AI / Machine Learning ha existido durante muchos años, ¿cómo es que de repente se ha convertido en un tema tan candente?

• Puede deberse al aumento de nuevas empresas .
• Muchas nuevas empresas utilizan el aprendizaje automático para la atención médica, las finanzas personales, el servicio al cliente, las ventas y el marketing.
• Si nos fijamos en la historia del Aprendizaje automático, comenzó como una subárea de investigación de inteligencia de tiempo aire en roble en la década de 1950. Desde las últimas dos o tres décadas, esta área de investigación de Ciencias de la Computación ha encontrado raíces en múltiples aplicaciones que pueden usarse con fines comerciales.
• La aplicación Main Machine Learning está identificando patrones en los datos que podrían ayudar a clasificar a los consumidores según su historial de compras, identificar objetos, identificar imágenes, mapear diferentes fotos, estrategias de inversión y más.
• ML permite a las startups absorber datos, aprender a ver patrones en los datos y obtener información probabilística sobre los patrones.

El motivo de esto fue dicho por Mr.Sundar Pichai (CEO de Google). En la última década, la cantidad de datos que en Internet es enorme y gigantesca. Se dice que los datos o la información que ingresaron a la web en la última década son más de lo que obtuvimos en los últimos 2000 años.

AI / Machine learning necesita una buena cantidad de conjunto de datos para aprender y sintonizarse (y perfeccionarse). Sí, es bien sabido que el aprendizaje automático ha existido desde los años 60, pero ahora tenemos suficientes conjuntos de datos para entrenar.

Aparte de eso, los avances que han sucedido en el hardware solo en esta década también es una de las razones para impulsar el aprendizaje automático / automático.

La Inteligencia Artificial siempre tuvo la intención de convertirse en un tema candente al final del día. Se suponía que las etapas iniciales de la automatización industrial minimizaban el esfuerzo humano, que solía ser de naturaleza física, y la industria ha evolucionado desde entonces. Los cajeros automáticos son una evolución de los cajeros bancarios. Son mucho más rápidos y son inagotables. La evolución industrial es exactamente cómo avanza la sociedad. El pensamiento de diseño y la inteligencia artificial son el camino a seguir. Si quieres saber más sobre NASSCOM Design & Engineering Summit 2017. ¡Gracias!

La razón, como tantas otras tendencias tecnológicas, está respaldada por la caída exponencial de los precios y el aumento de la potencia de la informática. Hace 20 años, solo los científicos de nivel de doctorado con acceso a supercomputadoras multimillonarias podían modelar y ejecutar sofisticados algoritmos de aprendizaje automático en una infraestructura informática lo suficientemente potente como para hacerlos útiles. Ese era un pequeño nicho de humanos y hardware para avanzar en la IA.

Hoy en día, la computación en la nube, la supercomputación en clúster en hardware comercializado y una amplia gama de herramientas accesibles han democratizado la disponibilidad de los ingredientes detrás de la inteligencia artificial y el aprendizaje automático y, por lo tanto, su progreso. A medida que se obtienen los beneficios de este aumento, los apetitos del mercado están recompensando rápidamente el valor comercial de la IA y, por lo tanto, han impulsado aún más la velocidad de su avance.

Como muchas tendencias tecnológicas cada vez mayores, comienza con la ley de Moore y termina con la naturaleza humana.

Debido a que el hardware de computación masivamente paralelo finalmente está disponible a nivel del consumidor (es decir, GPU modernas), los algoritmos de aprendizaje automático que anteriormente se consideraban demasiado lentos para el uso práctico comienzan a ser más prácticos.

Las técnicas modernas de crecimiento de servidores en lugar de en funcionamiento también están ayudando, ya que eso es muy adecuado para algoritmos paralelos.

Sí, se han realizado investigaciones durante los últimos 25 años, pero en los últimos años todas esas investigaciones comenzaron a mostrar datos de precisión y significado, además, ahora tenemos muchos datos para jugar, que son ingredientes clave para la IA, pero hace 20 años no era suficiente. Porque, por ejemplo, el anterior OCR era un matemático complicado y Google Testr. fue la respuesta de opensourse si no es precisa, pero después de que opencv ocr ahora está fuera si la pregunta simplemente está en auge.