Algoritmos de Inteligencia artificial y ofertas personalizadas de bienes y servicios
•
0 recomendaciones•468 vistas
Este documento trata sobre los algoritmos de inteligencia artificial y las ofertas personalizadas de bienes y servicios. Explica brevemente la inteligencia artificial, el machine learning y el deep learning, y cómo los datos personales se usan para ofrecer recomendaciones individualizadas. También menciona algunas críticas sobre el sesgo en los sistemas de IA y la falta de explicabilidad. Concluye que si bien la IA ha evolucionado gracias a un enfoque centrado en los datos, es importante comprender estos sistemas y asegurarse de que las personas
Recomendados
Recomendados
Más contenido relacionado
Similar a Algoritmos de Inteligencia artificial y ofertas personalizadas de bienes y servicios
Similar a Algoritmos de Inteligencia artificial y ofertas personalizadas de bienes y servicios (20)
Más de Fernando Tricas García
Más de Fernando Tricas García (20)
Último
Último (20)
Algoritmos de Inteligencia artificial y ofertas personalizadas de bienes y servicios
- 1. Algoritmos de Inteligencia artificial y ofertas personalizadas de bienes y servicios Fernando Tricas Garcı́a ftricas@unizar.es Dpto. de Informática e Ingenierı́a de Sistemas de la Escuela de Ingenierı́a y Arquitectura de la Universidad de Zaragoza http://webdiis.unizar.es/~ftricas/ @fernand0 22 de marzo de 2022
- 2. Índice 1 Motivación 2 Inteligencia Artificial (IA) 3 Nosotros y nuestros datos 4 Algunas crı́ticas 5 Conclusiones
- 7. Dicen por ahı́... – “Good morning. You’re flying to Boston today. Take a raincoat, it’s raining. By the way, that flight you were taking, it’s already been canceled. Don’t worry about it. There was a mechanical. I’ve already booked you on a new one. I’ll tell you about on the way to the airport. But remember you’re going to exercise every day and I’m here to remind you that you’re going to exercise.” And you might say, – “I don’t know if I want to exercise today,” and It’ll show you a nude profile of yourself. And you’ll say, – “You know what, I think I’m going to exercise today.” Daniel Burrus ‘Enough with the past. We ask 5 futurists to describe the changes coming our way.‘ https://www.networkworld.com/article/2309953/future-shock.html
- 8. Traducción (Google Translate) – “Buenos dı́as. Vas a volar a Boston hoy. Toma un im- permeable, es lloviendo. Por cierto, ese vuelo que estabas tomando, ya fue cancelado. No te preocupes por eso. Habı́a un mecánico. ya he reservado usted en uno nue- vo. Te lo contaré de camino al aeropuerto. Pero recuerda que vas a hacer ejercicio todos los dı́as y estoy aquı́ para recordarte que vas a hacer ejercicio”. Y podrı́as decir, – “No sé si quiero ejercicio hoy” y te mostrará un perfil desnudo de ti mismo. y lo harás decir, – “Sabes qué, creo que hoy voy a hacer ejercicio”.
- 9. Traducción (Google Translate) – “Buenos dı́as. Vas a volar a Boston hoy. Toma un im- permeable, es lloviendo. Por cierto, ese vuelo que estabas tomando, ya fue cancelado. No te preocupes por eso. Habı́a un mecánico. ya he reservado usted en uno nue- vo. Te lo contaré de camino al aeropuerto. Pero recuerda que vas a hacer ejercicio todos los dı́as y estoy aquı́ para recordarte que vas a hacer ejercicio”. Y podrı́as decir, – “No sé si quiero ejercicio hoy” y te mostrará un perfil desnudo de ti mismo. y lo harás decir, – “Sabes qué, creo que hoy voy a hacer ejercicio”. https://twitter.com/Rakel61/status/1502263641697136643
- 11. Coches inteligentes https://www.slashgear.com/2014-mercedes-s-class-revealed-and-its-a-tech-monster-16282346 https://www.teslamotors.com/ ‘Audi’s automated driving for parking’ https://youtu.be/b_m8DqTlOLE https: //robohub.org/robocar-recap-tesla-radar-mobileye-fight-and-the-comma-one-1000-add-on-box/
- 12. Chat bots
- 13. Chat bots
- 14. ¿Y en la vida real? I Sobre todo marquetin I Sistemas de recomendación I Podrı́a interesarte... I Puede que conozcas... I Deberı́as seguir a...
- 17. ¿Sólo grandes proyectos? ‘Eben Upton’s favourite Raspberry Pi project is an AI cucumber sorter’ https: //www.htxt.co.za/2017/09/eben-uptons-favourite-raspberry-pi-project-is-an-ai-cucumber-sorter/ https://youtu.be/4HCE1P-m1l8
- 18. Inteligencia Artificial La inteligencia artificial (IA) es la inteligencia llevada a cabo por máquinas. En ciencias de la computación, una máquina “inteligente” ideal es un agente flexible que percibe su entorno y lleva a cabo acciones que maximi- cen sus posibilidades de éxito en algún objetivo o tarea. Coloquialmente, el término inteligencia artificial se aplica cuando una máquina imita las funciones “cognitivas”que los humanos asocian con otras mentes humanas, como por ejemplo: “percibir”, “razonar”, “aprender” y “resolver problemas”.
- 19. Inteligencia Artificial La inteligencia artificial (IA) es la inteligencia llevada a cabo por máquinas. En ciencias de la computación, una máquina “inteligente” ideal es un agente flexible que percibe su entorno y lleva a cabo acciones que maximi- cen sus posibilidades de éxito en algún objetivo o tarea. Coloquialmente, el término inteligencia artificial se aplica cuando una máquina imita las funciones “cognitivas”que los humanos asocian con otras mentes humanas, como por ejemplo: “percibir”, “razonar”, “aprender” y “resolver problemas”. Fuerte Débil
- 20. Cronologı́a (I) I 1956. Workshop en Dartmouth College, término acuñado por John McCarthy I 1959. John McCarthy, Marvin Minsky. Creación del MIT AI Lab. I 1965. Joseph Weizenbaum (MIT). ELIZA, programa interactivo que dialoga en inglés. https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence https://mindhacks.com/2009/02/19/weird-science-in-mits-ai-lab-1966/ . . .
- 21. Cronologı́a (II) I 70’s ‘AI Winter’. I 80’s Resurgimiento ‘machine learning‘. I ‘Second AI Winter’. I 90’s Orientación a datos en lugar de al conocimiento. https://www.theifactory.com/news/gaining-wisdom-from-data/
- 22. Cronologı́a (III) I 1997. Deep Blue gana a Garry Kasparov (Campeón del mundo de ajedrez). En 1996 fue la primera partida del torneo y ganó Kasparov. https://en.wikipedia.org/wiki/Deep_Blue_versus_Garry_Kasparov I 2002. iRoobot (Roomba). I 2005. Honda (robot ASIMO). I 2006. The Netflix Prize. Machine Learning para mejorar el algoritmo de recomendación en, al menos un 10 %. Ganado en 2009. I 2010. Microsoft (Kinnect para Xbox 360). Cámara 3D, infrarrojos. Seguimiento de movimientos.
- 23. Cronologı́a (IV) I 2011. IBM (Watson) gana a dos campeones de ‘Jeopardy‘, Rutter, Jennings. I Apple (Siri, 2011), Google (Now, 2012), Microsoft (Cortana, 2014). I 2015 Google DeepMind’s AlphaGo vence tres veces al campeón europeo de Go, Fan Hui (5-0). I En 2016 vence al campeón del mundo, Ke Jie. I 2018. El procesador de lenguaje de Alibaba supera a los humanos en una prueba de lectura y comprensión en la Universidad de Stanford. I 2020. OpenAI GPT-3. Deep Learning para generar diversos textos de manera indistinguible de los generados por humanos.
- 24. IA, Machine Learning, Deep Learning https://www.qubole.com/blog/deep-learning-the-latest-trend-in-ai-and-ml/
- 25. Machine Learning I Acceso a datos, utilización para ‘aprender’. I Entrenamiento. I Prueba con datos nuevos. I Observación de las predicciones. I Ajuste (si no funciona bien). I También aprendizaje continuo.
- 26. Redes neuronales (Deep Learning) Un conjunto de técnicas de ‘machine learning‘ que se utilizan para extraer y aprender jerarquı́as de caracterı́sticas basadas frecuentemente en redes neuronales. https://www.edureka.co/blog/what-is-deep-learning
- 28. ¿Entrenamiento? Redes generativas antagónicas – Generative adversarial network https://es.wikipedia.org/wiki/Red_generativa_antag%C3%B3nica https://www.spindox.it/en/blog/generative-adversarial-neural-networks/
- 29. Patrones oscuros (Dark Patterns) ‘Qué son los dark patterns’ https://www.torresburriel.com/weblog/2021/03/30/que-son-los-dark-patterns/
- 31. No todo está perdido: entrenar a las IA ‘How to Beat Social Media Algorithms (and Why You Should Try)‘ https://lifehacker.com/how-to-beat-social-media-algorithms-and-why-you-should-1848355505
- 34. Conclusiones I La Inteligencia Artificial ha evolucionado gracias al enfoque a datos. I Si queremos buenas recomendaciones, necesitan buenos datos. I No es obligatorio contribuir siempre, hay alternativas I Conocer y comprender para sacar partido. I ¿Estamos dispuestos a que una máquina tome decisiones que nos afectan?