Descubra las técnicas y aplicaciones de la IA

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

• Identificar casos prácticos de uso de la IA.
  
• Identificar las limitaciones de ChatGPT y otros modelos de IA.
  
• Comprender el ciclo de vida de los datos para la IA y la importancia de la privacidad y la seguridad de los datos en las aplicaciones de IA.
  

Tecnologías de inteligencia artificial

La inteligencia artificial es el amplio campo de hacer que las máquinas aprendan y piensen como los humanos. Hay muchas tecnologías que engloban la IA.

• El aprendizaje automático utiliza varios algoritmos matemáticos para obtener información de los datos y hacer predicciones.
  
• El aprendizaje profundo utiliza un tipo específico de algoritmo llamado red neuronal para encontrar asociaciones entre un conjunto de entradas y salidas. El aprendizaje profundo es más eficaz a medida que aumenta la cantidad de datos.
  
• El procesamiento del lenguaje natural es una tecnología que permite a las máquinas tomar el lenguaje humano como entrada y realizar acciones en consecuencia.
  
• La visión por computadora es una tecnología que permite a las máquinas interpretar información visual.
  
• La robótica es una tecnología que permite a las máquinas realizar tareas físicas.
  

Consulte el módulo de Trailhead Conceptos básicos de IA para obtener más información.

El aprendizaje automático se puede clasificar en varios tipos en función del enfoque de aprendizaje y de la naturaleza del problema por resolver.

• Aprendizaje supervisado: en este enfoque de aprendizaje automático, un modelo aprende a partir de datos etiquetados y realiza predicciones basadas en los patrones que encuentra. A continuación, el modelo puede hacer predicciones o clasificar datos nuevos que no ha visto en función de los patrones que ha aprendido durante la capacitación.
  
• Aprendizaje no supervisado: en este caso, el modelo aprende a partir de datos no etiquetados, y encuentra patrones y relaciones sin resultados predefinidos. El modelo aprende a identificar similitudes, agrupar puntos de datos similares o encontrar patrones ocultos subyacentes en el conjunto de datos.
  
• Aprendizaje por refuerzo: este tipo de aprendizaje implica que un agente aprenda mediante ensayo y error, y realice acciones para maximizar las recompensas recibidas de un entorno. El aprendizaje por refuerzo se suele utilizar en situaciones en las que es necesario aprender una estrategia óptima de toma de decisiones mediante ensayo y error, como en robótica, juegos y sistemas autónomos. El agente explora diferentes acciones y aprende de las consecuencias de sus acciones para optimizar su proceso de toma de decisiones.
  

En los últimos años, se han introducido herramientas de IA de aprendizaje automático y sin código, como OneNine AI y Salesforce Einstein, para automatizar el proceso de construcción de toda una canalización de aprendizaje automático, con una intervención humana mínima.

La función del aprendizaje automático

El aprendizaje automático es un subconjunto de la inteligencia artificial que utiliza algoritmos estadísticos para permitir a las computadoras aprender de los datos, sin que se las programe explícitamente. Utiliza algoritmos para construir modelos que puedan hacer predicciones o tomar decisiones basadas en datos de entrada.

Comparación entre aprendizaje automático y programación

En la programación tradicional, el programador debe tener una comprensión clara del problema y de la solución que intenta alcanzar. En el aprendizaje automático, el algoritmo aprende de los datos y genera sus propias reglas o modelos para resolver el problema.

Importancia de los datos en el aprendizaje automático

Los datos son el combustible que impulsa el aprendizaje automático. La calidad y cantidad de los datos utilizados en el entrenamiento de un modelo de aprendizaje automático puede tener un impacto significativo en su precisión y eficacia. Es esencial asegurarse de que los datos utilizados sean relevantes, precisos, completos e imparciales.

Calidad de los datos y limitaciones del aprendizaje automático

Para garantizar la calidad de los datos, es necesario depurarlos y preprocesarlos; para ello, se elimina cualquier ruido (información no deseada o sin sentido), valores perdidos o valores atípicos. 

Aunque el aprendizaje automático es una potente herramienta para resolver una amplia gama de problemas, también existen limitaciones en cuanto a su eficacia, como el exceso y el déficit de adecuación, y el sesgo. 

• El exceso de adecuación se produce cuando el modelo es demasiado complejo y se ajusta demasiado a los datos de entrenamiento, lo que da lugar a una generalización deficiente.
  
• El déficit de adecuación se produce cuando el modelo es demasiado simple y no capta los patrones subyacentes en los datos.
  
• El sesgo se produce cuando el modelo se entrena con datos que no son representativos de la población real.
  

El aprendizaje automático se ve limitado por la calidad y la cantidad de los datos utilizados, la falta de transparencia de los modelos complejos, la dificultad de generalizar a nuevas situaciones, las dificultades para gestionar los datos que faltan y la posibilidad de hacer predicciones sesgadas.

Aunque el aprendizaje automático es una herramienta poderosa, es importante ser consciente de estas limitaciones y tenerlas en cuenta a la hora de diseñar y utilizar modelos de aprendizaje automático.

IA predictiva frente a IA generativa

La IA predictiva es el uso de algoritmos de aprendizaje automático para hacer predicciones o tomar decisiones basadas en datos. Se puede utilizar en una amplia gama de aplicaciones, como la detección de fraudes, el diagnóstico médico y la predicción de la pérdida de clientes.

Enfoques distintos, propósitos diferentes

La IA predictiva es un tipo de aprendizaje automático que entrena a un modelo para hacer predicciones o tomar decisiones basadas en datos. El modelo recibe un conjunto de datos de entrada y aprende a reconocer patrones en los datos que le permiten hacer predicciones precisas para nuevas entradas. La IA predictiva se utiliza ampliamente en aplicaciones como el reconocimiento de imágenes y del habla, y el procesamiento del lenguaje natural.

Por su parte, la IA generativa crea nuevos contenidos, como imágenes, videos o texto, a partir de una determinada entrada. En lugar de hacer predicciones basadas en datos existentes, la IA generativa crea nuevos datos similares a los de entrada. Se puede utilizar en una amplia gama de aplicaciones, como el arte, la música y la escritura creativa. Un ejemplo común de IA generativa es el uso de redes neuronales para generar nuevas imágenes a partir de un conjunto determinado de datos de entrada.

Aunque la IA predictiva y la generativa son enfoques diferentes de la inteligencia artificial, no se excluyen mutuamente. De hecho, muchas aplicaciones de IA utilizan técnicas tanto predictivas como generativas para alcanzar sus objetivos. Por ejemplo, un chatbot puede utilizar la IA predictiva para comprender la entrada de un usuario y la IA generativa para generar una respuesta similar al habla humana. En general, la elección de IA predictiva o generativa depende de la aplicación específica y de los objetivos del proyecto.

Ahora ya sabe algunas cuestiones sobre la IA predictiva y la IA generativa y sus diferencias. Como referencia, aquí tiene un breve resumen de lo que puede hacer cada una.

Limitaciones de la IA generativa

La IA generativa crea nuevos contenidos, como imágenes, videos o texto, a partir de una entrada determinada. ChatGPT, por ejemplo, es un modelo de IA generativa que puede generar respuestas de tipo humano a entradas de texto. Funciona mediante el entrenamiento a partir de grandes cantidades de datos de texto y aprende a predecir la siguiente palabra de una secuencia en función de las palabras anteriores.

Aunque ChatGPT puede generar respuestas similares a las humanas, también tiene limitaciones: puede generar respuestas sesgadas o inapropiadas en función de los datos que se utilizaron para el aprendizaje. Se trata de un problema habitual en los modelos de aprendizaje automático, ya que pueden reflejar los sesgos y las limitaciones de los datos del entrenamiento. Por ejemplo, si los datos de entrenamiento contienen mucho lenguaje negativo u ofensivo, ChatGPT puede generar respuestas igualmente negativas u ofensivas. 

ChatGPT también puede tener problemas para entender el contexto de entrada del usuario o para generar respuestas coherentes. La calidad de ChatGPT depende de los datos que se utilizaron para el aprendizaje. Si los datos de entrenamiento son incompletos, sesgados o defectuosos, el modelo puede no ser capaz de generar respuestas precisas o útiles. Esto puede suponer una limitación significativa en aplicaciones en las que la precisión y la relevancia son importantes. Al igual que ocurre con otros modelos de aprendizaje automático, los datos desempeñan una función fundamental, por lo que si los datos que se utilizaron para el entrenamiento son malos, ChatGPT no será muy útil.

El ejemplo de ChatGPT demuestra el papel fundamental que desempeñan los datos en el uso eficaz de la IA.

Ciclo de vida de los datos para la IA

El ciclo de vida de los datos hace referencia a las etapas por las que pasan los datos, desde su recopilación inicial hasta su eliminación final. El ciclo de vida de los datos para la IA consta de una serie de pasos, como la recopilación de datos, el preprocesamiento, el entrenamiento, la evaluación y la implementación. Es importante garantizar que los datos utilizados sean pertinentes, precisos, completos e imparciales, y que los modelos generados sean eficaces y éticos. 

El ciclo de vida de los datos para la IA es un proceso continuo, ya que los modelos se deben actualizar y perfeccionar continuamente a partir de nuevos datos y comentarios. Es un proceso iterativo que requiere una cuidadosa atención a los detalles y un compromiso con una IA ética y eficaz. Los desarrolladores y usuarios de modelos de inteligencia artificial deben asegurarse de que sus modelos sean eficaces, precisos y éticos, y de que tengan un impacto positivo en el mundo. El ciclo de vida de los datos es crucial para garantizar que los datos se recopilen, se almacenen y se utilicen de forma responsable y ética. 

Estas son las etapas del ciclo de vida de los datos.

• Recopilación de datos: en esta etapa, los datos se recogen de diversas fuentes, como sensores, encuestas y fuentes en línea.
  
• Almacenamiento de datos: una vez recopilados los datos, se deben almacenar de forma segura.
  
• Procesamiento de datos: en esta etapa, los datos se procesan para extraer información y patrones. Esto puede incluir el uso de algoritmos de aprendizaje automático u otras técnicas de análisis de datos.
  
• Uso de los datos: una vez procesados los datos, se pueden utilizar para los fines previstos, como la toma de decisiones o la elaboración de políticas.
  
• Colaboración de datos: en ocasiones, puede ser necesario compartir datos con otras organizaciones o personas.
  
• Retención de datos: se refiere al tiempo durante el cual se conservan los datos.
  
• Eliminación de datos: cuando los datos dejan de ser necesarios, hay que eliminarlos de forma segura. Esto puede implicar la eliminación segura de datos digitales o la destrucción de soportes físicos.
  

Aunque la IA y el aprendizaje automático tienen el potencial de revolucionar muchas industrias y resolver problemas complejos, es importante ser consciente de sus limitaciones y consideraciones éticas. Continúe en la siguiente unidad para aprender sobre la importancia de la ética y la privacidad de los datos.

Recursos

• Sitio externo: OneNine AI: Casos de uso de la IA por industria
  
• GitHub: Tipos de modelos de aprendizaje automático y aprendizaje profundo
  
• Trailhead: Conceptos básicos de IA
  
• Publicación de blog: ¿Cuáles son los límites de ChatGPT?