Siempre comience desde lo básico, los principios subyacentes de un tema. Una base sólida lo preparará para conceptos más desafiantes en inteligencia artificial (IA). Dicho esto, la IA es un campo muy amplio que requiere amplitud y profundidad en su comprensión de los conceptos.
Por lo tanto, el primer paso a seguir es obtener una visión general del campo en sí, desde su breve historia hasta los enfoques más modernos de la actualidad. El objetivo de la IA gira en torno a agregar inteligencia a las máquinas. Pero, ¿qué es la inteligencia? Bueno, esa definición desafortunadamente sigue cambiando con cada avance que obtenemos en IA. Las aplicaciones como el Asistente de Google son, con mucho, programas inteligentes cuando considera los estándares pasados en inteligencia artificial, pero hoy en día se consideran sistemas de inteligencia artificial estrechos porque la barra de inteligencia artificial cambia con el progreso y de mala gana etiquetamos un programa de inteligencia artificial estrecho como inteligente. AlphaGo es un sistema de inteligencia artificial muy estrecho para los estándares actuales.
Hay un punto allí, los programas que tenemos hoy son estrechamente inteligentes, por ejemplo, las fotos de Google son inteligentes cuando considera un problema de reconocimiento de imágenes, pero cuando intenta extender el alcance de la aplicación, el programa se queda extremadamente corto. Así, lo que tenemos hoy cae en una IA débil. Un sistema de IA fuerte es más amplio y muchas compañías tecnológicas como Google están reenfocando sus esfuerzos en IA para construir una IA fuerte para resolver la inteligencia general artificial (AGI). AGI implica un sistema con capacidades comparables o mejores que un ser humano. Entonces, simplemente medimos la inteligencia en relación con las criaturas más inteligentes, los humanos.
- ¿Qué tipo de problemas existenciales provoca la IA y cómo los resolvemos?
- ¿Qué empresas que cotizan en bolsa están haciendo los mejores o más avances en inteligencia artificial (IA)?
- ¿Es posible enseñarle a AI qué es el amor?
- ¿Cuáles son los próximos mejores MOOC en el área de aprendizaje automático, aprendizaje profundo, visión por computadora e inteligencia artificial en 2017?
- ¿Por qué la gente cree en el dios de la IA?
Como ya sabrán, la IA fuerte está muy lejos de nosotros ahora porque hay mucho trabajo de investigación que debe hacerse en este campo. Por lo tanto, la comunidad de IA se complace en dar la bienvenida a un ser curioso como usted. Entonces, al comenzar este viaje, necesita saber que la IA es extremadamente desafiante, divertida y satisfactoria. Este es el mejor momento para aprender IA y hay muchos recursos disponibles a través de la búsqueda de Google, por lo que en esta discusión no pegaré enlaces, dejaré que su curiosidad lo guíe completamente. Pero te daré algunos consejos para comenzar, aquí vamos.
La IA es un campo que requiere una mentalidad orientada a las matemáticas / lógica, por lo que las matemáticas, como en otras ciencias, son extremadamente vitales para comprender no solo cómo funciona nuestro mundo sino también cómo construir inteligencia en las máquinas. Por lo tanto, realmente debe sentirse cómodo con los siguientes requisitos previos:
- Matemáticas
- Matemáticas discretas: como los conjuntos y la lógica son muy importantes para construir sistemas de inteligencia artificial.
- Cálculo: cálculo integral y diferencial.
- Optimización numérica: optimización convexa utilizando métodos de optimización de primer y segundo orden.
- Estadísticas y probabilidad: las variables aleatorias, las funciones de distribución de probabilidad, el teorema de Bayes y muchas cosas más son importantes. Las teorías de probabilidad nos ayudan a diseñar sistemas que funcionan incluso con evidencia ruidosa o incompleta.
- Álgebra lineal: como la descomposición de valores singulares (SVD), matrices y vectores, sistemas de ecuaciones, etc.
- Informática
- Diseño del sistema: debe poder armar un sistema de trabajo mediante programación, dados algunos requisitos.
- Estructuras de datos: árboles, listas, montones, matrices, etc.
- Análisis de algoritmos: debe poder analizar los recursos de tiempo y espacio consumidos por un algoritmo.
- Teoría de la complejidad computacional: problemas NP-hard y NP-complete. Tampoco olvides la gran notación O.
- Lenguaje de programación: elija un idioma con el que se sienta cómodo, como:
- Pitón
- Java
- C / C ++
La IA es tan amplia que debes especializarte lo antes posible. Una vez que obtenga la descripción general del campo, debe comenzar a profundizar y actualmente el campo de IA moderno está compuesto.
- Aprendizaje automático (ML): con el objetivo de construir algoritmos que aprendan, mejoren, solo a partir de datos. Debes haber oído hablar del término aprendizaje profundo (DL), se encuentra en ML y se trata de una pila de capas de procesamiento no lineal una encima de la otra. Cada capa se alimenta desde la capa justo debajo de ella y envía la salida a la capa justo encima de ella, de esa manera, el sistema general captura una representación jerárquica de los estímulos. DL está motivado por la naturaleza compositiva de los estímulos naturales, como en la visión por computadora, los píxeles pueden agruparse para formar primitivas de borde simples y los bordes pueden combinarse para formar partes de objetos, mientras que las partes de objetos pueden combinarse para formar objetos completos. ML es actualmente un área muy activa en IA debido al rápido avance de los algoritmos DL. Existen varios algoritmos de ML como:
- Redes neuronales artificiales (ANN): tenemos redes neuronales profundas (DNN) como:
- Redes neuronales convolucionales (CNN).
- Autoencoders.
- Redes adversas generativas (GAN).
- Soporte de máquinas de vectores (SVM)
- Redes de creencias profundas (DBN).
- Máquinas de Boltzmann restringidas (RBM).
- Procesamiento del lenguaje natural (PNL): que consiste en:
- Comprensión del lenguaje natural (NLU):
- Generación de lenguaje natural (NLG):
- Visión por computadora (CV): que consiste en dar vista a las máquinas y tiene como objetivo resolver:
- Reconocimiento de imágenes: principalmente con la aplicación de algoritmos ML como CNN, este campo avanza muy rápido y casi se considera resuelto. Se trata de reconocer un contenido dominante en una escena sin preocuparse de dónde está ese contenido en la imagen.
- Detección de objetos: a este le preocupan tanto el reconocimiento como la localización, es decir, cuando se reconoce un objeto, el sistema también necesita determinar en qué parte de la escena se encuentra ese objeto. Por lo tanto, la detección de objetos es extremadamente difícil, los sistemas actuales de detección de objetos de última generación se basan en la recuperación de cuadros delimitadores 2D y no son muy robustos.
- Visión por computadora en 3D. Como la recuperación de la estructura de la escena 3D en la estructura del movimiento (SfM) y la localización y mapeo simultáneos (SLAM). La recuperación de pose de cámara 3D también es importante para áreas como la realidad aumentada (AR) y la costura panorámica automática.
- Traducción de imagen a imagen. Esta es un área reciente para traducir una imagen a la otra utilizando GAN especiales como DiscoGAN o CycleGAN.
Una vez que haya obtenido la visión general de la IA y haya profundizado un poco en ML, NLP y CV, debe especializarse para poder concentrarse en la construcción de algunos proyectos de la vida real. Los proyectos pueden tardar un tiempo en completarse porque debe apuntar a proyectos prácticos desafiantes y puede encontrar ideas de proyectos de Kaggle, Reddit, Stackoverflow, Quora o de su propia mente.
El problema hola mundo de ML y CV es el problema de reconocimiento de dígitos MNIST. Intente probar sus algoritmos CV / ML en MNIST y luego pase a conjuntos de datos más desafiantes a medida que avance. Con el tiempo, podrá comenzar a construir sistemas de IA robustos y funcionales que puede implementar en productos de la vida real, como aplicaciones o automóviles autónomos.
Entonces, dicho esto, realmente necesita ser apasionado, determinado y disciplinado para aprender IA a un nivel de poder construir módulos o sistemas de IA que funcionen realmente. Por lo tanto, la tenacidad es una cualidad muy importante que debe tener aquí porque la IA es extremadamente desafiante.
Espero que esto ayude.
