COLEGIO AMERICANO DE

BUCARAMANGA

ESTUDIANTE: LIZETH TATIANA CAMACHO

ASCENCIO

GRADO: 11B

PROFESOR: ÁLVARO OSSES

MATERIA: CÁLCULO
 LA INTELIGENCIA ARTIFICIAL
La inteligencia artificial hace posible que las máquinas aprendan de la experiencia, se
ajusten a nuevas aportaciones y realicen tareas como seres humanos. La mayoría de los
ejemplos de inteligencia artificial sobre los que oye hablar hoy día – desde computadoras
que juegan ajedrez hasta automóviles de conducción autónoma – recurren mayormente al
aprendizaje profundo y al procesamiento del lenguaje natural. El término inteligencia
artificial fue adoptado en 1956, pero se ha vuelto más popular hoy día gracias al
incremento en los volúmenes de datos, algoritmos avanzados, y mejoras en el poder de
cómputo y el almacenaje. La investigación inicial de la inteligencia artificial en la década
de 1950 exploraba temas como la solución de problemas y métodos simbólicos. Aunque
las películas de Hollywood y las novelas de ciencia ficción representan la inteligencia
artificial como robots semejantes a humanos que se apoderan del mundo, la evolución
actual de las tecnologías IA no es tan aterradora – o así de inteligente. En su lugar, la
inteligencia artificial ha evolucionado para brindar muchos beneficios específicos a todas
las industrias. Siga leyendo para conocer ejemplos modernos de inteligencia artificial en
las áreas de atención a la salud, comercio detallista y más. La inteligencia artificial
automatiza el aprendizaje y descubrimiento repetitivos a través de datos. La inteligencia
artificial es diferente de la automatización de robots basada en hardware. En lugar de
automatizar tareas manuales, la inteligencia artificial realiza tareas computarizadas
frecuentes de alto volumen de manera confiable y sin fatiga. IA agrega inteligencia a
productos existentes. En la mayoría de los casos, la inteligencia artificial no se venderá
como aplicación individual. En su lugar, los productos que ya utiliza serán mejorados con
recursos de inteligencia artificial, de forma muy similar en que se agregó Siri como
característica a una nueva generación de productos de Apple. La automatización, las
plataformas conversacionales, los bots y las máquinas inteligentes se pueden combinar
con grandes cantidades de datos para mejorar muchas tecnologías en el hogar y en el
lugar de trabajo, desde inteligencia de seguridad hasta análisis de las inversiones. La
inteligencia artificial se adapta a través de algoritmos de aprendizaje progresivo para
permitir que los datos realicen la programación. La retro propagación es una técnica de
inteligencia artificial que permite al modelo hacer ajustes, a través de capacitación y datos
agregados, cuando la primera respuesta no es del todo correcta. La inteligencia artificial
logra una increíble precisión a través de redes neuronales profundas – lo cual antes era
imposible. En el campo de la medicina, las técnicas de inteligencia artificial del
aprendizaje profundo, clasificación de imágenes y reconocimiento de objetos se pueden
emplear ahora para detectar cáncer en MRIs con la misma precisión que radiólogos
altamente capacitados. La inteligencia artificial saca el mayor provecho de los datos.
 LAS REDES NEURONALES

A pesar de su nombre, las redes neuronales no tienen un concepto demasiado

complicado detrás de ellas. El nombre, como podéis imaginar, viene de la idea de imitar el
funcionamiento de las redes neuronales de los organismos vivos: un conjunto de
neuronas conectadas entre sí y que trabajan en conjunto, sin que haya una tarea concreta
para cada una. Con la experiencia, las neuronas van creando y reforzando ciertas
conexiones para "aprender" algo que se queda fijo en el tejido.

Ahora bien, por bonito que suene esto, el enfoque biológico no ha sido especialmente útil:
las redes neuronales han ido moviéndose para tener un foco en matemáticas y
estadística. Se basan en una idea sencilla: dados unos parámetros hay una forma de
combinarlos para predecir un cierto resultado. Por ejemplo, sabiendo los píxeles de una
imagen habrá una forma de saber qué número hay escrito, o conociendo la carga de
servidores de un Centro de Procesamiento de Datos (CPD), su temperatura y demás
existirá una manera de saber cuánto van a consumir, como hacía Google. El problema,
claro está, es que no sabemos cómo combinarlos. Las redes neuronales son un modelo
para encontrar esa combinación de parámetros y aplicarla al mismo tiempo. En el
lenguaje propio, encontrar la combinación que mejor se ajusta es "entrenar" la red
neuronal. Una red ya entrenada se puede usar luego para hacer predicciones o
clasificaciones, es decir, para "aplicar" la combinación.

Para entender bien cómo funciona esta red vamos a ir con un ejemplo. Supongamos que
sois alumnos de una clase en la que el profesor no ha dicho exactamente cómo va a
poner las notas. Para empezar, supongamos que sólo habéis hecho dos exámenes y
tenéis la nota de cada uno de ellos y la final. La unidad básica de la red neuronal: el
perceptrón. Las entradas son las dos notas, n1 y n2, cada una con su correspondiente
peso wn (lo que hay que encontrar). La salida, nf, será 1 si está aprobado y 0 si se va a
septiembre.
 ¿CÓMO USAMOS UNA RED NEURONAL PARA SABER CUÁNTO VALE CADA
EXAMEN?

Aquí nos bastará con la unidad fundamental de la red neuronal: el perceptrón. Un

perceptrón es un elemento que tiene varias entradas con un cierto peso cada una. Si la
suma de esas entradas por cada peso es mayor que un determinado número, la salida del
perceptrón es un uno. Si es menor, la salida es un cero.

En nuestro ejemplo, las entradas serían las dos notas de los exámenes. Si la salida es
uno (esto es, la suma de las notas por su peso correspondiente es mayor que cinco), es
un aprobado. Si es cero, suspenso. Los pesos son lo que tenemos que encontrar con el
entrenamiento. En este caso, nuestro entrenamiento consistirá en empezar con dos pesos
aleatorios (por ejemplo, 0.5 y 0.5, el mismo peso a cada examen) y ver qué resultado da
la red neuronal para cada alumno. Si falla en algún caso, iremos ajustando los pesos poco
a poco hasta que esté todo bien ajustado.

Por ejemplo, si un alumno con muy buena nota en el segundo examen ha suspendido el
curso, bajaremos el peso del segundo examen porque claramente no influye demasiado.
Poco a poco acabaremos encontrando los pesos que se ajusten a las notas que puso el
profesor. La idea del ajuste o retroalimentación es ir adaptando la red a la información
"oculta" que tienen los datos que le pasamos para que aprenda.

Como decía antes, esto es el ejemplo simple. Quizás queramos complicarlo más,
poniendo más exámenes (más nodos de entrada) o queriendo sacar más
resultados, como pueda ser un perceptrón cuya salida sea uno si el alumno tiene
matrícula de honor.
 ¿UNA NUEVA ÉPOCA DORADA PARA REDES NEURONALES?

Las redes neuronales no son una idea nueva. Datan de los años 40 y 50, cuando se
empezaron a publicar los primeros conceptos. Sin embargo, nunca tuvieron un gran éxito,
más que nada porque se necesita una cantidad importante de recursos de un
ordenador para entrenar y ejecutar una red neuronal con buenos resultados.

En los últimos años se han conseguido grandes avances gracias a la mejora de los
ordenadores y al uso de GPUs para este tipo de computaciones. Hace poco os
hablábamos en Xataka de los pies de foto generados por ordenador gracias a una red
neuronal de convolución (para el reconocimiento de imagen) junto con una red neuronal
recurrente para formar las frases. Los investigadores de Stanford usaron tarjetas GPU
para poder entrenar y ejecutar este tipo de redes neuronales en un tiempo razonable.

Algo parecido montó Google con Street View: una red neuronal convolucional que
lograba una precisión del 96% a la hora de reconocer números de calle en las imágenes
que toman sus coches. Los de Mountain View están bastante enamorados de las redes
neuronales, de hecho: también las usaron para mejorar el reconocimiento de voz de
Android o para ahorrar electricidad en sus centros de datos.Las redes neuronales parece
que incluso podrían acabar dominando uno de los juegos que se les resiste a los
ordenadores: el juego de Go. En la Universidad de Edimburgo, unos investigadores han
logrado usar redes convolucionales para detectar patrones en los tableros y tratar de

sacar el mejor movimiento con una efectividad considerable: 90% de juegos ganados
contra GNU Go y 10% contra Fuego, dos de los programas que mejor juegan a Go.
Aunque pueda parecer poco, hay que tener en cuenta que ambos exploran un buen
número de movimientos posibles para ver cuál da más ventaja. La red neuronal sólo mira
al estado actual del tablero y emite un veredicto en muchísimo menos tiempo.

Por supuesto, estas redes tampoco son la panacea. A modo de curiosidad, unos
investigadores usaron una red neuronal para generar imágenes que engañaban a otra red
neuronal diseñada para reconocer objetos. Así, lo que a nosotros nos parece una imagen
aleatoria, para la red neuronal es un bikini o un armadillo. Es parte del problema del
sobreajuste: redes que se comportan muy bien para los datos de ejemplo o parecidos,
pero que con datos muy distintos dan resultados absurdos.

Sea como sea, es un campo muy interesante y que promete bastantes avances a corto
plazo sobre todo en reconocimiento de imagen y de sonido. Estaremos atentos para ver
qué sorpresas nos deparan.
WEBGRAFÍA
https://www.sas.com/es_co/insights/analytics/what-is-artificial-intelligence.html

IMAGEN INTELIGENCIA ARTIFICIAL

https://www.google.com/search?q=inteligencia+artificial+&tbm=isch&ved=2ahUKEwjW0avGmID
wAhWYQsAGHXfODRQQ2-
cCegQIABAA&bih=568&biw=1366&rlz=1C1CHBD_esCO894CO894#imgrc=L2Vk2OktZVXGxM

REDES NEURONALES
https://www.xataka.com/robotica-e-ia/las-redes-neuronales-que-son-y-por-que-estan-volviendo