Portada
mis comunidades
otras secciones
#1:
Fácil, hay 2:
- La buena, formada por cientos o miles de ifs anidados, en dónde sabemos como llega a la solución, y que va a servir para mejorar nuestra civilización
- La mala, unas cajas negras en las que metes información y sin saber el cómo ni el porqué te devuelven un resultado, este tipo de IA acabará destruyéndo nuestra civilización
Buen vídeo
- La buena, formada por cientos o miles de ifs anidados, en dónde sabemos como llega a la solución, y que va a servir para mejorar nuestra civilización
- La mala, unas cajas negras en las que metes información y sin saber el cómo ni el porqué te devuelven un resultado, este tipo de IA acabará destruyéndo nuestra civilización
Buen vídeo
#10:
#6 Tu analogía con el polinomio me parece bastante mala. A ver si puedo explicar porqué:
1. En tu ejemplo trazas una linea continua. Tendrás por tanto infinitos puntos en esa línea y necesitarías un polinomio de grado infinito para ajustarlo. Los polinomios son de grado finito. Así que de entrada no podrás ajustarlo. Pero intentémoslo en los siguientes puntos.
2. Asumiendo que discretizamos tu línea en un número finito de puntos (muestreamos), hay muchos polinomios que pasarán por esos puntos (a partir del grado igual al número de puntos siempre puedes ajustar). Algunos serán más suaves y otros menos, pero por ahora todos igualmente válidos (habitualmente preferimos los de orden inferior).
3. Asumiendo que cada punto tiene asociada una incertidumbre (un ruido aleatorio añadido), nos encontramos que no queremos ajustar perfectamente un polinomio, sino que preferimos usar un polinomio de grado inferior que no se ajuste tan bien a los datos pero que sea más suave y sencillo. El motivo es que si tomamos una muestra nueva (un punto más) de nuestra línea continua, con un polinomio más simple habrá menos curvas y por tanto se ajustará mejor a nuestro nuevo punto. Queremos un polinomio que se ajuste a la distribución de los datos, no a su ruido, y que pueda predecir el comportamiento de puntos que no estaban cuando buscamos los coeficientes.
4. Si vamos al tema de la detección de rostros, nos damos cuenta de que no tenemos todos los rostros posibles desde todos los ángulos posibles en todas las condiciones de muestreo posible y que las cámaras tienen ruido. Así que los puntos 2 y 3 son puntos válidos. Necesitamos polinomios, o modelos, que generalicen bien y para ello tenemos que entre otras cosas entender cómo es el ruido de nuestros datos.
5. Dices además que "habrá una ecuación que cubra todo el espectro" para el problema de detección de rostros. No la hay. No hay una ecuación que detecte todos los rostros de una foto, porque una foto a oscuras (hecha con un rostro frente a la lente) y una foto a oscuras sin un rostro son idénticas así que la ecuación no podrá acertar siempre. Y podemos hacer ese caso un poco menos absurdo/extremo: si en una foto hay un rostro que se detecta en un solo pixel (porque cambia a un color específico) puedes hacer que tu "polinomio" lo vea, pero igual hay otra foto sin rostros que tiene ese pixel en ese lugar. Tenemos fotos borrosas donde a un humano le cuesta saber si hay rostro o no hay rostro porque hay ambigüedad.
Las redes neuronales se usan en procesado de imagen porque, con suficientes datos, son bastante robustas a limitaciones de muestreo y al ruido y además son relativamente rápidas para predecir (para entrenarse tardan más, pero se puede hacer y se hace).
Así que no estoy de acuerdo en que las redes neuronales sean solo una ecuación. Las redes neuronales son el método (o métodos) que nos permite encontrar una ecuación teniendo en cuenta los problemas que he descrito (¡y otros!).
1. En tu ejemplo trazas una linea continua. Tendrás por tanto infinitos puntos en esa línea y necesitarías un polinomio de grado infinito para ajustarlo. Los polinomios son de grado finito. Así que de entrada no podrás ajustarlo. Pero intentémoslo en los siguientes puntos.
2. Asumiendo que discretizamos tu línea en un número finito de puntos (muestreamos), hay muchos polinomios que pasarán por esos puntos (a partir del grado igual al número de puntos siempre puedes ajustar). Algunos serán más suaves y otros menos, pero por ahora todos igualmente válidos (habitualmente preferimos los de orden inferior).
3. Asumiendo que cada punto tiene asociada una incertidumbre (un ruido aleatorio añadido), nos encontramos que no queremos ajustar perfectamente un polinomio, sino que preferimos usar un polinomio de grado inferior que no se ajuste tan bien a los datos pero que sea más suave y sencillo. El motivo es que si tomamos una muestra nueva (un punto más) de nuestra línea continua, con un polinomio más simple habrá menos curvas y por tanto se ajustará mejor a nuestro nuevo punto. Queremos un polinomio que se ajuste a la distribución de los datos, no a su ruido, y que pueda predecir el comportamiento de puntos que no estaban cuando buscamos los coeficientes.
4. Si vamos al tema de la detección de rostros, nos damos cuenta de que no tenemos todos los rostros posibles desde todos los ángulos posibles en todas las condiciones de muestreo posible y que las cámaras tienen ruido. Así que los puntos 2 y 3 son puntos válidos. Necesitamos polinomios, o modelos, que generalicen bien y para ello tenemos que entre otras cosas entender cómo es el ruido de nuestros datos.
5. Dices además que "habrá una ecuación que cubra todo el espectro" para el problema de detección de rostros. No la hay. No hay una ecuación que detecte todos los rostros de una foto, porque una foto a oscuras (hecha con un rostro frente a la lente) y una foto a oscuras sin un rostro son idénticas así que la ecuación no podrá acertar siempre. Y podemos hacer ese caso un poco menos absurdo/extremo: si en una foto hay un rostro que se detecta en un solo pixel (porque cambia a un color específico) puedes hacer que tu "polinomio" lo vea, pero igual hay otra foto sin rostros que tiene ese pixel en ese lugar. Tenemos fotos borrosas donde a un humano le cuesta saber si hay rostro o no hay rostro porque hay ambigüedad.
Las redes neuronales se usan en procesado de imagen porque, con suficientes datos, son bastante robustas a limitaciones de muestreo y al ruido y además son relativamente rápidas para predecir (para entrenarse tardan más, pero se puede hacer y se hace).
Así que no estoy de acuerdo en que las redes neuronales sean solo una ecuación. Las redes neuronales son el método (o métodos) que nos permite encontrar una ecuación teniendo en cuenta los problemas que he descrito (¡y otros!).
#8:
#3 el perceptrón multicapa (un red neuronal con topología sencilla) se descubrió en el 58. Pero de ahí a decir que no se ha avanzado nada desde entonces es de un cuñadismo gigantesco. El descubrimiento de las redes neuronales recurrentes a finales de los 2000 abrió el campo de aplicación a cosas inimaginables y sin necesidad de una capacidad de cómputo ni de datos tan grande como lo pintas. Desde entonces, no han parado de obtenerse aplicaciones cada vez más sorprendentes con avances más o menos grandes, tanto en imagen, texto, audio como en problemas de clasificación mas convencionales. Pero para algunos parece que si un ordenador no te cuenta el sentido de la vida entonces no es IA
#7:
Este comentario de hace unos días en un meneo similar me pareció muy bueno
Inteligencia artificial: qué es, cómo funciona y para qué se está utilizando/c24#c-24
Inteligencia artificial: qué es, cómo funciona y para qué se está utilizando/c24#c-24
Comentarios
Fácil, hay 2:
- La buena, formada por cientos o miles de ifs anidados, en dónde sabemos como llega a la solución, y que va a servir para mejorar nuestra civilización
- La mala, unas cajas negras en las que metes información y sin saber el cómo ni el porqué te devuelven un resultado, este tipo de IA acabará destruyéndo nuestra civilización
Buen vídeo
#1 - La buena, formada por cientos o miles de ifs anidados,
Eso no es lo que entendemos por inteligencia. Es sólo lógica. Su problema es que no puede ir más allá de su lógica básica.
Una verdadera inteligencia puede responder a problemas nuevos. Por ejemplo: pon una araña en el espacio, sin gravedad. Es una situación para la que no ha sido "programada" y sin embargo igual sabe cómo reaccionar porque aunque pequeño, tiene un cerebro con inteligencia.
#14 #17 #18 #27 #28 Si lo llego a saber le pongo una etiqueta "humor", por vuestra respuestas parece que no quedó claro
#30 ironia? Se os va de las manos, no paro de ver mensajes que no hay por fonde coger q sea la ironia y luego: noooooo q era ironia!
#31 Míos no desde luego, con la broma del fin de la civilización (modo Elon Musk On) pensé que quedaba claro, pero se ve que no
#32, pues yo creo que algunos de los que te han votado positivo (por no decir la mayoría) tampoco lo han pillado.
#30 ¿Era un experimento social?
#33 Inintencionado
#34 Shhhh. Calla. Esa parte no se dice.
(por si no lo sabías, la costumbre es que cada vez que un "influencer" mete la pata y dice alguna barbaridad, lo justifica diciendo que era un experimento social)
#30 hmmm
#14 No realmente. El robot más simple hecho con secuencias lógicas un seguidor de línea puede realizar cosas complejas.
Un sistema lógico con pocos ifs puede crear una complejidad enorme y emergencias, como el juego de la vida de conway.
Otra cosa es que lo entendamos (emergencia débil) y otra que no lo entendamos y veamos un modelo de caja negra (emergencia fuerte)
#1 está muy repetido lo del ni como ni porqué pero no se ajusta a la realidad. Puedes examinar el modelo, el juego de entrenamiento, el motor de inferencia...
Con suficiente tiempo podrías hacer lo mismo a mano.
#2 Recuerdo una especie de carrito autonomono que reconocia objetos y los esquivaba. No recuerdo si era 80 o 70 y cuando encotraba un obstaculo creo que tarda horas en generar la estrategia para esquivarlo.
#15 El boom de inteligencia actual se debe a la cantidad masiva de datos que proporciona internet, la potencia de calculo actual y la utilizacion la redes neuronales profundas. Los resultados han sorprendido a todos.
A finales del siglo pasado el Backpropation fue vital para poder entrenar las redes en un tiempo razonable. Dot_csv tiene un video de eso.
Su canal es todo bueno, y tienen un nivel de edicion de los videos tremendo.
#17 Muchos modelos son suficientemente grandes para que sea casi imposible hacer ingeneria inversa de como funciona. Se estudia como poder analizar esas cajas negras y poder descifrarlas.
#8 En este video cuentan el invierno de la inteligencia artificial y como se rompio. Y pudo hacer viable entrenar las redes profundas .
#20 La IA no paran de sorprenderno. Cosas que justo antes parecian imposibles son resueltas por IA. Recuerdo la TED de Fei Fei que explicaba el reconocimiento de imagenes que antes era casi imposible.
https://www.ted.com/talks/fei_fei_li_how_we_re_teaching_computers_to_understand_pictures/transcript?referrer=playlist-talks_on_artificial_intelligen
Tambien el GPT-· nos permite texto que parecen humanos y 2 años antes se diria que pasarian muchos años antes que fuese posible.
No entiendo el empeño en minusvalorar los avances en IAs.
#24 El boom de inteligencia actual se debe a la cantidad masiva de datos que proporciona internet
No necesariamente. Alpha Zero aprendió a jugar ajedrez como un maestro conociendo únicamente las reglas del juego y jugando contra sí misma.
Más bien digamos que el boom ha venido gracias a la gran potencia de los ordenadores actuales.
#24, creo que hay bastante cuñadismo en todo este asunto. El mantra que más he visto repetir es que "esto no es inteligencia, simplemente se limitan a encontrar patrones estadísticos a partir de conjuntos de datos". Tócate los cojones, como si el cerebro humano no hiciera algo parecido.
#17 ¿Podrías elaborar sobre a qué modelo que puedo examinar te refieres?
Claro que se puede hacer a mano, pero eso no implica entender algo: https://es.wikipedia.org/wiki/Habitaci%C3%B3n_china
#1, claro que sí, lo bueno es seguir con el paradigma de algoritmos hechos a mano que estancó el desarrollo de la inteligéncia artificial durante 50 años. Ya me dirás tú como con una secuencia ifs anidados puedes reconocer una cara o predecir la estructura tridimensional de una proteina a partir de su secuencia de aminoácidos.
#1 Una secuencia de ifs no puede hacer lo que hace un sistema de inferencia basado en reglas, por porner un ejemplo. Y ya me dirás como analizas una imagen con ifs.
La inteligencia artifical es un conjunto de técnicas que permite aproximar una función f, esa función está normalmente asociada a una capacidad cerebral, aunque no tiene que ser así.
¿Por qué necesitamos una función f' que sea una aproximación a f? Se pueden dar varios casos:
1. - f nos es desconocida, ejemplo: ¿cómo vemos los animales? ¿qué ocurre en el cerebro que nos permite identificar una cara? No lo sabemos, y por lo tanto no podemos escribir una función que vea igual que lo hace el cerebro, así que necesitamos una aproximación.
2. - siendo f conocida e implementable es impracticable. ejemplo: una función que dado un tablero de ajedrez en un estado válido nos proporcione un movimiento que nos conduzca a la victoria. Es algo sumamente fácil de implementar, calculas todas las posible jugadas de ajedrez las almacenas y después consultas esa estructura quedándote en cada momento con el movimiento (representado por un arco de un nodo a otro de la estructura) que te ofrezca más probabilidades de ganar. Problema: hacer esto lleva más tiempo que el tiempo que lleva el universo existiendo y suponiendo que podemos guardar cada uno de los posibles estados en un átomo no haría falta más átomos que hay en el planeta tierra.
3. - no podemos "escribir" f, como decía los sistemas basados en reglas no se pueden escribir con programación clásica, lo que puedes escribir es el motor de inferencia.
Algún caso más creo que hay por ahí, pero no lo recuerdo.
#27 estrictamente hablando el punto tres es falso
es que f es lo que se conoce con el nombre de emergencia. Esta compuesta de ifs, pero su función es más que un conjunto de ifs. Y si se puede escribir como ifs... pero, a pesar de ser un conjunto de ifs, es más que un conjunto de ifs.
Yo puedo decir que un pájaro es solo un conjunto de átomos agregados. Y no miento. El concepto de ser vivo, de vertebrado... son emergencias.
El todo es la suma de las partes y a su vez es más que la suma de sus partes. Parece una contradiccion pero es lo que tenemos.
El pájaro es solo átomos unidos. Y en otro nivel de análisis es un ser vivo. Un software es solo ifs pero a su vez es más que ifs.
#1 Hombre lo de que no sabemos lo que hace... sabemos perfectamente los cálculos que hace, lo cuentas como si fuese magia. De hecho la forma de construir una red neuronal artificial se asemeja bastante al proceso que ha seguido nuesto ADN en su evolución.
Prefiero verlo como una función que comienza arbitraria (en los métodos más potentes no es tan así), con miles de variables y se va ajustando al output de otra función que desconocemos. De forma teórica no deja de ser un problema de optimización, una derivada del copón. Para que pueda computarse es dónde aparece el intelecto humano y las heurísticas que metemos para que eso sea factible.
Con una potencia de computación infinita las redes neuronales artificiales se podrían resumir 'una derivada mu tocha viejo'. Como no la tenemos, es ahí dónde entra nuestra inteligencia, y dónde 'que si activo unas neuronas y otras no, y todas solo para los ejemplos más dificiles de clasificar' y to esas mierdas
#6 Tu analogía con el polinomio me parece bastante mala. A ver si puedo explicar porqué:
1. En tu ejemplo trazas una linea continua. Tendrás por tanto infinitos puntos en esa línea y necesitarías un polinomio de grado infinito para ajustarlo. Los polinomios son de grado finito. Así que de entrada no podrás ajustarlo. Pero intentémoslo en los siguientes puntos.
2. Asumiendo que discretizamos tu línea en un número finito de puntos (muestreamos), hay muchos polinomios que pasarán por esos puntos (a partir del grado igual al número de puntos siempre puedes ajustar). Algunos serán más suaves y otros menos, pero por ahora todos igualmente válidos (habitualmente preferimos los de orden inferior).
3. Asumiendo que cada punto tiene asociada una incertidumbre (un ruido aleatorio añadido), nos encontramos que no queremos ajustar perfectamente un polinomio, sino que preferimos usar un polinomio de grado inferior que no se ajuste tan bien a los datos pero que sea más suave y sencillo. El motivo es que si tomamos una muestra nueva (un punto más) de nuestra línea continua, con un polinomio más simple habrá menos curvas y por tanto se ajustará mejor a nuestro nuevo punto. Queremos un polinomio que se ajuste a la distribución de los datos, no a su ruido, y que pueda predecir el comportamiento de puntos que no estaban cuando buscamos los coeficientes.
4. Si vamos al tema de la detección de rostros, nos damos cuenta de que no tenemos todos los rostros posibles desde todos los ángulos posibles en todas las condiciones de muestreo posible y que las cámaras tienen ruido. Así que los puntos 2 y 3 son puntos válidos. Necesitamos polinomios, o modelos, que generalicen bien y para ello tenemos que entre otras cosas entender cómo es el ruido de nuestros datos.
5. Dices además que "habrá una ecuación que cubra todo el espectro" para el problema de detección de rostros. No la hay. No hay una ecuación que detecte todos los rostros de una foto, porque una foto a oscuras (hecha con un rostro frente a la lente) y una foto a oscuras sin un rostro son idénticas así que la ecuación no podrá acertar siempre. Y podemos hacer ese caso un poco menos absurdo/extremo: si en una foto hay un rostro que se detecta en un solo pixel (porque cambia a un color específico) puedes hacer que tu "polinomio" lo vea, pero igual hay otra foto sin rostros que tiene ese pixel en ese lugar. Tenemos fotos borrosas donde a un humano le cuesta saber si hay rostro o no hay rostro porque hay ambigüedad.
Las redes neuronales se usan en procesado de imagen porque, con suficientes datos, son bastante robustas a limitaciones de muestreo y al ruido y además son relativamente rápidas para predecir (para entrenarse tardan más, pero se puede hacer y se hace).
Así que no estoy de acuerdo en que las redes neuronales sean solo una ecuación. Las redes neuronales son el método (o métodos) que nos permite encontrar una ecuación teniendo en cuenta los problemas que he descrito (¡y otros!).
Este comentario de hace unos días en un meneo similar me pareció muy bueno
Inteligencia artificial: qué es, cómo funciona y para qué se está utilizando/c24#c-24
De las mejores explicaciones que he visto sobre el machine learning que han pasado por aquí. Sólo puntualizar dos detalles pequeños:
- Menciona que el aprendizaje automático se usa mucho para conducción autónoma, y es cierto. Se usa para detectar señales, carretera, etc. Pero si hablamos de conducir el coche, el aprendizaje por refuerzo es el que guía el cotarro.
- También menciona que el deep learning es mayoritariamente supervisado, y eso ahora mismo ya no está tan claro, hay de todo ya. Y tenemos cosas como las redes generativas (GANs y VAEs), redes auto-supervisadas (self-learning), autoencoders...que no encuadran mucho dentro de la definición clásica de aprendizaje supervisado. Es muy difuso ya etiquetar estas cosas.
Por lo demás, sorprendente que ha entrado de lleno en la historia del machine learning, mencionando técnicas clásicas que actualmente se pasan un poco por alto hasta en las asignaturas de la carrera (no se debería, pero no hay tiempo para todo).
Apunta Eduardo a qué las redes neuronales son muy potentes. Cierto, pueden llegar a serlo pero debería apuntar (ya que ha mencionado algoritmos de aplicación en IA) que las redes neuronales son el método menos eficiente, en comparación a un algoritmo.
El tema es que ahora todo esto está en auge porque hoy existe potencia de cálculo suficiente y formas de obtener y almacenar ingentes cantidades de datos que antes era imposible. Pero esos algoritmos y redes neuronales ya estaban. Y de momento, no hay ningún avance en IA, salvo que ya se puede computar lo que antes no
#3 depende del cálculo a realizar no es menos eficiente que un algoritmo. Por ejemplo en renderizado de imagen te ahorra hasta millones de ciclos e incluso te puede dar mejores resultados que los algoritmos que sustituye. Y eso cuando el algoritmo existe. Suerte buscando un algoritmo que te catalogue imágenes sin intervención humanahumana, o con la generación de textos.
Otro ejemplo donde se usa mucho es para el análisis de grandes volúmenes de datos. Un algoritmo sólo te dará lo que el algoritmo busque, pero una IA puede enseñarte cosas que a nadie sele ocurriría. Por ejemplo, en astrofísica se usa para encontrar objetos entre la inmensa cantidad de datos recibida.
#5 toma un plano XY y dibuja cualquier línea continua con la condición de que cada valor X tenga uno y solo un valor Y. No importa que tan rara hagas la línea, con picos, valles, mesetas, siempre va a haber un polinomio de grado N que tendrá la misma forma. El reto es hallar los coeficientes de ese polinomio, requiere potencia de cálculo.
Igual sucede con los rostros, habrá una ecuación que finalmente cubra todo el espectro, hay que hallar los coeficientes. Y para eso se requiere mucha potencia de cálculo.
Eso son las redes neuronales.
#6 No es un buen ejemplo. Para empezar, lo que afirmas sobre la existencia del polinomio es falso. Por poner un ejemplo, si la linea que dibujas tiene un intervalo con un valor Y constante (supongo que es lo que llamas meseta) entonces no hay ningún polinomio con esa forma, salvo que la linea que hayas dibujado sea completamente plana.
Pero bueno, supongamos que fuera verdad. En ese caso para el polinomio partes del conocimiento de que habrá una solución única y determinada, y se trata de encontrarla. Una vez que la encuentres, la solución "acertará" todos los puntos que le pases, con total seguridad.
En el caso de los rostros ni siquiera sabes si hay alguna solución, de hecho casi con total probabilidad no la habrá. A lo máximo que puedes aspirar es a obtener un algoritmo que acierte la mayor parte de las veces pero que falle en otras. Y de hecho al modelo le podrás pasar datos (rostros) para los que tú mismo desconozcas la solución, por lo que la respuesta ni siquiera sabrás si es cierta o falsa.
#3 el perceptrón multicapa (un red neuronal con topología sencilla) se descubrió en el 58. Pero de ahí a decir que no se ha avanzado nada desde entonces es de un cuñadismo gigantesco. El descubrimiento de las redes neuronales recurrentes a finales de los 2000 abrió el campo de aplicación a cosas inimaginables y sin necesidad de una capacidad de cómputo ni de datos tan grande como lo pintas. Desde entonces, no han parado de obtenerse aplicaciones cada vez más sorprendentes con avances más o menos grandes, tanto en imagen, texto, audio como en problemas de clasificación mas convencionales. Pero para algunos parece que si un ordenador no te cuenta el sentido de la vida entonces no es IA
#3, cómo que no hay ningún avance? ¿Qué son las GAN's, los mecanismos de atención, las LSTM que han aparecido la última década y están revolucionando el campo del machine learning?
De hecho, sobre el machine learning yo cursé un bootcamp en data science por el ID Digital School... ¡Ahí también aprendí un montón!
Aprendí sobre el data science o ciencia de datos y en mi empresa ahora estoy tomando distintas decisiones o doy consejos para que alguien las tome gracias a esa transformación de datos en información de valor. En la actualidad tenemos una oportunidad impresionante con tanta cantidad de datos. Yo trabajo en una empresa de marketing y han aumentado mucho las ventas al adaptar estas estrategias. Al final es conocer mucho más a nuestros clientes y adaptar nuestro servicio a ellos.
https://iddigitalschool.com/bootcamps/madrid/bootcamp-en-data-science-y-machine-learning/
#46 Cachis colaborando para vendernos cosas que no necesitamos
Yo creo que en marketin debe ser donde se consiguen resultados mas inmediatos.
básicamente, son algoritmos con una entrada masiva de datos.
por cierto el termino es de 1956 y son un invento de los 70 pero en ese momento no había ni big data ni potencia suficiente.
#2 Eso es como decir que un ser humano es un montón de células. Pues sí, pero no estás diciendo casi nada.
#4 Lee a #15
Ahora a ver si desarrollan la inteligencia natural que visto cómo está el mundo parece que estuviera decreciendo.
Que se lo pregunten a una inteligencia artificial, a ver si es tan lista
#50, el problema de los sistemas expertos es que al necesitar de una representación simbólica del problema que tratan de solucionar, son incapaces de hacerlo sin perder mucha información por el camino, y las reglas en que se basan, al estar modeladas a partir del conocimiento de expertos considerando un número arbitrario de axiomas, tienen limitaciones en cuanto a complejidad, además, apenas han evolucionado desde que fueron desarrollados los primeros modelos en los años 60 o 70, y las pocas evoluciones que han tenido los últimos años precisamente vienen ligadas a la utilización de algoritmos de machine learning. Sinceramente, dudo que se utilicen de forma masiva y tengan el impacto que tienen los modelos de machine learning, que sí se aplican en muchos campos a pesar de ser mucho más recientes.
Los problemas que señalas respecto al machine learning están siendo abordados por la comunidad científica que precisamente a prácticamente abandonado el desarrollo de sistemas expertos para centrarse en el desarrollo de modelos de machine learning. Por eso pienso que no hay nada que pueda hacer un sistema experto, que no pueda hacer un modelo de machine learning bien entrenado.
La I.A. es una herramienta creada por el ser humano que, con mal uso, puede tener consecuencias nefastas. Y me temo que sí se le da mal uso, como por ejemplo sucede en los algoritmos de las redes (a)sociales.
https://www.lmdiaz.com/algoritmos-buscadores-redes-sociales-inteligencia-artificial/
#11 Una cuchara con un mal uso también puede tener consecuencias nefastas. De hecho esto se puede aplicar a prácticamente cualquier cosa.
#19 Pero la misma cuchara que uno controle por el mango no emite mensajes ni propina golpes a toda la población a quien alcance su reflejo.
Siempre lo he dicho: cuidado con las tecnologías. Mantenedlas siempre bien controladas.
#21 Ya bueno, pero te puedo sacar un ojo con ella.
Si te doy la razón en lo de las redes sociales, la gente no es consciente de lo que se puede llegar a hacer para manipular con estas herramientas. Pero por cada mal uso, hay también usos decentes. El problema es más a nivel de sociedad, ¿qué es lo que da pasta? Pues por ejemplo usar estos algoritmos para tener enganchados al personal al móvil mientras le metes tu propaganda por redes sociales.
#11 #22 El problema es en manos de quien esta. Si es de empresas, beneficiara a su amo y otros organismos podria beneficiarse desde ONG a los propios ciudadanos, pero han de organizarse.
Las IA son mas asequibles a los ciudadanos que otras tecnologias, como las industrias, pero las multis tambien estan mejor orgnaizadas.
#11 La I.A. es una herramienta creada por el ser humano que, con mal uso, puede tener consecuencias nefastas
Pues como TODAS. Por ejemplo, la energía nuclear puede ser maravillosa para el diagnóstico por la imagen y el tratamiento del cáncer, o un desastre para fabricar una bomba atómica.
Entonces, ¿qué es un sistema experto?
#23 conjunto de reglas tanto para toma de decisiones como para clasificar algo, sólo que en vez de inferirse de forma automática se crean a mano o se apoyan en alguna red bayesiana (que normalmente también se crea a mano).
#23 Por dejar una definición alternativa a #29: un sistema experto aspira a replicar el comportamiento de un (o varios) experto humano. Hace uso de su lógica para la toma de decisiones. Por tanto, están limitadas al conocimiento que tenga el experto sobre el dominio (no es algo inherentemente malo).
#23, #41, #29, el problema de los sistemas expertos y el motivo por el que están desfasados no, sino que desfasadísimos es que modelar el conocimiento de un experto humano a mano es muy difícil y en el proceso se termina perdiendo mucha información ya que los datos del mundo real tienen la mala costumbre de estar desestructurados. Además son incapaces de crear nuevo conocimiento, a diferencia de los modelos de machine learning que pueden encontrar correlaciones que nos eran desconocidas.
#49 No es del todo cierto. Cada sistema tiene su nicho. Los sistemas expertos se usan mucho en el entorno médico, en UCIs por ejemplo. También se utilizan en tareas de optimización, como la búsqueda de rutas. No siempre es necesario crear nuevo conocimiento. A veces simplemente son modelos que tratan de estandarizar un procedimiento, con la idea de que el sistema se comporte como una congregación de expertos, ya que por separado tienden a aplicar medidas distintas ante el mismo problema.
Te estás centrando mucho en las ventajas del machine learning, y no en sus problemas, que también tiene: propenso a ataques, necesidad de muchos datos para funcionar correctamente, detección de correlaciones en atributos totalmente irrelevantes... Cada uno tiene su nicho. Yo trabajo en machine learning y reniego bastante de los sistemas expertos, pero tienen su uso en muchos casos.
Quizás habría que empezar por definir 'Inteligencia' y luego ya si eso vemos cuál es la 'Artificial' y cuál es la 'Natural'...
Un conjunto de técnicas de programación. Y no lo digo yo, es lo que me dijeron en mis tiempos de facultad.
Aja, ahora dime si windows cumple con la definición de hace 40 años de lo que es un sistema operativo.
Esto es muy sencillo. Un ordenador procesa los datos de forma binaria, utilizando para ello el algebra más básica que existe, el algebra de boole. Cualquier algoritmo o función matemática que introducimos en un ordenador si o si ha de poder ser descompuesta a este básico formato binario, para poder ser procesada. Por lo tanto no hay ni puede haber ningún tipo de inteligencia en esto. Lo que de forma snob se denomina inteligencia artificial no es más que un incremento en la velocidad de procesamiento. Para que suene molón el cambio al capitalismo digital.
De hecho, sobre el machine learning yo cursé un bootcamp en data science por el ID Digital School... ¡Ahí también aprendí un montón!
Aprendí sobre el data science o ciencia de datos y en mi empresa ahora estoy tomando distintas decisiones o doy consejos para que alguien las tome gracias a esa transformación de datos en información de valor. En la actualidad tenemos una oportunidad impresionante con tanta cantidad de datos. Yo trabajo en una empresa de marketing y han aumentado mucho las ventas al adaptar estas estrategias. Al final es conocer mucho más a nuestros clientes y adaptar nuestro servicio a ellos.
La pregunta clave: ¿qué es la inteligencia "natural"?
De ahí, lo demás cae por su propio peso.
Energía barata + Inteligencia Social + Máquinas Autónomas = Lo inimaginable