Recientemente hemos visto crecer el gran potencial industrial y académico que nos brinda la Inteligencia Artificial. Pero este tema sigue siendo un poco confuso para muchas personas. Por eso, en nuestro blog de hoy, nuestro (cargo y nombre) se puso en la tarea de hacernos una introducción breve al IA y sus “tipos” de modelos más comunes.
Lee el artículo completo aquí:
En los últimos tiempos se ha evidenciado la gran influencia y el potencial que se presenta a nivel industrial y académico, gracias al nacimiento de la inteligencia artificial, sin embargo, debido a que para muchas personas aún se trata de asuntos un tanto difusos, en los siguientes apartados se dará una breve introducción a las temáticas principalmente relacionadas con los “tipos” de modelos mas comunes.
Para comenzar, es conveniente aclarar que la inteligencia artificial es una bolsa de distintas técnicas y algoritmos que se agrupan según, por ejemplo, su utilidad, sus resultados, el tipo de datos a analizar, etc. Dentro del mundo de la IA, hallamos el aprendizaje de máquinas (Machine Learning) y dentro de este, el aprendizaje profundo (Deep learning). Estas categorías guardan íntima relación con lo que se conoce como ciencia de datos y Big Data, debido a lo cual, se suelen asociar y en ocasiones hasta llegan a causar confusión, sin embargo, esas últimas corresponden en términos muy superfluos, a la aplicación de los modelos que describiremos.
Ya hablando del tema que nos atañe, escudriñaremos un poco respecto al Machine learning pues en él, es donde se encuentran los modelos de mayor popularidad. En esta subárea de la inteligencia artificial se tiene:
1) El aprendizaje Supervisado: emplea una “referencia” o variable “y” para entrenar los modelos, ya sea un número o una clase (color, forma, categorías, etc.), entonces, el uso de estos modelos implica que los algoritmos intentaran replicar con sus resultados, la referencia que se introdujo. Dentro de dichos modelos encontraremos los de regresión (que usan números como variable de referencia) y los clasificadores (usan categorías como variable “y”). Los primeros se suelen emplear para predecir variables como el valor de una acción, los niveles de contaminación, los ingresos económicos, etc. y los modelos de clasificación, para predecir etiquetas o categorías (riesgo o no riesgo, enfermo o sano, etc.).
2) El aprendizaje No supervisado: estos modelos no usan referencias para obtener resultados, razón por la cual no tienen un punto de comparación inmediato con el cual determinar si los resultados son o no adecuados. Se suelen emplear para encontrar patrones entre los datos de entrada, y con ello, lograr agruparlos en lo que conoceremos como “segmentos” o “clusters”. Dentro de las aplicaciones de estos modelos podemos tener la segmentación de clientes para determinar a quienes venderles un producto en particular, los sistemas de recomendación estilo plataformas de streaming, etc.
3) aprendizaje reforzado: Este no tiene gran popularidad por ahora, sin embargo, tiene una relevancia muy marcada en aquellas aplicaciones que impliquen la toma de decisiones. La naturaleza de estos modelos se basa en el otorgamiento de recompensas y/o presencia de estímulos para poder llegar al mejor resultado (de manera similar y guardando las debidas proporciones, al condicionamiento clásico y operante presente en la psicología – Ivan Pavlov y sus perros tendrían muchas cosas qué decir al respecto). Hoy en día, las aplicaciones de este tipo de modelos tiene su nicho en los videojuegos, la robótica, etc.
Si bien las aplicaciones de los modelos y ejemplos mencionados, son bastas y cuentan con campos de acción muy diversos, también existen temáticas diferentes que están relacionadas pero que debido a su naturaleza y complejidad, requerirán un espacio independiente, como por ejemplo las series de tiempo y el previamente mencionado Deep Learnign (redes neuronales).
