IASocial Media
Mostrando entradas con la etiqueta IA. Mostrar todas las entradas
Mostrando entradas con la etiqueta IA. 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



jueves, 2 de mayo de 2019

La Inteligencia Artificial y el Marketing Digital

La Inteligencia Artificial y el Marketing Digital están empezando a ir de la mano. Con la capacidad de recopilar datos, analizarlos, aplicarlos y luego aprender de ellos, la IA está transformando la estrategia digital. A medida que continúe avanzando, también lo harán las capacidades para usarlo para mejorar las estrategias de Marketing Digital y las valiosas perspectivas de los clientes para las empresas.

Aquí hay 3 maneras en que la IA está cambiando el Marketing Digital para mejor.


affiliate_link

Mejor experiencia de usuario


El aspecto más importante de una estrategia de Marketing Digital exitosa es la excelente experiencia del cliente. Cuando el contenido es relevante para el usuario, es más probable que se conviertan y se conviertan en clientes recurrentes y que tengan lealtad a la marca. La inteligencia artificial puede ayudar significativamente con eso en su capacidad para recopilar datos y decidir qué contenido es el más aplicable en función de la ubicación, los datos históricos y el comportamiento pasado. Al hacerlo, le da al usuario la impresión de que la marca se creó específicamente para ellos.

Para el comercio minorista, la IA puede ser un elemento de cambio para las experiencias de compra en línea con nuevos avances en la realidad aumentada donde los clientes pueden realmente 'probar' un producto antes de realizar una compra. Ahora hay aplicaciones donde realmente puede 'probarse' la ropa para ver cómo le verán los artículos sin tener que poner un pie en la tienda. Esto significa menos clientes insatisfechos, menores retornos y mayor compromiso en línea para una marca.

La tecnología de búsqueda por voz también es una gran adición de la IA en el Marketing Digital que puede obtener resultados más rápidos. Las empresas ahora pueden escribir su sitio para coincidir con los asistentes virtuales como Alexa, Google Home y SIRI. Si lo hace correctamente, puede mover su marca para ser el primer resultado en una búsqueda por voz que realmente puede ayudar con el reconocimiento de la marca.

Comportamiento predictivo del cliente


La IA no solo puede personalizar una experiencia del cliente sobre el comportamiento pasado, sino que también puede predecir el comportamiento de los usuarios nuevos y existentes. Con la ayuda de las Plataformas de Gestión de Datos (DMP) que recopilan datos de terceros y de terceros ahora, la IA puede recopilar información sobre sus usuarios a través de Internet y no solo en una sesión en su sitio. Esto puede ayudar a personalizar sus necesidades de forma automática a través de los viajes y los perfiles, lo que le permite dirigirse a sus potenciales clientes potenciales y eliminar aquellos que probablemente no se conviertan, lo que le permitirá concentrarse en la formulación y ejecución de estrategias de marketing efectivas.

Si bien está lejos de ser perfecto, la IA está constantemente recopilando, analizando e interpretando datos para ser más inteligente en su uso. Con nuevos algoritmos, todo el tiempo, la precisión de los viajes de los clientes será más eficiente y ayudará a determinar el pronóstico de ventas y el retorno de la inversión para que su empresa pueda proporcionar la mejor experiencia para los clientes y las herramientas adecuadas para ayudar a su empresa a tener éxito.

Atención al cliente en tiempo real


Una de las cosas más importantes que los clientes buscan en una buena experiencia digital son las resoluciones y respuestas rápidas. Con la introducción de la IA con los Chatbots, una herramienta automatizada que da la impresión de hablar en tiempo real con una persona de servicio al cliente, la IA puede ofrecer esa experiencia en tiempo real.

Los chatbots pueden usar términos para parecer más 'humanos' y pueden responder a preguntas básicas, rastrear y cumplir pedidos y ayudar a resolver problemas simples. Facebook Messenger ha integrado la función de chatbot para las páginas de la empresa en Facebook para ayudar a mejorar el servicio al cliente para las empresas. Estos bots pueden estar disponibles las 24 horas del día, los 7 días de la semana, y pueden reducir el tiempo de espera de llamadas para los clientes que tienen problemas que pueden aumentar su satisfacción general.

La Inteligencia Artificial sigue creciendo y mejorando y no se desacelerará por un tiempo. Implementar la Inteligencia Artificial en su estrategia de Marketing Digital ayudará a los clientes a tener una mejor experiencia y le dará a su empresa la información que necesita para tener éxito.

La Inteligencia Artificial sigue creciendo y mejorando y no se desacelerará por un tiempo. Implementar la Inteligencia Artificial en su estrategia de Marketing Digital ayudará a los clientes a tener una mejor experiencia y le dará a su empresa la información que necesita para tener éxito.

Artículos relacionados:

Quiero aprender Inteligencia Artificial y Aprendizaje Automático. ¿Dónde puedo empezar?

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

                    


martes, 16 de abril de 2019

Quiero aprender Inteligencia Artificial y Aprendizaje Automático. ¿Dónde puedo empezar?

Este artículo apareció originalmente como respuesta por Daniel Bourke en Quora.

"Estaba trabajando en la Apple Store y quería un cambio. Para empezar a construir la tecnología que estaba atendiendo".

Comencé a estudiar el Aprendizaje automático (ML) y la Inteligencia artificial (AI).

Hay mucho que hacer en el campo.

Cada semana parece que Google o Facebook están lanzando un nuevo tipo de Inteligencia Artificial para hacer las cosas más rápido o mejorar nuestra experiencia.

Y no me refiero a la cantidad de empresas de automóviles autónomos. Aunque esto es algo bueno. No soy un fanático de la conducción y las carreteras son peligrosas.

Incluso con todo esto sucediendo, todavía hay una definición acordada de qué es exactamente la Inteligencia Artificial.

Algunos argumentan que el Aprendizaje Profundo puede considerarse IA, otros dirán que no es IA a menos que pase la Prueba de Turing.

Esta falta de definición realmente atrofió mi progreso al principio. Era difícil aprender algo que tenía tantas definiciones diferentes.

Basta con las definiciones.

¿Cómo comencé?


Mis amigos y yo estábamos construyendo una startup web. Falló. Nos dimos por vencidos por falta de sentido. Pero a lo largo del camino, comencé a escuchar más y más sobre ML y AI.

'¿La computadora aprende las cosas por ti?' No podía creerlo.

Me tropecé con Nanodegree Deep Learning de Udacity. Un divertido personaje llamado Siraj Raval estaba en uno de los vídeos promocionales. Su energía era contagiosa. A pesar de no cumplir con los requisitos básicos (nunca había escrito una línea de Python antes), me inscribí.

Tres semanas antes de la fecha de inicio del curso, envié un correo electrónico al servicio de asistencia de Udacity preguntando cuál era la política de reembolso. Tenía miedo de no poder completar el curso.

No obtuve un reembolso. Completé el curso dentro de la línea de tiempo designada. Fue dificil. Muy duro a veces. Mis dos primeros proyectos fueron entregados cuatro días tarde. Pero la emoción de estar involucrado en una de las tecnologías más importantes del mundo me impulsó a avanzar.

Al finalizar Deep Learning Nanodegree, había garantizado la aceptación de AI Nanodegree, Auto-Driving Car Nanodegree o Robotics Nanodegree de Udacity. Todas las grandes opciones. Estaba un poco perdido. '¿A dónde voy después?'

Necesitaba un currículum. Construí una pequeña base con Deep Learning Nanodegree, ahora era el momento de averiguar hacia dónde me dirigiría.

Mi auto-creado AI Masters Degree [1]


No pensaba volver a la universidad pronto. De todos modos, no tenía $ 100,000 para una maestría adecuada.

Así que hice lo que hice al principio. Pedí ayuda a mi mentor, Google.

Me lancé a un Aprendizaje Profundo sin ningún conocimiento previo del campo. En lugar de subir a la punta del iceberg de la IA, un helicóptero me había dejado en la cima.

Después de investigar un montón de cursos, puse una lista de los que más me interesaron en Trello.

Trello es mi asistente personal / coordinador del curso.

Sabía que los cursos en línea tenían una alta tasa de abandono escolar. No me iba a permitir ser parte de este número. Yo tenía una misión.

Para hacerme responsable, comencé a compartir mi viaje de aprendizaje en línea. Pensé que podría practicar comunicando lo que aprendí y encontrar a otras personas que estaban interesadas en las mismas cosas que yo. Mis amigos aún piensan que soy un extraterrestre cuando voy a una de mis aventuras de la IA.

Hice público el tablero de Trello y escribí una publicación de blog sobre mis esfuerzos.

El currículo ha cambiado ligeramente desde que lo escribí por primera vez, pero aún es relevante y visito la pizarra de Trello varias veces por semana para seguir mi progreso.

Conseguir un trabajo


Compré un boleto de avión a los EE. UU. Sin vuelo de regreso. Había estado estudiando durante un año y pensé que ya era hora de que empezara a poner mis habilidades en práctica.

Mi plan era ir a los Estados Unidos y ser contratado.

Luego Ashlee me envió un mensaje a LinkedIn, 'Oye, he visto tus publicaciones y son realmente geniales, creo que deberías conocer a Mike'.

Conocí a Mike.

Le conté mi historia de aprendizaje en línea, cómo me encantaba la tecnología de la salud y mis planes para ir a los Estados Unidos.

'Puede que sea mejor que te quedes aquí un año o así y veas lo que puedes encontrar, creo que te encantaría conocer a Cameron'.

Conocí a Cameron.

Tuvimos una charla similar de lo que Mike y yo hablamos. Salud, tecnología, aprendizaje en línea, Estados Unidos.

'Estamos trabajando en algunos problemas de salud, ¿por qué no vienes el jueves?'

Llegó el jueves y estaba nervioso. Pero una vez alguien me dijo que estar nervioso es lo mismo que estar emocionado. Me volteé para estar emocionado.

Pasé el día reuniéndome con el equipo de Max Kelsen y los problemas en los que estaban trabajando.

Dos jueves después, Nick, el CEO, Athon, ingeniero jefe de aprendizaje de máquinas, y yo, fuimos a tomar un café.

'¿Cómo te gustaría unirte al equipo?' Preguntó Nick.

'Claro', dije.

Mi vuelo a Estados Unidos se retrasó un par de meses, también tengo un boleto de regreso.

Compartiendo tu trabajo


Aprendiendo en línea, sabía que era poco convencional. Todos los roles que solicité tenían requisitos de maestría o al menos algún tipo de título técnico.

Yo no tuve ninguno de estos, pero tenía las habilidades que había reunido de una gran cantidad de cursos en línea.

En el camino, estaba compartiendo mi trabajo en línea. Mi GitHub contenía todos los proyectos que había hecho, mi LinkedIn estaba apilado y había practicado comunicando lo que había aprendido a través de YouTube y artículos en Medium.

Nunca entregué un currículum para Max Kelsen. 'Lo investigamos en LinkedIn y nos impresionó'. Mi trabajo fue mi currículum.

Independientemente de si estás aprendiendo en línea o a través de una maestría, tener un portafolio de lo que has trabajado es una excelente manera de desarrollar el aspecto del juego.

Las habilidades en ML y AI están en demanda, pero eso no significa que no tengas que mostrarlas. Incluso el mejor producto no se venderá sin ningún espacio en los estantes.

Ya sea GitHub, Kaggle, LinkedIn o un blog, tenga un lugar donde la gente pueda encontrarlo. Además, tener tu propio rincón de Internet es muy divertido.

Como empiezas


¿A dónde vas para aprender estas habilidades? ¿Qué cursos son los mejores?

No hay mejor respuesta. El camino de cada uno será diferente. Algunas personas aprenden mejor con libros, otras aprenden mejor a través de vídeos.

Lo que es más importante que cómo comienzas es por qué empiezas.

Comience con por qué.

    ¿Por qué quieres aprender estas habilidades?
    ¿Quieres hacer dinero?
    ¿Quieres construir cosas?
    ¿Quieres hacer una diferencia?

Una vez más, no hay razón correcta. Todas son válidas a su manera.

Comienza por qué, porque tener un por qué es más importante que cómo. Tener un por qué significa que cuando se pone difícil y se volverá difícil, tienes algo a lo que recurrir. Algo para recordarte por qué empezaste.

¿Tienes un por qué? Bueno. Tiempo para algunas habilidades difíciles.

Solo puedo recomendar lo que he intentado.

He completado los cursos de (en orden):


  • Treehouse - Introducción a Python
  • Udacity - Deep Learning & AI Nanodegree
  • Coursera - Deep Learning por Andrew Ng
  • fast.ai - Parte 1, pronto será la parte 2
Todos son de clase mundial. Soy un aprendiz visual. Aprendo mejor viendo las cosas que se hacen / me explican en ello. Así que todos estos cursos reflejan eso.

Si eres un principiante absoluto, comienza con algunos cursos introductorios de Python y, cuando estés un poco más seguro, pasas a la Ciencia de la Información, el Aprendizaje Automático y la Inteligencia Artificial.


¿Cuántas matemáticas?



El nivel más alto de educación matemática que he tenido fue en la escuela secundaria. El resto lo he aprendido a través de la Academia Khan como lo he necesitado.

Hay muchas opiniones diferentes sobre la cantidad de matemáticas que necesitas saber para entrar en el Aprendizaje Automático y la Inteligencia Artificial. Voy a compartir la mia.

Si desea aplicar el Aprendizaje Automático y las técnicas de Inteligencia Artificial a un problema, no necesariamente necesita una comprensión profunda de las matemáticas para obtener un buen resultado. Las bibliotecas como TensorFlow y PyTorch permiten que alguien con un poco de experiencia en Python construya modelos de vanguardia, mientras que los cálculos matemáticos se resuelven entre bastidores.


Si está buscando profundizar en el Aprendizaje Automático y la investigación de la IA, a través de un programa de doctorado o algo similar, tener un conocimiento profundo de las matemáticas es primordial.

En mi caso, no busco profundizar en las matemáticas y mejorar el rendimiento de un algoritmo en un 10%. Eso se lo dejo a la gente más inteligente que yo. En cambio, estoy más que contento de usar las bibliotecas disponibles para mí y de manipularlas para ayudar a resolver los problemas que considere oportunos.

¿Qué hace realmente un ingeniero de Aprendizaje Automático?


Lo que hace un ingeniero de máquinas en la práctica podría no ser lo que piensas.

A pesar de las fotos de portada de muchos artículos en línea, no siempre implica trabajar con robots que tienen los ojos rojos.

Aquí hay algunas preguntas que un ingeniero de ML (Machine Learning) debe hacerse diariamente.

  • Contexto: ¿Cómo se puede usar el ML para ayudar a aprender más sobre su problema?
  • Datos - ¿Necesita más datos? ¿En qué forma debe estar? ¿Qué haces cuando faltan datos?
  • Modelado - ¿Qué modelo debes usar? ¿Funciona demasiado bien en los datos (sobreajuste)? ¿O por qué no funciona muy bien?
  • Producción - ¿Cómo puedes llevar tu modelo a la producción? ¿Debería ser un modelo en línea o debería actualizarse a intervalos de tiempo?
  • En curso - ¿Qué pasa si tu modelo se rompe? ¿Cómo mejorarlo con más datos? ¿Hay una mejor manera de hacer las cosas?
Los tomé prestados de un gran artículo de Rachel Thomas, uno de los cofundadores de fast.ai, que profundiza en el texto completo.

Para más información, hice un vídeo de lo que solemos hacer los lunes en Max Kelsen.

No hay ruta establecida


No hay una manera correcta o incorrecta de ingresar al ML o a la IA.

Lo bello de este campo es que tenemos acceso a algunas de las mejores tecnologías del mundo, todo lo que tenemos que hacer es aprender a usarlas.

Podrías empezar por aprender el código de Python.

Podrías empezar estudiando cálculo y estadística.

Puedes comenzar aprendiendo sobre la filosofía de la toma de decisiones.

El Aprendizaje Automático y la IA me fascinan por esta intersección de campos.

Cuanto más aprendo sobre él, más me doy cuenta de que hay mucho más que aprender. Y esto me exageró.

A veces me frustro cuando mi código no se ejecuta. O no entiendo un concepto. Así que me rindo temporalmente. Me rindo dejando alejarme del problema y tomando una siesta. O dar un paseo. Cuando vuelvo, siento que lo estoy mirando con ojos diferentes. La emoción vuelve. Sigo aprendiendo.

Hay tantas cosas sucediendo en el campo que puede ser desalentador comenzar. Demasiadas opciones conducen a ninguna opción. Ignora esto.

Comienza donde más te interese y síguelo. Si conduce a un callejón sin salida, genial, has descubierto en qué no estás interesado. Vuelve sobre tus pasos y toma la otra bifurcación en el camino.

Comienza donde más te interese y síguelo. Si conduce a un callejón sin salida, genial, has descubierto en qué no estás interesado. Vuelve sobre tus pasos y toma la otra bifurcación en el camino.

Las computadoras son inteligentes pero todavía no pueden aprender por sí mismas. Ellas necesitan tu ayuda.

Notas al pie







Artículos relacionados: 


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

 

 


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/

 

viernes, 14 de julio de 2017

¿Qué es la Inteligencia Artificial? Aplicaciones de la Inteligencia Artificial en el Marketing

There is currently no consensus on how closely...
Actualmente no hay consenso sobre la forma en que se debe simular el cerebro. (Foto crédito: Wikipedia)
Artificial intelligence (AI) es la inteligencia exhibida por las máquinas. En informática, el campo de la investigación de la IA (Inteligencia Artificial) se define como el estudio de los 'agentes inteligentes': cualquier dispositivo que percibe su entorno y tome acciones que maximicen sus posibilidades de éxito en algún objetivo. Coloquialmente, el término 'Inteligencia Artificial' se aplica cuando una máquina imita funciones 'cognitivas' que los seres humanos asocian con otras mentes humanas, tales como 'aprendizaje' y 'resolución de problemas'.

A medida que las máquinas se hacen cada vez más capaces, las instalaciones mentales, una vez que se pensó que requieren inteligencia, se eliminan de la definición. Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe como un ejemplo de 'Inteligencia Artificial', habiéndose convertido en una tecnología de rutina. Las capacidades actualmente clasificadas como AI incluyen la comprensión exitosa del habla humana, la competencia a un alto nivel en sistemas estratégicos de juego (como el ajedrez y Go), automovilismo, enrutamiento inteligente en redes de distribución de contenido, simulaciones militares e interpretación de datos complejos.

La investigación de la IA se divide en subcampos que se centran en problemas específicos, enfoques, el uso de una herramienta particular, o hacia la satisfacción de aplicaciones particulares.

Los problemas centrales (o metas) de la investigación de la IA incluyen el razonamiento, el conocimiento, la planificación, el aprendizaje, el procesamiento del lenguaje natural (comunicación), la percepción y la capacidad de mover y manipular objetos. La inteligencia general es uno de los objetivos a largo plazo del campo. Los enfoques incluyen métodos estadísticos, inteligencia computacional y AI simbólica tradicional. Muchas herramientas se utilizan en la AI, incluyendo versiones de búsqueda y optimización matemática, lógica, métodos basados en la probabilidad y la economía. El campo de la AI se basa en la informática, las matemáticas, la psicología, la lingüística, la filosofía, la neurociencia, la psicología artificial. el marketing y muchos otros.

El campo se fundó en la afirmación de que la inteligencia humana 'puede describirse tan precisamente que se puede hacer que una máquina la simule'. Esto plantea argumentos filosóficos sobre la naturaleza de la mente y la ética de crear seres artificiales dotados de inteligencia humana, cuestiones que han sido exploradas por el mito, la ficción y la filosofía desde la antigüedad. Algunas personas también consideran que AI es un peligro para la humanidad si progresa sin cesar. Los intentos de crear Inteligencia Artificial han experimentado muchos contratiempos, como el informe ALPAC de 1966, el abandono de las percepciones en 1970, el informe Lighthill de 1973, el segundo invierno de la IA 1987-1993 y el colapso del mercado de la máquina Lisp en 1987.

En el siglo XXI, las técnicas de la AI, tanto duras (usando un enfoque simbólico) como suaves (sub-simbólicas), han experimentado un resurgimiento tras los avances simultáneos en la potencia informática, los tamaños de los conjuntos de entrenamiento y la comprensión teórica. Se convierten en una parte esencial de la industria de la tecnología, ayudando a resolver muchos desafiantes problemas en informática. Los avances recientes en la AI, y específicamente en el aprendizaje de máquinas, han contribuido al crecimiento de las "Cosas Autónomas" como los drones y los automóviles autodirigidos o autónomos, convirtiéndose en el principal impulsor de la innovación en la industria automotriz.

Mapeo de las tecnologías de la AI más eficaces para el marketing en todo el ciclo de vida del cliente

La tecnología de la AI es un tema candente en el marketing en este momento, pero la AI es un término amplio que abarca una amplia gama de diferentes tecnologías. La Inteligencia artificial significa cualquier tecnología que busca imitar la inteligencia humana, que abarca una amplia gama de capacidades tales como el reconocimiento de voz e imagen, técnicas de aprendizaje automático y búsqueda semántica. A los profesionales de marketing les gusta leer sobre las últimas tecnologías y aprovechar la Inteligencia Artificial para el reconocimiento de imágenes, el reconocimiento de voz, la prevención de fugas de datos o incluso la orientación de los drones en comunidades remotas. Todo bien o muy bien. Pero, ¿cómo demonios se supone que los vendedores deben hacer algo con esa información? ¿Es sólo un bombo, o no se puede implementar?.

Es por eso que hemos identificado quince técnicas de Inteligencia Artificial que las empresas de todos los tamaños pueden implementar, en lugar de técnicas a las que sólo los grandes gigantes tecnológicos pueden dedicar recursos. También hemos trazado las técnicas en todo el ciclo de vida del cliente para que pueda ver cómo cada táctica de la AI puede ayudar a llevar a sus clientes por el embudo de la comercialización.

Todas las técnicas son de 'AI' en el sentido de que involucran la inteligencia informática, pero las hemos dividido en 3 tipos diferentes de tecnología: Las Técnicas de Aprendizaje Automático, los Modelos de Propensión Aplicada y las Aplicaciones de la AI. Las técnicas de aprendizaje automático implican el uso de algoritmos para 'aprender' a partir de conjuntos de datos históricos, que pueden crear modelos de propensión. Los Modelos de Propensión Aplicada son cuando estos modelos de propensión se ponen a trabajar la predicción de los acontecimientos dados, tales como la puntuación de los conductores basados en su probabilidad de convertir. Las aplicaciones de AI son otras formas de AI, que realizan tareas que normalmente se asocian con un operador humano, como responder a preguntas de los clientes o escribir nuevos contenidos.

Cada aplicación tiene implicaciones importantes para los vendedores, pero las aplicaciones tienen diferentes funciones que desempeñar a lo largo del viaje del cliente. Algunos son mejores para atraer a clientes, mientras que otros son útiles para la conversión o volver a comprometer a los clientes pasados. Es por eso que hemos dividido las técnicas en todo el marco RACE (Estrategias del Proceso de su Táctica de Marketing Digital).

RACE es un marco práctico para ayudar a administrar y mejorar los resultados de su marketing digital. En última instancia, se trata de utilizar las mejores prácticas técnicas de análisis web para obtener más valor comercial de las inversiones en marketing digital. Esperamos que ayude a simplificar su enfoque para revisar el rendimiento de su marketing en línea y tomar acciones para mejorar su eficacia.

Alcance - Atrae a los visitantes con una gama de técnicas entrantes


Alcance implica el uso de técnicas tales como el marketing de contenido, el SEO y otros 'medios ganados' para llevar a los visitantes a su sitio e niciarlos en el viaje del comprador. La AI & amp; Los modelos de Propensión aplicados se pueden utilizar en esta etapa para atraer más visitantes y ofrecer a aquellos que llegan a su sitio con una experiencia más atractiva.

1. Contenido generado por la AI

Esta es una zona muy interesante para la AI. La AI no puede escribir una columna de opinión política o una publicación de blog sobre consejos de las mejores prácticas específicas de la industria, pero hay ciertas áreas en las que el contenido generado por la AI puede ser útil y ayuda a atraer visitantes a su sitio.

Para ciertas funciones, los programas de escritura de contenido de la AI son capaces de seleccionar elementos de un conjunto de datos y estructurar un artículo de 'sondeo humano'. Un programa de escritura de la AI llamado 'WordSmith' (Produce un contenido perspicaz y personalizado a partir de sus datos que se comunica con cada individuo en la forma en que todos entienden: la palabra escrita)  produjo 1,5 mil millones de pedazos de contenido en 2016, y se espera que crezca más lejos en renombre en los años que vienen.

Los escritores de la AI son útiles para reportar eventos regulares y centrados en los datos. Los ejemplos incluyen informes de ganancias trimestrales, partidos deportivos y datos de mercado. Si opera en un nicho relevante, como los servicios financieros, el contenido generado por la AI podría formar un componente útil de su estrategia de marketing de contenido. La buena noticia es que las ideas automatizadas, la empresa que está detrás de Wordsmith, ha anunciado una versión beta gratuita de su aplicación de escritura de AI, para que pueda probar la tecnología y ver si podría ser útil para su marca.

2. Curación de contenido inteligente

La restauración de contenidos de la AI le permite participar mejor a los visitantes en su sitio mostrándoles contenido relevante. Esta técnica se encuentra más comúnmente en la sección 'clientes que compraron X que también compraron' en muchos sitios, pero también puede aplicarse al contenido del blog y personalizar la mensajería del sitio de forma más amplia. También es una gran técnica para las empresas de suscripción, donde más que uno utilizan el servicio, más datos que el algoritmo de aprendizaje de la máquina tiene que utilizar y mejores son las recomendaciones de contenido. Piense en el sistema de recomendación de Netflix para poder recomendar consistentemente y que muestre lo que le interesaría.

3. Búsqueda por voz

La búsqueda por voz es otra tecnología de la IA, pero cuando se trata de usarla para comercializar, se trata de utilizar la tecnología desarrollada por los principales actores (Google, Amazon, Apple) en lugar de desarrollar su propia capacidad. La búsqueda de voz cambiará las estrategias futuras del SEO, y las marcas deben mantenerse al día. Una marca que añade la búsqueda de voz puede aprovechar grandes ganancias en el tráfico orgánico con una alta intención de compra gracias al aumento del tráfico de búsqueda de voz debido a los asistentes personales virtuales dirigidos por la IA.

4. Compra de medios programáticos

La compra programática de medios puede utilizar modelos de propensión generados por algoritmos de aprendizaje automático para orientar más eficazmente los anuncios en los clientes más relevantes. Los anuncios programáticos deben ser más inteligentes a raíz del reciente escándalo de seguridad de Google. Se reveló que los anuncios colocados de forma programática a través de la red publicitaria de Google aparecían en los sitios web de terroristas. La AI puede ayudar aquí reconociendo los sitios dudosos y eliminándolos de la lista de anuncios de sitios que se pueden colocar.

La acción - atraer a los visitantes y hacerlos conscientes de su producto


5. Modelado de propensión

Como ya se mencionó, el modelado de propensión es el objetivo de un proyecto de aprendizaje automático. El algoritmo de aprendizaje de máquina se alimenta de grandes cantidades de datos históricos, y utiliza estos datos para crear un modelo de propensión que (en teoría) es capaz de hacer predicciones precisas sobre el mundo real. El siguiente diagrama muestra las etapas de este proceso.

6. Análisis predictivo

El modelado de la propensión puede aplicarse a un número de áreas diferentes, tales como predecir la probable protección de un cliente dado para convertirse, predecir en qué precio un cliente es probable que se convierta o qué clientes tienen más probabilidades de hacer compras repetidas. Esta aplicación se denomina análisis predictivo, ya que utiliza datos analíticos para hacer predicciones sobre cómo se comportan los clientes. Lo más importante a recordar es que un modelo de propensión sólo es tan bueno como los datos proporcionados para crearlo, por lo que si hay errores en sus datos o un alto nivel de aleatoriedad, será incapaz de hacer predicciones precisas.

7. Puntuación del Lead

Los modelos de propensión generados por el aprendizaje automático pueden ser entrenados para puntuar los resultados basándose en ciertos criterios para que su equipo de ventas pueda establecer la potencia de un liderazgo dado y si vale la pena dedicarle tiempo. Esto puede ser particularmente importante en los negocios B2B con procesos de venta consultivos, donde cada venta toma una cantidad considerable de tiempo por parte del equipo de ventas. Al ponerse en contacto con los clientes más relevantes, el equipo de ventas puede ahorrar tiempo y concentrar su energía donde es más eficaz. Las ideas sobre la propensión de los clientes potenciales a comprar también pueden utilizarse para orientar las ventas y los descuentos donde son más eficaces.

8. Orientación de anuncio

Los algoritmos de aprendizaje de máquina pueden ejecutar a través de grandes cantidades de datos históricos para establecer qué anuncios funcionan mejor en qué personas y en qué etapa del proceso de compra. Usando estos datos pueden servirles con el contenido más efectivo en el momento adecuado. Al utilizar el aprendizaje automático para optimizar constantemente miles de variables, puede lograr una colocación y un contenido de anuncios más eficaces que los métodos tradicionales. ¡Sin embargo, todavía necesitará a seres humanos para realizar las piezas creativas!

Convertir - empujar a los consumidores interesados a convertirse en clientes

9. Precio dinamico

Todos los vendedores saben que las ventas son eficaces en cambiar el precio de su producto. Los descuentos son extremadamente poderosos, pero también pueden perjudicar su línea de fondo. Si hace dos veces más ventas con un margen más pequeño de dos tercios, ha hecho menos beneficio si no tuviera una venta.

Las ventas son tan eficaces porque hacen que la gente compre su producto que previamente no se habría considerado capaz de justificar el costo de la compra. Pero también significa que las personas que hubieran pagado el precio más alto pagarían menos de lo que tendrían.
La fijación de precios dinámicos puede evitar este problema, dirigiendo sólo las ofertas especiales sólo a aquellos que puedan necesitarlas para convertirlas. El aprendizaje de la máquina puede construir un modelo de propensión de los rasgos que muestra un cliente que es probable que necesite una oferta para convertir, y que son propensos a convertir sin necesidad de una oferta. Esto significa que puede aumentar las ventas sin reducir sus márgenes de ganancias por mucho, maximizando así los beneficios.

10. Personalización de la Web y las aplicaciones

El uso de un modelo de propensión para predecir la etapa del cliente en el viaje del comprador puede permitirle servir a ese cliente, ya sea en una aplicación o en una página web, con el contenido más relevante. Si alguien sigue siendo nuevo en un sitio, el contenido que los informa y los mantiene interesados será más eficaz, mientras que si han visitado muchas veces y están claramente interesados en el producto, entonces un contenido más profundo sobre los beneficios de un producto tendrá un mejor rendimiento.

11. Chatbots

Los Chatbots imitan la inteligencia humana por ser capaces de interpretar las consultas del consumidor y completar los pedidos para ellos. Puede pensar que los chatbots son extremadamente difíciles de desarrollar y sólo las grandes marcas con presupuestos masivos podrán desarrollarlos. Pero en realidad, utilizando las plataformas abiertas de desarrollo de chatbot, es relativamente fácil crear su propio chatbot sin un gran equipo de desarrolladores.

Facebook está interesado en facilitar el desarrollo de los chatbots para las marcas. Quiere hacer que su aplicación Messenger sea el lugar para que las personas tengan conversaciones con los embajadores virtuales de la marca. La buena noticia para las marcas es que esto significa que pueden utilizar algunas de las poderosas herramientas de desarrollo del bot de Facebook. Usando las lecciones que han aprendido de las pruebas beta de 'M' (Facebook Messenger con su propio chatbot), Facebook ha creado un motor de bot (wit.ai) que le permite entrenar bots con conversaciones de ejemplo y que sus robots continuamente están aprendiendo a interactuar con los clientes. Si está interesado en construir un chatbot para su marca dentro de la plataforma Messenger, Facebook ha creado instrucciones útiles para saber cómo hacerlo, que lo puede encontrar en su sitio de Facebook para desarrolladores.

12. Re-targeting

Al igual que con la orientación de anuncios, el aprendizaje automático puede utilizarse para establecer qué contenido es más probable que traiga clientes de vuelta al sitio basándose en datos históricos. Mi construcción de un modelo de predicción precisa qué contenido funciona mejor para recuperar a los diferentes tipos de clientes, el aprendizaje automático puede utilizarse para optimizar los anuncios de reorientación para que sean lo más efectivos posible.

Atraer - Mantenga a sus clientes de regreso


13. Servicio de atención al cliente predictivo

Es mucho más fácil hacer ventas repetidas a su base de clientes existente que atraer a nuevos clientes. Así que mantener a sus clientes existentes felices es clave para su línea de fondo. Esto es particularmente cierto en el negocio basado en la suscripción, donde una alta tasa de bajas puede ser extremadamente costosa. La analítica predictiva se puede utilizar para determinar qué clientes tienen más probabilidades de cancelar la suscripción de un servicio, evaluando qué características son más comunes en los clientes que se dan de baja. Entonces es posible llegar a estos clientes con ofertas, avisos o asistencia para evitar que se agiten.

14. Automatización del Marketing

Las técnicas de automatización del marketing generalmente implica una serie de reglas, que cuando se desencadenó la interacción de la iniciativa con el cliente. Pero, ¿quién decidió estas reglas? En general, un vendedor que es, básicamente, el que adivina lo que será más eficaz. El aprendizaje de máquina puede funcionar a través de miles de millones de puntos de datos de los clientes y establecer cuándo son los momentos más eficaces para hacer el contacto, qué palabras en las líneas de asunto son más eficaces y mucho más. Estos conocimientos se pueden aplicar para aumentar la eficacia de sus esfuerzos en la automatización de marketing.

15. 1:1 emails dinámicos

De manera similar a la automatización de marketing, la aplicación de conocimientos generados a partir de la máquina de aprendizaje puede crear de forma eficaz 1:1 mensajes de correo electrónico dinámicos. La analítica predictiva que utiliza un modelo de propensión puede establecer una propensión de los suscriptores a comprar ciertas categorías, tamaños y colores a través de su comportamiento anterior y muestra los productos más relevantes en los boletines. El stock del producto, las ofertas, los precios deben ser correctos en el momento de abrir el correo electrónico.

Fuentes:

- Jeffrey Strickland, “Predictive Analytics Using R“
- "Artificial Intelligence Marketing and Predicting Consumer Choice: An Overview of Tools and Techniques" (28 Abril, 2017 por Dr Steven Struh)