Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Si lo hacemos como una idea común tenemos que la inteligencia artificial es la subdiciplina del
campo de la informática, que busca la creación de máquinas que puedan imitar comportamientos
inteligentes. (usado por primera vez en 1955).
Estos comportamientos pueden ser muy diversos conducir, analizar patrones, reconocer voces, o
ganar a juegos. Son muchas las formas en la que las maquinas pude simular un comportamiento
inteligente y cada vez tenemos más ejemplos como en ciertas áreas logran alcanzar un
rendimiento mayor al humano, pero ¿esas las convierten más capaces que nosotros?... bueno no
exactamente
Es la rama del campo de la inteligencia artificial, que busca como dotar a las máquinas de
capacidad de aprendizaje. (usado por primera vez en 1959); entendido este como la
generalización del conocimiento a partir de un conjunto de experiencias, este aprendizaje puede
dividirse en tres grupos deferentes (supervisado, no supervisado y reforzado), por tanto, ya
tenemos claro que el machine learning es una disciplina dentro del campo de la inteligencia
artificial pero no es una disciplina cualquiera, es un componente nuclear que de hecho se
relaciona con esta y con el resto de categorías. ¿Por qué? Porque obviamente todas las otras
capacidades pueden ser imitadas ya sea por alguien las haya programado o mucho más
interesante porque el propio sistema haya aprendido a realizarlas.
Una cosa es programas una máquina para que pueda moverse y otra es muy diferente
programarla para que aprenda a moverse igualmente no es lo mismo programar que elementos lo
conforman una cara que automáticamente aprender que es una cara; este cambio de paradigma
es lo que hace interesante al machine learnig y por ello es muy común confundir la parte de un
todo y decir que la inteligencia artificial y machine learning es la misma cosa.
Dentro del machine learning nos encontramos con un nuevo mundo donde existen diferentes
técnicas que sirven para cubrir diferentes tipos de aplicaciones por ejemplo tenemos técnicas
como los arboles de decisión, modelo de regresión, modelos de clasificación, técnicas de
caracterización y muchísimas otras más. Sin embargo si una de estas técnicas a dado fama al
campo del machine learning durante la última década este ha sido las redes neuronales; lo
interesante de los redes neuronales es que son capaces de aprender de forma jerarquizados, es
decir, la información se aprende por niveles; donde las primeras capas aprendes conceptos muy
concretos como por ejemplo que es un tornillo, un espejo una rueda y las capas posteriores usan
la información aprendida previamente para aprender conceptos más abstractos por ejemplo un
coche, un camión, una moto, esto hace que a medida que añadimos más capas la información que
se aprende es cada vez más abstracta e interesante. ¿Y cuantas capas podemos poner?; pues no
hay límite y la tendencia que cada vez estos algoritmos añadan más y más capas convirtiéndose en
algoritmos más complejos. Este incremento en el número de capas y en la complejidad es lo que
hace que estos algoritmos sean conocidos como algoritmos de Deep Learning.
Por tanto y para resumir tenemos que la big data hace referencia al fenómeno de acumular
grandes cantidades de datos aunque también se suele utilizar para referirse al proceso de análisis
de todos estos datos del momento en que los captura hasta que los transforma en conocimientos
para esto se requieren de potentes y complejas técnicas como por ejemplo técnicas de Deep
learning , estas no son más que una versión vitaminadas a las redes neuronales una familia de
algoritmos de aprendizaje automático que han dado un nuevo resurgir al campo del machine
learning y por tanto al campo de la inteligencia artificial.
El cerebro
El cerebro es una maquina tan potente como compleja siendo uno de los grandes retos de la
humanidad el llegar a descubrir cómo funciona, poder responder preguntas fundamentales como
de donde emerge la inteligencia y la conciencia, que afecta su funcionamiento, ¿tal vez el
ecosistema de bacterias que conviven en nuestro cuerpo? O ¿tal vez procesos cuánticos que
todavía no hemos logrado a entender?
No sé nada de biología, pero lo que sí podría decirles es que aun cuando muchos de sus
mecanismos todavía suponen un gran misterio para los neurocientíficos en otros campos d estudio
como en el de la inteligencia artificial, el cerebro es una fuente de inspiración sobre la cual se han
desarrollado muchos de los conceptos más importantes.
Uno de estos conceptos es el delos paradigmas de aprendizaje, son los mecanismos que permiten
que podamos procesar toda aquella información nueva que percibimos para cavar
transformándola en conocimiento como podrás imaginar saber cómo funcionan estos mecanismos
es algo fundamental dentro del campo de machine learning y esto hace que el total de estos
algoritmos y técnicas dentro de este campo pueden ser clasificados en tres grandes grupos según
cual sea el paradigma de aprendizaje que estén aplicando; estos tres grupos son: aprendizaje
Supervisado, aprendizaje no supervisado y aprendizaje reforzado.
Lo que hace el aprendizaje no supervisado es buscar patrones de similitud de los datos de entrada
por ejemplo los símbolos de un lenguaje, lo interesante es que los algoritmos más potentes de
este tipo son capaces de cubrir a la perfección cual es la estructura interna que han generado
dichos datos.
Piensa en una silla ¿Cómo la definirías? ¿De diferente maneras verdad?, ¿todo el mundo
comprende el concepto de silla, pero sin embargo cuando nos fijamos en la realidad nos
encontramos con que este concepto tiene muchas variantes diferentes, entonces? ¿Qué es
realmente una silla?, es muy interesante esto porque es algo que nuestro cerebro consigue hacer
de forma automática y algo que el aprendizaje no supervisado está aprendiendo a hacer.
Actualmente los algoritmos ya son capaces de aprender estas estructuras conceptuales que son
denominadas espacios latentes, una vez construido estos espacios, las maquinas consiguen
capacidades tan interesantes como la de saber si una cosa es similar a otra cosa, por ejemplo el
significado de dos palabras e incluso puedes operar matemáticamente con concepto, por ejemplo
si entrenas de forma no supervisado una inteligencia artificial para reconocer caras puedes
escoger un punto en este espacio construido que represente un hombre con gafas, otro punto que
represente un hombre sin gafas y restarlos y el resultado sumarlo un tercer punto que represente
una mujer sin gafas, es interesante ver que el resultado es otro punto cuya representación es una
mujer con gafas. Las implicaciones de estos son absurdamente brillantes y por ello quiero repetir
de nuevo lo que dije previamente el aprendizaje no supervisado señala un camino muy
prometedor en el futuro de la inteligencia artificial.
Aprendizaje por refuerzo: su objetivo es que un algoritmo aprenda a partir de la propia
experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de
acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la
actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos
o clasificar secuencias de ADN.