refinamiento iterativo propuesto produjo imágenes con menor distorsión y mayor calidad de percepción, "dijo Ankur Mali, un estudiante candidato a doctorado en Penn State, quien trabajó extensamente en la implementación técnica del sistema.

En el futuro, los investigadores también pueden explorar si el sistema es más fácil de entrenar que los algoritmos de la competencia.

While all the compression neural networks require training—feeding data into the system to teach it how to perform—Giles thinks the team's design may be easier to train.

"I would guess it's much, mucho mas rápido, in terms of training, también, " said Giles.