La evolución humana en los últimos miles de años ha pasado por varias etapas. En el modo Avance rápido :-), hemos pasado de la sociedad orientada a Hunter a Agraria a Industrial a Servicios. Bien, pero ¿qué tiene que ver con el tema de este artículo?
Creo que la próxima revolución es la Inteligencia Artificial y de Datos (AI). Habrá un cambio tectónico en todo lo que hagamos, principalmente impulsado por la IA. Entonces, ¿significa que todos los humanos estarán desempleados y las máquinas se harán cargo como una escena de una película de ciencia ficción de Hollywood?
Por supuesto, la respuesta es no’. La IA no significa que todo lo que las máquinas harán, sino que la IA se puede representar mejor como “Inteligencia Aumentada” , es decir, Man + Machine para resolver los problemas comerciales mejor y más rápido. De hecho, según un artículo reciente de HBR en la próxima década, la IA no reemplazará a los gerentes, pero los gerentes que usan la IA reemplazarán a los que no. Además, según este informe, el Mercado de Inteligencia Artificial proyectará llegar a $ 36 mil millones para 2025
- Supongamos que quiero 'construir una mente' lo más cerca posible de una mente de rata. ¿Cuáles son sus partes básicas y qué áreas de IA se requieren para cada una de ellas?
- Militar: ¿Por qué no reemplazan la línea del frente con robots?
- ¿Cuándo podrá Inteligencia Artificial leer mi correo electrónico y ofrecerme sugerencias sobre qué escribir?
- ¿En qué tipo de aprendizaje automático (supervisado, no supervisado, refuerzo) se podría clasificar la predicción de rama?
- ¿Cómo se desarrolló la IA para AOE2?
Supongo que ahora he llamado su atención sobre por qué la IA es importante. Sin embargo, aún no hemos respondido a la pregunta: ¿cuál es la diferencia entre el aprendizaje automático, el aprendizaje profundo y la inteligencia artificial y cómo se relaciona la ciencia de datos? Entonces, profundicemos en ello sin más preámbulos
Al principio, aquí hay un gráfico que resume mi creencia sobre cómo cada campo está relacionado entre sí
Como puede ver en lo anterior, son campos estrechamente relacionados y, por lo tanto, requieren una aclaración y diferenciación.
Veamos cada uno de ellos uno por uno.
Inteligencia Artificial (IA)
La IA es cualquier técnica, código o algoritmo que permite a las máquinas desarrollar, demostrar e imitar el comportamiento cognitivo humano o la inteligencia, y de ahí el nombre de “Inteligencia Artificial”.
La mayoría de nosotros habría escuchado sobre la IA en el pasado reciente, sin embargo, la IA no es nueva. Según Wikipedia, John McCarthy es uno de los “padres fundadores” de la inteligencia artificial, junto con Marvin Minsky, Allen Newell y Herbert A. Simon. McCarthy acuñó el término “inteligencia artificial” en 1955.
Algunas de las aplicaciones más exitosas de IA a nuestro alrededor se pueden ver en Robótica, Visión por Computadora, Realidad Virtual, Reconocimiento de voz, Automatización, Juegos, etc.
Aprendizaje automático (ML)
El aprendizaje automático es el subcampo de la IA, que brinda a las máquinas la capacidad de mejorar su rendimiento a lo largo del tiempo sin intervención explícita o ayuda del ser humano. La mayoría de las aplicaciones actuales del aprendizaje automático aprovechan el aprendizaje supervisado.
En este enfoque, a las máquinas se les muestran miles o millones de ejemplos y se les enseña cómo resolver un problema correctamente. Por ejemplo, usando datos históricos de fraude podemos entrenar un algoritmo para identificar una actividad fraudulenta de no fraudulenta. Una vez que la máquina aprende a clasificar correctamente los casos, implementamos el modelo para su uso futuro.
Otro uso de ML puede clasificarse en términos generales entre aprendizaje no supervisado y aprendizaje reforzado. En el aprendizaje no supervisado, no hay una etiqueta o salida que se use para entrenar la máquina, sin embargo, la máquina está entrenada para identificar patrones o segmentos ocultos, etc. Por otro lado, el aprendizaje reforzado se centra en un sistema de aprendizaje constante que incentiva un algoritmo para alcanzar el final objetivos bajo las limitaciones dadas.
Fuente de los gráficos a continuación: El negocio de la inteligencia artificial
Aprendizaje profundo
El aprendizaje profundo es un subcampo del aprendizaje automático que trata de imitar de cerca el funcionamiento del cerebro humano usando neuronas.
En otras palabras, estas técnicas se enfocan en construir Redes Neuronales Artificiales (ANN) usando varias capas ocultas. Utilizando diferentes pesos, sesgos, número de neuronas, funciones de activación (Relu, Sigmoid …) y optimizadores (SGD, Adam), etc., las Redes Neurales Profundas intentan obtener el mejor resultado posible para el problema dado.
Una de las razones del aumento repentino en el aprendizaje profundo y su aplicación es que la potencia de procesamiento necesaria para el aprendizaje profundo está disponible fácilmente mediante GPU, computación distribuida y CPU potentes, etc. Además, a medida que aumenta la cantidad de datos, los modelos de aprendizaje profundo parecen superar a los modelos de Machine Learning. Los gráficos a continuación del pionero de la industria Andrew Ng proporcionan una visión muy completa de por qué Deep Learning está ganando terreno cada día que pasa.
Aquí hay un estudio de caso de Deep Learning en la detección de transacciones de fraude en una empresa Fintech: https://www.linkedin.com/pulse/d…
Ciencia de los datos
Data Science es un campo que se cruza con IA, Machine Learning y Deep Learning y permite la toma de decisiones basada en estadísticas. La ciencia de datos es el arte y la ciencia de extraer ideas accionables a partir de los datos .
Data Science + Business Knowledge = Impacto / Creación de valor para el negocio.
Implica seguir los siguientes pasos:
- Comprender el problema comercial que estamos tratando de resolver
- Obtenga y prepare los datos para resolver el problema comercial.
- Realice minería de datos, análisis estadístico, aprendizaje automático, etc. para construir modelos y paneles
- Dibuja ideas y crea mazos / visualizaciones
- Compartir y convencer a los interesados
En términos generales, los científicos de datos y los profesionales de análisis intentan responder las siguientes preguntas a través de su análisis:
- Análisis descriptivo (¿Qué ha pasado?)
- Análisis de diagnóstico (¿Por qué ha sucedido?)
- Análisis predictivo (¿Qué puede suceder en el futuro?)
- Análisis prescriptivo (¿Qué plan de acción debemos seguir?)
Data Analytics se está utilizando en todas las áreas de la vida. Es imperativo que todas las empresas hagan un gran trabajo en análisis y ciencia de datos; de lo contrario, la competencia los ignorará. Aquí hay algunas aplicaciones de muestra.
Las industrias son
Minorista, banco, comercio electrónico, atención médica, telecomunicaciones, Web 2.0 en el dibujo a continuación.
Aquí hay algunos enlaces en caso de que desee obtener más información sobre ML y Deep Learning.
https://rparticles.quora.com/How…
https://www.quora.com/If-machine…
https://www.quora.com/In-which-a…
https://www.quora.com/How-much-d…
Espero que esto ayude.
¡Aclamaciones!
Descargo de responsabilidad: Las opiniones expresadas aquí son únicamente las del escritor en su capacidad privada.