Aprendizaje AutomáticoSocial Media
Mostrando entradas con la etiqueta Aprendizaje Automático. Mostrar todas las entradas
Mostrando entradas con la etiqueta Aprendizaje Automático. Mostrar todas las entradas

viernes, 26 de julio de 2019

La IA (Inteligencia Artificial) está siempre mirando

Mi teléfono ahora puede entenderme, pero sigue siendo un idiota cuando se trata de entender lo que quiero. Tenemos tanto la capacidad de hardware como la capacidad de software para resolver esto ahora mismo. Lo que nos falta es la capacidad social.

Actualmente estamos en un estado mudo de automatización personal. Tengo Google Now habilitado en mi teléfono. Cada mes, Google Now me recuerda las facturas que vencen y que ya he pagado. No me ve pagarles, solo ve el correo electrónico que recibí y la fecha de vencimiento. Una criatura de hábito, pago mis cuentas el último día del mes, aunque eso puede ser semanas antes. Esta es la cosa más fácil del mundo para que una computadora aprenda. Pero es un sistema de bucle abierto y, por lo tanto, no puede ocurrir ningún aprendizaje.

A principios de este mes [Cameron Coward] escribió un par sobresaliente o artículos sobre investigaciones de Inteligencia Artificial que ayudaron a aclarar este problema. El término correcto para este nivel de automatización personal es la 'IA débil'. Lo que quiero es Inteligencia General Artificial (AGI) a nivel personal. Pero eso no va a suceder, y yo soy el problema. Este es el por qué.

Ceguera en la IA


Como la mayoría de las personas, mi teléfono ahora es parte de lo que soy. Aunque paso horas al día usando una computadora de escritorio real (que es la clase en la que el monitor y el teclado no son una parte integrada de la computadora), gran parte de mi vida pasa a través de una pantalla táctil de 5,2 ″. Google siempre está mirando, pero por el momento está relegado a una pequeña parte de lo que está sucediendo. Ve los avisos de facturas mensuales que mencioné anteriormente porque uso Gmail, pero no observa la actividad de mi navegador lo suficientemente cerca como para ver cómo les pago.

Todo en la vida necesita un impulso para suceder. Si no hay un bucle cerrado en mis pagos de facturas, no me sorprende que reciba recordatorios desaprobados sobre ellos. Esto significa que mi automatización actual es más molesta que asistiva. No puedo ver todo lo que hago.

Cómo mirar a alguien sin arrastrarlos


En muchas culturas hay una norma social que no mira fijamente a la gente. Es decir, hay momentos en que es y no es apropiado mirar a las personas; hay una cantidad máxima de tiempo que puede seguir mirándolos; y las reglas que hacen que esto funcione son un juego de porterías de gol en movimiento.

Sin embargo, casi todos los humanos son capaces de hacer, y aprenden este juego. Incluso los extraños que nunca le han conocido pueden reconocer rápidamente cuándo necesita ayuda y si deberían ofrecerla o no. Esta es la clave para desbloquear la inteligencia personal útil. También es una tarea increíblemente difícil.

Un método mucho más fácil es observar absolutamente todo lo que hace el usuario. Esto hace que haya muchos más datos disponibles, pero es súper espeluznante y plantea un montón de preocupaciones éticas. Observarse la mayoría de las veces no tiene precedentes, no existe un paradigma de persona a persona para este tipo de vigilancia. Y los primeros paradigmas tecnológicos no han ido bien. La semana pasada, las autoridades en Alemania recomendaron que los dueños de una muñeca llamada 'Cayla' destruyan los micrófonos que se encuentran en su interior. El micrófono de la muñeca siempre está escuchando, enrutando lo que se escucha a través de un servicio de reconocimiento de voz con servidores fuera del país.

Dejando de lado la inquietud, la privacidad es un problema importante al permitir que un sistema vigile todo lo que hace. Si esa información es violada de alguna manera sería una mina de oro robada de identidad. ¿Necesitaría saber su IA para cerrarse cada vez que entra en un baño público, un hospital u otro entorno sensible? ¿Cómo puede confiar en que lo haya hecho en cada ocasión?

Mi mente también salta a un escenario caprichoso en el que su IA personal se vuelve demasiado inteligente y decide chantajearse (un pensamiento parecido a Douglas-Adams ... intentaré mantener esta discusión en la pista de lo que es plausible). Lo más probable es que una vez que su asistente personal lo conozca lo suficiente y demuestre que puede lograr que haga su trabajo de manera más eficiente, pasará de ser asistente a gerente. ¿Sigue siendo un equipo eficaz?

El aprendizaje automático como norma social


El Aprendizaje Automático es la clave para hacer cosas increíbles. Pero adquiera un poco de comprensión de cómo funciona e inmediatamente verá dónde está el problema. Una máquina puede aprender a jugar videojuegos a un nivel muy alto, pero se le debe permitir ver todos los aspectos del juego y requiere métricas de éxito concretas, como una puntuación alta o elementos recolectados raros / valiosos.

Sí, para que una IA personal sea realmente útil, debe tener un acceso casi ilimitado para recopilar datos observándote en la vida diaria. Pero creo que va incluso un paso más allá. Una IA no puede acelerar su lunes una y otra vez como lo haría con un nivel de Super Mario World. Para que el Aprendizaje Automático funcione en este caso, necesita compartir datos entre grandes poblaciones para obtener un conjunto útil. Definitivamente funcionaría, pero esa es una red de proporciones épicas. Eso no es un valle extraño, es un argumento de película de terror.

Ya hemos visto las implicaciones de este sabor de la recopilación de datos. Las redes sociales son el Aprendizaje Automático sin ninguno de los beneficios de la IA. Millones de personas han publicado lo que podría parecerles información inofensiva en innumerables plataformas. Pero el Big Data convierte esa información inocua en predicciones sobre el comportamiento de segmentos de la población.

Si el goteo de dopamina en las redes sociales hace que la gente comparta todos estos datos, ¿qué impacto tendría la IA personal efectiva? Sería su amigo, consejero, confidente, todo en uno. Me quito el sombrero ante Charles Stross, quien describió a una IA muy aterradora en su libro Accelerando. Toma la forma de un realista gato de casa robótico. Es increíblemente fácil subestimar la inteligencia abstracta.

Dado el acceso, la IA todavía carece de visión


El estado actual de la técnica podría permitir un esfuerzo unificado de recopilación de datos para ver todo en sus diferentes computadoras y dispositivos portátiles. Podía escuchar el audio en su vida. E incluso grabar un vídeo de uso limitado.

Lo primero es lo primero, incluso dado el acceso digital total a su vida, es una gran tarea dar sentido a todo lo que está haciendo. Este no es un desafío insuperable en este momento, pero ciertamente requeriría que el procesamiento se realice de forma remota para obtener la potencia necesaria. Lo mismo ocurre con los datos de audio. Este ya es el caso de muchos sistemas como Echo de Amazon, Siri de Apple, Allo de Google y juguetes para niños como la mencionada Cayla y la Barbie de Mattel.

El reconocimiento de vídeo realmente no existe en este momento. Esta es la verdadera vanguardia de una gran cantidad de investigaciones robóticas (piense en autos que manejan autos y en robots militares) por lo que seguramente llegará. Al igual que con el reconocimiento de voz, hay servicios como Google Cloud Vision que dependen de un sistema de restricciones: orientación del elemento a la cámara, niveles de iluminación, conjuntos conocidos para comparar y más. Pero en el futuro previsible, no creo que una visión por computadora confiable sea una fuente de datos adecuada para propósitos de inteligencia personal.

Este es un problema real para dar sentido a nuestras vidas. ¿Cómo sabrá su IA con quién está hablando? Sin una visión de lo que ve, la recopilación de contexto se vuelve muy difícil. Y la ruta más obvia para esta entrada habría sido cámaras portátiles como Google Glass. Todos sabemos cómo resultó eso. Quizás la entrada de Snapchat en ese campo cambie el panorama.

Lo que podríamos obtener pero no lo haremos


Está bien, he hecho muchas molestias sobre los problemas. Si todos esos fueron resueltos, ¿qué es lo que realmente quiero? En pocas palabras quiero aumentar mi inteligencia.

Si mi amiga y yo tenemos una conversación pasajera sobre un musical que viene a la ciudad, quiero que mi IA personal recuerde y me diga cuándo salen a la venta los boletos. En ese caso, quiero que sepa cuáles son mis preferencias de asientos y costos, y que revise mi calendario y el calendario de mi amiga para elegir el día perfecto, simplemente pidiéndome que apriete el gatillo de la compra. Quiero que sepa que, por lo general, acompañaremos un espectáculo con una cena o con bebidas y luego cotejaremos el historial de visitas de nuestro restaurante para adivinar qué lugar disfrutaríamos más visitando en esta ocasión. Quiero la luna.

Pero también quiero privacidad. Quiero mi humanidad, y quiero vivir mi propia vida. Así que me apartaré de las visiones de un nuevo mundo valiente y apreciaré lo que tenemos: acceso a la información que era una locura imaginar hace 30 años. La tecnología continuará su marcha hacia adelante y nos beneficiaremos de ella. Pero por ahora esa tecnología no es ni puede mirarnos lo suficientemente de cerca como para hacer que un sistema de Inteligencia General Artificial (AGI-Artificial General Intelligence) sea parte de su vida diaria. Pero la gente lo intentará y será muy interesante leerlo en este blog.

Artículos relacionados:

Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain


Gator Website Builder



martes, 11 de junio de 2019

La combinación de las capacidades de la 5G

Con el lanzamiento anticipado de la 5G, esta semana Vodafone la aplicará en España, hay altas expectativas para el impacto potencial de las nuevas tecnologías y los modelos de negocio habilitados por estas redes. La llegada de la 5G brinda múltiples ventajas, incluida una mayor velocidad para mover más datos, una menor latencia para reducir los retrasos y la capacidad de conectar más dispositivos. En particular, las industrias IoT (IIoT) y de manufactura son impulsoras clave para la innovación que utiliza la tecnología habilitada con 5G, lo que lleva a capacidades avanzadas de monitoreo y predicción que ayudarán a optimizar la cadena de suministro, el flujo de productos, la seguridad y más.

La combinación de las capacidades de la 5G con la aplicación de tecnologías como sensores, el aprendizaje automático (ML), la inteligencia artificial (AI) y la realidad aumentada (AR) en el campo de IIoT creará oportunidades para llevar a las empresas al siguiente nivel. Por ejemplo, los sensores en una fábrica pueden transmitir datos en tiempo real a los administradores remotos o técnicos de servicio para notificarles un problema antes de que se intensifique. Se puede utilizar la AR (Realidad Aumentada) para profundizar en las alertas, diagnosticar y remediar problemas sin tiempo de inactividad. El análisis predictivo con ML / AI puede proporcionar recomendaciones y mejorar los problemas recurrentes, aumentando la eficiencia y ahorrando gastos. Sin embargo, como todos estos datos se comunican a través de las redes, al construir un ecosistema logístico de inteligencia, hay otro impacto potencial que debe considerarse: ¿Está este uso de la IoT sujeto al impuesto a las comunicaciones?

Con más y más dispositivos capaces de comunicar vastas cantidades de datos, es fundamental estar al tanto de cualquier posible implicación de impuestos a las comunicaciones que pueda surgir como resultado. Si un servicio está sujeto a las comunicaciones, el impuesto se basa en el caso de uso y no se limita a las empresas de la industria de las telecomunicaciones, por lo que es imperativo comprender si su uso particular está sujeto a impuestos o no. Debido a los beneficios de la alta confiabilidad y seguridad de la 5G, las instalaciones industriales se encontrarán entre los principales usuarios de las redes privadas 5G, por lo que es una prioridad para ellos saber qué buscar cuando se implementan nuevas tecnologías y modelos de negocios.

Con esta comunicación ultra confiable de baja latencia (URLLC), la 5G permite el control y optimización de procesos críticos en el tiempo en entornos industriales que no son posibles con la tecnología celular actual. Esto introduce nuevos modelos operativos de negocios, como la implementación de más dispositivos automatizados conectados a IoT que transmiten datos en tiempo real para crear más eficiencia y precisión. Estos nuevos modelos operativos para negocios de IIoT pueden tener un elemento de comunicación que podría estar sujeto a nuevas implicaciones fiscales. Identificar cuándo podría aplicarse el impuesto a las comunicaciones en casos de uso específicos será importante para evitar sorpresas y obligaciones impositivas inesperadas.

Otros servicios que soportará la 5G incluyen eMBB (banda ancha móvil mejorada) que brindará acceso a Internet de gran ancho de banda para conectividad inalámbrica, transmisión de vídeo a gran escala y realidad virtual. Y la mMTC (Comunicación de tipo de máquina masiva) que admite el acceso a Internet para dispositivos de detección, medición y monitoreo.

Pero nos enfocaremos en URLLC por ahora. Una de las características clave de URLLC es la LL, o baja latencia. La baja latencia es importante para los dispositivos que, por ejemplo, se manejan solos o realizan cirugías de próstata. La baja latencia permite que una red se optimice para procesar cantidades increíblemente grandes de datos con un retraso mínimo (o latencia). Las redes necesitan adaptarse a una gran cantidad de datos cambiantes en tiempo real. 5G permitirá que este servicio funcione. URLLC es, posiblemente, la adición más prometedora a las capacidades 5G futuras, pero también será la más difícil de asegurar; URLLC requiere una calidad de servicio (QoS) totalmente diferente de los servicios de banda ancha móvil. Proporcionará a las redes sistemas instantáneos e inteligentes, aunque requerirá una transición fuera de la red central.

Esta nueva conectividad inalámbrica URLLC garantizará que la latencia sea de 1 ms o menos. Para que esta interfaz alcance una latencia baja, todos los dispositivos deben sincronizarse en la misma base de tiempo. Las redes sensibles al tiempo son otro componente de las capacidades de la 5G URLLC. Esto permitirá que los modeladores utilizados para gestionar el tráfico estén atentos al tiempo.

El diseño de un servicio de baja latencia y alta confiabilidad involucra varios componentes: estructura de trama integrada, respuesta increíblemente rápida, control eficiente y uso compartido de los recursos de datos, transmisión de enlace ascendente basada en concesión y esquemas avanzados de codificación de canales. Las estructuras libres de subsidios de enlace ascendente garantizan una reducción en la transmisión de la latencia del equipo del usuario (UE) al evitar el proceso del hombre medio de adquirir un subsidio de programación dedicado.

La comunicación ultra confiable de baja latencia representa un completo cambio de juego para la tecnología de comunicaciones en la era moderna. Con él, podemos realizar cirugías remotas, hacer que nuestros autos conduzcan por nosotros y aumentar la productividad de la máquina por factores de gran escala. Pero URLLC (Ultra-Reliable Low-Latency Communication) simplemente no es posible sin el desarrollo e implementación de 5G NR; la versión no autónoma de 5G NR está programada para ser lanzada a finales de este año. La versión independiente debería lanzarse en algún momento de 2020.

Es útil comenzar con el conocimiento de qué factores de influencia podrían desencadenar la aplicación del impuesto a las comunicaciones. Si está utilizando tecnología como sensores, AI, VR o AR para enviar datos a través de Internet y administrar sus operaciones de IIoT, en muchos casos puede ser necesario el impuesto a las comunicaciones, pero muchos otros factores también intervienen para tomar esa decisión.

Además de las implicaciones a través de la tecnología, los cambios en la legislación también pueden afectar cuándo y cómo se aplica el impuesto a las comunicaciones. Las autoridades fiscales trabajan para mantenerse al día con los modelos de negocios cambiantes y la tecnología que los impulsa. Sin embargo, la innovación se mueve más rápido de lo que puede, por lo que se sabe que la legislación tributaria de las comunicaciones cambia repentina y drásticamente para tratar de ponerse al día. Con un panorama que cambia rápidamente y distinciones altamente matizadas, confiar en recursos confiables y datos actualizados puede ayudarlo a navegar por la complejidad.

Los tremendos beneficios que 5G aporta a IIoT son promocionados por algunos como líderes de la cuarta revolución industrial, después del vapor, la mecanización y la informatización. Con cualquier cambio masivo de esta escala, los efectos dominantes serán de gran alcance y aún no se han definido, incluidas las implicaciones fiscales, que son complejas y aún no están claras. Para estar preparado para los posibles escenarios de impuestos, es útil comprender cómo su caso de uso en particular podría verse afectado por el hecho de saber cuándo y cómo se aplica el impuesto a las comunicaciones a la IoT. Mantenerse al tanto de los cambios en la legislación y confiar en sus profesionales de impuestos de confianza puede ayudarlo a reducir el riesgo y minimizar las sorpresas.

Artículos relacionados:

Interrupción Digital: Definición de Industria 4.0 e Industrial IoT

                        
                       
                       

                   

viernes, 8 de junio de 2018

Aplicaciones de la Ciencia de Datos, el Aprendizaje Profundo e Inteligencia Artificial

La Ciencia de los Datos (Data Science), el Aprendizaje Profundo (Deep Learning) y la Inteligencia Artificial (IA) han sido objeto de mucha investigación y consideración en la última década. El uso actual de estas tres formas y un aumento esperado en su aplicabilidad futura significa que se correlacionarán entre sí para formar la base de una sociedad inteligente.

Dentro de la Ciencia de Datos, las dos tecnologías de las que más se está hablando son el Aprendizaje Automático (Machine Learning) y el Aprendizaje profundo (Deep Learning), ambas englobadas en el campo de la Inteligencia Artificial. En los dos casos se busca la construcción de sistemas que sean capaces de aprender a resolver problemas sin la intervención de un humano y que van desde los sistemas de predicción ortográfica o traducción automática hasta los coches autónomos o los sistemas de visión artificial aplicados a casos de uso tan espectaculares como las tiendas de Amazon Go.

Para entender las diferencias entre los tres y cómo se correlacionan entre sí, es imperativo comprender lo que son y cómo trabajan para crear una sociedad más avanzada tecnológicamente.




Inteligencia Artificial


El término 'IA' se utiliza tan a menudo hoy en día que tenemos una comprensión básica de lo que significa: la capacidad de una computadora para realizar tareas tales como la percepción visual, reconocimiento de voz, toma de decisiones y traducción de idiomas. La IA ha progresado rápidamente en los últimos años, pero todavía no coincide con las enormes dimensiones de la inteligencia humana. Los humanos hacen un uso rápido de todos los datos a su alrededor y pueden usar lo que han almacenado en sus mentes para tomar decisiones. Sin embargo, la IA aún no cuenta con tales habilidades, en cambio, usa grandes cantidades de datos para aclarar sus objetivos. En última instancia, esto significa que la IA podría requerir grandes cantidades de datos para hacer algo tan simple como editar texto.

Data Science o Ciencia de los Datos 


La Ciencia de los Datos es mucho más que un simple Aprendizaje automático (Machine Learning). Es posible que los datos aquí no se hayan obtenido a través de una máquina, y puede que ni siquiera sean para fines de aprendizaje. En pocas palabras, la Ciencia de los Datos tiende a cubrir todo el espectro del procesamiento de datos tal como lo conocemos. La Ciencia de los Datos no solo se relaciona con el aspecto estadístico del proceso, sino que alimenta el proceso y obtiene beneficios a través de la ingeniería de datos. Los ingenieros de datos y los científicos de datos tienen un papel muy importante que desempeñar para impulsar la IA.

Deep Learning  o Aprendizaje Profundo 


El Aprendizaje Profundo es la técnica más poderosa del Aprendizaje Automático para hacer que el futuro suceda. Al igual que las neuronas en nuestro cerebro, el Aprendizaje Profundo es la conexión o el poder presente entre la Ciencia de Datos y la Inteligencia Artificial. Tanto el Aprendizaje Automático como su subtipo, el Aprendizaje Profundo, incorporan el proceso de aprendizaje a partir de los datos a lo largo del tiempo. Si bien no es lo único que los conecta, el Aprendizaje Profundo es un tipo de Aprendizaje Automático que funciona mejor para fortalecer el proceso de la IA y la Ciencia de Datos. El Aprendizaje Profundo se puede definir simplemente como una técnica de Aprendizaje Automático que se esfuerza por enseñar a los sistemas informáticos cosas que son naturales para los humanos. Por ejemplo, podemos interpretar de forma natural lo que significa una señal de stop en el camino, pero para que una máquina ubique este letrero e interprete, necesita mucho aprendizaje e implementación. Esta etapa de aprendizaje se llama Aprendizaje Profundo . Una vez que entendamos los conceptos que hay detrás del aprendizaje profundo, entenderemos que, de hecho, el Aprendizaje Profundo es lo que moldea la realidad detrás de los automóviles sin conductor y el control por voz a los que nos hemos acostumbrado.

El Aprendizaje Profundo es la técnica más poderosa de Aprendizaje Automático para hacer que el futuro suceda. Al igual que las neuronas en nuestro cerebro, el Aprendizaje Profundo es la conexión o el poder presente entre la ciencia de datos y la inteligencia artificial. Tanto el Aprendizaje Automático como su subtipo, el Aprendizaje Profundo, incorporan el proceso de aprendizaje a partir de los datos a lo largo del tiempo. Si bien no es lo único que los conecta, el Aprendizaje Profundo es un tipo de Aprendizaje Automático que funciona mejor para fortalecer el proceso de la IA y la Ciencia de Datos. El Aprendizaje Profundo se puede definir simplemente como una técnica del Aprendizaje Automático (Machine Learning) que se esfuerza por enseñar a los sistemas informáticos cosas que son naturales para los humanos. Por ejemplo, podemos interpretar de forma natural lo que significa una señal de stop en el camino, pero para que una máquina ubique este letrero e interprete, necesita mucho aprendizaje e implementación. Esta etapa de aprendizaje se llama Aprendizaje Profundo. Una vez que entendamos los conceptos que hay detrás del Aprendizaje Profundo, entenderemos que, de hecho, el Aprendizaje Profundo es lo que moldea la realidad detrás de los automóviles sin conductor y el control por voz a los que nos hemos acostumbrado.

Aplicaciones amplias del Aprendizaje Profundo, la Ciencia de Datos e Inteligencia Artificial 


El uso del Aprendizaje Profundo, la Ciencia de Datos y la Inteligencia Artificial en tándem ha abierto la puerta a innumerables oportunidades. La IA tiene un papel importante en la configuración de los beneficios que podemos disfrutar en el futuro. Estas son algunas de las tecnologías y servicios actuales que usan el Aprendizaje Profundo, la Ciencia de Datos e Inteligencia Artificial
  • Sistemas Expertos: Watson de IBM es un ejemplo perfecto de cómo los sistemas expertos pueden beneficiarse de la colaboración entre el Aprendizaje Profundo, la Ciencia de Datos y la Inteligencia Artificial. La computadora, que funciona con Inteligencia Artificial, puede recolectar, absorber y procesar datos mucho más rápido que los humanos. Watson no solo puede mostrar una solución muy rápidamente, sino que también puede diagnosticar cáncer con una precisión increíble del 90 por ciento debido a su vasto conocimiento, mientras que los médicos bien entrenados solo conocen alrededor del 20 por ciento de las actualizaciones presentes en el diagnóstico. 
  • Reconocimiento de voz: Gracias al uso de la Inteligencia Artificial y a numerosos esfuerzos de los fabricantes de teléfonos inteligentes, puede solicitar un software de reconocimiento de voz para localizar la heladería más cercana o pedir una pizza, sin escribir una palabra. Es la creación de redes neuronales artificiales que impone la comprensión que las computadoras tienen de lo que dices. Se necesita un aprendizaje automático (Machine Learning) exhaustivo para hacer esto a través de la IA.
  • Google: Google se complace en utilizar algoritmos mejorados de Aprendizaje Profundo (Deep Learning) y de la Ciencia de Datos (Data Science) que aseguran proporcionar a los usuarios el contenido que se considere relevante para ellos. El motor de búsqueda utiliza algoritmos de aprendizaje automático para averiguar una gran cantidad de datos sobre lo que la gente está buscando y peina a través de más de mil millones de páginas para clasificar primero las que son mejores para usted. Todo esto se hace en cuestión de microsegundos. ¡Increíble!, ¿verdad? 
  • Robótica: Una compañía de producción de lechugas llamada Spread ha revelado sus planes para equipar robots para manejar asuntos dentro de las granjas. Al cosechar 30.000 cabezas de lechuga todos los días, los robots aumentarán drásticamente la eficiencia. Los procesadores dentro de estos robots han recibido una gran cantidad de datos sobre el proceso que lleva la cosecha de la lechuga. Esta revolución de la IA no solo aumentará la eficiencia, sino que también abrirá las puertas a nuevas posibilidades. 

Artículos relacionados:

Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain


http://www.bluehost.com/track/eduarea1/




jueves, 26 de abril de 2018

Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain

Las nuevas tecnologías como Machine Learning, Internet of Things, Deep Learning, PNL, , Cloud, Big Data y la Analítica Predictiva están teniendo un gran impacto en la España. Si bien se están creando muchos puestos de trabajo en estos campos, o más bien demandados, estas nuevas tecnologías también están restando los trabajos humanos tradicionales y aburridos. Por lo tanto, es muy importante que la nueva generación comprenda las nuevas tecnologías y los términos, y tenga en cuenta las habilidades necesarias para obtener empleos en el futuro.. Este post es una Guía para principiantes sobre el Aprendizaje Automático, Inteligencia Artificial, Internet de las Cosas (IoT), PNL, Aprendizaje Profundo (Deep Learning), Big Data Analytics y Blockchain. Además, también enumeraré algunos de los mejores cursos en línea y programas de máster de España, EE. UU. y Canadá para la ciencia de los datos, el aprendizaje automático, estadísticas, IoT y Big Data Analytics.
Inteligencia Artificial

Guía para principiantes sobre el Aprendizaje Automático, la Inteligencia Artificial, Internet de las Cosas (IoT), Procesamiento del Lenguaje Natural (PNL), Aprendizaje Profundo (Deep Learning), Análisis del Big Data y Blockchain.

¿Qué es el Aprendizaje Automático (Machine Learning)?


El aprendizaje automático (ML) es un campo de estudio que aplica los principios de la informática y las estadísticas para crear modelos estadísticos, que se utilizan para predicciones futuras (basadas en datos pasados ​​o Big Data) e identificar (descubrir) patrones en los datos. El aprendizaje automático es en sí mismo un tipo de Inteligencia Artificial que permite que las aplicaciones de software sean más precisas en la predicción de resultados sin estar programadas explícitamente.

El objetivo básico del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y usar estadísticas para predecir un valor de salida dentro de un rango aceptable. Proporciona la capacidad de obtener automáticamente conocimientos profundos, reconocer patrones desconocidos y crear modelos predictivos de alto rendimiento a partir de datos, todo ello sin requerir programación explícita. El aprendizaje automático se puede aplicar para detectar transacciones fraudulentas con tarjeta de crédito o para predecir precios.

Los algoritmos del Aprendizaje Automático se pueden categorizar como supervisados, semi-supervisados ​​o no supervisados. Los algoritmos supervisados ​​requieren que los humanos proporcionen retroalimentación sobre la precisión de las predicciones junto con la entrada y la salida deseada. Los algoritmos no supervisados ​​no necesitan ningún entrenamiento o participación humana. Usan un enfoque iterativo llamado Aprendizaje Profundo o Deep Learning (explicado más adelante en esta publicación) para revisar los datos y sacar conclusiones.

Leer más en este estudio sobre el Aprendizaje Automático en formato .pdf.

Cursos recomendados en línea para el Aprendizaje Automático en Espàña (en español) y Europa (en Inglés):


Cursos recomendados en línea para el Machine Learning en EEUU y Canada:


¿Qué es la Inteligencia Artificial (IA)?


La Inteligencia Artificial es el campo de estudio mediante el cual una computadora (y sus sistemas) desarrollan la capacidad para realizar con éxito tareas complejas que generalmente requieren inteligencia humana, como percepción visual, reconocimiento de voz, toma de decisiones y traducción entre idiomas. En otras palabras, la Inteligencia Artificial se ocupa de resolver tareas que son fáciles para los humanos pero difíciles para las computadoras.

Mientras que la Inteligencia Artificial generalmente se concentra en la programación de computadoras para tomar decisiones, el Aprendizaje Automático enfatiza en hacer predicciones sobre el futuro. Si usas un programa inteligente que involucra un comportamiento humano, puede ser Inteligencia Artificial. Sin embargo, si los parámetros no se aprenden automáticamente (o se derivan) de los datos, no se trata de Aprendizaje Automático (ML).

Según Bernard Marr, la IA y el ML a menudo parecen ser intercambiables. Pero, no son lo mismo. La Inteligencia Artificial es el concepto más amplio de que las máquinas pueden llevar a cabo tareas de una manera que podríamos considerar 'inteligente'. Considerando que, Machine Learning es una aplicación actual de la IA basada en la idea de que realmente deberíamos ser capaces de dar acceso a las máquinas a los datos y dejarles que aprendan por sí mismas.

Cursos recomendados en línea para la Inteligencia Artificial en España:


Cursos recomendados en línea para la Inteligencia Artificial en Europa, EEUU y Canada: 

 

¿Qué es el Procesamiento del Lenguaje Natural (NLP)?


Uno de los objetivos principales de la Inteligencia Artificial es el procesamiento del lenguaje natural (NLP). El NLP es un campo de la informática que se encuentra en la intersección de la Inteligencia Artificial y la lingüística computacional. El NLP se ocupa de la programación de computadoras para procesar grandes 'corpus' de lenguaje natural. En palabras simples, el NLP implica un análisis inteligente del lenguaje escrito.

Por ejemplo, tiene una gran cantidad de datos escritos en texto sin formato. Las técnicas de NLP pueden revelar las ideas de esto para usted. Estas ideas generalmente incluyen análisis de sentimientos, extracción de información, recuperación de información, búsqueda, etc. El NLP generalmente trata con artículos de investigación, blogs, mensajes de texto de fuentes de medios sociales (incluyendo emoticones); no se trata de imágenes.

 

¿Qué es el Deep Learning o Aprendizaje Profundo?

El Aprendizaje Profundo es otro aspecto de la Inteligencia Artificial que se ocupa de hacer coincidir el enfoque de aprendizaje utilizado por los humanos para obtener ciertos tipos de conocimiento. En otras palabras, el Aprendizaje Profundo es una forma de automatizar el análisis predictivo. A diferencia del NLP, los algoritmos del Deep Learning no se ocupan exclusivamente del texto. El Aprendizaje Profundo implica el modelado matemático, que puede considerarse como una composición de bloques simples de cierto tipo, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final.

La palabra 'Profundo' significa que la composición tiene muchos de estos bloques apilados uno encima del otro, en una jerarquía de complejidad creciente. La salida se genera a través de algo llamado Backpropagation dentro de un proceso más grande llamado descenso de gradiente que le permite cambiar los parámetros de una manera que mejora su modelo.

Vamos a profundizar un poco ahora. Los algoritmos tradicionales del aprendizaje automático son lineales. Los algoritmos de aprendizaje profundo están apilados en una jerarquía de complejidad creciente. Imagine que un bebé está tratando de saber qué es un perro al señalar con el dedo los objetos. Los padres dirán 'Sí, ese es un perro' o 'No, ese no es un perro'. A medida que el bebé continúa apuntando a los objetos, se vuelve más consciente de las características y las características que poseen todos los perros. En este caso, el bebé está aclarando una abstracción compleja (el concepto de perro) construyendo una jerarquía de complejidad creciente creada. En cada paso, el bebé aplica el conocimiento obtenido de la capa de la jerarquía anterior. Los programas de software usan el enfoque de aprendizaje profundo de manera similar. La única diferencia es que el bebé podría tomar semanas para aprender algo nuevo y complejo; un programa de computadora podría hacer eso en pocos minutos.

Cursos recomendados en línea para Deep Learning en Espàña:


Cursos recomendados en línea para Deep Learning en EEUU y Canada:


Data Science, Big Data y Big Data Analytics


Para alcanzar un cierto nivel de precisión y velocidad, los programas de aprendizaje profundo (Deep Learning) requieren acceso a cantidades inmensas de datos de entrenamiento y poder de procesamiento. Ahora, esto es muy posible en la era actual gracias al Big Data (y el análisis del Big Data) y el Internet de las Cosas (IoT). Big data es un término amplio y en evolución para una gran cantidad de conjuntos de datos. Los datos podrían ser estructurados, semiestructurados o no estructurados.

El análisis del Big Data es el proceso de analizar el Big Data para identificar patrones ocultos, tendencias populares, correlaciones únicas y otra información crítica y útil. Por ejemplo, una empresa de comercio electrónico aplicará análisis de Big Data para investigar el comportamiento y la mentalidad de los clientes o consumidores, y los patrones de compra. Si bien el Big Data tiene que ver con los datos, los patrones (o tendencias), las percepciones e impactos, Internet de las Cosas se trata de datos, dispositivos y conectividad.

Cursos recomendados en línea para Data Science y Big Data Analytics en Espàña:

Cursos recomendados en línea para Data Science y Big Data Analytics en EEUU y Canada:


¿Qué es el Internet de las Cosas-Internet of Things (IoT)?


El Internet de las Cosas (IoT) es la interconexión de dispositivos físicos (también denominados dispositivos conectados o dispositivos inteligentes), vehículos, edificios y otros objetos (que pueden ser dispositivos portátiles inteligentes, dispositivos de diagnóstico, aparatos de cocina, etc.) integrados con componentes electrónicos, software, sensores, actuadores y conectividad de red que permite a estos 'objetos inteligentes' recopilar e intercambiar datos. En otras palabras, el Internet de las Cosas es una infraestructura global para la sociedad de la información. El IoT permite servicios avanzados interconectando (físicos y virtuales) cosas basadas en las tecnologías de la información y comunicación interoperables existentes y en evolución.

Por ejemplo, el refrigerador inteligente en su cocina (en el hogar) puede enviarle una alerta (o notificación) a su teléfono inteligente (mientras se va de la oficina) cuando no tenga leche o gasolina para su coche. Su wearable o smartwatch puede advertirle si hay algún problema con su pulso o frecuencia cardíaca. Además, toda esta información se registra. Más tarde, el software después de ver los datos puede proporcionarle información como: es probable que consuma leche el miércoles, se quede sin gasolina en dos semanas o que tenga probabilidades de sufrir un ataque cardíaco en tres meses (por lo tanto, es hora de realizar un control y tomar precauciones).

Dado que la idea de los dispositivos de red y otros objetos es personalizada y confidencial, la seguridad es una gran preocupación. La seguridad del IoT entra en juego aquí. La seguridad del IoT es el área de esfuerzo relacionada con la protección de los dispositivos conectados y las redes en el Internet de las Cosas. El IoT se está expandiendo a un ritmo exponencial. Al igual que el Big Data, el IoT está creando nuevas oportunidades y brindando una ventaja competitiva para las empresas en los mercados actuales y nuevos. El Internet of Things (IoT) es un ecosistema de complejidad cada vez mayor. Es la próxima ola de la innovación que humaniza cada objeto en nuestra vida, y es el próximo nivel de automatización para cada objeto que utilizamos. Sigue agregando cada vez más dispositivos al pliegue digital todos los días para mejorar el proceso y el crecimiento. Toca todo, no solo los datos, sino cómo, cuándo, dónde y por qué los recolectas. Una de las formas de ver el IoT es como los bloques múltiples, como objetos conectados, las puertas de enlace, los servicios de red y los servicios en la nube. Como se mencionó anteriormente, la seguridad es de suma importancia.


La Tecnología Blockchain


Los ecosistemas actuales del IoT dependen de modelos de comunicación centralizados. Todos los dispositivos están identificados, autenticados y conectados a servidores en la nube que tienen enormes capacidades de procesamiento y almacenamiento. La conexión entre dispositivos debe pasar por Internet. Un enfoque descentralizado de la red IoT resolvería muchos de los problemas de seguridad.

Aquí llega la tecnología Blockchain. Blockchain es una base de datos que mantiene un conjunto de registros de datos en continuo crecimiento. Se distribuye en la naturaleza; no hay una computadora principal que sostenga toda la cadena. En cambio, los nodos participantes tienen una copia de la cadena. También es cada vez mayor: los registros de datos solo se agregan a la cadena. Blockchain es público. Entonces, todos los participantes pueden ver los bloques y las transacciones almacenadas en la base de datos. Sin embargo, está protegido por una clave privada.

La tecnología Blockchain se considera como el eslabón perdido para tratar problemas de escalabilidad, seguridad y confiabilidad del IoT. La tecnología del Blockchain se puede utilizar en el seguimiento de miles de millones de dispositivos conectados, permite el procesamiento de transacciones y la coordinación entre dispositivos; permitir ahorros significativos para la industria del IoT. Según los expertos, el enfoque descentralizado eliminaría los puntos únicos de falla, creando un ecosistema más resistente para que los dispositivos funcionen. Los algoritmos criptográficos utilizados por la tecnología blockchain podrían hacer que los datos de los consumidores sean más privados. Una de las aplicaciones populares de la tecnología blockchain es el Bitcoin y las Cryptocurrencies. Sin embargo, hay varias otras aplicaciones de la tecnología blockchain más allá de las criptomonedas y los servicios financieros.


Cursos recomendados en línea para Blockchain en Espàña:


Artículos relacionados: 

¿Qué es la Inteligencia Artificial? Aplicaciones de la Inteligencia Artificial en el Marketing
¿Qué es el Internet de las Cosas (IoT)? 

http://www.bluehost.com/track/eduarea1/