El ML es una rama de la inteligencia artificial que permite el desarrollo de sistemas que aprenden y mejoran su rendimiento por medio de la construcción de modelos predictivos que sintetizan los patrones y variables dentro de un conjunto de datos y es un subcampo de la ciencia computacional que se encarga del desarrollo de técnicas de aprendizaje computacional.
8. DEFINIENDO LA INTELIGENCIA ARTIFICIAL (IA)
IA ESTRECHA O CLÁSICA IA GENERAL
IA DÉBIL IA FUERTE
IA ESTRECHA O CLÁSICA IA GENERAL
IA DÉBIL IA FUERTE
9. “LA IA ES LA DISCIPLINA CIENTÍFICA ENCARGADA DE ESTUDIAR MODELOS DE
CÓMPUTO CAPACES DE REALIZAR ACTIVIDADES AUTÓNOMAS CON
ADAPTABILIDAD Y UN CAMPO DE LA CIENCIA COMPUTACIONAL ENCARGADO
DE LA APLICACIÓN Y EL DESARROLLO DEL CONJUNTO DE TECNOLOGÍAS QUE
PERMITEN QUE LAS COMPUTADORAS AYUDEN Y RESUELVAN PROBLEMAS DE
FORMA SIMILAR A LOS HUMANOS EN BASE A LA PERCEPCIÓN, APRENDIZAJE Y
RAZONAMIENTO.”
14. “EL ML ES UNA RAMA DE LA INTELIGENCIA ARTIFICIAL QUE PERMITE EL
DESARROLLO DE SISTEMAS QUE APRENDEN Y MEJORAN SU RENDIMIENTO POR
MEDIO DE LA CONSTRUCCIÓN DE MODELOS PREDICTIVOS QUE SINTETIZAN
LOS PATRONES Y VARIABLES DENTRO DE UN CONJUNTO DE DATOS Y ES UN
SUBCAMPO DE LA CIENCIA COMPUTACIONAL QUE SE ENCARGA DEL
DESARROLLO DE TÉCNICAS DE APRENDIZAJE COMPUTACIONAL.”
15. DESARROLLO TRADICIONAL VS ML
COMPUTADOR
COMPUTADOR
DATOS
PROGRAMA
DATOS
RESULTADO
RESULTADO
PROGRAMA
16. TIPOS DE APRENDIZAJE
SUPERVISADO NO SUPERVISADO
• PREDECIR O CLASIFICAR UN DATO
• LOS DATOS DE ENTRENAMIENTO
ESTAN ETIQUETADOS Y DEBEN
TENER EL VALOR QUE SE BUSCA
PREDECIR O CLASIFICAR
• EL MODELO ENTRENADO PREDICE EL
VALOR SEGÚN NUEVOS DATOS
SEMISUPERVISADO
• AGRUPAR DATOS SIMILARES
• LOS DATOS NO TIENEN ETIQUETAS
SOBRE LOS GRUPOS A LOS QUE
PERTENECEN
• EL MODELO PROPORCIONA ACCESO
A LOS DATOS POR GRUPO
17. ¿CUÁL ES TU PROBLEMA?
REGRESIÓN CLASIFICACIÓN
AGRUPAMIENTO DETECCIÓN DE ANOMALÍAS
18.
19. ETAPAS DEL PROCESO DE ML
ADMINISTRACIÓN
DE DATOS
CONSTRUCCIÓN DE
SOLUCIÓN
DESPLIGUE DE
SOLUCIÓN
CONTROL DE
ACCESO
MANTENIMIENTO
20. RECOMENDACIONES
1. LOS PRIMEROS PASOS SON LOS MÁS IMPORTANTES: CADA PASO
DEPENDE DE LOS PASOS ANTERIORES
2. ESPERE IR HACIA ATRÁS: CONOCIMIENTO POSTERIORES AFECTAN PASOS
PREVIOS
3. LOS DATOS NUNCA SON COMO LOS NECESITAS: LOS DATOS TENDRÁN QUE
SER ALTERADOS
4. MÁS DATOS ES MEJOR: MÁS DATOS MEJORES RESULTADOS
5. NO APRESURE UNA MALA SOLUCIÓN: REEVALUA, ARREGLA O DÉJA
6. PIENSE ANTES DE ACTUAR: COMPRENDA LOS RESULTADOS ANTES DE
CAMBIAR LOS DATOS O EL MODELO
Notas del editor
No podemos negar que desde las primeras máquinas de computación, pasando por la revolución industrial hasta el día de hoy, nuestra relación con las máquinas ha ido estrechándose cada vez más, acompañándonos ahora en casi todas nuestras actividades (incluso mientras respiramos), pero si bien ahora vamos juntos a todos lados, aún tenemos una gran diferencia.
El ser humano actua en base a sus EXPERIENCIAS; mientras que las máquinas dan resultados porque siguen INSTRUCCIONES, instrucciones como las lógicas de control condicional o como las que escriben, leen, actualizan y eliminan datos; esta técnica de desarrollo es útil, pero ¿qué pasaría si necesitamos automatizar el reconocimiento de caracteres escritos a mano o la clasificación de gases o la detección de un cancer maligno? Un humano, conforme va ganando experiencia, puede ir realizando estas actividades cada vez con mayor facilidad, pero ¿qué hay de las máquinas? ¿puede una aprender con la experiencia? O mejor dicho ¿con los datos?
De seguro la mayoría ha escuchado alguna vez sobre semáforos inteligentes, autos inteligentes, ciudades inteligentes, teléfonos inteligentes, congresistas inteligentes, pero sobre lo anterior ¿hay realmente inteligencia? y ¿a qué le llamamos inteligencia artificial?
Actualmente para diferentes personas, la Inteligencia Artificial significa diferentes cosas y esta confusión no es culpa netamente de los medios de comunicación, creo. Hay un par de motivos a considerar...
¿Por qué la percepción pública de la IA es tan nebulosa?
El primer motivo es porque a medida que vamos avanzando, la tecnología que alguna vez se pensó que requería de inteligencia se elimina de la definición. Por ejemplo, los métodos automatizados para realizar búsquedas o el reconocimiento óptico de caracteres ya no se perciben como un ejemplo de la "inteligencia artificial", sino tecnología común.
El segundo motivo es el legado de la ciencia ficción que nos dejan historias sobre sirvientes humanoides amigables que proporcionan diálogos excesivamente ingeniosos, pero que a veces pueden seguir los pasos de Pinocho preguntándose si pueden volverse humanos o se adhieren a motivos siniestros y se vuelven contra sus amos o creadores.
El éxito de los modernos métodos de la IA en comparación con los de hace 50 años se debe a la habilidad de lidiar mejor con la incertidumbre, y la probabilidad ha resultado ser el mejor enfoque para razonar bajo incertidumbre. Actualmente, casi todas las aplicaciones de IA se basan, al menos en cierto grado, en las probabilidades.
De hecho en nuestro universo todo esta construido en base a probabilidades, aprovecho para invitarlos a buscar sobre La función de onda de Schrodinger, y amplitud de probabilidad de Born y el experimento de doble rendija. Nada es real, mentira, cuando sucede es el 100%, pero por naturaleza el ser humano es incapaz de percibir la realidad.
Mecánica Cuántica
Ya, pero ¿Qué es la Inteligencia Artificial?
Para entenderla bien, primero tenemos que considerar dos términos clave para su definición: Autonomía y Adaptabilidad. La autonomía describe la habilidad para realizar tareas en ambientes complejos sin la guía constante de un usuario y la adaptabilidad hace referencia a la habilidad para mejorar el rendimiento aprendiendo de la experiencia y mejorar las capacidades de adaptación.
Y segundo, tenemos que tener en claro cuales son los ámbitos de esta inteligencia, es importante darse cuenta de que la inteligencia no es una sola dimensión como la temperatura o la distancia. ¿Es un algoritmo de juego de ajedrez más inteligente que un filtro de correo no deseado, o es un sistema de recomendación de música más inteligente que un auto sin conductor? Estas preguntas no tienen sentido porque ser capaz de resolver un problema no nos dice nada sobre la capacidad de resolver otro problema diferente. Y por esto debemos diferenciar y rescatar los siguientes conceptos: inteligencia artificial estrecha o clásica, general, débil y fuerte.
La inteligencia artificial estrecha o clásica hace referencia a que un sistema puede realizar una única tarea inteligente. Un automóvil sin conductor es un ejemplo de un elemento de inteligencia (conducir un automóvil) que puede automatizarse. Sin embargo, no participa de una inteligencia real, el sistema de inteligencia artificial en el automóvil no ve ni comprende su entorno, y no sabe cómo conducir con seguridad, de la forma en que un ser humano ve, comprende y sabe. El comportamiento inteligente es fundamentalmente diferente a ser realmente inteligente. Una persona que se comunica bien en chino porque usa un diccionario para entender no quiere decir que realmente sabe chino, sino que simplemente logra un comportamiento de alguien que sabe chino.
La inteligencia general artificial o inteligencia artificial general hace referencia a los sistemas que pueden realizar cualquier tarea inteligente. Actualmente, todos los métodos o tecnologías basadas en inteligencia artificial que usamos hoy en día caen bajo la definición de inteligencia artificial estrecha o clásica y la IA general solo la podemos encontrar en el reino de la ciencia ficción.
Una dicotomía relacionada es la IA "fuerte" y "débil". Esto se reduce a la distinción anterior entre ser inteligente y actuar inteligentemente. Una IA fuerte equivaldría a una "mente" que es genuinamente inteligente y consciente de sí misma. La IA débil es lo que realmente tenemos, es decir, sistemas que exhiben comportamientos inteligentes a pesar de ser "simples" computadoras.
Considerando todo esto, la IA podría definirse como que es la disciplina científica encargada de estudiar modelos de cómputo capaces de realizar actividades autónomas con adaptabilidad y un campo de la ciencia computacional encargado de la aplicación y desarrollo del conjunto de tecnologías que permiten que las computadoras ayuden y resuelvan problemas de forma similar a los humanos en base a la percepción, aprendizaje y razonamiento.
Y los principales grupos de capacidades que nos ofrece la IA incluyen:
Visión computacional
Esta es la capacidad de las computadoras para "ver" mediante el reconocimiento de objetos y sus relaciones en una imagen o video.
Reconocimiento y síntesis de voz
Esta es la capacidad de las computadoras para "escuchar" al comprender las palabras que las personas dicen y transcribirlas en texto, y también para leer el texto en voz alta con una voz natural.
Comprensión del lenguaje
La capacidad de las computadoras para "comprender" el significado de las palabras y responder, teniendo en cuenta los muchos matices y complejidades del lenguaje (como la jerga y las expresiones idiomáticas). Cuando las computadoras pueden participar efectivamente en un diálogo con humanos, lo llamamos "IA conversacional".
Conocimiento
La capacidad de una computadora para "razonar" al representar y comprender la relación entre personas, cosas, lugares y eventos.
EL ML ES UNA RAMA DE LA INTELIGENCIA ARTIFICIAL
QUE PERMITE EL DESARROLLO DE SISTEMAS QUE APRENDEN Y MEJORAN SU RENDIMIENTO POR MEDIO DE LA CONSTRUCCIÓN DE MODELOS PREDICTIVOS QUE SINTETIZAN LOS PATRONES Y VARIABLES DENTRO DE UN CONJUNTO DE DATOS Y ES UN SUBCAMPO DE LA CIENCIA COMPUTACIONAL QUE SE ENCARGA DEL DESARROLLO DE TÉCNICAS DE APRENDIZAJE COMPUTACIONAL
Bajo los modelos de programación tradicionales, los programas y datos son procesados por la computadora para producir un resultado deseado, pero al trabajar con Machine Learning, el paradigma de procesamiento se altera dramáticamente. Los datos y los resultados deseados son procesados mediante ingeniería inversa por la computadora para producir un nuevo programa.
En Machine Learning tenemos más de un tipo de aprendizaje: el supervisado, que busca predecir o clasificar un dato a través de un modelo generado a partir de ejemplos de datos etiquetados que contienen el dato que queremos predecir; el no supervisado, que busca descubrir la estructura de los datos, ya sea agrupando elementos similares para formar "clusters" o reducir los datos a un número pequeño de "dimensiones" importantes; y el semisupervisado, que utiliza tanto datos etiquetados como no etiquetados y que usualmente entra en acción cuando el proceso de etiquetado total es muy costoso o inviable.
Un aprendizaje adecuado nos ayuda a resolver problemas, en Machine Learning los hay de varios tipos y cada uno de ellos se puede solucionar con ayuda de diferentes algoritmos, pero antes de empezar cualquier cosa debemos hacernos la pregunta adecuada
¿Qué estoy buscando?
¿Quiero predecir un valor? Algoritmos de regresión
¿Quiero predecir una categoria? Algoritmos de clasificación
¿Quiero descubrir una estructura? Algoritmos de clusterización
¿Quiero encontrar datos inusuales? Algoritmos de detección de anomilias
El proceso de Machine Learning, el cual involucra la administración de datos, la construcción de la solución, el despliegue de la solución, el control de acceso y el mantenimiento. No entraré en más detalles porque lo veremos en los siguientes videos, pero sí es importante mencionar las siguientes recomendaciones:
LOS PRIMEROS PASOS SON LOS MÁS IMPORTANTES: CADA PASO DEPENDE DE LOS PASOS ANTERIORES
ESPERE IR HACIA ATRÁS: CONOCIMIENTO POSTERIORES AFECTAN PASOS PREVIOS
LOS DATOS NUNCA SON COMO LOS NECESITAS: LOS DATOS TENDRÁN QUE SER ALTERADOS
MÁS DATOS ES MEJOR: MÁS DATOS MEJORES RESULTADOS
NO APRESURE UNA MALA SOLUCIÓN: REEVALUA, ARREGLA O DÉJA
PIENSE ANTES DE ACTUAR: COMPRENDA LOS RESULTADOS ANTES DE CAMBIAR LOS DATOS O EL MODELO