¿Cuáles son las tendencias recientes en ML e IA?

La IA (Inteligencia Artificial) es una de esas tecnologías con el potencial de cambiar la forma en que vivimos, nos movemos y trabajamos. La IA también se conoce comúnmente como “la electricidad” del siglo XXI, así que echemos un vistazo a la tecnología clave y las tendencias comerciales que darán forma a la evolución del mercado de IA.

1. Democratización de las herramientas de IA.

La democratización de las herramientas de IA permitirá que más compañías prueben estas tecnologías.

Los líderes de la industria tecnológica, Google, Facebook, Microsoft, Apple, ahora compiten en el campo de las plataformas de inteligencia artificial, anunciando nuevas herramientas y API que ayudarán a los codificadores a construir la próxima generación de aplicaciones basadas en inteligencia artificial.

Los marcos de Machine Learning ofrecen API, algoritmos, herramientas de desarrollo y capacitación previamente capacitados, así como potencia informática para capacitar e implementar modelos en sus aplicaciones.

Le será más fácil incorporar el aprendizaje automático de gran alcance a sus aplicaciones, ya sea que tenga un equipo propio de aprendizaje automático o simplemente desee utilizar el aprendizaje automático como un servicio.

2. La IA está cambiando nuestra relación con la tecnología

A medida que la IA madura, muchos de los problemas que impidieron la adopción de esta tecnología en el pasado están desapareciendo.

Las redes neuronales convolucionales (CNN) han sido un avance increíble en el campo de la visión por computadora y el procesamiento del lenguaje natural. Hay un crecimiento exponencial en el número de soluciones basadas en CNN y esta tendencia se ha mantenido estable durante los últimos años.

Los avances en el aprendizaje automático, el procesamiento del lenguaje natural y la visión por computadora hacen que las máquinas sean más humanas y cambian la forma en que las personas interactúan con la tecnología. Estamos hablando con nuestros dispositivos, pidiéndole consejos a AI y obteniendo lo que necesitamos a través de ellos.

La IA ya desempeña una variedad de roles dentro de las interfaces tecnológicas:

  • Curador: selecciona contenido para personas, por ejemplo, el sistema de recomendación de Netflix conoce tus preferencias de películas mejor que tu mejor amigo
  • Asesor: guía a los usuarios hacia resultados óptimos, por ejemplo, Google Maps ahora puede mostrar cuándo es probable que haya tráfico a un destino específico, lo que facilita un poco la planificación de un viaje.
  • Orquestador: colabora con múltiples canales en su nombre para lograr los resultados deseados. Por ejemplo, Alexa puede controlar su hogar inteligente y brindarle noticias, Spotify reproduce música para usted, etc.

3. El problema de razonamiento sigue siendo fuerte

Confiamos cada vez más nuestra seguridad, salud y seguridad a las máquinas inteligentes. Pero la IA sigue siendo una caja negra, obtenemos una respuesta inteligente de una computadora, pero no podemos explicar por qué
Lea más sobre las 5 principales tendencias de IA que dan forma al negocio en 2017 – InData Labs

Esta es una pregunta muy subjetiva. Diferentes personas pueden pensar que diferentes cosas son modernas en función de cuál es la perspectiva de uno. En el mejor de los casos, puedo describir lo que creo que parece interesante. Me gustaría poner un descargo de responsabilidad de que no estoy asociado a la academia y.
Las redes neuronales profundas se utilizan para muchas tareas interesantes, como resolver pequeños problemas numéricos, ejecutar programas de computadora, anotar imágenes automáticamente, traducir de un idioma a otro, detectar objetos en imágenes y descubrir sentimientos de oraciones.
Los modelos de mezcla gaussiana se están aplicando en campos como la astronomía para resolver muchos problemas interesantes.
Hay algunos otros algoritmos que encuentro bastante interesantes, que incluyen métodos espectrales, bosques aleatorios y hashing sensible a la localidad y sus derivados.

El aprendizaje profundo, el aprendizaje de refuerzo, la programación del lenguaje humano, la comprensión del lenguaje natural, etc. son temas candentes que se están investigando actualmente. Estoy investigando en el procesamiento del lenguaje natural y el aprendizaje automático para crear un software de inteligencia artificial que pueda funcionar como nuestro cerebro.

Aprendizaje profundo
Aprendizaje profundo ( aprendizaje automático profundo , o aprendizaje estructurado profundo , o aprendizaje jerárquico , o a veces DL ) es una rama del aprendizaje automático basada en un conjunto de algoritmos que intentan modelar abstracciones de alto nivel en los datos mediante el uso de arquitecturas modelo, con estructuras complejas o de otro modo , compuesto de múltiples transformaciones no lineales.

Un artículo reciente publicado en la revista Nature habla sobre el potencial que tiene Page en nature.com

Para más información, aprendizaje profundo

La tendencia reciente en Machine Learning es Deep Learning, involucra múltiples capas de procesamiento, acercándolo a la Inteligencia Artificial. Recientemente, Google también abrió su Biblioteca de aprendizaje profundo: https://www.tensorflow.org/ , también se utiliza en genómica y otros campos que requieren un poder más allá del cerebro humano.

More Interesting

¿Alguien usa alguna vez una red neuronal media de capa softmax en lugar de al final?

¿Cuáles son los puntos importantes de comparación entre Mahout y otras bibliotecas Java ML como Lingpipe o Weka?

¿Cuál es la regla de entrenamiento para redes de perceptrón de capa única con umbral?

¿La normalización de datos tiene otros beneficios además de acelerar el descenso del gradiente? Después de calcular los parámetros (pesos), ¿es necesario normalizar los casos de prueba proporcionados por el usuario para la predicción?

¿Cómo sugeriría Carlos Matias La Borde que un novato aprenda el aprendizaje automático?

¿Cuál es una buena puntuación porcentual en los problemas de conocimiento de Kaggle para principiantes?

¿Cuál es el mejor curso para especializarse en inteligencia artificial y aprendizaje automático?

¿Por qué los LSTM generalmente se entrenan con backprop y no con EKF?

¿Qué métodos de aprendizaje automático simples e intuitivos ofrecen el mayor valor?

¿Se puede usar la detección de características / descripción de características para la clasificación de imágenes con redes neuronales artificiales?

¿Es justo evaluar una red neuronal profunda solo de acuerdo con su rendimiento en algunos conjuntos de datos específicos?

¿Cómo funcionan las redes interbancarias?

¿Cuál es un buen libro para estadísticas como una consideración de ML para principiantes?

¿Cómo se puede minimizar el riesgo regularizado utilizando métodos bayesianos?

¿Cuáles son los libros de texto clásicos y de lectura obligatoria en las estadísticas?