El rostro y la voz de Radia, así como la voz de su interlocutor, que se escuchan en este Podcast, están realizadas con las últimas técnicas y tecnologías neuronales de Inteligencia Artificial, que proporcionan un discurso sintetizado con un sonido humano. Se trata de una innovación realizada en el Programa Radia. Radia responde a las 4 preguntas: ¿Podemos decir que la Inteligencia Artificial es una tecnología de propósito general? ¿Cómo podemos entender la Inteligencia Artificial, a través de 7 ámbitos de aplicación? ¿Es el Aprendizaje Automático una Inteligencia Artificial que podamos aprender y aplicar en la actualidad? ¿En qué herramienta debemos formarnos para utilizar Aprendizaje Automático y además poder tener un certificado profesional?
Hola Radia. En la temática sobre "Inteligencia Artificial" me han surgido 4 preguntas que te quiero realizar. La primera pregunta es:
La Inteligencia Artificial es una de las tecnologías emergentes que está provocando más transformaciones en los últimos tiempos, además, está destinada a alterar el tejido de la sociedad, y presentar una gran oportunidad de crecimiento y prosperidad.
Esto nos lleva a que, hoy en día, la Inteligencia Artificial es una de las grandes claves para abordar muchos de los desafíos a los que se enfrenta nuestra sociedad, incluyendo la salud, el bienestar, el cambio climático, así como los retos expresados en los objetivos de desarrollo sostenible de las Naciones Unidas.
La Inteligencia Artificial tiene la capacidad de generar grandes beneficios en la sociedad, aunque en contrapartida también genera ciertos riesgos que deben ser gestionados correctamente.
Necesitamos aplicar esta tecnología con un enfoque centrado en el ser humano, lo que nos impulsa a desarrollar y usar la Inteligencia Artificial como un medio para aumentar el bienestar social y colaborar en la lucha por la igualdad de oportunidades.
Quizás para no entrar en discusiones académicas sobre cómo definir la inteligencia artificial, es necesario entender que se trata de un concepto muy amplio.
Por eso, nos puede resultar útil conocer algunos de los siete ámbitos donde se está aplicando la inteligencia artificial.
En primer lugar, en la Robótica: qué es la ciencia que estudia el diseño y construcción de máquinas autónomas, capaz de realizar tareas de forma inteligente, resolviendo problemas y adaptándose a los cambios que suceden en el entorno.
En segundo lugar, en los “Sistemas expertos” que acumulan el conocimiento existente en un ámbito concreto, para aplicarlo a la toma de decisiones, empleando procesos de razonamiento lógico.
Hoy en día disponemos de sistemas expertos que ayudan a tomar mejores decisiones en el ámbito clínico de la salud o en el transporte aéreo.
En tercer lugar, en el “Procesamiento del lenguaje natural” que se centra en las interacciones entre las computadoras y el lenguaje humano. Es éste uno de los ámbitos de trabajo más fructíferos de los últimos años, y ha dado lugar a conocidos productos como Siri, Alexa o el Asistente de Google.
En cuarto lugar, en los denominados “Algoritmos genéticos”, que se ocupan de simular realidades virtuales que evolucionan en función de un conjunto de reglas previamente definidas.
Uno de los ejemplos más conocidos son los algoritmos genéticos que se emplean para encontrar la solución a un problema concreto simulando las leyes evolutivas básicas.
En quinto lugar, en el denominado “Aprendizaje Automático”, que pretende generalizar comportamientos y encontrar patrones en función de los ejemplos proporcionados de antemano.
Existen tres formas de afrontar un problema de aprendizaje automático, estas son: aprendizaje supervisado, aprendizaje no supervisado y el aprendizaje por refuerzo.
En sexto lugar, en lo que denominamos, “Redes neuronales y Aprendizaje Profundo”. Las redes neuronales representan un modelo computacional de las conexiones entre neuronas que se dan en el cerebro.
Asociado al concepto de redes neuronales, tenemos el concepto de “Aprendizaje Profundo”, que constituye una familia específica de algoritmos de aprendizaje automático centrados en aprender representaciones de datos.
El “Aprendizaje Profundo” se aplica a la visión por computadora o al reconocimiento automático del habla y en los sistemas de recomendación.
En séptimo, y último lugar, tenemos el concepto de la denominada “Computación cognitiva” que está centrada en intentar que las máquinas piensen de la forma más parecida posible a cómo lo haría un ser humano.
Actualmente sabemos qué estamos lejos de alcanzar este concepto de “Computación Cognitiva” y por el contrario, el “Aprendizaje Automático” está en un momento de gran aplicación.
El “Aprendizaje Automático” tiene tres grandes categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.
En primer lugar, en el “Aprendizaje supervisado”, trabajamos con datos etiquetados, intentando encontrar una función que, dadas las variables de entrada, les asigne la etiqueta de salida adecuada.
El algoritmo se entrena con un histórico de datos y así aprende a asignar la etiqueta de salida adecuada a un nuevo valor, es decir, predice el valor de salida.
Un ejemplo son los “Problemas de clasificación”, que se utilizan para diagnósticos clínicos, o en “Problemas de regresión”, que se utilizan para realizar predicciones meteorológicas, o de expectativa de vida.
En segundo lugar, en el “Aprendizaje no supervisado”, el algoritmo segrega los datos en un conjunto de referencias sin etiquetar en función de algunas características ocultas en los mismos.
Esta función puede ser útil para descubrir la estructura oculta de los datos y para tareas como la detección de anomalías.
Un ejemplo donde se suele utilizar es, en el área comercial, para encontrar grupos de clientes con un comportamiento similar, partiendo de una base de datos de clientes que contienen sus propiedades y registros de compras anteriores.
También se utiliza en el sector de los Seguros para identificar fraudes, y en los estudios de terremotos, por la aglomeración de epicentros de terremotos observados para identificar zonas peligrosas.
Por último, el “Aprendizaje por refuerzo” se rige por principios análogos al castigo y la recompensa, que le dicen al sistema si lo que acaba de hacer está bien o mal.
Esto le permite probar muchas veces, y tomar nota de qué decisiones le llevaron a ganar o a perder.
De esta forma va descartando decisiones perdedoras, hasta que su estrategia sea absolutamente perfecta y alcance el objetivo buscado.
Un ejemplo de uso es mapear entradas de sensores, agarrar objetos y controlar movimientos de robots; y esto sirve para que el robot pueda recorrer grandes distancias, repartir compras, medicinas y en general, cualquier tipo de paquetes, y que pueda llegar a ser el futuro de los repartos de la llamada “ultima milla” en comercio electrónico.
Podemos decir que el “Aprendizaje Automático” consiste en desarrollar para cada problema un “algoritmo” de predicción para cada caso de uso particular.
Estos algoritmos aprenden de los datos con el fin de encontrar patrones o tendencias para comprender qué nos dicen estos datos y, de esta manera, construir un modelo para predecir o clasificar los elementos.
Actualmente existe un recurso que tenemos en abundancia, cómo es la gran cantidad de datos estructurados y no estructurados.
Y debemos de recordar cómo un mantra que “Sin datos no hay Aprendizaje Automático posible”.
El “Aprendizaje Automático” extrae conocimiento de forma autónoma a partir de datos, a través de los algoritmos y los modelos.
Debemos de resaltar que uno de los grandes aspectos de los Algoritmos de Aprendizaje Automático, es la capacidad que tienen para adaptarse a situaciones que no eran conocidas con anterioridad.
No es necesario programarlos antes de estas situaciones, puesto que la capacidad adaptativa la tienen por el aprendizaje adquirido durante la fase de entrenamiento.
Disponer de un conjunto de datos con la mayor calidad posible hará que los algoritmos puedan aprender y deducir de una manera más eficiente.
De igual forma, es necesario tener una elevada cantidad de datos para que los algoritmos puedan procesar ejemplos y de este modo completar el proceso de optimización, así obtendremos un patrón que abarque la diversidad de los casos y podremos predecir sobre datos que no hayamos observado durante la fase que dura el entrenamiento del algoritmo.
Por el contrario, si no tenemos estos elevados conjuntos de datos, la salida propuesta por el modelo tendrá sesgos.
Esto nos lleva a resaltar la técnica denominada como “Aprendizaje Profundo” por su alta capacidad de procesamiento. “Aprendizaje Profundo”, es como un subconjunto de Aprendizaje Automático, que a su vez es sólo una parte de la inteligencia artificial, aunque actualmente es la más dinámica y la que está haciendo que la inteligencia artificial esté nuevamente en pleno auge.
Ya existe una plataforma en la nube para poder trabajar con Aprendizaje Automático, donde además, no es necesario tener un conocimiento de experto para poder comenzar a introducirnos profesionalmente en este ámbito.
Esta plataforma denominada BIGML intenta democratizar el Aprendizaje Automático y aplicarlo a una idea de proyecto que tengamos.
En la actualidad están trabajando para ser la primera plataforma accesible del mundo en “Aprendizaje Automático”.
También brinda la oportunidad de conseguir un Certificado Profesional, que acredite la formación que hemos recibido y la nueva competencia digital adquirida.