UNIVERSIDAD DOMINICANA

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

Tipos de inteligencia artificial

Modelos de entrenamiento de inteligencia artificial

Beneficios de la IA

Automatización

Reduce errores humanos

Elimina las tareas repetitivas

Rápido y preciso

Disponibilidad infinita

Investigación y desarrollo acelerados

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.

Lo mejor de todo es que está abierta a muchos campos y puede aportar

soluciones, como en el caso de servicios de atención al cliente a través del uso
de chatbots, los que según la Consultora Gartner para el año 2020 serán
implementados en el 84% de las empresas consultadas, que aumentarán la
inversión en este tipo de tecnologías.

Pero no sólo aumentará el uso de los chatbots y es que, según el último

informe de la Unión Europea, concretamente en su plan de desarrollo y
aplicación de la IA en los estados miembros, se incrementará hasta un 70%,
unos 1.500 millones de euros, las acciones públicas y privadas, que promuevan
la implementación de esta tecnología. Además, estiman aumentar la
financiación de becas al estudio, que guarden relación con la IA durante el
período 2018-2020.

4
 INTELIGENCIA ARTIFICIAL

La inteligencia artificial (IA) es un conjunto de tecnologías que permiten que las

computadoras realicen una variedad de funciones avanzadas, incluida la
capacidad de ver, comprender y traducir lenguaje hablado y escrito, analizar
datos, hacer recomendaciones y mucho más. 
La IA es la columna vertebral de la innovación en la computación moderna, lo
que libera valor para las personas y las empresas. Por ejemplo,
el reconocimiento óptico de caracteres (OCR) usa la IA para extraer texto y
datos de imágenes y documentos, y convierte el contenido no estructurado en
datos estructurados listos para las empresas, además de brindar estadísticas
valiosas.  

Definición de inteligencia artificial

La inteligencia artificial es un campo de la ciencia relacionado con la creación de
computadoras y máquinas que pueden razonar, aprender y actuar de una
manera que normalmente requeriría inteligencia humana o que involucre datos
cuya escala exceda lo que los humanos pueden analizar. 
La IA es un campo amplio que abarca muchas disciplinas diferentes, incluidas la
informática, el análisis de datos y las estadísticas, la ingeniería de hardware y
software, la lingüística, la neurociencia y hasta la filosofía y la psicología. 
A nivel operativo para el uso empresarial, la IA es un conjunto de tecnologías
que se basan principalmente en el aprendizaje automático y el aprendizaje
profundo, que se usan para el análisis de datos, la generación de predicciones y
previsiones, la categorización de objetos, el procesamiento de lenguaje natural,
las recomendaciones, la recuperación inteligente de datos y mucho más.

Tipos de inteligencia artificial

La inteligencia artificial se puede organizar de varias maneras, según las etapas

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.

Memoria limitada: Se considera que la mayor parte de la IA moderna es de

memoria limitada. Puede usar la memoria para mejorar con el tiempo mediante
el entrenamiento con datos nuevos, por lo general, a través de una red
neuronal artificial o algún otro modelo de entrenamiento. El aprendizaje
profundo, un subconjunto del aprendizaje automático, se considera inteligencia
artificial con memoria limitada.

Teoría de la mente: Actualmente no existe IA con teoría de la mente, pero se

están investigando distintas posibilidades. El término hace referencia a IA que
puede emular la mente humana y tiene capacidades de toma de decisiones

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. 

Autoconocimiento: Un paso más allá de la IA con teoría de la mente, el

concepto de IA con autoconocimiento describe una máquina mítica que tiene
conocimiento de su propia existencia y tiene las capacidades intelectuales y
emocionales de un ser humano. Al igual que la IA con teoría de la mente, la IA
con autoconciencia no existe en la actualidad.
Una forma más útil de categorizar ampliamente los tipos de inteligencia artificial
es según lo que puede hacer la máquina. Todo lo que llamamos inteligencia
artificial actualmente se considera inteligencia “estrecha” porque solo puede
realizar un conjunto reducido de acciones en función de su programación y
entrenamiento. Por ejemplo, un algoritmo de IA que se use para la clasificación
de objetos no podrá realizar procesamiento de lenguaje natural. La
Búsqueda de Google es una forma de IA estrecha, al igual que las estadísticas
predictivas o los asistentes virtuales.
La inteligencia artificial general (AGI) sería la capacidad de una máquina de
"sentir, pensar y actuar" como lo haría una persona. La AGI no existe
actualmente. El siguiente nivel sería la superinteligencia artificial (ASI), en la
que la máquina podría funcionar de manera superior a la humana en todo
aspecto. 

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. 

Tipos comunes de redes neuronales artificiales

Un tipo común de modelo de entrenamiento en la IA es una red neuronal
artificial, que se basa a grandes rasgos en el cerebro humano. 
Una red neuronal es un sistema de neuronas artificiales (a veces llamadas
perceptrones), que son nodos de procesamiento que se usan para clasificar y
analizar datos. Los datos se ingresan en la primera capa de una red neuronal, y
cada perceptrón toma una decisión, y luego pasa esa información a varios
nodos de la siguiente capa. Los modelos de entrenamiento con más de tres
capas se denominan "redes neuronales profundas" o "aprendizaje profundo".
Algunas redes neuronales modernas tienen cientos o miles de capas. Las salida
de los perceptrones finales permite realizar la tarea impuesta a la red neuronal,

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.

Reduce errores humanos

La IA puede eliminar errores manuales en el procesamiento de datos, las
estadísticas, el ensamblaje en la fabricación y otras tareas a través de
automatización y algoritmos que siguen los mismos procesos cada vez.

Elimina las tareas repetitivas

La IA se puede usar para realizar tareas repetitivas, lo que libera al capital
humano a fin de que trabaje en los problemas de mayor impacto. La IA se
puede usar para automatizar procesos, como verificar documentos, transcribir

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. 

Investigación y desarrollo acelerados

La capacidad de analizar grandes cantidades de datos con rapidez puede
acelerar los avances en investigación y desarrollo. Por ejemplo, la IA se usó
en el modelado predictivo de nuevos tratamientos farmacéuticos potenciales o
para cuantificar el genoma humano. 

12