Please enable JavaScript.
Coggle requires JavaScript to display documents.
Técnicas de IA - Coggle Diagram
Técnicas de IA
IA Clásica o Simbólica (GOFAI)
“IA a la antigua”, basada en reglas lógicas.
Funcionamiento:
Uso de reglas condicionales: “SI… ENTONCES…”
Programación manual de conocimientos expertos.
Aplicaciones:
Diagnóstico médico
Evaluación crediticia
Procesos industriales
Limitaciones:
Difícil de mejorar por la interacción entre reglas.
Requiere mucho tiempo y expertos humanos.
Aprendizaje Automático (AA o ML)
La IA “aprende” a partir de grandes volúmenes de datos.
Enfoques:
Supervisado → datos etiquetados
No supervisado → datos sin etiquetar
Por refuerzo → mejora continua mediante premios/castigos
Ejemplos:
Reconocimiento facial
Vehículos autónomos
Detección de spam
Limitaciones:
No aprende como los humanos, depende totalmente de humanos:
Para recolectar, etiquetar y limpiar los datos.
Para interpretar los resultados.
Trabajo humano oculto:
Etiquetado de datos hecho por personas en países como India o Filipinas (Amazon Mechanical Turk).
Redes Neuronales Artificiales (RNA)
Inspiradas en el cerebro humano.
Estructura:
Capa de entrada
Capas ocultas (intermedias)
Capa de salida
Proceso:
Ajuste de conexiones por aprendizaje y retropropagación.
Ejemplo: AlphaGo (venció al campeón mundial de Go).
Problemas:
“Caja negra”: difícil saber cómo toma decisiones.
Necesario transparentar decisiones → riesgos éticos
Aprendizaje Profundo (Deep Learning)
Subtipo de AA con muchas capas de RNA.
Técnicas clave:
RNP (redes neuronales profundas) → cálculo matemático eficiente.
RNR (recurrentes) → procesan secuencias, usadas en lenguaje.
RNC (convolucionales) → visión 3D por imágenes.
Aplicaciones:
PLN, visión por computadora, medicina, genómica.
Redes Generativas Antagónicas (RGA)
Dos redes neuronales compiten entre sí.
Componentes:
Red generativa → crea resultados
Red discriminativa → evalúa resultados
Ejemplos:
AlphaZero (juegos de mesa)
Generación de imágenes de personas ficticias.