La inteligencia artificial (IA) se está convirtiendo en una tecnología revolucionaria en todos los sectores de la industria. Aunque todavía estamos lejos de reemplazar a un médico con un robot de IA, como se muestra en las películas, la IA está ayudando a los expertos en todas las industrias a diagnosticar y resolver problemas más rápido, permitiendo a los consumidores hacer cosas increíbles, como encontrar canciones con un comando de voz.
La mayoría de las personas se centran en los resultados de la IA. Pero para aquellos de nosotros a quienes nos gusta mirar bajo el capó, existen cuatro elementos fundamentales que debemos comprender: categorización, clasificación, aprendizaje automático y filtrado colaborativo. Estos cuatro pilares también representan pasos en un proceso analítico.
Categorización
La IA requiere una gran cantidad de datos relevantes para el problema que se está resolviendo. El primer paso para construir una solución de IA es crear lo que llamo métricas de intención de diseño, que se utilizan para categorizar el problema. Ya sea que estemos tratando de construir un sistema que pueda jugar Jeopardy, ayudar a un médico a diagnosticar el cáncer o ayudar a un administrador de TI a diagnosticar problemas de red inalámbrica, necesitamos definir métricas que permitan descomponer el problema en piezas más pequeñas. En redes inalámbricas, por ejemplo, las métricas clave son el tiempo de conexión del usuario, el rendimiento, la cobertura y el roaming. En el diagnóstico del cáncer, las métricas clave son el recuento de células blancas, el origen étnico y las radiografías.
Clasificación
Una vez que hemos categorizado el problema en diferentes áreas, el siguiente paso es tener clasificadores para cada categoría que nos guíen hacia una conclusión significativa. Por ejemplo, al entrenar un sistema de IA para jugar Jeopardy, primero debemos clasificar una pregunta como literal o como un juego de palabras, y luego clasificarla por tiempo, persona, cosa o lugar. En redes inalámbricas, una vez que conocemos la categoría de un problema (por ejemplo, un problema de pre o post-conexión), debemos comenzar a clasificar qué está causando el problema: asociación, autenticación, protocolo de configuración dinámica de host (DHCP) u otros factores inalámbricos, cableados y de dispositivos.
Aprendizaje automático
Una vez que el problema se divide en fragmentos de metadatos específicos del dominio, estamos listos para alimentar esta información al entorno mágico y poderoso del aprendizaje automático. Existen muchos algoritmos y técnicas de aprendizaje automático, y el aprendizaje automático supervisado mediante redes neuronales (es decir, aprendizaje profundo) se está convirtiendo en uno de los enfoques más populares. El concepto de redes neuronales ha existido desde 1949, y construí mi primera red neuronal en la década de 1980. Pero con los últimos aumentos en capacidad de cómputo y almacenamiento, las redes neuronales ahora se están entrenando para resolver una variedad de problemas del entorno real, desde reconocimiento de imágenes y procesamiento del lenguaje natural hasta la predicción del rendimiento de la red. Otras aplicaciones incluyen el descubrimiento de características anómalas, la detección de anomalías en series temporales y la correlación de eventos para el análisis de causas raíz.
Filtrado colaborativo
La mayoría de las personas experimentan el filtrado colaborativo cuando eligen una película en Netflix o compran algo en Amazon y reciben recomendaciones de otras películas o artículos que podrían gustarles. Más allá de las recomendaciones, el filtrado colaborativo también se utiliza para clasificar grandes conjuntos de datos y darle forma a una solución de IA. Aquí es donde toda la recopilación y el análisis de datos se convierten en información o acción significativa. Ya sea utilizado en un concurso de televisión, por un médico o por un administrador de red, el filtrado colaborativo es el medio para proporcionar respuestas con un alto grado de confianza. Es como un asistente virtual que ayuda a resolver problemas complejos.
La IA todavía es un campo emergente, pero su impacto es profundo y se sentirá aún más a medida que se convierta en una parte cada vez más importante de nuestra vida diaria. Al elegir una solución de IA, al igual que al comprar un automóvil, necesitaremos comprender qué hay debajo del capó para asegurarnos de que estamos comprando el mejor producto para nuestras necesidades.
- ¿Cuáles son los supuestos subyacentes que hacemos sobre la inteligencia?
- ¿Cuáles son los cuatro temas importantes que se deben comprender al resolver un problema de IA?
La suposición subyacente más profunda es que la inteligencia es un proceso físico o la consecuencia (emergente) de uno, y no un proceso metafísico o la consecuencia (emergente) de uno.
Los cuatro temas importantes son categorización, clasificación, aprendizaje automático y filtrado colaborativo.
La suposición subyacente de la inteligencia es que es un proceso físico o la consecuencia de uno, y no un proceso metafísico. Al resolver un problema de IA, es fundamental comprender los cuatro temas importantes: categorización, clasificación, aprendizaje automático y filtrado colaborativo. Estos elementos forman los cimientos de la IA y nos permiten descomponer un problema en partes más pequeñas y encontrar soluciones significativas. A medida que la IA continúa evolucionando, su impacto en nuestras vidas será aún más significativo, y comprender cómo funciona nos ayudará a aprovechar al máximo esta tecnología revolucionaria.
Si quieres conocer otras notas parecidas a Suposición subyacente de la inteligencia: una mirada en profundidad puedes visitar la categoría Inteligencia.