México | Tu Primer Contacto Con El Mundo De La IA Desde El Sillón De Tu Casa
En los últimos años hemos observado numerosos avances en Inteligencia Artificial (IA) que nos indican el futuro que nos espera y que han alentado el debate sobre las consecuencias positivas y adversas del desarrollo de la tecnología.
Así pues, la IA va a transformar los principales sectores y tendrá una repercusión comparable al descubrimiento de la electricidad o la invención de Internet. En palabras de Andrew NG, un destacado científico de IA, La IA es la nueva electricidad. El alto potencial e impacto de la AI demanda una gran cantidad de expertos en la materia para cubrir la creciente demanda que reclama el mercado laboral.
El objetivo de este artículo es desmitificar la IA y proporcionarte las herramientas para entender esta tecnología, sin la necesidad de desembolsar grandes cuantías económicas. Para ello, empezaremos con algunas definiciones, exploraremos algoritmos de IA y te ofreceremos una lista de recursos para que puedas empezar a descubrir la IA, desde el sofá de tu casa.
¿Qué son la IA, el Machine Learning y el Deep Learning?
Seguro que te suenan estos términos pero, comencemos por el principio. La IA hace referencia al concepto de crear algoritmos que demuestren comportamientos o capacidades relacionadas con el ser humano. La familia de algoritmos más usada en Inteligencia Artificial es el Machine Learning.
En otras palabras, los algoritmos de Machine Learning encuentran patrones en enormes cantidades de datos con los que crean reglas para realizar predicciones sobre nuevas entradas de datos. La principal ventaja de los algoritmos de Machine Learning es que no hay que programar expresamente las reglas de decisión. Estas reglas se “aprenden” automáticamente a partir de los datos. Según el tipo de aprendizaje existen tres categorías dentro del Machine Learning:
● Aprendizaje supervisado: introducimos una serie de variables de entrada (input) y sus correspondientes variables de salida (output), y el algoritmo de aprendizaje automático intenta encontrar reglas que relacionen esas variables.
● Aprendizaje no supervisado: introducimos una serie de datos solo con variables de entrada y el algoritmo intenta encontrar patrones. El ejemplo más habitual de aprendizaje no supervisado es el clustering o agrupamiento.
● Aprendizaje por refuerzo: entrenamos a agentes de IA para que realicen acciones en un entorno dado con el fin de maximizar la noción de recompensa acumulada. Con estos algoritmos se puede enseñar a los agentes a jugar el ajedrez, por poner un ejemplo, o incluso entrenar a robots para que caminen o realicen tareas específicas.
