Aplicaciones generales de IA
Definiciones de AI, ML, DL y RPA
Inteligencia Artificial (IA)
Mira el siguiente video y piensa en ejemplos similares de casos de uso del mundo real de IA de los que hayas oído hablar, leído o conozcas:
Video Heurístik
Video Heurístik
Como se explica también en el video anterior, en su forma más simple, la inteligencia artificial combina la informática y los conjuntos de datos, para permitir la resolución de problemas, la toma de decisiones, etc.
A veces llamada inteligencia de máquina (o machine intelligence, en inglés), la IA es la inteligencia demostrada por las máquinas, a diferencia de la inteligencia natural mostrada por humanos y animales. La IA ofrece una amplia gama de herramientas que ayudan a evaluar y producir una mejor integración de la información, y un análisis para mejorar la toma de decisiones. Esto se puede hacer aprovechando los datos recopilados de diversas fuentes, a través de diferentes plataformas y espectros. Esto permitirá a la IA ofrecer una sofisticada capacidad de análisis. La clave para un mejor análisis de tendencias e interconexiones es aprovechar las poderosas capacidades de IA. Al tener acceso a enormes cantidades de datos de diferentes industrias y ecosistemas tales como las finanzas, la salud, las ciudades inteligentes, el internet de las cosas, etc. la IA podrá proporcionar información en áreas de otros campos y ampliar su capacidad para producir mejores resultados en su campo de aplicación.
Estas disciplinas están compuestas por algoritmos de IA, que buscan crear sistemas expertos que hagan predicciones basadas en datos de entrada.
Una predicción es anticipar una ocurrencia o evento que aún no ha sucedido en función de la información que lleva a que suceda (ejemplo: predicción de accidentes laborales de futbolistas tras la pandemia). La clasificación es el proceso de poner iguales con iguales, formando grupos con miembros homogéneos (por ejemplo, distinguiendo imágenes de futbolistas y de ciclistas). La clasificación se realiza sobre la base de ciertas características basadas en datos diferenciales de los elementos a clasificar (por ejemplo, la vestimenta y la presencia de balón o de bicicleta).
En general, los sistemas de IA funcionan usando grandes cantidades de datos etiquetados, analizando los datos en busca de correlaciones y patrones, y utilizando estos patrones para hacer predicciones sobre estadísticas futuras.
De esta manera, por ejemplo, un chatbot que se alimenta con ejemplos de chats de texto puede aprender a producir intercambios realistas con personas, o una herramienta de reconocimiento de imágenes puede aprender a identificar y describir objetos en imágenes revisando millones de ejemplos.
La IA también ayudará a predecir las tendencias en el mercado y generar productos que estén en línea con las próximas tendencias con una mejor precisión. También puede gestionar mejor la logística y la cadena de suministro.
La Inteligencia Artificial es el paraguas más amplio bajo el cual se encuentran el Aprendizaje Automático (Machine Learning) y el Aprendizaje Profundo (Deep Learning). Y como muestra el diagrama a continuación, el aprendizaje profundo es un subconjunto del aprendizaje automático. Los tres son IA, aprendizaje automático y aprendizaje profundo son solo subconjuntos entre sí. Así que sigamos adelante y entendamos cómo son exactamente diferentes entre sí.
(source: edureka.co)
Aprendizaje automático (Machine Learning, ML a partir de ahora)
Después de ver el video de Youtube (https://www.youtube.com/watch?v=NdNyYcAJQr8) piensa en casos de uso de IA similares de su vida diaria.
OTROS ejemplos de ML:
- Cape AI
- ARUTEC
Significa la capacidad de la herramienta basada en IA para aprender. El ML lo define, el científico informático y pionero del aprendizaje automático Tom M. Mitchell como:"El estudio de algoritmos informáticos que permiten que los programas informáticos mejoren automáticamente a través de la experiencia".
El aprendizaje automático se basa en trabajar con conjuntos de datos pequeños a grandes examinando y comparando los datos para encontrar patrones comunes y explorar matices.
La función de un sistema de aprendizaje automático puede ser
- descriptiva, lo que significa que el sistema utiliza los datos para explicar lo que se aplica (por ejemplo, el uso de las redes sociales y los datos de participación como Instagram o Facebook);
- una predicción, lo que significa que el sistema utiliza los datos para predecir lo que sucederá (por ejemplo, administrar las expectativas de rendimiento y evitar riesgos);
- o una prescripción, lo que significa que el sistema utilizará los datos para hacer sugerencias sobre qué acción tomar (por ejemplo, decisiones de inversión).
Podemos mencionar diferentes tipos de ML, tales como el ML supervisado, ML no supervisado, ML de refuerzo y ML federado, que es una forma de producir aprendizaje automático a partir de varios servidores que trabajan con conjuntos de datos, sin compartir datos.
Podemos mencionar diferentes tipos de ML, tales como el ML supervisado, ML no supervisado, ML de refuerzo y ML federado, que es una forma de producir aprendizaje automático a partir de varios servidores que trabajan con conjuntos de datos, sin compartir datos.
Aprendizaje profundo
De hecho, todo el aprendizaje profundo es aprendizaje automático, pero no todo el aprendizaje automático es aprendizaje profundo.
El aprendizaje profundo es un subconjunto del aprendizaje automático, que es esencialmente una red neuronal con muchas capas. Estas redes neuronales intentan simular el comportamiento del cerebro humano, aunque lejos de coincidir con su capacidad, lo que le permite "aprender" de grandes cantidades de datos. Mientras que una red neuronal con una sola capa aún puede hacer predicciones aproximadas, las capas ocultas adicionales pueden ayudar a optimizar y refinar para mayor precisión.El aprendizaje profundo impulsa muchas aplicaciones y servicios de inteligencia artificial que mejoran la automatización, realizando tareas analíticas y físicas sin intervención humana. La tecnología de aprendizaje profundo se encuentra detrás de los productos y servicios cotidianos (como asistentes digitales, controles remotos de TV habilitados para voz y detección de fraude con tarjetas de crédito), así como tecnologías emergentes (como los automóviles autónomos).
El aprendizaje profundo comenzó a realizar tareas que eran imposibles de hacer con la programación clásica basada en reglas. Campos como el reconocimiento de voz y de rostro, la clasificación de imágenes y el procesamiento del lenguaje natural, que estaban en una fase inicial, de repente se desarrollaron enormemente.
Automatización robótica de procesos
La tecnología RPA está cambiando la forma en que el mundo hace el trabajo. Los robots de software, en lugar de las personas, realizan trabajos repetitivos y de menor valor, como iniciar sesión en aplicaciones y sistemas, mover archivos y carpetas, extraer, copiar e insertar datos, completar formularios y completar análisis e informes de rutina. Los robots avanzados pueden incluso realizar procesos cognitivos, como interpretar texto, participar en chats y conversaciones, comprender datos no estructurados y aplicar modelos avanzados de aprendizaje automático para tomar decisiones complejas. Cuando los robots realizan este tipo de tareas repetitivas y de alto volumen, los humanos se liberan para centrarse en las cosas que hacen mejor y disfrutan más: innovar,colaborar, crear e interactuar con los clientes.
Las empresas también reciben un impulso:
eficiencia y
resiliencia.
No es de extrañar que el RPA esté reescribiendo la historia del trabajo.
Para demostrar lo extendida que está la RPA (y por qué tantos están invirtiendo en ella), hemos compilado una lista de ejemplos reales de RPA que ayudan a las empresas a reducir costes, ahorrar tiempo, mantenerse competitivas y hacer un mejor trabajo.
Operaciones de centros de atención al cliente
Muchas de las solicitudes de los clientes recibidas por los centros de llamadas pueden ser soportadas con tecnología RPA. Cuando un problema se pasa a agentes humanos, la RPA puede ayudar a consolidar toda la información sobre un cliente en una sola pantalla, para que los agentes tengan toda la información que necesitan de diferentes sistemas para proporcionar un servicio ejemplar.
Solicitudes de tarjetas de crédito
Hoy en día, los bots están procesando la mayoría de las solicitudes de tarjetas de crédito. Se pueden programar para manejar fácilmente todos los aspectos del proceso, desde la recopilación de información y documentos, la realización de crédito máximo y antecedente s y, en última instancia, la decisión de si el solicitante puede recibir crédito y emitirse una tarjeta real.
Otros recursos: videos y/o enlaces útiles
- Introducción a la IA https://www.youtube.com/watch?v=XgDfv5cI2VI
- Película documental sobre IA: https://www.youtube.com/watch?v=5dZ_lvDgevk
Referencias
● https://www.techtarget.com/searchenterpriseai/definition/AI-Artificial-Intelligence
● Hatamleh, Omar; Tilesch, George. BetweenBrains: Taking back our AI Future. Kindle Edition, https://betweenbrains.ai/
● Machine Learning definition, 2020, Expert AI, https://www.expert.ai/blog/machine-learning-definition/
● Machine Learning, 2017 SAS Institute Inc., sas.com/content/dam/SAS/documents/marketing-whitepapers-ebooks/sas-whitepapers/en/machine-learning-primer-108796.pdf
● Artificial Intelligence: The Ambiguous Labor Market Impact of Automating Prediction; Ajay Agrawal, Joshua S. Gans, and Avi Goldfarb; https://pubs.aeaweb.org/doi/pdfplus/10.1257/jep.33.2.31
● Definition of Robotic Process Automation, UiPath, https://www.uipath.com/rpa/robotic-process-automation
● https://www.expert.ai/blog/machine-learning-definition/
● https://www.geeksforgeeks.org/machine-learning/
● https://www.predictionmachines.ai/
Autorreflexión
Aquí está el enlace a una película documental sobre la IA y sus usos. https://www.youtube.com/watch?v=4fadLeXfycM
Míralo y responde a la siguiente pregunta.
¿Qué usos tiene la IA en la sociedad?
