Please enable JavaScript.
Coggle requires JavaScript to display documents.
BREVE INTRODUCIÓN A LAS TÉCNICAS DE IA - Coggle Diagram
BREVE INTRODUCIÓN A LAS TÉCNICAS DE IA
Generalidades de las Técnicas de IA
Requieren matemáticas de alto nivel, estadística y ciencias de la información.
Necesitan escritura de códigos.
Demasiado especializadas para explorar a fondo.
IA Clásica ( Basada en reglas)
Escritura de secuencias "SI... ENTONCES..." y otras reglas de lógica condicional.
Sistemas Expertos
Características
Requiere muchos recursos y es complicado.
Cientos de reglas, lógica generalmente fácil de seguir.
Difícil de revisar o mejorar al multiplicarse las interacciones.
Relevancia Actual
Todavía presente en muchas aplicaciones de IA (ej: chatbots) como componente de apoyo.
Aplicaciones: Diagnóstico médico, calificación crediticia, manufactura.
Funcionamiento: Basados en "ingeniería del conocimiento" (obtención y modelado de conocimiento de expertos).
Aprendizaje automático
Analiza grandes cantidades de datos para identificar patrones y construir un modelo para predecir valores futuros. Los algoritmos "aprenden".
Avances recientes de la IA
Procesamiento del lenguaje natural, reconocimiento facial, vehículos autónomos.
RELACIÓN CON IA
El AA es un subconjunto de la IA, no un sinónimo.
DEPENDENCIA HUMANA
Selección, limpieza y etiquetado de datos.
Diseño y entrenamiento del algoritmo.
Organización, interpretación y juicio de valor sobre los resultados.
Ejemplos: Millones de imágenes de escenas callejeras etiquetadas por humanos para vehículos autónomos.
ENFOQUES PRINCIPALES
Aprendizaje Supervisado:
Aprendizaje No Supervisado:
Aprendizaje por Refuerzo:
Uso: Mejora continua del modelo basada en la retroalimentación (aprendizaje continuo).
Funcionamiento: La IA recibe datos, obtiene un modelo, se evalúa (correcto/incorrecto), se premia/castiga, y actualiza su modelo de forma iterativa.
Ejemplo: Vehículo autónomo evita colisión, el modelo es recompensado, mejora capacidad futura.
Uso: Cantidades de datos aún mayores, sin categorizar ni etiquetar.
Objetivo: Descubrir patrones ocultos y agrupamientos para clasificar nuevos datos (ej: identificar letras/números en escritura a mano).
Limitación: Modelo fijo; si los datos cambian, hay que rehacer el análisis.
Uso: Datos previamente etiquetados (ej: fotografías de personas).
Objetivo: Relaciona datos con etiquetas para construir un modelo aplicable a datos similares (ej: identificar personas en nuevas fotos).
Limitación: Modelo fijo; si los datos cambian, hay que rehacer el análisis.
Aprendizaje Profundo
Redes Neuronales Artificiales (RNA)
Inspiración: Estructura de redes neuronales biológicas (cerebros animales).
Estructura: Tres tipos de capas interconectadas de neuronas artificiales:
Capa de entrada.
Una o varias capas computacionales intermedias (ocultas).
Capa de salida.
Funcionamiento
Las ponderaciones de las conexiones se ajustan en un proceso de aprendizaje por refuerzo y "retropropagación".
Ejemplo Notable: AlphaGo de Google (derrotó a campeón de Go en 2016).
Limitación Clave (Capas Ocultas):
No es posible determinar cómo la RNA llegó a su solución ("caja negra").
Genera decisiones con fundamento desconocido.
Problema de transparencia/rendición de cuentas: Especialmente crítico en decisiones con impacto humano (ej: sentencias de prisión).
Se refiere a RNA que comprenden múltiples capas intermedias.
Origen de Avances Recientes
Muchas de las aplicaciones más notables de la IA (procesamiento del lenguaje natural, reconocimiento del habla, visión por computadora, creación de imágenes, desarrollo de fármacos, genómica).
Modelos Emergentes:
Redes Generativas Antagónicas (RGA):
Dos redes neuronales profundas compiten entre sí.
Red generativa: Crea posibles resultados.
El resultado informa la siguiente iteración.
EJEMPLOS
AlphaZero de DeepMind
Aprendió a jugar y ganar juegos de mesa.
Generación de imágenes
Imágenes de personas que parecen reales pero no existen.
Red discriminativa: Evalúa esos resultados.
Redes Neuronales Profundas (RNP):
Redes Neuronales Recurrentes (RNR)
Redes Neuronales Convolucionales (RNC)
Procesan datos en matrices múltiples (ej: visión 3D).
Permiten flujo de datos en cualquier dirección, procesan secuencias (ej: modelado del lenguaje).
Encuentran operaciones matemáticas eficaces para convertir un aporte en el resultado.