Con el debido respeto a todos los que han sugerido varios libros de inteligencia artificial y clases de aprendizaje automático: el primer paso es comprender lo que importa en inteligencia artificial.
Y (de manera apropiada) lo que más importa es la comprensión. Y la comprensión comienza con “Lo que importa”. Esto suena complicado, divertido o tautológico, pero en realidad no lo es. Dejame explicar.
La mayoría de las investigaciones sobre IA hoy en día están equivocadas; han estado tratando de resolver el problema equivocado durante sesenta y cinco años con la melodía de un millón de años-hombre. Resolver el problema correcto es mucho más fácil y deberíamos hacerlo en unos cinco años. Este es un muy buen momento para entrar en la investigación de IA … siempre y cuando evite casi todo lo que se ha hecho en la investigación de IA hasta la fecha, ya que muy poco de eso realmente contribuye a encontrar la solución correcta.
- ¿Cuál será el primer país totalmente automatizado?
- ¿Cuáles son todos los trabajos de investigación que han estudiado la superficie de pérdida de las redes neuronales?
- ¿Qué sucede si dejas que una IA de ajedrez juegue sola? ¿Es solo 50-50?
- ¿Cómo podemos usar Machine Learning para escribir software?
- ¿Cómo será la progresión natural del aprendizaje automático? ¿Qué industrias tendrá más aplicaciones?
El primer paso es darse cuenta de que la mente humana no es científica. Es el resultado de la evolución y sobresale en la búsqueda de soluciones rápidas y sucias para problemas especificados de forma incompleta en casi cero tiempo. Casi todo lo que hacemos a diario se hace de esta manera; para esto usamos nuestros cerebros, y esto es lo que una IA debería poder hacer. Se llama “Comprensión intuitiva”.
El segundo paso es darse cuenta de que la comprensión requiere la capacidad de saber “lo que importa”. Qué es relevante y qué es irrelevante para la situación en cuestión. El problema central no resuelto en la IA es encontrar una medida de “saliencia” independiente del dominio del problema, para saber si algo importa o no. Actualmente, los investigadores en esta área están evaluando varios algoritmos para la prominencia independiente del dominio y algunos están mostrando cierta promesa. Este rincón de la investigación de IA es donde está la acción.
El tercer paso es darse cuenta de que las respuestas a la mayoría de las preguntas en el dominio de IA se pueden reducir a un tamaño manejable considerando las limitaciones epistemológicas. Como ejemplo de una declaración en Epistemología, considere “Solo puede aprender lo que ya casi sabe”. Esta simple verdad, expresada por el profesor Patrick Winston (MIT) alrededor de 1980, forma la base de lo que hoy se conoce como “Aprendizaje profundo”, que se ha convertido en el mayor avance en inteligencia artificial en los últimos 20 años. La epistemología contiene las pistas para muchos más avances como este. Solo necesita dejar de lado el viejo pensamiento de la IA reduccionista. Lo cual es difícil, ya que la mayoría de la educación de todos se ha centrado en aprender a hacer Reducción.
Por lo tanto, es importante comenzar primero con los libros y luego pasar a los tutoriales
Algunos de los mejores tutoriales para aprender IA están disponibles en:
Aprenda Inteligencia Artificial – Los mejores tutoriales de Inteligencia Artificial | Hackr.io
Codecademy – aprende a codificar, interactivamente, gratis
Coursera | Cursos en línea de las mejores universidades. Únete gratis
