Para citar a Bill Gates: “Siempre sobreestimamos el cambio que ocurrirá en los próximos dos años y subestimamos el cambio que ocurrirá en los próximos diez. No te dejes llevar por la inacción.
En resumen, durante los próximos diez años, no creo que la IA esté sobrevalorada. Sin embargo, en 2017, ¿todos nuestros trabajos serán automatizados por bots? Improbable. Creo que la tecnología tiene un potencial increíble y se impregnará en todos los aspectos de nuestras vidas. Pero hoy, mi sensación es que muchas personas no entienden cuál es el estado de la IA y, por lo tanto, contribuyen a la exageración.
Entonces, ¿qué puede hacer AI hoy?
- Cómo usar datos de MongoDB para el análisis de datos
- ¿Cuál es el mejor motor de Big Data para pasar de mySQL?
- Big data, estadísticas: ¿Cuáles son los principales problemas estadísticos en el análisis de "big data"?
- ¿Qué necesitaría para configurar una arquitectura de Big Data?
- Cómo mejorar sus habilidades de análisis de datos a diario
La inteligencia artificial, un concepto que data de los años 50, es simplemente la noción de que la máquina puede realizar tareas que requieren inteligencia humana. Pero la IA de hoy no es lo que las películas de ciencia ficción muestran. Lo que podemos hacer hoy cae en el ámbito de la inteligencia artificial estrecha (frente a la inteligencia general), que es la idea de que las máquinas pueden realizar tareas muy específicas en un entorno restringido. Con la inteligencia artificial limitada, hay una variedad de técnicas de las que quizás hayas oído hablar. Usaré ejemplos para ilustrar las diferencias.
Digamos que quieres averiguar mi edad (que es 31).
1) Programación funcional: lo que comúnmente conocemos como programación, una forma de decirle a una computadora que haga algo de manera determinista. Le digo a mi computadora que para calcular mi edad, necesita resolver AGE = fecha de hoy – fecha de nacimiento . Luego le doy mi fecha de nacimiento (4 de diciembre de 1985). Hay un 0% de posibilidades de que la computadora tenga una edad incorrecta.
2) Aprendizaje automático : una aplicación de IA en la que damos datos de máquinas y les permitimos aprender por sí mismos para predecir un resultado de manera probable La máquina mejora su capacidad de predecir con experiencia y datos más relevantes. Así que tome la edad, por ejemplo. ¿Qué pasa si tuviera 1,000 conjuntos de datos de edades y preferencias de canciones? La preferencia de la canción está altamente correlacionada con la generación. Por ejemplo, los fanáticos de Led Zeppelin y The Doors son en su mayoría mayores de 40 años y los fanáticos de Selena Gomez son generalmente menores de 25 años. Entonces podría preguntarle a la computadora dado que amo a las Spice Girls y Backstreet Boys , ¿cuántos años cree que tengo? Luego, la computadora analiza estas correlaciones y las compara con una lista de mis canciones favoritas para predecir mi edad con un x% de probabilidad. Este es un ejemplo muy simple del uso del aprendizaje automático.
3) Aprendizaje profundo: es un tipo de aprendizaje automático que surgió en los últimos años y se habló ampliamente en los medios cuando el programa AlphaGo de Google DeepMind derrotó al maestro surcoreano Lee Se-dol en el juego de mesa Go. https://deepmind.com/research/al…
El aprendizaje profundo va un paso más allá de ML, ya que permite que la máquina aprenda únicamente al proporcionar ejemplos. En contraste, ML requiere que los programadores le digan a la computadora lo que debe buscar. Como resultado, el aprendizaje profundo funciona mucho más como el cerebro humano. Esto funciona especialmente bien con aplicaciones como el reconocimiento de imágenes.
4) Aprendizaje de refuerzo profundo : DRL va un paso más allá y combina el aprendizaje profundo con el aprendizaje de refuerzo, que es la noción de aprendizaje por prueba y error, únicamente a partir de recompensas o castigos. DRL imita la forma en que los niños aprenden: ven a otras personas haciendo cosas, prueban cosas y, dependiendo de la recompensa, ¡las repiten o no!
Las tecnologías de aprendizaje automático se han vuelto más disponibles (y la razón por la cual ha habido un aumento en la publicidad de los medios en este espacio) ha sido impulsada por los avances en 3 áreas:
1) Infraestructura para ejecutar algoritmos de ML: mejoras masivas en el almacenamiento, capacidades de procesamiento (es decir, GPU que aceleran el procesamiento paralelo) y accesibilidad para la innovación rápida (nube)
2) Nuevos algoritmos disponibles desarrollados
3) Proliferación de datos para entrenar algoritmos
Entre la innovación de algoritmos y la disponibilidad de datos, creo que los datos juegan un papel más crucial en los avances. Si observa el cuadro a continuación, los avances en inteligencia artificial han sido seguidos rápidamente por la disponibilidad de conjuntos de datos , mientras que muchos de los algoritmos correspondientes han estado disponibles durante más de una década.
http://www.spacemachine.net/view…
La IA impregnará nuestras vidas en los próximos 10 años. Piense en el posible tiempo, dinero y mano de obra ahorrados mediante la automatización de procesos simples. Y a medida que la tecnología se vuelve más avanzada, los casos de uso serán aún más emocionantes. Creo que es un momento maravilloso como emprendedor para aprovechar esta tecnología, y no podría estar más entusiasmado como inversionista.