10 tendencias de Inteligencia Artificial para 2018 (1a Parte)

Compartir:

Las innovaciones tecnológicas y el constante desarrollo de ese sector es algo con lo que hemos aprendido a vivir. Sin embargo, la inteligencia artificial (IA) pasará al centro del escenario del progreso y tomará protagonismo el año que viene.

No solo como actor secundario o como algo que se pudiera pensar que sucedería en un futuro lejano, la inteligencia artificial estará fuertemente vinculada a los negocios y a los líderes gubernamentales, es decir, pasará de los laboratorios al mundo cotidiano y de los académicos a los empresarios.

¿Cuáles serán los principales avances tecnológicos en este campo que tendrán el mayor impacto en nuestras vidas cotidianas?

En la primera parte de este post enumeramos cinco de las tendencias de inteligencia artificial que están cambiando la forma de hacer negocios.

1.- Teoría del aprendizaje profundo: desmitificando cómo funcionan las redes neuronales

Las redes neuronales profundas, que imitan el cerebro humano, poseen la capacidad de “aprender” a partir de imágenes, audio y datos de texto. Sin embargo, aunque esta teoría se ha puesto en práctica desde hace más de 10 años, todavía hace falta conocer mucho sobre el tema y comprender el funcionamiento de las redes neuronales.

La nueva teoría del aprendizaje aplica el principio de un cuello de botella de información para el aprendizaje profundo y sugiere que después de una fase de adaptación inicial, una red neuronal profunda “olvidará” y comprimirá los datos que contienen mucha información adicional sin sentido y solo conservará información sobre lo que los datos representan.

Esto es importante porque ayuda a entender cómo funciona el aprendizaje profundo, permitiendo su mejor uso y desarrollo en diversas áreas.

2.- Redes de cápsulas: emulando las fuerzas de procesamiento visual del cerebro

Las redes de cápsulas, un nuevo tipo de red neuronal profunda, procesan la información visual casi de la misma forma que el cerebro, lo que significa que pueden mantener relaciones jerárquicas. Esto las diferencia de las redes neuronales convolucionales, una de las más utilizadas, las cuales no tienen en cuenta jerarquías espaciales importantes entre objetos simples y complejos; esta carencia provoca una clasificación errónea y una alta tasa de errores.

Lo anterior resulta de suma importancia para las tareas de identificación, reduciendo los errores hasta en un 50%.

3.- Aprendizaje de refuerzo profundo: interactuando con el entorno para resolver problemas de negocios

El Aprendizaje de Refuerzo Profundo (DRL por sus siglas en inglés) es un tipo de red que aprende interactuando con el entorno a través de observaciones, acciones y recompensas, el cual ha se ha utilizado para aprender estrategias de juego, como el Atari o Go.

El DRL será utilizado en muchas aplicaciones comerciales, ya que requiere menos datos que otras técnicas para entrenar sus modelos, además de que se puede entrenar a través de la simulación, lo que elimina por completo la necesidad de etiquetar datos, haciéndolo más sencillo de utilizar.

4.- Redes adversas generativas: emparejamiento de redes neuronales para estimular el aprendizaje y aligerar la carga de procesamiento

La Red Adversativa Generativa (GAN por sus siglas en inglés) es un tipo de sistema de aprendizaje profundo no supervisado que se implementa a través de dos redes neuronales competidoras: una red, el generador, crea datos falsos que se ven igual que el conjunto de datos real. La segunda red, el discriminador, ingiere datos reales y sintéticos. Con el tiempo, cada red mejora, permitiendo que su par aprenda la distribución completa del conjunto de datos que se otorgó.

De esta manera, las GAN abren el aprendizaje profundo a una gama más amplia de tareas no supervisadas en las que no existen los datos etiquetados o cuestan mucho dinero de obtener.

5.- Aprendizaje lean y aumentado de Datos: abordando el desafío de los datos etiquetados

El aprendizaje automático busca desarrollar técnicas que le permitan aprender a las computadoras, es decir, crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento.

El mayor desafío en el aprendizaje automático es la disponibilidad de grandes volúmenes de datos etiquetados para capacitar al sistema. Esto puede abordarse con dos técnicas: sintetizar nuevos datos y transferir un modelo entrenado para una tarea o dominio a otro.

Estas técnicas permiten obtener más datos, lo que aumenta los datos existentes para mejorar el aprendizaje y aumenta la capacidad de abordar una variedad más amplia de problemas, especialmente aquellos con menos datos históricos.

Revisa las cinco tendencias faltantes en nuestro siguiente post.

Agregar un comentario: