Please enable JavaScript.
Coggle requires JavaScript to display documents.
Watson IA - Coggle Diagram
Watson IA
Inteligencia Artificial
Es un campo muy amplio que busca crear sistemas o máquinas que puedan imitar la inteligencia humana para realizar tareas y resolver problemas.
Abarca áreas como el aprendizaje automático, el procesamiento del lenguaje natural, la visión por computadora, los sistemas expertos, etc.
Sistemas Expertos
Sistemas basados en un conjunto de reglas y conocimientos codificados por humanos expertos para resolver problemas complejos en dominios específicos como diagnósticos médicos, configuración de equipos, etc.
Procesamiento del Lenguaje Natural (PLN/NLP)
Se enfoca en permitir que las computadoras comprendan, interpreten y generen lenguaje humano. Incluye tareas como traducción automática, análisis de sentimientos, reconocimiento de voz, etc.
Planificación y Sistemas de Razonamiento
Se ocupan de la toma de decisiones secuenciales complejas al definir planes y estrategias para lograr objetivos. Incluye técnicas como búsquedas heurísticas, razonamiento basado en casos, etc.
Robótica
Desarrollo de robots inteligentes que puedan percibir su entorno, razonar, tomar decisiones y actuar físicamente en consecuencia. Implica visión por computadora, PLN, planificación de movimientos, etc.
Visión por Computadora
Desarrollo de sistemas que puedan adquirir, procesar y analizar imágenes/videos para reconocer e interpretar objetos, escenas, acciones, etc. Aplicaciones como detección de objetos, inspección visual, navegación autónoma, etc.
Redes Neuronales/Deep Learning
Modelos computacionales inspirados en las neuronas biológicas que permiten el
aprendizaje automático
de patrones complejos en grandes volúmenes de datos.
Aprendizaje Automático
(Machine Learning)
Permite que los sistemas informáticos adquieran conocimiento y mejoren su rendimiento en tareas específicas a través del estudio y análisis de grandes volúmenes de datos, en lugar de ser programados explícitamente con instrucciones fijas.
Cuenta con diferentes vertientes entre las que están.
Aprendizaje no supervisado
Entrenamiento
Anotación de datos
Un equipo de expertos humanos realizó la ardua tarea de "anotar" y etiquetar una parte de los datos para entrenar los modelos iniciales de Watson en cómo interpretar y responder preguntas correctamente.
Los datos etiquetados por humanos sirvieron como conjunto de entrenamiento supervisado para los primeros modelos de
aprendizaje automático
.
Recopilación de datos
Lo primero fue alimentar a Watson con una enorme cantidad de datos de diversas fuentes como enciclopedias, libros, artículos, bases de datos, etc. Esto le proporcionó un vasto "conocimiento" en múltiples dominios.
Preprocesamiento de datos
Los datos recopilados se preprocesaron mediante técnicas de procesamiento del lenguaje natural para poder comprenderlos y estructurarlos mejor. Esto implicó tareas como tokenización, lematización, análisis sintáctico
Se utilizaron técnicas de
aprendizaje automático
supervisado como la clasificación y el etiquetado automático de textos para estructurar mejor la información.
Entrenamiento de modelos
Utilizando los datos anotados, se entrenaron distintos modelos de aprendizaje automático (máquinas de soporte vectorial, redes neuronales, etc.) para identificar características relevantes, generar hipótesis de respuesta y calificar su confiabilidad.
Algoritmos de
aprendizaje automático
como máquinas de soporte vectorial, redes neuronales, etc. Se entrenaron con los datos anotados.
Pruebas y refinamiento
Los modelos entrenados se probaron y evaluaron constantemente utilizando conjuntos de preguntas de práctica. Los errores se revisaban para reajustar y mejorar iterativamente los algoritmos.
Una vez entrenados los modelos iniciales, se aplicó aprendizaje por refuerzo iterativamente, ajustando los algoritmos en base a la retroalimentación de su desempeño en pruebas.
Integración de componentes
Watson combinaba los resultados de múltiples modelos y componentes de software especializados en analizar diferentes aspectos del lenguaje natural para generar respuestas integrales.
Despliegue masivo
Una vez que los modelos alcanzaron un rendimiento aceptable, se implementaron en la infraestructura de procesamiento paralelo y hardware especializado de Watson para su despliegue final.
Aspectos por mejorar
1 more item...
Desafíos superados
6 more items...
Aprendizaje supervisado
Aprendizaje por refuerzo
Aprendizaje profundo (Deep Learning)