Aplicaciones generales de IA
Aprendizaje automático vs máquinas de predicción
Aplicación del aprendizaje automático
Cuando se exponen a nuevos datos, los programas de ordenador pueden aprender, crecer, cambiar y desarrollarse por sí mismos. Un método de análisis de datos, el aprendizaje automático automatiza la construcción de modelos analíticos. En palabras más simples, permite a las computadoras encontrar información sin estar programada para buscar una información en particular. Para hacer esto, el Machine Learning utiliza algoritmos que aprenden de los datos.
El aprendizaje automático está detrás de loslas aplicaciones de traducción de idiomas,
los programas que Netflix que sugieren contenidos y cómo se presentan nuestros feeds de redes sociales.
Facilita que los vehículos sean autónomos y que las máquinas pueden diagnosticar afecciones médicas basadas en imágenes (datos).
Desde la fabricación hasta el comercio minorista y la banca hasta las panaderías, incluso las empresas familiares están utilizando el aprendizaje automático para valorizar los productos, reducir gastos y/o aumentar la eficiencia.El aprendizaje automático comienza con datos: números, fotos o texto, imágenes de personas o incluso con artículos de panadería, registros de reparación, datos de series temporales de sensores o informes de ventas. Los datos se recopilan y se preparan para ser utilizados como datos de entrenamiento, o son la información en la que se entrenará el modelo de aprendizaje automático. Cuantos más datos, mejor será el programa. A partir de ahí, los programadores eligen un modelo de aprendizaje automático, le suministran los datos y dejan que el modelo se entrene para encontrar patrones o hacer predicciones. Con el tiempo, el programador humano también puede ajustar el modelo, incluido el cambio de sus parámetros, para ayudar a impulsarlo hacia resultados más precisos. Ejemplos de problemas de aprendizaje automático:
¿Es esto cáncer?",
"¿Cuáles de estas personas son buenas amigas?",
"¿A esta persona le gustaría esta película?" ”
tales preguntas son excelentes objetivos para el aprendizaje automático y, de hecho, el aprendizaje automático se ha aplicado a tales problemas con gran éxito.
"¿Cuáles de estas personas son buenas amigas?",
"¿A esta persona le gustaría esta película?"
tales preguntas son excelentes objetivos para el aprendizaje automático y, de hecho, el aprendizaje automático se ha aplicado a tales problemas con gran éxito.
Aplicación de máquinas de predicción (máquinas predictivas)
La capacidad de predecir eventos y tendencias futuras es crucial en todas las industrias.
Loscálculos analíticos predictivos aparecen con más frecuencia de lo que podría suponer, desde el pronóstico meteorológico semanal hasta los avances médicos habilitados por algoritmos. Aquí hay una descripción general del análisis predictivo para comenzar el camino hacia la formulación de estrategias y la toma de decisiones basadas en datos.
Loscálculos analíticos predictivos aparecen con más frecuencia de lo que podría suponer, desde el pronóstico meteorológico semanal hasta los avances médicos habilitados por algoritmos. Aquí hay una descripción general del análisis predictivo para comenzar el camino hacia la formulación de estrategias y la toma de decisiones basadas en datos.
El análisis predictivo es el uso de datos para predecir tendencias y eventos futuros utiliza datos históricos para pronosticar escenarios potenciales que pueden ayudar a impulsar decisiones estratégicas.
Las predicciones podrían servir
en un futuro cercano, por ejemplo, para predecir el mal funcionamiento de una pieza de maquinaria en una fecha aproximada, o para predecir los flujos de efectivo de una empresa para el próximo año.
El análisis predictivo se puede realizar manualmente o utilizando algoritmos de aprendizaje automático. De cualquier manera, los datos históricos son la base para hacer suposiciones sobre el futuro.
La previsión puede permitir tomar mejores decisiones y formular estrategias basadas en datos. Aquí hemos incluido algunos ejemplos de análisis predictivo:
La previsión puede permitir tomar mejores decisiones y formular estrategias basadas en datos. Aquí hemos incluido algunos ejemplos de análisis predictivo:
1. Finanzas: Previsión del flujo de caja
Todas las empresas necesitan mantener registros financieros periódicos, y el análisis predictivo puede desempeñar un papel importante en el pronóstico de la salud financiera de una empresa. Utilizando datos históricos de estados financieros anteriores, así como datos de la industria en general, puede evaluar las ventas, los ingresos y los gastos para así elaborar una imagen del futuro y facilitar la tomar decisiones.
2. Entretenimiento y hospitalidad: determinar las necesidades de personal
En el entretenimiento y la hospitalidad, la afluencia de clientes depende de varios factores, todos los cuales influyen en la cantidad de miembros del personal que un lugar u hotel necesita en un momento dado. El exceso de personal cuesta dinero, y la falta de personal podría resultar en una mala experiencia del cliente, empleados con exceso de trabajo y errores costosos.
Para predecir el número de registros en hoteles en un día determinado, un modelo de regresión múltiple que considere varios factores puede ayudar a evitar el exceso de personal.
3. Atención médica: detección temprana de reacciones alérgicas
Otro ejemplo de uso de algoritmos para el análisis rápido y predictivo proviene de la industria de la atención médica. El Instituto Wyss de la Universidad de Harvard se asoció con la Fundación KeepSmilin4Abbie para desarrollar una pieza portátil de tecnología que predice una reacción alérgica anafiláctica y administra automáticamente epinefrina que salva vidas. El sensor, llamado AbbieSense, detecta signos fisiológicos tempranos de anafilaxia
Todas las empresas necesitan mantener registros financieros periódicos, y el análisis predictivo puede desempeñar un papel importante en el pronóstico de la salud financiera de una empresa. Utilizando datos históricos de estados financieros anteriores, así como datos de la industria en general, puede evaluar las ventas, los ingresos y los gastos para así elaborar una imagen del futuro y facilitar la tomar decisiones.
2. Entretenimiento y hospitalidad: determinar las necesidades de personal
En el entretenimiento y la hospitalidad, la afluencia de clientes depende de varios factores, todos los cuales influyen en la cantidad de miembros del personal que un lugar u hotel necesita en un momento dado. El exceso de personal cuesta dinero, y la falta de personal podría resultar en una mala experiencia del cliente, empleados con exceso de trabajo y errores costosos.Para predecir el número de registros en hoteles en un día determinado, un modelo de regresión múltiple que considere varios factores puede ayudar a evitar el exceso de personal.
3. Atención médica: detección temprana de reacciones alérgicas
Otro ejemplo de uso de algoritmos para el análisis rápido y predictivo proviene de la industria de la atención médica. El Instituto Wyss de la Universidad de Harvard se asoció con la Fundación KeepSmilin4Abbie para desarrollar una pieza portátil de tecnología que predice una reacción alérgica anafiláctica y administra automáticamente epinefrina que salva vidas. El sensor, llamado AbbieSense, detecta signos fisiológicos tempranos de anafilaxia
como predictores de una reacción posterior, y lo hace mucho más rápido que un humano. Cuando se predice que se producirá una reacción, se desencadena una respuesta algorítmica. El algoritmo puede predecir la gravedad de la reacción, alertar al individuo y a los cuidadores, e inyectar automáticamente epinefrina cuando sea necesario. La facilidad de la tecnologíapara predecir la reacción a una velocidad más rápida que la detección manual podría salvar vidas.
La diferencia entre el aprendizaje automático y el análisis predictivo y dónde se superponen
| Aprendizaje automático (ML) | Modelado predictivo |
| Para resolver problemas complejos utiliza varios modelos de Machine Learning (ML) | Para predecir resultados futuros, utiliza datos pasados. |
| Tienen la tendencia a adaptarse y aprender de las experiencias. | No tienen la tendencia a adaptarse a los datos. |
| No es necesario programar explícitamente. | Para procesar los datos, deben programarse manualmente en el sistema. |
| Para hacer frente a un problema en particular, sus modelos son lo suficientemente inteligentes como para adaptarse y actualizarse. | No tienen modelos inteligentes que puedan tomar decisiones por sí mismos. |
| Es un enfoque basado en datos | Es un enfoque basado en casos de uso. |
| No requiere una gran cantidad de datos históricos para procesar la tarea. | Requiere una gran cantidad de datos históricos para procesar una tarea en particular, es decir, para predecir resultados futuros. |
| Para resolver un problema, se requiere una descripción detallada del problema. | Para resolver un problema, no requiere una descripción detallada del problema. |
Entrene un sistema de aprendizaje automático en línea de manera fácil
Entrene un sistema de aprendizaje automático en línea de manera fácil y lúdica, con un máximo de 10 minutos.
Abra este enlace en su navegador: https://machinelearningforkids.co.uk/#!/welcome - y sigue las instrucciones, son simples y cortas. Como resultado, podrás comprender cómo entrenar un sistema de aprendizaje automático de la manera más fácil.Otros recursos: videos y/o enlaces útiles
- https://machinelearningforkids.co.uk/#!/welcome.
- Qué es ML, introducción en 7 minutos: https://www.youtube.com/watch?v=LcXOMKE7d7A
- ML : recursos gratuitos de Google https://observatorio.tec.mx/edu-news/aprende-machine-learning-google
- Aprende sobre ML: https://www.aprendemachinelearning.com/
Referencias
● Prediction machines AI, https://www.predictionmachines.ai/ and https://store.hbr.org/product/prediction-machines-the-simple-economics-of-artificial-intelligence/10195?sku=10195-HBK-ENG
● https://medium.datadriveninvestor.com/prediction-machines-a-summary-278d3fdf94f1
● Machine Learning (ML) vs. Artificial Intelligence (AI) - Crucial Differences, https://towardsai.net/p/machine-learning/differences-between-ai-and-machine-learning-1255b182fc6
● How No-Code Platforms Can Bring AI to Small and Midsize Businesses by Jonathon Reilly, 2021, https://hbr.org/2021/11/how-no-code-platforms-can-bring-ai-to-small-and-midsize-businesses
● Adding real value https://static1.squarespace.com/static/59d6456137c581acfcef3422/t/5cadd76015fcc0f9e6594106/1554896736783/IM_Joshua+Gans+and+authors.pdf
● Machine Learning, MIT. https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained
● Deep learning https://searchenterpriseai.techtarget.com/definition/deep-learning-deep-neural-network
Autorreflexiones
Mira el video - https://ametic.es/es/evento/inteligencia-artificial-para-prediccion-y-resolucion-de-problemas-casos-de-uso y responde a las preguntas:
Preguntas:
¿te parece que la IA puede contribuir a predecir y resolver problemas?
¿qué casos de uso te han parecido más interesantes y resolutivas?
