13. La Inteligencia Artificial Discriminativa
• La IA Discriminativa es un tipo de de IA que se
usa para clasificar los datos en categorías
• ejemplos:
• la detección de spam
• el reconocimiento facial
• la clasificación de imágenes
17. La Inteligencia Artificial Generativa
• La IA Generativa crea contenido nuevo,
como imágenes, texto o música, imitando
patrones aprendidos de datos existentes.
• Es como una mente creativa digital que
produce cosas originales basadas en lo que
ha visto previamente.
18.
19.
20. Los Principios de la Ética en la IA
1. Hacer el bien y evitar el mal
2. Justicia y Equidad (sesgos)
3. Responsabilidad y Rendición de cuentas
4. Explicabilidad y Transparencia
5. Privacidad
24. ¿Qué es el Aprendizaje Automático?
Definición de inteligencia artificial
25. ¿Qué es el Aprendizaje Automático?
Definición de inteligencia artificial
26. Datos de entrenamiento y de test
● Datos de entrenamiento
○ entrenamos el algoritmo con los datos de entrenamiento.
○ Obtendremos un modelo o una regla que predice el
resultado a partir de las variables de entrada.
● Datos de Test
○ Se trata de usar el modelo entrenado para predecir los
resultados correspondientes a los datos de test y
comparar las predicciones con los resultados reales
27. Aprendizaje automático
Tipos de aprendizaje automático
● Aprendizaje supervisado
● Aprendizaje No supervisado
● Aprendizaje por refuerzo
29. Aprendizaje automático
Clasificador del vecino más cercano
● El clasificador del vecino más cercano figura entre los
clasificadores más sencillos posibles.
● Cuando se le da un elemento para que lo clasifique, busca
el elemento de los datos de entrenamiento que más se
parezca al nuevo elemento y le adjudica su etiqueta.
● Ejemplo: recomendaciones musicales
31. Ejercicio: Clientes que compran productos similares
▣ Vamos a crear un sistema sencillo de
recomendaciones para una aplicación de compras en
línea
▣ La aplicación registra el historial de compra de los
usuarios y lo utiliza para predecir qué productos es
probable que un usuario adquiera en sucesivas
ocasiones.
32.
33. Ejercicio
Se trata de predecir la siguiente compra del usuario
Travis, que ha comprado los siguientes productos:
65. Las redes neuronales. Estructura.
● Pesos y entradas
○ Analogía de un ticket de compra
● Activaciones y salidas
○ Función de activación (identidad,
escalonada, sigmoide)
● Capas
○ Entrada - Ocultas - Salida
70. ¿Qué es el procesamiento de lenguaje natural (NLP)?
● Definición de NLP: Computadoras comprendiendo y generando lenguaje
humano de manera natural.
● Interpretación y generación: Análisis y producción de lenguaje similar al
humano.
● Aplicaciones de NLP: Chatbots, traducción automática y asistentes
virtuales.
71. Componentes fundamentales del NLP
● Tokenización:
○ División del texto en unidades más pequeñas para analizarlo.
● Análisis morfológico:
○ Estudio de la estructura y forma de las palabras.
● Sintaxis:
○ Análisis de la estructura gramatical y relaciones entre palabras.
72. Herramientas y bibliotecas populares de NLP
● NLTK: Biblioteca de Python para procesamiento de lenguaje natural.
● spaCy: Biblioteca eficiente de Python para NLP con funcionalidades
avanzadas.
● TensorFlow: Biblioteca de aprendizaje automático con módulos específicos
para NLP.
73. Aplicaciones del procesamiento de lenguaje natural
● Chatbots:
○ Interacción automatizada con clientes para respuestas rápidas.
● Análisis de sentimientos:
○ Extracción de emociones en reseñas o comentarios.
● Traducción automática:
○ Conversión de texto entre diferentes idiomas.
74. Desafíos y consideraciones del NLP
● Ambigüedad del lenguaje natural:
○ Interpretación precisa en diferentes contextos.
● Polisemia:
○ Manejo de palabras con múltiples significados.
● Ética y privacidad:
○ Protección de datos y mitigación de sesgos en modelos.
75. Ejemplos prácticos de uso de NLP en la industria
● Atención médica:
○ Análisis de registros médicos para diagnósticos precisos.
● Sector financiero:
○ Análisis de informes, detección de fraudes y riesgos.
● Redes sociales:
○ Moderación de contenido inapropiado y recomendación personalizada.
76. Moderación de contenido inapropiado en redes sociales
● Detección automática:
○ Algoritmos que identifican contenido inapropiado, como spam, violencia o discurso de odio.
● Filtrado de comentarios:
○ Herramientas para filtrar y ocultar comentarios ofensivos o inapropiados en publicaciones.
● Bloqueo de cuentas:
○ Identificación y bloqueo de cuentas que violan las políticas de la plataforma.
77. Recomendación personalizada en redes sociales
● Análisis de intereses:
○ Algoritmos que analizan el comportamiento del usuario para comprender sus intereses y
preferencias.
● Contenido relevante:
○ Recomendación de publicaciones, perfiles o anuncios basados en los intereses y actividad del
usuario.
● Experiencia personalizada:
○ Adaptación del feed de noticias y exploración de contenido para satisfacer los gustos
individuales del usuario.
78. Análisis de registros médicos para diagnósticos precisos
● Extracción de información: Algoritmos que extraen datos clave de los
registros médicos electrónicos, como síntomas, historial médico y resultados
de pruebas.
● Análisis de patrones: Identificación de patrones y correlaciones en los datos
para apoyar el diagnóstico de enfermedades y condiciones médicas.
● Ayuda en la toma de decisiones: Herramientas que proporcionan
recomendaciones basadas en evidencia científica para ayudar a los médicos
en la toma de decisiones clínicas.
79. Mejora de la precisión diagnóstica en atención médica
● Diagnóstico temprano: Identificación temprana de enfermedades o
condiciones médicas antes de que los síntomas sean evidentes.
● Personalización de tratamientos: Análisis de registros médicos para
adaptar los tratamientos a las características individuales del paciente.
● Reducción de errores: Minimización de errores humanos y mejora de la
precisión diagnóstica con la ayuda de algoritmos de análisis de registros
médicos.
80. Análisis de informes en el sector financiero
● Automatización de análisis: Algoritmos que analizan informes financieros, como
estados de cuentas y balances, para extraer información clave y realizar
evaluaciones precisas.
● Identificación de tendencias: Análisis de informes a lo largo del tiempo para
identificar patrones, tendencias y cambios significativos en el desempeño
financiero.
● Evaluación de rendimiento: Uso de herramientas analíticas para evaluar el
rendimiento financiero de una empresa, como el análisis de ratios financieros.
81. Detección de fraudes y riesgos en el sector financiero
● Detección de anomalías: Algoritmos que analizan transacciones financieras para
identificar patrones sospechosos o inusuales que podrían indicar fraudes o
actividades fraudulentas.
● Modelos de riesgo: Utilización de modelos estadísticos y algoritmos de
aprendizaje automático para evaluar el riesgo crediticio, operativo y de mercado en
el sector financiero.
● Monitoreo en tiempo real: Implementación de sistemas de monitoreo en tiempo
real para detectar y prevenir fraudes y actividades de riesgo de manera proactiva.
89. Cómo funciona
● Consulta
○ palabras → números
○ Tokens (fragmentos de palabras que ocurren juntos)
✓ “eres”, “ado”, “?”
✓ El diccionario de GPT-3 contiene detalles de 50.257 tokens.
✓ GPT-3: 2.048 tokens a la vez (un artículo)
✓ GPT-4: 32.000 tokens (una novela) → más contexto
○ Tokens → “Espacio de significado” con asociaciones entre palabras
● Respuesta
○ Token más apropiado (con más alta probabilidad)
○ 1ª palabra → 2ª palabra → 3ª palabra → …