Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lección 1
Hay una vieja broma (friki) de que la IA se define como "cosas geniales que las computadoras no
pueden hacer". La ironía es que bajo esta definición, la IA nunca puede hacer ningún progreso: tan
pronto como encontramos una manera de hacer algo genial con una computadora, deja de ser un
problema de IA. Sin embargo, hay un elemento de verdad en esta definición. Hace cincuenta años,
por ejemplo, se consideraba que los métodos automáticos de búsqueda y planificación
pertenecían al dominio de la IA. Hoy en día estos métodos se enseñan a todos los estudiantes de
ciencias de la computación. Del mismo modo, ciertos métodos para procesar información incierta
se están volviendo tan bien entendidos que es probable que se traslade de la IA a las estadísticas o
la probabilidad muy pronto.
Razón 2: el legado de la ciencia ficción
La confusión sobre el significado de la IA se agrava por las visiones de la IA presentes en varias
obras literarias y cinematográficas de ciencia ficción. Las historias de ciencia ficción a menudo
cuentan con siervos humanoides amigables que proporcionan factoides demasiado detallados o
diálogos ingeniosos, pero a veces pueden seguir los pasos de Pinocho y empezar a preguntarse si
pueden llegar a ser humanos. Otra clase de seres humanoides en la ciencia ficción defienden
motivos siniestros y se vuelven en contra de sus amos en la línea de los viejos cuentos de
aprendices de hechiceros, volviendo al Golem de Praga y más allá.
A menudo, la robotidad de estas criaturas es sólo una fina chapa encima de un agente muy
humano, lo cual es comprensible ya que la mayoría de la ficción , incluso la ciencia ficción ,
necesita ser relatable por lectores humanos que de otra manera serían alienados por la
inteligencia que es demasiado diferente y extraña. Por lo tanto, la mayoría de la ciencia ficción se
lee mejor como metáfora de la condición humana actual, y los robots podrían ser vistos como
sustitutos de sectores reprimidos de la sociedad, o tal vez nuestra búsqueda del significado de la
vida.
Razón 3: lo que parece fácil es realmente difícil...
Otra fuente de dificultad para entender la IA es que es difícil saber qué tareas son fáciles y cuáles
son difíciles. Mira a tu alrededor y recoge un objeto en tu mano, luego piensa en lo que hiciste:
usaste tus ojos para escanear tu entorno, averiguaste dónde hay algunos objetos adecuados para
recogerlo, elegiste uno de ellos y planeaste una trayectoria para que tu mano llegara a esa, luego
moviste la mano contrayendo varios músculos en secuencia y lograste apretar el objeto con la
cantidad justa de fuerza para mantenerlo entre tus dedos.
Puede ser difícil apreciar lo complicado que es todo esto, pero a veces se hace visible cuando algo
sale mal: el objeto que eliges es mucho más pesado o más ligero de lo que esperabas, o alguien
más abre una puerta justo cuando estás buscando el mango, y luego puedes encontrarte
seriamente desequilibrado. Por lo general, este tipo de tareas se sienten sin esfuerzo, pero ese
sentimiento desmiente millones de años de evolución y varios años de práctica infantil.
Si bien es fácil para usted, agarrar objetos por un robot es extremadamente difícil, y es un área de
estudio activo. Ejemplos recientes incluyen El proyecto de captación robótica de Googleyun robot
recolector de coliflor .
Hoja de cálculo que calcula sumas y otras funciones predefinidas en datos dados . no, El resultado
está determinado por la fórmula especificada por el usuario, no se necesita IA.
predicción del mercado de valores mediante la adaptación de una curva a los datos pasados sobre
los precios de las acciones. Sí No Tipo de, Ajustar una curva simple no es realmente IA, pero hay
tantas curvas diferentes para elegir, incluso si hay muchos datos para limitarlas, que uno necesita
aprendizaje automático / IA para obtener resultados útiles.
un sistema de navegación GPS para encontrar la ruta más rápida Sí No Tipo de, El procesamiento
de señales y la geometría utilizados para determinar las coordenadas no es AI, pero proporcionar
buenas sugerencias para la navegación (rutas más cortas / más rápidas) es AI, especialmente si se
tienen en cuenta variables como las condiciones del tráfico.
un sistema de recomendación musical como Spotify que sugiere música basada en el
comportamiento de escucha de los usuarios Sí, El sistema aprende del comportamiento de
escucha de los usuarios (no solo de usted).
soluciones de almacenamiento de big data que pueden almacenar enormes cantidades de datos
(como imágenes o vídeo) y transmitirlos a muchos usuarios al mismo tiempo. No, El
almacenamiento y la recuperación de elementos específicos de una colección de datos no es
adaptativo ni autónomo.
filtros de transferencia de estilo en aplicaciones como Prisma que toman una foto y la transforman
en diferentes estilos de arte (impresionista, cubista, ...) si, Estos métodos normalmente aprenden
estadísticas de imágenes (léase: cómo se ven de cerca los pequeños parches de la imagen en un
estilo determinado) y transforman la foto de entrada para que sus estadísticas coincidan con el
estilo, de modo que el sistema sea adaptable.
Lección 2
Campos relacionados
Además de la IA, hay varios otros temas estrechamente relacionados que son buenos saber al
menos por su nombre. Estos incluyen aprendizaje automático, ciencia de datos y aprendizaje
profundo. Se puede decir que el aprendizaje automático es un subcampo de IA, que a su vez es un
subcampo de ciencias de la computación (tales categorías son a menudo algo imprecisas y algunas
partes del aprendizaje automático podrían pertenecer igual o mejor a las estadísticas). El
aprendizaje automático permite soluciones de IA adaptables. Se puede dar una definición concisa
de la siguiente manera:
Terminología clave
Sistemas de aprendizaje automático que mejoran su rendimiento en una tarea determinada con
más y más experiencia o datos.
La ciencia de datos es un término paraguas reciente (término que cubre varias subdisciplinas) que
incluye aprendizaje automático y estadísticas, ciertos aspectos de la ciencia de la computación
incluyendo algoritmos, almacenamiento de datos y desarrollo de aplicaciones web. La ciencia de
datos es también una disciplina práctica que requiere la comprensión del dominio en el que se
aplica, por ejemplo, negocios o ciencia: su propósito (lo que significa "valor añadido"),
suposiciones básicas y restricciones. Las soluciones de ciencia de datos a menudo implican al
menos una pizca de IA (pero por lo general no tanto como uno esperaría de los titulares).
Robótica significa construir y programar robots para que puedan operar en escenarios complejos
del mundo real. En cierto modo, la robótica es el desafío final de la IA, ya que requiere una
combinación de prácticamente todas las áreas de IA. Por ejemplo
Visión computarizada y reconocimiento del habla para la detección del medio ambiente
Procesamiento del lenguaje natural, recuperación de información y razonamiento bajo
incertidumbre para el procesamiento de instrucciones y predicción de consecuencias de
posibles acciones
De modelado cognitivo y computación afectiva (sistemas que responden a expresiones de
sentimientos humanos o que imitan sentimientos) para interactuar y trabajar junto con los
seres humanos
Nota
¿Qué es un robot?
En resumen, un robot es una máquina que comprende sensores (que detectan el medio ambiente)
y actuadores (que actúan sobre el medio ambiente) que se pueden programar para realizar
secuencias de acciones. Las personas acostumbradas a las representaciones ficticias científicas de
robots generalmente pensarán en máquinas humanoides caminando con una marcha incómoda y
hablando en un monótono metálico. La mayoría de los robots del mundo real actualmente en uso
se ven muy diferentes, ya que están diseñados de acuerdo con la aplicación. La mayoría de las
aplicaciones no se beneficiarían de que el robot tuviera forma humana, al igual que no tenemos
robots humanoides para hacer nuestro lavado de platos, sino máquinas en las que colocamos los
platos para ser lavados por chorros de agua. Puede que no sea obvio a primera vista, pero
cualquier tipo de vehículos que tengan al menos algún nivel de autonomía e incluyan sensores y
actuadores también se cuentan como robótica.
Por otro lado, las soluciones basadas en software, como un chatbot de servicio al cliente, incluso si
a veces se llaman "robots de software", no se cuentan como robótica (real).
Ejercicio 2: Taxonomía de IA Una taxonomía es un esquema para clasificar muchas cosas que
pueden ser casos especiales el uno del otro. Hemos explicado las relaciones entre una serie de
disciplinas o campos y hemos señalado, por ejemplo, que el aprendizaje automático generalmente
se considera un subcampo de IA.
Observe que una taxonomía no necesita ser estrictamente jerárquica. Una disciplina puede ser un
subcampo de más de un tema general más: por ejemplo, también se puede pensar que el
aprendizaje automático es un subcampo de estadísticas. En este caso, el concepto de subcampo se
colocaría en la superposición entre los temas más generales.
Su tarea: Construya una taxonomía en el ejemplo del diagrama de Euler que se muestra a
continuación mostrando las relaciones entre las siguientes cosas: IA, aprendizaje automático,
ciencias de la computación, ciencia de datos y aprendizaje profundo.
Section A
Section B
Section C
Section D
Section E
Section A
Section B
Section C
Section D
Section E
Section A
Section B
Section C
Section D
Section E
Section A
Section B
Section C
Section D
Section E
Section A
Section B
Section C
Section D
Section E