Inteligencia artificial y aprendizaje automático
Optimización en la industria 4.0
Digital Twin Integrated Reinforced Learning in Supply Chain and Logistics
Aprendizaje reforzado integrado de gemelos digitales en la cadena de suministro y la logística
Un gemelo digital es una representación virtual que reproduce un objeto o proceso físico durante un periodo de tiempo, estás herramientas ayudan a reducir los tiempos de fabricación y la cadena de suministro en la industria. El aprendizaje automático ha sido implementado en los sistemas de producción y logística para construir plataformas de apoyo a la toma de decisiones con el objetivo de tener una producción ajustada, inteligente y ágil. En este artículo se propone una selección específica para sistematizar la literatura disponible lo cuál llevó a proponer un marco para la generación de gemelos digitales basada en datos y el aprendizaje automático.
Este artículo fue realizado por Ahmed Zainul Abideen, Veera Pandiyan Kaliani Sundram, Jaafar Pyeman, Abdul Kadir Othman (Universiti Teknologi MARA, Shah Alam, Malaysia) y Shahryar Sorooshian (University of Gothenburg, Gothenburg, Sweden; Saito University College, Selangor, Malaysia) para Logistics (Vol. 5, núm 4, p. 84, 2021), una revista que divulga trabajos de investigación sobre el campo de la logística y la gestión de la cadena de suministro. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
Comparing Swarm Intelligence Algorithms for Dimension Reduction in Machine Learning
Comparación de algoritmos de inteligencia de enjambre para la reducción de dimensiones en el aprendizaje automático
La alta dimensión de los datos causa problemas en el aprendizaje automático, por lo que es necesario reducir el número de características seleccionando sólo las más relevantes. Para esta tarea se utilizan diferentes enfoques denominados "selección de características". Este artículo tiene como objetivo proponer un método de selección de características que utiliza técnicas de inteligencia de enjambre, los cuales se encargan de realizar la optimización buscando puntos óptimos en el espacio de búsqueda. Los resultados mostraron que la dimensión de los datos puede reducirse unas dos veces sin pérdida de precisión. Sin embargo, se recomienda ajustar los parámetros individuales antes o durante la optimización para obtener mejores resultados.
Este artículo fue realizado por Gabriella Kicska (ELTE Eötvös Loránd University, Budapest, Hungary) y Attila Kiss (ELTE Eötvös Loránd University, Budapest, Hungary; J. Selye University, Komárno, Slovakia) para Big Data and Cognitive Computing (Vol. 5, núm. 3, p. 36, 2021), una revista especializada sobre big data y computación cognitiva para la informática. Esta es una publicación de MDPI, una plataforma de revistas científicas de acceso abierto operada por MDPI Verein (Basilea, Suiza). Correo de contacto: [email protected]
- Video:Webinar Industria 4.0 - Automatizar y digitalizar. Hacerlo o desaparecer
- Fuente:ON STRATEGY ESP
