Documentos de Académico
Documentos de Profesional
Documentos de Cultura
O&M
Nombres:
Yively Mora L.
Matricula:
22-SPSS-6-131
Aula:
7224
Sección:
381
Asignatura
Informática Aplicada
Tema:
5g
Profesor/a:
Francisco Amaro Fernandez
1
2
INDICE
Introducción
Inteligencia artificial
Beneficios de la IA
Automatización
Rápido y preciso
Disponibilidad infinita
3
INTRODUCCION
La inteligencia artificial (IA), está cada vez más presente en nuestras vidas. Una
buena definición de la misma sería la combinación de algoritmos, que intentan
simular algunas acciones de los humanos o mejor aún, ir más allá de la
inteligencia humana.
4
INTELIGENCIA ARTIFICIAL
5
de desarrollo o las acciones que se están realizando.
Por ejemplo, se suelen reconocer cuatro etapas de desarrollo de la IA.
Máquinas reactivas: IA limitada que solo reacciona a diferentes tipos de
estímulos basados en reglas preprogramadas. No usa memoria y, por lo tanto,
no puede aprender con datos nuevos. Deep Blue de IBM, que venció al
campeón de ajedrez Garry Kasparov en 1997, fue un ejemplo de una máquina
reactiva.
6
similares a las de un ser humano, lo cual incluye reconocer y recordar
emociones, y reaccionar en situaciones sociales como lo haría un ser humano.
7
Modelos de entrenamiento de inteligencia artificial
Cuando las empresas hablan de IA, suelen hablar de "datos de entrenamiento".
Pero ¿qué significa eso? Recuerda que la inteligencia artificial con memoria
limitada es una IA que mejora con el tiempo, ya que se entrena con datos
nuevos. El aprendizaje automático es un subconjunto de la inteligencia
artificial que usa algoritmos para entrenar datos y obtener resultados.
A grandes rasgos, suelen usarse tres tipos de modelos de aprendizaje en el
aprendizaje automático:
El aprendizaje supervisado es un modelo de aprendizaje automático que asigna
una entrada específica a un resultado mediante datos de entrenamiento
etiquetados (datos estructurados). En términos simples, para entrenar un
algoritmo que reconozca imágenes de gatos, se lo alimenta con imágenes
etiquetadas como gatos.
El aprendizaje no supervisado es un modelo de aprendizaje automático que
aprende patrones en función de datos no etiquetados (datos no estructurados).
A diferencia del aprendizaje supervisado, el resultado final no se conoce con
anticipación. En cambio, el algoritmo aprende de los datos y los clasifica en
grupos en función de diversos atributos. Por ejemplo, el aprendizaje no
supervisado es bueno para identificar patrones y realizar modelado descriptivo.
Además del aprendizaje supervisado y no supervisado, suele emplearse un
enfoque mixto llamado aprendizaje semisupervisado, en el que solo se
8
etiquetan algunos de los datos. En el aprendizaje semisupervisado, se conoce
un resultado final, pero el algoritmo debe determinar cómo organizar y
estructurar los datos para lograr los resultados deseados.
El aprendizaje por refuerzo es un modelo de aprendizaje automático que se
puede describir en términos generales como “aprender haciendo”. Un "agente"
aprende a realizar una tarea definida mediante prueba y error (un ciclo de
reacción) hasta que su rendimiento está dentro de un rango deseado. El agente
recibe un refuerzo positivo cuando realiza la tarea de forma correcta y un
refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo de aprendizaje
por refuerzo sería enseñarle a una mano robótica a recoger una pelota.
9
como clasificar un objeto o encontrar patrones en los datos.
Estos son algunos de los tipos más comunes de redes neuronales artificiales
que puedes encontrar:
Las redes neuronales prealimentadas (FF) son una de las formas más antiguas
de redes neuronales, ya que los datos fluyen en una dirección a través de capas
de neuronas artificiales hasta que se obtiene el resultado. En la actualidad, la
mayoría de las redes neuronales prealimentadas se consideran "prealimentadas
profundas" con varias capas (y más de una capa "oculta"). Las redes
neuronales prealimentadas suelen vincularse a un algoritmo de corrección de
errores llamado "propagación inversa" que, en términos simples, comienza con
el resultado de la red neuronal y hace el proceso en sentido inverso para llegar
al principio, detectando errores para mejorar la exactitud de la red neuronal.
Muchas redes neuronales simples, pero potentes, son prealimentadas
profundas.
Las redes neuronales recurrentes (RNN) difieren de las redes neuronales
prealimentadas en que suelen usar datos de series temporales o datos que
involucran secuencias. A diferencia de las redes neuronales prealimentadas,
que usan ponderaciones en cada nodo de la red, las redes neuronales
recurrentes tienen “memoria” de lo que sucedió en la capa anterior como
contingente a la salida de la capa actual. Por ejemplo, cuando se realiza
procesamiento de lenguaje natural, las RNN pueden “tener en cuenta” otras
palabras usadas en una oración. Las RNN a menudo se usan para el
reconocimiento de voz, la traducción y la generación de descripciones de
imágenes.
Las RNN de memoria a largo/corto plazo (LSTM) son una forma avanzada de
RNN que puede usar memoria para "recordar" lo que sucedió en capas
anteriores. La diferencia entre las RNN y las LTSM es que pueden recordar lo
que sucedió hace varias capas mediante el uso de "celdas de memoria". La
LSTM suele usarse para el reconocimiento de voz y la realización de
predicciones.
Las redes neuronales convolucionales (CNN) incluyen algunas de las redes
neuronales más comunes en la inteligencia artificial moderna. Las CNN suelen
10
usarse en el reconocimiento de imágenes y emplean varias capas distintas (una
capa convolucional y, luego, una capa de agrupación) que filtran diferentes
partes de una imagen antes de volver a unirla (en la capa completamente
conectada). Es posible que las capas convolucionales anteriores busquen
características simples de una imagen, como colores y bordes, antes de buscar
características más complejas en capas adicionales.
En las redes generativas adversarias (GAN), se usan dos redes neuronales que
compiten entre sí en un juego que, en última instancia, mejora la exactitud del
resultado. Una red (el generador) crea ejemplos que la otra red (el
discriminante) juzga como verdaderos o falsos. Las GAN se han usado para
crear imágenes realistas y hasta hacer arte.
Beneficios de la IA
Automatización
La IA puede automatizar flujos de trabajo y procesos, o trabajar de forma
independiente y autónoma de un equipo humano. Por ejemplo, la IA puede
ayudar a automatizar aspectos de la seguridad cibernética mediante la
supervisión y el análisis continuos del tráfico de red. De manera similar, una
fábrica inteligente puede tener decenas de tipos diferentes de IA en uso,
como robots que usan visión artificial para navegar por las fábricas o
inspeccionar productos en busca de defectos, crear gemelos digitales o usar
analítica en tiempo real para medir la eficiencia y la producción.
11
llamadas telefónicas o responder preguntas sencillas de los clientes, como “¿A
qué hora cierran?”. Con frecuencia, los robots se usan para realizar tareas
“aburridas, sucias o peligrosas” en lugar de que las haga un ser humano.
Rápido y preciso
La IA puede procesar más información de forma más rápida que un ser
humano, mediante la búsqueda de patrones y el descubrimiento de relaciones
en datos que el humano podría no detectar.
Disponibilidad infinita
La IA no tienen limitaciones en términos de horarios, necesidad de descansar
ni ningún otro factor que pueda interrumpir la labor de un ser humano.
Cuando se ejecutan en la nube, la IA y el aprendizaje automático pueden
estar “siempre activos”, y trabajar continuamente en las tareas asignadas.
12