Memoria temporal jerárquica
La memoria temporal jerárquica ( HTM ) es una tecnología de inteligencia artificial biológicamente limitada desarrollada por Numenta . Originalmente descrito en el libro de 2004 On Intelligence de Jeff Hawkins con Sandra Blakeslee , HTM se utiliza principalmente en la actualidad para la detección de anomalías en la transmisión de datos. La tecnología se basa en la neurociencia y la fisiología y la interacción de las neuronas piramidales en el neocórtex del cerebro de los mamíferos (en particular, el humano ).
En el núcleo de HTM se encuentran los algoritmos de aprendizaje que pueden almacenar, aprender, inferir y recordar secuencias de alto orden. A diferencia de la mayoría de los otros métodos de aprendizaje automático , HTM aprende constantemente (en un proceso sin supervisión ) patrones basados en el tiempo en datos sin etiquetar. HTM es resistente al ruido y tiene una gran capacidad (puede aprender varios patrones simultáneamente). Cuando se aplica a las computadoras, HTM es muy adecuado para la predicción, [1] detección de anomalías, [2] clasificación y, en última instancia, aplicaciones sensoriomotoras. [3]
HTM se ha probado e implementado en software a través de aplicaciones de ejemplo de Numenta y algunas aplicaciones comerciales de los socios de Numenta.
Una red HTM típica es una jerarquía de niveles en forma de árbol (que no debe confundirse con las " capas " del neocórtex , como se describe a continuación ). Estos niveles están compuestos por elementos más pequeños llamados regiones (o nodos). Un solo nivel en la jerarquía posiblemente contiene varias regiones. Los niveles jerárquicos superiores suelen tener menos regiones. Los niveles jerárquicos superiores pueden reutilizar patrones aprendidos en los niveles inferiores combinándolos para memorizar patrones más complejos.
Cada región HTM tiene la misma función básica. En los modos de aprendizaje e inferencia, los datos sensoriales (por ejemplo, datos de los ojos) entran en las regiones del nivel inferior. En el modo de generación, las regiones de nivel inferior generan el patrón generado de una categoría determinada. El nivel superior suele tener una única región que almacena las categorías (conceptos) más generales y permanentes; éstos determinan, o están determinados por, conceptos más pequeños en niveles inferiores, conceptos que están más restringidos en el tiempo y el espacio [ aclaración necesaria ] . Cuando se establece en modo de inferencia, una región (en cada nivel) interpreta la información que proviene de sus regiones "secundarias" como probabilidades de las categorías que tiene en la memoria.
Cada región HTM aprende identificando y memorizando patrones espaciales, combinaciones de bits de entrada que a menudo ocurren al mismo tiempo. Luego identifica secuencias temporales de patrones espaciales que probablemente ocurran una tras otra.
