Hice una presentación tocando esto hace unos meses. Puedes ver mi marco aquí en la diapositiva 3 [1].
En breve:
- Tecnologías : el componente básico de la IA. Se puede clasificar como aprendizaje automático o no automático. La tecnología ML incluye regresión, SVM, redes neuronales profundas y una gran cantidad de otros modelos. La tecnología ML también incluye algoritmos de aprendizaje (supervisados, no supervisados, refuerzo) La tecnología no ML es principalmente lógica simbólica y sistemas expertos.
- Aplicaciones : usos abstractos para tecnologías de inteligencia artificial que se pueden unir para resolver un problema. Piense en esto entre el código real y lo que vería un usuario final haciendo AI. Esto incluye cosas como procesamiento del lenguaje natural, visión por computadora, voz a texto y detección de anomalías.
- Casos de uso : esto es lo que ve el público. Su iPhone transcribiendo mensajes de voz por usted. Facebook traduce publicaciones de español a inglés. Vehículos autónomos que lo conducen por la autopista. Estos casos de uso a menudo se componen de varias aplicaciones de inteligencia artificial que funcionan en concierto.
Notas al pie
- ¿Por qué TensorFlow tiene definiciones para muchas operaciones matemáticas?
- ¿Cómo descifrar cualquier entrevista de aprendizaje automático? ¿Qué tipo de preguntas debo esperar? Qué tipos de proyectos paralelos relevantes se verían bien en un CV
- ¿Cómo decidimos qué algoritmo usar en el aprendizaje automático?
- ¿Una red neuronal necesita un nodo de salida para cada cosa que pueda clasificar?
- ¿Debo obtener una MacBook Pro con 16 GB de RAM (máximo) para el trabajo de aprendizaje automático, a pesar de que puedo llevar cosas intensas a una instancia de Google Cloud?
[1] IA en la empresa: mirando hacia adelante
