La analogía más común de la IA debería ser con el comportamiento de los niños. Los científicos intentan responder a la pregunta de cómo hacer que un sistema informático piense es observando cómo aprende un niño.
Cuando un niño viene a la tierra, es una pizarra en blanco sin información previa. Luego observa a los demás a su alrededor, trata de descubrir la causa y el efecto de cada acción que observa. La siguiente etapa para él es imitar lo que aprendió en un escenario conocido. Finalmente llega el escenario desconocido en el que el niño tiene que aplicar lo que aprende a responder preguntas previamente desconocidas para él. Si comete un error, su anciano lo corrige y comienza a aprender nuevamente. Por lo tanto, es un proceso interminable de aprendizaje y aplicación del conocimiento,
Una IA se comporta de manera similar. Una IA es un modelo matemático que comienza con una pizarra en blanco y utiliza datos de entrenamiento para dar sentido a los datos proporcionados al modelo. Se “observa” el comportamiento de los datos y trata de encontrar la correlación. Hay muchos modelos para definir la correlación, el árbol de decisión se utiliza para encontrar la agrupación de objetos estrechamente relacionados, la agrupación se utiliza para encontrar la afinidad de un objeto a otro. Una vez que el modelo se entrena a cierto nivel, se aplica al escenario desconocido del mundo real para determinar la relación nunca antes vista en el modelo de entrenamiento. Si es un error encontrar una relación, es decir, la confianza del modelo de aprendizaje es baja, se capacita nuevamente.
- Si la IA puede reescribirse para crear los resultados perfectos después de una vida de simulación, ¿puede llegar a la misma conclusión y, por lo tanto, descubrir el mismo lenguaje que otras computadoras en otros planetas?
- ¿Qué es un índice agrupado?
- ¿Qué NIT es mejor para CS?
- ¿Cuáles son los tipos de palabras relacionadas que genera Word2Vec?
- ¿Cuál es la ventaja del modelo basado en reglas en comparación con el modelo basado en aprendizaje automático?
Por ejemplo, si tomamos el ejemplo de NELL (Universidad Carnegie Mellon). Aprende la frase “John_Hana es un político” y “Thomas_Reynolds es un político”, entonces efectivamente puede agrupar a John_Hana y Thomas_Reynolds en la misma categoría. Ahora, si encuentra que “Thomas_Reynolds es un miembro del congreso” y “Alma_Adams es un miembro del congreso”, es fácil para NELL decidir “Alma_Adams es un político”.
Entonces, inclinarse y aplicar el aprendizaje en un entorno desconocido es la clave para la inteligencia artificial.