Glosario IA

por Tom Taulli

Glosario IA
Glosario IA

En 1956, John McCarthy organizó un proyecto de investigación de diez semanas en la Universidad de Dartmouth que se centró en un nuevo concepto que llamó “inteligencia artificial”. El evento incluyó a muchos de los investigadores que se convertirían en gigantes en el campo emergente, como Marvin Minsky, Nathaniel Rochester, Allen Newell, OG Selfridge, Raymond Solomonoff y Claude Shannon.

Sin embargo, la reacción a la frase inteligencia artificial fue mixta. ¿Explicó realmente la tecnología? ¿Había una mejor manera de expresarlo?

Bueno, a nadie se le ocurrió algo mejor, por lo que la IA se atascó.

Desde entonces, hemos visto la acuñación de muchas palabras en la categoría, que a menudo definen tecnologías y sistemas complejos. El resultado es que puede resultar difícil comprender de qué se habla.

Entonces, para ayudar a aclarar las cosas, echemos un vistazo a las palabras de IA que necesita saber:

Algoritmo (Algorithm)

De Kurt Muehmel, que es el director de clientes de Dataiku :

Una serie de cálculos, desde los más simples (división larga con lápiz y papel), hasta los más complejos. Por ejemplo, el aprendizaje automático usa un algoritmo para procesar datos, descubrir reglas que están ocultas en los datos y que luego se codifican en un “modelo” que se puede usar para hacer predicciones sobre nuevos datos.

Aprendizaje automático (Machine Learning)

Del Dr. Hossein Rahnama, cofundador y director ejecutivo de Flybits:

La programación tradicional implica especificar una secuencia de instrucciones que dictan a la computadora exactamente qué hacer. El aprendizaje automático, por otro lado, es un paradigma de programación diferente en el que el ingeniero proporciona ejemplos que comprenden cuál debería ser la salida esperada del programa para una entrada determinada. A continuación, el sistema de aprendizaje automático explora el conjunto de todos los programas informáticos posibles para encontrar el programa que genera más de cerca la salida esperada para los datos de entrada correspondientes. Por lo tanto, con este paradigma de programación, el ingeniero no necesita averiguar cómo instruir a la computadora para que realice una tarea, siempre que tenga una cantidad suficiente de ejemplos para que el sistema identifique el programa correcto en el espacio de búsqueda.

Redes neuronales (Neural Networks)

De Dan Grimm, que es el vicepresidente y gerente general de Computer Vision en RealNetworks:

Las redes neuronales son construcciones matemáticas que imitan la estructura del cerebro humano para resumir información compleja en resultados simples y tangibles. Al igual que entrenamos al cerebro humano para, por ejemplo, aprender a controlar nuestros cuerpos para caminar, estas redes también deben ser entrenadas con cantidades significativas de datos. Durante los últimos cinco años, ha habido avances tremendos en la estratificación de estas redes y la potencia informática disponible para entrenarlas.

Aprendizaje profundo (Deep Learning)

De Sheldon Fernandez, quien es el CEO de DarwinAI:

El Deep Learning es una forma especializada de Machine Learning, basada en redes neuronales que emulan las capacidades cognitivas de la mente humana. El aprendizaje profundo es para el aprendizaje automático lo que el aprendizaje automático es para la IA: no es la única manifestación de su padre, sino en general la versión más poderosa y llamativa. En la práctica, las redes de aprendizaje profundo capaces de realizar tareas sofisticadas son: 1.) muchas capas de profundidad con millones, a veces, miles de millones de entradas (de ahí el “profundo”); 2.) entrenados usando ejemplos del mundo real hasta que se vuelvan competentes en la tarea predominante (de ahí el “aprendizaje”).

Explicabilidad (Explainability)

De Michael Beckley, CTO y fundador de Appian :

La explicabilidad es saber por qué AI rechaza el cargo de su tarjeta de crédito como fraude, niega su reclamo de seguro o confunde el costado de un camión con un cielo nublado. La explicabilidad es necesaria para generar confianza y transparencia en el software impulsado por IA. El poder y la complejidad del aprendizaje profundo de la IA pueden hacer que las predicciones y las decisiones sean difíciles de explicar tanto a los clientes como a los reguladores. A medida que crece nuestra comprensión del sesgo potencial en los conjuntos de datos utilizados para entrenar algoritmos de IA, también crece nuestra necesidad de una mayor explicabilidad en nuestros sistemas de IA. Para enfrentar este desafío, las empresas pueden usar herramientas como Low Code Platforms para poner a un ser humano en el circuito y controlar cómo se usa la IA en decisiones importantes.

Aprendizaje supervisado, no supervisado y reforzado (Supervised, Unsupervised and Reinforcement Learning)

De Justin Silver, quien es el gerente de ciencia e investigación en PROS :

Hay tres categorías amplias de aprendizaje automático: aprendizaje supervisado, no supervisado y por refuerzo. En el aprendizaje supervisado, la máquina observa un conjunto de casos (piense en “casos” como escenarios como “El clima es frío y lluvioso”) y sus resultados (por ejemplo, “Juan irá a la playa”) y aprende reglas con el El objetivo de poder predecir los resultados de los casos no observados (si, en el pasado, John generalmente ha ido a la playa cuando hacía frío y llovía, en el futuro la máquina predecirá que es muy probable que John vaya a la playa cuando el clima es frío y lluvioso). En el aprendizaje no supervisado, la máquina observa un conjunto de casos, sin observar ningún resultado para estos casos, y aprende patrones que le permiten clasificar los casos en grupos con características similares (sin saber si John ha ido a la playa, la máquina aprende que “El clima es frío y lluvioso” es similar a “Está nevando” pero no “Hace calor afuera”). En el aprendizaje por refuerzo, la máquina toma acciones para lograr un objetivo, recibe retroalimentación sobre esas acciones y aprende a través de prueba y error a tomar acciones que conduzcan a un mejor cumplimiento de ese objetivo (si la máquina está tratando de ayudar a John a evitar los fríos y la lluvia días de playa, podría darle a John sugerencias durante un período de tiempo sobre si ir a la playa, aprender de los comentarios positivos y negativos de John y continuar actualizando sus sugerencias). la máquina aprende que “El clima es frío y lluvioso” es similar a “Está nevando” pero no a “Hace calor afuera”). En el aprendizaje por refuerzo, la máquina toma acciones para lograr un objetivo, recibe retroalimentación sobre esas acciones y aprende a través de prueba y error a tomar acciones que conduzcan a un mejor cumplimiento de ese objetivo (si la máquina está tratando de ayudar a John a evitar los fríos y la lluvia días de playa, podría darle a John sugerencias durante un período de tiempo sobre si ir a la playa, aprender de los comentarios positivos y negativos de John y continuar actualizando sus sugerencias). la máquina aprende que “El clima es frío y lluvioso” es similar a “Está nevando” pero no a “Hace calor afuera”). En el aprendizaje por refuerzo, la máquina toma acciones para lograr un objetivo, recibe retroalimentación sobre esas acciones y aprende a través de prueba y error a tomar acciones que conduzcan a un mejor cumplimiento de ese objetivo (si la máquina está tratando de ayudar a John a evitar los fríos y la lluvia días de playa, podría darle a John sugerencias durante un período de tiempo sobre si ir a la playa, aprender de los comentarios positivos y negativos de John y continuar actualizando sus sugerencias).

Bias

De Mehul Patel, quien es el CEO de Hired:

Si bien puede pensar en las máquinas como objetivas, justas y consistentes, a menudo adoptan los mismos prejuicios inconscientes que los humanos que las construyeron. Por eso es vital que las empresas reconozcan la importancia de normalizar los datos, es decir, ajustar los valores medidos en diferentes escalas a una escala común, para garantizar que los sesgos humanos no se introduzcan involuntariamente en el algoritmo. Tomemos como ejemplo la contratación: si le da a una computadora un conjunto de datos con 100 candidatas y 300 candidatos masculinos y le pide que prediga la mejor persona para el trabajo, van a aparecer más candidatos masculinos porque el volumen de hombres es tres veces mayor. Depende, pues, del tamaño den el conjunto de datos.

Retropropagación (Backpropagation)

De Victoria Jones, quien es la evangelista de Zoho AI :

Los algoritmos de retropropagación permiten que una red neuronal aprenda de sus errores. La tecnología rastrea un evento hacia atrás desde el resultado hasta la predicción y analiza el margen de error en diferentes etapas para ajustar cómo hará su próxima predicción. Alrededor del 70% de nuestro asistente de inteligencia artificial (llamado Zia) presenta el uso de retropropagación, incluido el motor de revisión gramatical de Zoho Writer y la tecnología OCR de Zoho Notebook, que le permite a Zia identificar objetos en imágenes y hacer que esas imágenes se puedan buscar. Esta tecnología también permite que el chatbot de Zia responda con mayor precisión y naturalidad. Cuanto más utiliza Zia una empresa, más comprende Zia cómo se gestiona esa empresa. Esto significa que las capacidades de pronóstico y detección de anomalías de Zia se vuelven más precisas y personalizadas para cualquier negocio específico.

NLP: Natural Language Processing (Procesamiento de Lenguaje Natural)

Courtney Napoles, gerente de datos lingüísticos en Grammarly :

El campo de la PNL reúne la inteligencia artificial, la informática y la lingüística con el objetivo de enseñar a las máquinas a comprender y procesar el lenguaje humano. Los investigadores e ingenieros de PNL crean modelos para que las computadoras realicen una variedad de tareas lingüísticas, incluida la traducción automática, el análisis de sentimientos y la mejora de la escritura. Los investigadores a menudo comienzan con el análisis de un corpus de texto: una gran colección de oraciones organizadas y anotadas de una manera que los algoritmos de IA puedan comprender.

El problema de enseñar a las máquinas a comprender el lenguaje humano, que es extraordinariamente creativo y complejo, se remonta al advenimiento de la propia inteligencia artificial. El lenguaje ha evolucionado a lo largo de milenios, y diseñar métodos para aprehender esta faceta íntima de la cultura humana es una tarea particularmente desafiante de la PNL, que requiere niveles asombrosos de destreza, precisión y discernimiento. A medida que los enfoques de inteligencia artificial, en particular el aprendizaje automático y el subconjunto de aprendizaje automático conocido como aprendizaje profundo, se han desarrollado durante los últimos años, la PNL ha entrado en un período emocionante de nuevas posibilidades para analizar el lenguaje a una escala sin precedentes y crear herramientas que puedan interactuar con un nivel. de una complejidad expresiva inimaginable incluso tan recientemente como hace una década.

Tom ( @ttaulli ) es el autor del libroFundamentos de la inteligencia artificial: una introducción no técnica .

Fuente: https://www.forbes.com/sites/tomtaulli/2019/09/07/ai-artificial-intelligence-words-you-need-to-know/

Deja un comentario