En muchos sentidos, la mayoría de las historias de éxito que escucha sobre el aprendizaje automático utilizan el aprendizaje automático porque las soluciones sin aprendizaje automático eran inadecuadas. Los más conocidos (que se me ocurren) son:
- reconocimiento de objetos: mirar una imagen y etiquetarla como “manzana” o “perro”, etc. Este es posiblemente el problema más famoso y es el que despertó toda la fascinación por el “aprendizaje profundo” en la última media década.
- convertir texto escrito a texto digital (posiblemente un subconjunto de reconocimiento de objetos)
- discurso a texto (es decir, convertir el discurso humano en representación de texto; Siri y Cortana tienen que hacer esto cuando les hablas)
- procesamiento del lenguaje natural (algo difícil de definir pero, en términos generales, “extraer el significado de las oraciones”; Watson (una IA de Jeopardy exitosa) tuvo que hacer esto)
- vencer a un jugador de 9 dan en Go (el juego de mesa)
En términos más generales, si tiene un problema que tiene muchos ejemplos de entradas y salidas, pero no parece concebible que un humano escriba explícitamente un procedimiento o una lista de reglas a seguir, entonces el aprendizaje automático es una idea muy útil para caer de nuevo. Cuanto más difícil sea el problema, más entradas de ejemplo necesitará.
- ¿Cuáles son las principales startups de IA en Israel?
- ¿Cómo se compara AT&T WATSON con el reconocimiento de voz de Nuance?
- ¿Qué son las redes neuronales que pasan mensajes?
- ¿Cuál es el estado actual de la investigación de inteligencia artificial?
- Chip-wise es suficiente GPU, ¿o hay otras pilas de hardware que puedan competir?