Glosario básico de términos utilizados en IA

Algoritmo:

Conjunto ordenado de operaciones sistemáticas que permite hacer un cálculo y hallar la solución de un tipo de problemas.

En un contexto informático, se  puede  definir  como  una  secuencia  de  instrucciones  que  representan  un  modelo  de  solución  para  determinado  tipo  de  problemas; o   como  un  conjunto  de  instrucciones  que,  realizadas  en  orden,  conducen  a
obtener la solución de un problema.

Algoritmo genético:

Los Algoritmos Genéticos (AG) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización.

Como métodos de búsqueda, imitan la teoría de la evolución biológica de Darwin para la resolución de problemas. Así, partiendo de una población inicial, se seleccionan los individuos más capacitados, para luego reproducirlos y mutarlos, con el fin de obtener la siguiente generación de individuos, que estarán más adaptados que la anterior.

La evolución de las soluciones hacia valores óptimos del problema dependerá en buena medida de una adecuada codificación de las mismas.

Aprendizaje automático:

El aprendizaje automático es una rama dentro de la inteligencia artificial, concretamente: “el campo de estudio que proporciona a las computadoras la capacidad de aprender sin haber sido explícitamente programadas para ello” (Arthur Samuel).

Una definición más actual y precisa podría ser la de Tom Mitchell, según la cual:

“Se dice que un programa informático aprende de una experiencia E con respecto a alguna clase de tarea T y una medición del rendimiento P, si su rendimiento en las tareas T, medido como P, mejora con la experiencia E”.

Hay dos tipos de aprendizaje automático: supervisado y no supervisado (ver definiciones).

Aprendizaje no supervisado:

Es un tipo de aprendizaje automático en el que el algoritmo no recibe información sobre cómo deben ser los datos de salida. Simplemente se le proporciona como entrada un conjunto de datos no estructurados, en el que él deberá identificar los posibles patrones y relaciones existentes entre ellos, para descubrir, por sí solo, una estructura.

En cierto modo, es similar a la forma en la que los seres humanos aprenden de forma natural.

Es ideal para resolver problemas en los que desconocemos total o parcialmente cómo debería ser el resultado.

Los algoritmos de agrupación (clustering) se encuadran dentro del aprendizaje no supervisado.

Aprendizaje por refuerzo (reinforcement learning o RL):

Área del aprendizaje automático inspirada en la psicología conductista, en la que un agente aprende de sus errores y aciertos en la interacción con un entorno, por medio de un sistema de recompensas y castigos.

El sistema es similar al del entrenamiento de las mascotas en el mundo real, en el que si el animal hace algo bien se le recompensa de algún modo y si hace algo mal se le castiga.

En el caso de la inteligencia artificial, se puede premiar al agente con un valor acumulativo positivo en caso de acierto y se le castiga con un valor negativo que le resta puntuación en caso de error, de manera que el agente tratará de desarrollar las estrategias más adecuadas para obtener la mayor recompensa a largo plazo.

Se encuadra dentro del aprendizaje supervisado, dado que el proceso de aprendizaje requiere de intevención externa, pero con la diferencia de que no se proporciona al agente la solución o respuesta acertada, sino simplemente se le indica si ha acertado o no, por medio del sistema de recompensa / castigo.

El RL fue uno de los principales tipos de aprendizaje automático utilizados en AlphaGo, de DeepMind, el sistema de IA de Google que venció al campeón del mundo de Go, Lee Sedol, en su disciplina.

Aprendizaje profundo (deep learning):

Se incluye también dentro del aprendizaje automático, pero en este caso se trataría de un tipo de aprendizaje no supervisado (sin intervención humana).

El aprendizaje profundo trata, en cierto modo, de imitar el funcionamiento del sistema nervioso humano.

Para ello, utiliza lo que se conoce como redes neuronales o capas de unidades de procesamiento (neuronas artificiales) que se especializan en identificar características o patrones determinados en objetos o conjuntos de datos no estructurados, sin necesidad de un entrenamiento previo con un conjunto de datos estructurados o etiquetados.

Cuando se superponen varias redes neuronales, de manera que la salida de una alimenta la entrada de otra, se denominan redes neuronales profundas.

Aprendizaje supervisado:

En este tipo de aprendizaje automático el algoritmo sí recibe previamente información sobre la relaciones existentes entre los datos de entrada y salida y sobre cómo deben ser estos últimos.

Para ello, se le proporciona como entrada un conjunto de datos estructurado, en el que la información ha sido organizada y etiquetada.

Por ejemplo, si el objetivo es crear un algoritmo para identificar gatos en imágenes, se entrenaría previamente al algoritmo con miles de imágenes de gatos etiquetados como “gato”.

Se encuadran dentro del aprendizaje supervisado los algoritmos de clasificación y regresión, los árboles de decisión o los bosques aleatorios.

El principal problema de este tipo de aprendizaje automático es la gran cantidad de tiempo y trabajo previo que requiere a menudo la preparación de esos datos estructurados.

Autonomía computacional:

Capacidad de un sistema para la autogestión adaptativa de sus propios recursos para funciones informáticas de alto nivel sin la intervención del usuario.

Ciencia de datos:

Campo interdisciplinario que combina sistemas, procesos y métodos científicos para extraer conocimiento o un mejor entendimiento de los datos en sus diferentes formas, ya sea estructurados o no estructurados.

Utiliza técnicas de disciplinas muy diversas, como las matemáticas, la estadística y el análisis de datos, las ciencias de la información y de la computación, etc.; para analizar y entender fenómenos reales a partir de los datos disponibles sobre ellos.

Entrenamiento:

Proceso mediante el cual se forma a un algoritmo con un conjunto de datos.

Ingeniería del conocimiento:

Se centra en la construcción de sistemas basados ​​en el conocimiento, incluyendo todos los aspectos científicos, técnicos y sociales de los mismos.

Inteligencia Artificial (IA):

Campo de las Ciencias de la Computación que estudia el desarrollo de un comportamiento aparentemente inteligente en agentes o dispositivos que perciben su entorno y llevan a cabo acciones que maximizan sus oportunidades de éxito en la consecución de algún objetivo.

Inteligencia General Artificial (AGI)

También denominada “Inteligencia artificial fuerte”, es aquella que iguala o excede la inteligencia humana promedio. Por el momento es más un objetivo o aspiración que una realidad.

Modelo:

Un modelo es un algoritmo de aprendizaje automático que construye su propia comprensión de un tema, o su propio “modelo” del mundo.

Procesamiento del lenguaje natural:

Software para entender la intención y las relaciones de las ideas dentro del lenguaje.

Redes neuronales artificiales:

Algoritmos construidos para modelar la forma en que el cerebro procesa la información a través de redes de ecuaciones matemáticas conectadas. Los datos dados a una red neuronal se dividen en partes más pequeñas y se analizan por patrones subyacentes miles o millones de veces dependiendo de la complejidad de la red.

Una red neuronal profunda está formada por redes neuronales superpuestas, de manera que la salida de una red alimenta la entrada de otra. Normalmente, las capas de una red neuronal profunda analizan los datos en niveles de abstracción cada vez más altos, lo que significa que cada una arrojaría datos innecesarios hasta que quedara la representación más simple y precisa de los datos.

  • Red neuronal convolucional (CNN) red neuronal utilizada principalmente para reconocer y comprender imágenes, vídeo y datos de audio, gracias a su capacidad para trabajar con datos densos como millones de píxeles de una imagen o miles de muestras de un archivo de audio.
  • Red neuronal recurrente (RNN) una red neuronal popular para el procesamiento del lenguaje natural que analiza los datos de forma cíclica y secuencial, lo que significa que puede procesar datos como palabras u oraciones, manteniendo su orden y contexto en una oración.
  • Red de memoria de largo plazo (LSTM) una variación de la red neuronal recurrente que pretende retener información estructurada basada en datos. Por ejemplo, una RNN podría reconocer todos los sustantivos y adjetivos en una oración y si se usan correctamente, pero un LSTM podría recordar la trama de un libro.

Red generativa antagónica:

Sistema de dos redes neuronales: una que genera una salida y otra que comprueba la calidad de esa salida con respecto a lo que debería ser. Por ejemplo, al tratar de generar una imagen de una manzana, el generador hará una imagen, y el otro (llamado discriminador) hará que el generador vuelva a intentarlo si no puede reconocer una manzana en la imagen.

Superinteligencia:

Inteligencia artificial más potente que el cerebro humano. Difícil de definir porque todavía no podemos medir objetivamente gran parte de lo que nuestros cerebros humanos pueden hacer.

Técnicas de búsqueda heurística:

Técnicas de búsqueda informada que aprovechan el conocimiento del dominio para encontrar resultados. Deben disponer de alguna información sobre la proximidad de
cada estado a un estado objetivo, lo que les permite explorar en primer lugar los caminos más prometedores.

Su uso es ideal en la solución de problemas difíciles para los que una búsqueda exhaustiva necesitaría demasiado tiempo.

Visión por computadora:

También conocida como visión computerizada o visión artificial.

Área de investigación dentro de la IA que explora el reconocimiento y comprensión de imágenes y vídeo. Se utiliza, por ejemplo, en los vehículos autónomos, la búsqueda de imágenes de Google, el etiquetado automático en Facebook, etc.

Seguir leyendo:

Guardar

Guardar

Guardar

Guardar

Guardar

Guardar

Guardar

X

Deja un comentario