INTELIGENCIA ARTIFICIAL
David Matallanos Jiménez
ÍNDICE
INTELIGENCIA ARTIFICIAL (IA) ..................................................................................................3
TIPOS DE IA...............................................................................................................................4
APRENDIZAJE DE UNA IA ..........................................................................................................8
LA IA Y LOS DATOS ..................................................................................................................10
MINERIA DE DATOS Y LA IA .....................................................................................................13
ORGANIZO MIS IDEAS .............................................................................................................15
BIBLIOGRAFÍA .........................................................................................................................15
2
INTELIGENCIA ARTIFICIAL (IA)
¿Qué es la inteligencia artificial?
La Inteligencia Artificial o IA es el es una rama de la informática que se centra en el desarrollo
de sistemas informáticos capaces de realizar tareas que habitualmente requieren de
inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de
decisiones y la traducción de idiomas.
3
TIPOS DE IA
¿Qué tipos de IA existen?
• Superinteligencia artificial
• IA general (IA fuerte o IA de nivel humano)
• IA estrecha (IA débil o IA especializada)
4
SUPERINTELIGENCIA ARTIFICIAL
¿Qué es la superinteligencia artificial?
En la cima de la pirámide de las máquinas que piensan se sitúa la súper inteligencia artificial, la
que más ha alimentado el género de la ciencia ficción.
En este caso, se trata de la tecnología más evolucionada, aquella en la que las máquinas y los
ordenadores son capaces de pensar por sí mismos de la misma forma que lo haría un ser
humano adquiriendo conciencia y autonomía total o incluso llegando a superar nuestra
inteligencia.
Aunque en un estado avanzado, se trata de un tipo de IA que está en desarrollo y, por el
momento, es más un desarrollo teórico que práctico. La base de este tipo de inteligencia
artificial parte de la premisa de que los robots pueden superar a los humanos en prácticamente
todo, pero las consecuencias reales, éticas y morales que esto pueda tener la convierten en el
tipo más delicado de IA.
5
IA GENERAL
¿Qué es la inteligencia artificial?
En este caso se trata de un tipo de tecnología más avanzada y que engloba a las máquinas que
son capaces de comprender, razonar y aprender de una forma similar a cómo lo hace la mente
humana.
Se considera un tipo de IA más profunda y fortalecida y se emplea para tareas que requieren
habilidades para resolver problemas y planteamientos más complejos. Algunas de las
características de este tipo de inteligencia artificial es su generalidad y adaptación a diferentes
tareas y situaciones, su capacidad de aprendizaje, la toma de decisiones o la comprensión del
lenguaje natural.
Algunos ejemplos de sistemas en los que la IA general ya está instalada son la planificación
logística, la robótica avanzada, el diagnóstico médico o la ciberseguridad.
6
IA ESTRECHA
¿Qué es la IA estrecha?
La inteligencia artificial estrecha, es el tipo de IA más básica que existe. Este concepto hace
referencia a los sistemas que están entrenados para realizar tareas específicas, pero se trata de
una tecnología limitada.
Los sistemas que emplean IA estrecha están programados con un objetivo de especialización,
pero no tienen la capacidad de evolucionar su conocimiento ni desarrollar habilidades más allá
de aquellas que se le han asignado.
Algunos de los ejemplos más comunes de este tipo de inteligencia artificial son los chatbots,
los asistentes virtuales, los motores de búsqueda o los sistemas de recomendación. Por su
sencillez y efectividad, es el tipo de IA más utilizado en nuestro día a día.
7
APRENDIZAJE DE UNA IA
Aprendizaje automático (machine learning)
• Aprendizaje supervisado: El aprendizaje supervisado se define por el uso de conjuntos
de datos etiquetados para entrenar algoritmos que clasifican los datos o predicen los
resultados con precisión.
• Aprendizaje no supervisado: El aprendizaje no supervisado descubre agrupaciones de
datos o patrones ocultos sin necesidad de ninguna intervención humana. Su capacidad
de descubrir similitudes y diferencias en la información lo convierten en la solución
ideal para el análisis de datos exploratorios, las estrategias de venta cruzada, la
segmentación de clientes y el reconocimiento de imágenes.
• Aprendizaje semisupervisado: El aprendizaje semisupervisado es una rama del
machine learning que combina el aprendizaje supervisado y no supervisado, utilizando
datos etiquetados y no etiquetados para entrenar modelos de inteligencia artificial (IA)
para tareas de clasificación y regresión.
• Aprendizaje reforzado: En el aprendizaje por refuerzo, un agente aprende a tomar
decisiones interactuando con un entorno. Se utiliza en robótica y otros entornos de
toma de decisiones.
8
Aprendizaje profundo (Deep learning)
El deep learning es un subconjunto del machine learning que utiliza redes neuronales
multicapa, llamadas redes neuronales profundas, para simular el complejo poder de toma de
decisiones del cerebro humano. Algunas formas de deep learning impulsan la mayoría de las
aplicaciones de inteligencia artificial (IA) en nuestra vida actual.
9
LA IA Y LOS DATOS
1. Definición del problema
Identificar claramente el problema que se desea resolver (por ejemplo, clasificación, regresión,
clustering, etc.).
Determinar las métricas de evaluación que se utilizarán para medir el rendimiento del modelo.
2. Recolección de datos (Data Lake)
Reunir un conjunto de datos suficientemente grande y representativo que contenga ejemplos
de la tarea que se desea aprender.
3. Preprocesamiento de datos
Limpiar los datos eliminando o tratando valores faltantes y errores.
Transformar los datos en un formato adecuado para el algoritmo seleccionado (por ejemplo,
normalización, codificación de categorías, etc.).
4. División de datos
Dividir los datos en conjuntos de entrenamiento, validación (opcional) y prueba. El
entrenamiento se realiza en el conjunto de entrenamiento, la validación en el ajuste de
hiperparámetros y la evaluación final en el conjunto de prueba.
5. Selección del modelo y algoritmo
Elegir un modelo y algoritmo adecuado para el problema, como una red neuronal, máquina de
soporte vectorial, árbol de decisión, etc.
6. Configuración de hiperparámetros
Configurar los parámetros del modelo, como la tasa de aprendizaje, el número de capas en una
red neuronal, etc. Esto puede requerir experimentación y ajuste.
7. Entrenamiento del modelo
Alimentar el conjunto de entrenamiento al algoritmo, permitiendo que el modelo ajuste sus
parámetros internos para minimizar una función de pérdida.
Utilizar técnicas como el descenso del gradiente para optimizar los parámetros del modelo.
Monitorear el proceso de entrenamiento para evitar problemas como el sobreajuste, donde el
modelo se desempeña bien en los datos de entrenamiento, pero mal en datos no vistos.
8. Validación y ajuste
Evaluar el modelo en un conjunto de validación para afinar los hiperparámetros y seleccionar la
mejor versión del modelo.
9. Evaluación
Probar el modelo en un conjunto de datos de prueba independiente para evaluar su
rendimiento en condiciones similares a las que enfrentará en producción.
10
10. Implementación y monitoreo
Desplegar el modelo en un entorno de producción.
Monitorear su rendimiento en tiempo real, posiblemente ajustando y reentrenando según sea
necesario.
11
Aspectos críticos en el tratamiento de los datos en IA
• Desplazamiento de empleos
• Sesgo algorítmico
• Falta de empatía
• Menor privacidad
• Dependencia tecnológica
• Desafíos éticos
• Posibilidad de ataques cibernéticos
• Menor resolución de problemas inesperados
• Limitaciones creativas
• Desigualdad de acceso a medios digitales
12
MINERIA DE DATOS Y LA IA
Proceso de minería de datos
1. Selección y preparación de datos.
2. Prueba de un modelo y análisis de su calidad.
3. La visualización de los resultados.
4. Puntuación de los registros de datos.
5. Análisis de un modelo y preparación para otros pasos del proceso.
13
Tipos de minería de datos
Asociación
Otro objetivo interesante es la asociación: vincular dos eventos o actividades aparentemente
no relacionados. Una historia clásica, aunque tal vez ficticia, de los primeros tiempos de las
analíticas y minería de datos le atribuye a una cadena de tiendas de conveniencia el
descubrimiento de una correlación entre ventas de cerveza y de pañales. Especularon con que
los padres abrumados que salían a altas horas de la noche a conseguir pañales aprovechaban y
también compraban cerveza. Por eso las tiendas ponen la cerveza y los pañales cerca, y así
aumentan las ventas de la bebida.
Clustering
Este enfoque tiene como objetivo agrupar los datos por similitudes y no por supuestos
predefinidos. Por ejemplo, al extraer información sobre las ventas a sus clientes combinada con
datos crediticios y demográficos externos, quizás descubra que sus compradores más rentables
están en ciudades medianas. Gran parte del tiempo, la minería de datos se persigue como
soporte para proyecciones o pronósticos. Cuanto mejor entienda usted los patrones y
comportamientos, mejor será el trabajo que pueda hacer para proyectar acciones futuras
asociadas a causas o correlaciones.
Regresión
El análisis de regresión, una de las técnicas matemáticas ofrecidas en los kits de herramientas
para minería de datos, predice cifras basado en patrones históricos proyectados a futuro.
Varios otros algoritmos de detección y seguimiento de patrones brindan herramientas flexibles
para ayudar a los usuarios a comprender mejor los datos y el comportamiento que
representan. Estas son solo algunas de las técnicas y herramientas disponibles en los kits de
herramientas para minería de datos. La elección de la herramienta o técnica está en cierto
modo automatizada, dado que se aplicarán de acuerdo a cómo se plantee la pregunta. Antes, a
lo que hacía la minería de datos se le decía "dividir y cortar" la base de datos, pero ahora la
práctica es más sofisticada y términos como "asociación", "clúster" y "regresión" son de uso
común.
14
ORGANIZO MIS IDEAS
BIBLIOGRAFÍA
15
INTELIGENCIA ARTIFICIAL: [Link]
es/innovacion/inteligencia-artificial/
TIPOS DE INTELIGENCIA ARTIFICIAL: [Link]
[Link]/tipos-inteligencia-artificial-existen-funcionalidades/
APRENDIZAJE SUPERVISADO: [Link]
es/topics/supervised-learning
APRENDIZAJE NO SUPERVISADO: [Link]
es/topics/unsupervised-learning
APRENDIZAJE SEMISUPERVISADO: [Link]
es/topics/semi-supervised-learning
APRENDIZAJE DE REFUERZO: [Link]
es/topics/reinforcement-learning
COMO SE ENTRENA UN MODELO DE IA: [Link]
entrena-un-modelo-de-ia/
ASPECTOS CRITICOS DE IA:
[Link]
artificial
MINERIA DE DATOS E IA:
[Link]
platform/hana/[Link]
16
