Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Actividad de Aprendizaje 3. Sistemas Expertos
Actividad de Aprendizaje 3. Sistemas Expertos
93774
KO49
Actividad de aprendizaje 3. Sistemas expertos
Mtro. Eduardo Pazos Gutiérrez
22/05/2020
¿Qué es la inteligencia artificial, y cuáles son sus principales componentes
Elementos de la IA
Descubrir
El descubrimiento es la habilidad de un sistema inteligente para aprender de datos sin
intervención humana por adelantado. A menudo, esto necesita hacerse sin la presentación de
un objetivo explícito. Para ello, depende del uso de técnicas de aprendizaje automático sin
supervisar o parcialmente supervisadas (tales como la segmentación, reducción de la
dimensionalidad, detección de anomalías y otras más), así como técnicas más supervisadas
donde hay uno o varios resultados de interés.
Generalmente, en software empresarial, el término descubrimiento se refiere a la
habilidad de soluciones ETL/MDM para descubrir los diversos esquemas de tablas en bases de
datos de gran tamaño y automáticamente encontrar, unir claves, etc. Esto no es a lo que nos
referimos con descubrimiento. Usamos el término de forma muy diferente y esto tiene
implicaciones importantes.
En conjuntos de datos complejos, es prácticamente imposible hacer las preguntas
“correctas”. Para descubrir qué valor se encuentra entre la información, uno debe comprender
todas las relaciones que son inherentes e importantes en ella. Esto requiere una metodología
rigurosa en cuanto a la generación de hipótesis.
La técnica de análisis topológico de datos (TDA) es excepcional en hacer surgir
relaciones ocultas que existen en los datos e identificar aquellas relaciones que son
significativas sin tener que preguntar cuestiones específicas respecto a la información. El
resultado es un producto que puede representar fenómenos complejos, y por tanto puede hacer
surgir señales más débiles así como señales más fuertes.
Esto permite la detección de fenómenos emergentes. Como resultado, las empresas
ahora pueden descubrir respuestas a preguntas que ni siquiera habían pensado preguntar y
hacerlo con datos que se encuentran sin etiquetar.
Predecir
Una vez que el conjunto de datos se ha comprendido mediante descubrimiento
inteligente, se aplican estrategias supervisadas para predecir qué pasará en el futuro. Estos
tipos de problemas incluyen clasificación, regresión y ranking.
Para este pilar, muchas compañías usan un conjunto estándar de algoritmos de
aprendizaje automático supervisado, incluyendo bosques aleatorios, potenciación del gradiente,
aprendizaje lineal/disperso. De todos modos, hay que tener en cuenta que el trabajo sin
supervisar del paso anterior es altamente útil en muchas formas. Por ejemplo, puede generar
características relevantes que usar en futuras tareas de predicción, o encontrar porciones
locales de información donde los algoritmos supervisados pueden encontrar dificultades (errores
sistemáticos).
Esta fase de predicción es una parte importante del valor empresarial que se asocia con
la ciencia de datos; de todos modos, generalmente en análisis predictivos existe la noción de
que esto es la suma total del aprendizaje automático. Este no es el caso en absoluto.
La predicción, aunque importante, está muy bien comprendida y no se califica por sí
misma como “inteligencia”. Además, la predicción puede fallar en varias dimensiones,
particularmente si los grupos en los cuales se está prediciendo están sujetos a algún tipo de
sesgo. De por sí, la predicción no es AI, y debemos dejar de referirnos a ella como tal.
Justificar
Las aplicaciones necesitan permitir la interacción con humanos de una manera en que los
resultados sean reconocibles y creíbles. Por ejemplo, cuando uno crea un modelo predictivo, es
importante tener una explicación de cómo el modelo hace lo que está haciendo, qué están
haciendo las características en el modelo, en términos que sean familiares para sus usuarios.
Este nivel de familiaridad es importante para generar confianza e intuición.
Similarmente en la misma manera que los automóviles tienen mecanismos no sólo para
detectar la presencia de un mal funcionamiento, sino también para especificar la naturaleza del
fallo y sugerir un método para corregirlo, uno tiene que poseer una comprensión de los
principios básicos acerca de cómo funciona una aplicación para poder “repararla” cuando
funciona incorrectamente.
Hay una diferencia entre transparencia y justificación. La transparencia te dice qué
algoritmos y parámetros se han usado, mientras que la justificación te dice por qué. Para que la
inteligencia sea significativa, debe ser capaz de justificar y explicar sus afirmaciones, así como
ser capaz de diagnosticar fallos. Ningún líder debería implementar aplicaciones inteligentes y
autónomas para problemas empresariales críticos sin una comprensión exhaustiva de qué
variables impulsan el modelo. Las empresas no pueden moverse hacia un modelo de
aplicaciones inteligentes sin confianza y transparencia.
Actuar
La AI sin UX (Experiencia de Usuario) es de utilidad limitada. La UX es lo que distribuye
dicha inteligencia a través de la organización y la lleva al límite — donde puede ser consumida
por los profesionales y expertos en la materia.
Básicamente, el proceso de operacionalizar una aplicación inteligente en una empresa
requiere algunos cambios en la organización, una aceptación de que la aplicación evolucionará
con el tiempo, y que requerirá cambios — automatizados o no.
Para que ello ocurra, las aplicaciones inteligentes tienen que estar “en vivo” en el proceso
empresarial, viendo nuevos datos y automáticamente ejecutando el bucle de descubrir, predecir,
justificar en una frecuencia que tenga sentido para dicho proceso empresarial. Para algunos
procesos, esto puede ser trimestral, para otros, a diario. Dicho bucle puede incluso ser medido
en segundos.
Aprender
Los sistemas inteligentes están diseñados para detectar y reaccionar a medida que la
información evoluciona. Un sistema inteligente es uno que siempre está aprendiendo, vive en el
proceso de trabajo y está mejorando de forma constante. En el mundo de la información
moderna, una aplicación que no está volviéndose más inteligente se está volviendo más tonta.
Las aplicaciones inteligentes están diseñadas para detectar y reaccionar cuando las
distribuciones de datos evolucionan. Como resultado, necesitan estar “en línea” para detectar
estos fenómenos antes de que se conviertan en un problema.
Demasiadas soluciones proveen una respuesta en un punto en el tiempo; un sistema
inteligente es uno que siempre está aprendiendo a través de la infraestructura descrita aquí.
Esto es lo que define la inteligencia — no un algoritmo de aprendizaje automático soltando
PDFs que contienen predicciones o resultados del trabajo de un científico de datos. Para que la
industria continúe creciendo y evolucionando, necesitamos empezar a hacer un mejor trabajo al
reconocer lo que es verdaderamente AI y lo que no lo es.
¿Qué son los sistemas expertos y cuáles son sus capacidades fundamentale
s?
Características
Para que un sistema actúe como un verdadero experto, es deseable que reúna, en lo
posible, lo más importante de las características de un experto humano, esto es:
Redes neuronales.
Conexiones que forman las neuronas en el cerebro. Se investiga su utilización en muchas
áreas; Visión Artificial, Razonamiento, Aprendizaje, Comprensión Lenguaje Natural.
Redes Bayesianas: Técnica para tratar el razonamiento con incertidumbre. Su base es el
teorema de Bayes que es el método matemático exacto para tratar las probabilidades. Consiste
en una red donde los nodos son hechos ciertos o no y los enlaces entre los nodos son las
probabilidades condicionadas de unos hechos con respecto a otros. Propagando las
probabilidades a través de la red, se pueden obtener los resultados más probables a partir de
los hechos que se conocen (razonamiento). El ejemplo típico son los sistemas de diagnóstico
médico.
Algoritmos genéticos: Son métodos de aprendizaje inspirados en la evolución natural, y
que utilizan las nociones de individuos, apareamiento, recombinación de cromosomas, mutación
genética, adaptación y selección natural. Son la base de las investigaciones en Vida Artificial.
Otras técnicas que se pueden mencionar son la utilización de Ontologías para
representar el conocimiento, Data Mining para obtención de conocimiento en bases de datos y
los Agentes Inteligentes para la recuperación de información en Internet.
¿Qué es la realidad virtual? Resalta sus características y coloca un ejemplo.
Para ello, la realidad virtual ha sido desarrollada con la capacidad de emitir infinidad de
reacciones ante las acciones ejecutadas por los usuarios, brindando un marco que ofrezca una
experiencia inmersa, interactiva y multisensorial.
Para lograr ser parte de la realidad virtual inmersa, no sólo es necesario contar con las
herramientas de software necesarias para ello, sino que además es imprescindible el uso de
una serie de dispositivos que permiten al usuario introducirse en este mundo paralelo, tales
como cascos, guantes y otros elementos.
No obstante, más allá de los componentes necesarios para establecer una realidad
virtual, dicha plataforma necesita de un mecanismo de funcionamiento que la haga posible.
RED NEURONAL.