Glosario y definiciones de AI
1. 1. Inteligencia Artificial
Inteligencia Artificial es uno de esos términos generales que se utilizan para describir la tecnología. Muchas organizaciones buscan formas de adoptar la IA de alguna manera, con la promesa de reducir los costes operativos y aumentar los ingresos. A menudo es un cajón de sastre para nuevos enfoques que vienen acompañados de grandes promesas.
La Inteligencia Artificial puede describirse sucintamente como un término general para cualquier sistema que parezca inteligente. Es difícil de describir, pero intuitiva de identificar para los humanos. La Inteligencia Artificial no es una implementación o técnica específica, ya que puede incluir elementos de programación, análisis estadístico y aprendizaje automático.
2. Ciencia de datos
La Ciencia de Datos es una disciplina que, como su nombre indica, adopta un enfoque empírico para el análisis y la interpretación de los datos. Al igual que en cualquier actividad científica, es imperativo formular una hipótesis, inspeccionar los datos, confirmar o refutar la hipótesis e iterar. La Ciencia de Datos comprende una amplia gama de técnicas como el análisis estadístico y el aprendizaje automático.
La Ciencia de Datos se solapa parcialmente con la Inteligencia Artificial en el sentido de que los artefactos producidos pueden permitir un sistema de inteligencia artificial. Sin embargo, cabe señalar que muchos resultados de un proyecto de ciencia de datos pueden ser interpretaciones de datos que normalmente no se calificarían de inteligencia artificial.
3. Big Data
Big Data se equipara a menudo con la cantidad de datos, medida en filas de una base de datos o el número total de bytes. Sin embargo, el volumen de datos no es la única medida. Big Data también se refiere a los datos procedentes de fuentes dispares en diversos formatos que se interpretan mínimamente y a menudo no son inmediatamente susceptibles de almacenamiento en una base de datos relacional. La combinación de estos factores impulsa la adopción de nuevos enfoques para ingerir, almacenar y procesar datos. La complejidad de los nuevos enfoques sobre los datos constituye la base de los conceptos de Big Data.
4. Analítica avanzada
La analítica avanzada es un conjunto de métodos de análisis y predicción de datos que van más allá de la inteligencia empresarial tradicional. Los datos históricos constituyen el núcleo de cualquier práctica de analítica avanzada, que puede responder a preguntas predictivas para informar sobre objetivos y estrategias empresariales. La analítica avanzada es útil para modelizar posibles escenarios y resultados empresariales.
Un término relacionado, Data Analytics, tiene una definición más estricta. Se centra en la extracción del significado de los datos, que es una parte esencial del panorama más amplio de la Analítica Avanzada. La Ciencia de Datos se centra en el análisis de los datos y a menudo emplea el Aprendizaje Automático. Un equipo centrado en Advanced Analytics probablemente incluye roles que cubren Data Analytics, Data Science, visualización y presentación de los datos.
5. Aprendizaje automático
El aprendizaje automático es un enfoque de la programación en el que el ordenador aprende inspeccionando una gran colección de ejemplos. El desarrollador elige el algoritmo, establece los hiperparámetros (ajustes de aprendizaje) y define el resultado deseado como una métrica calculada sobre la precisión de la predicción. A continuación, el desarrollador presenta a este marco de aprendizaje un gran conjunto de puntos de datos. Estos se utilizan para refinar iterativamente los algoritmos elegidos hasta alcanzar una precisión suficiente. El resultado del aprendizaje a partir de estos ejemplos es un modelo de aprendizaje automático.
Por ejemplo, si quisiéramos categorizar imágenes como las de un gato doméstico, entrenaríamos el modelo de aprendizaje automático utilizando imágenes de gatos que se marcan como ejemplos positivos para representar lo que queremos aprender. A continuación, las imágenes de animales relacionados, como tigres y linces, se marcarían como ejemplos negativos para ayudar a restringir la definición de gato.
En el aprendizaje automático se pueden utilizar muchos algoritmos. Ninguna discusión sobre este tema estaría completa si omitiéramos dos de los términos más comunes: Redes Neuronales, y Aprendizaje Profundo. Así que, sin más preámbulos, ¡te presentamos dos definiciones extra!
5A. Redes neuronales
Las Redes Neuronales, formalmente conocidas como Redes Neuronales Artificiales, son una colección de algoritmos de Aprendizaje Automático con una base común. Lo que tienen en común las Redes Neuronales es que están modeladas a partir del cerebro humano y sus neuronas biológicas. La estructura básica de una red neuronal consta de nodos conectados entre sí para formar capas entre la entrada (datos a inspeccionar) y la salida (predicción deseada).
Los investigadores del aprendizaje automático han descubierto ciertas estructuras de red que permiten un aprendizaje eficaz para algunas categorías de problemas. Existen muchas estructuras posibles y a menudo no está claro cuál puede ser la más eficiente. La Ciencia de Datos, mediante experimentos y análisis empíricos, puede ayudar a descubrir el enfoque más eficiente para un problema determinado.
5B. Aprendizaje profundo
El aprendizaje profundo se refiere a las redes neuronales de mayor complejidad, es decir, las que tienen más capas. El mayor grado de interconexiones entre nodos permite al Aprendizaje Profundo aprender problemas más complejos, resolviendo cuestiones predictivas más allá de las capacidades de otros algoritmos de Aprendizaje Automático.
Las Redes Neuronales constan, como mínimo, de tres capas que representan la entrada, la capa oculta de nodos y la salida. El Aprendizaje Profundo es cualquier Red Neuronal con más de tres capas; como tal, tendría al menos dos capas ocultas de nodos.
Transformación de la IA
Espero que hayas comprendido mejor los términos más comunes relacionados con la Inteligencia Artificial. En la medida en que puedas relacionarte más directamente con tus equipos técnicos, podrás ampliar los límites de los nuevos desarrollos para tu organización. Me encantaría escuchar tus historias de éxito o desafíos en el desarrollo de iniciativas de Inteligencia Artificial. Puedes contactarme directamente en LinkedIn o nuestro equipo en Improving.
