¿Qué es la inteligencia artificial?
La inteligencia artificial, o IA, es la ciencia que se dedica a hacer que las máquinas sean inteligentes. Gracias a los recientes avances en informática, las máquinas están aprendiendo a resolver problemas, algo que creíamos que solo los humanos podían hacer.
Antes de empezar, intente responder a esta pregunta rebeladora. ¡Piense un poco! Descubrirá la respuesta correcta a medida que vaya avanzando en el curso.
¿Cree que las máquinas, como los humanos y los perros, pueden aprender cuando reciben una recompensa por hacer algo bien?
A. Sí
B. No, qué tontería
Tenga en cuenta su respuesta cuando profundicemos en nuestra exploración de la inteligencia artificial.
TODA LA IA EXPLICADA EN 101 SEGUNDOS
Comencemos viendo este vídeo de Qualcomm, que muestra el potencial de la IA para hacer que nuestras vidas sean más fáciles y emocionantes.
https://youtu.be/zjeBGkS4LAA
¿Puede pensar un ordenador?¿Podemos afirmarlo?
La idea de una máquina pensante no es nueva
Durante siglos, los humanos han imaginado máquinas que piensan y se comportan como personas.
Se decía que el dios griego Hefesto había construido máquinas doradas para trabajar para él. En la década de 1920, el escritor checo Karel Capek imaginó unas personas de metal que pensaban como humanos y acuñó la palabra “robot” para describirlas. En 1950, el matemático inglés Alan Turing se preguntó si una máquina podría pensar alguna vez e hizo la famosa pregunta: “¿Cómo podemos saber si una máquina está pensando?” Para responder a la pregunta, razonó que “pensar” es un concepto difícil de definir, por lo que podría ser mejor verlo un comportamiento. Propuso una prueba: si una máquina puede mantener una conversación con una persona y la persona no puede detectar que es una máquina, entonces podemos decir con seguridad que la máquina está “pensando”.
Poco después, en 1956, el campo moderno de la inteligencia artificial se inició en el Dartmouth College, cuando un grupo de científicos predijo que una máquina tan inteligente como una persona podría crearse dentro de la próxima generación.
Se equivocaron en algunas décadas, pero su visión ha guiado el campo moderno de la IA y la prueba de Turing sigue siendo la regla de oro para identificar el pensamiento automático.
Durante siglos, los humanos han imaginado máquinas que piensan y se comportan como personas.
Se decía que el dios griego Hefesto había construido máquinas doradas para trabajar para él. En la década de 1920, el escritor checo Karel Capek imaginó unas personas de metal que pensaban como humanos y acuñó la palabra “robot” para describirlas. En 1950, el matemático inglés Alan Turing se preguntó si una máquina podría pensar alguna vez e hizo la famosa pregunta: “¿Cómo podemos saber si una máquina está pensando?” Para responder a la pregunta, razonó que “pensar” es un concepto difícil de definir, por lo que podría ser mejor verlo un comportamiento. Propuso una prueba: si una máquina puede mantener una conversación con una persona y la persona no puede detectar que es una máquina, entonces podemos decir con seguridad que la máquina está “pensando”.
Poco después, en 1956, el campo moderno de la inteligencia artificial se inició en el Dartmouth College, cuando un grupo de científicos predijo que una máquina tan inteligente como una persona podría crearse dentro de la próxima generación.
Se equivocaron en algunas décadas, pero su visión ha guiado el campo moderno de la IA y la prueba de Turing sigue siendo la regla de oro para identificar el pensamiento automático.
Podemos probar el pensamiento de una máquina mediante un “juego de imitación”
En la prueba de Turing, un interrogador se comunica a través de un teclado con una máquina o una persona, sin saber cuál de los dos perfiles está al otro lado.
Aquí tiene una demostración rápida de cómo funcionaría esto, en el vídeo de TED-Ed.
En la prueba de Turing, un interrogador se comunica a través de un teclado con una máquina o una persona, sin saber cuál de los dos perfiles está al otro lado.
Aquí tiene una demostración rápida de cómo funcionaría esto, en el vídeo de TED-Ed.
LA PRUEBA DE TURING: ¿PUEDE UN SISTEMA HACERSE PASAR POR UN SER HUMANO? -ALEX GENDLER
¿Qué cree?
¿Qué nos indica directamente la prueba de Turing?
A. Hasta qué punto puede imitar un sistema la conversación humana.
B. El nivel de consciencia de un programa informático
C. La potencia de procesamiento y la memoria de un programa informático
Los sistemas ayudan a las personasLa IA trabajando
La inteligencia humana frente a la inteligencia artificial
Para tener una conversación sobre la inteligencia artificial (IA), necesitamos disponer de una definición práctica de lo que es la inteligencia humana.
Vamos a considerar que la inteligencia humana es la capacidad de razonar, resolver problemas y aprender.
Estas actividades implican una interacción compleja entre distintas funciones cognitivas como la percepción, la memoria, el lenguaje y la planificación.
Las personas ejecutan estas funciones de forma natural porque la inteligencia humana nos permite aprender de experiencias pasadas, adaptarnos a nuevas situaciones y manejar ideas abstractas.
Los humanos pueden usar el conocimiento adquirido para adaptarse a su entorno, darle forma y cambiarlo.
Para tener una conversación sobre la inteligencia artificial (IA), necesitamos disponer de una definición práctica de lo que es la inteligencia humana.
Vamos a considerar que la inteligencia humana es la capacidad de razonar, resolver problemas y aprender.
Estas actividades implican una interacción compleja entre distintas funciones cognitivas como la percepción, la memoria, el lenguaje y la planificación.
Las personas ejecutan estas funciones de forma natural porque la inteligencia humana nos permite aprender de experiencias pasadas, adaptarnos a nuevas situaciones y manejar ideas abstractas.
Los humanos pueden usar el conocimiento adquirido para adaptarse a su entorno, darle forma y cambiarlo.
Tipos de IA
La IA puede procesar datos y realizar determinados tipos de predicciones más rápidamente y con mayor precisión que las personas. Pero esto no es hacer magia ni tener superpoderes.
Veamos diferentes niveles de IA y lo que puede lograrse con ellos.
Pulse cada sección para obtener más información sobre los tipos de IA existentes y futuros:
La IA puede procesar datos y realizar determinados tipos de predicciones más rápidamente y con mayor precisión que las personas. Pero esto no es hacer magia ni tener superpoderes.
Veamos diferentes niveles de IA y lo que puede lograrse con ellos.
Pulse cada sección para obtener más información sobre los tipos de IA existentes y futuros:
IA débil
Inteligencia aumentada
IA general
¿Qué cree?
Es como si la tecnología de la inteligencia artificial pudiera tener un efecto en todos los aspectos de la sociedad.
¿Se imagina la posibilidad de que un sistema reproduzca la inteligencia humana?
Dedique unos momentos a pensar en cómo la IA tendrá un impacto en la sociedad durante sus próximos años de vida.
¿Dónde cree que la IA podría tener el mayor impacto?
Escriba su respuesta en el siguiente recuadro de texto. (Escribir una respuesta es una buena formade poner en orden sus ideas. Las respuestas se guardan en su sistema para su uso personal.)
Es como si la tecnología de la inteligencia artificial pudiera tener un efecto en todos los aspectos de la sociedad.
¿Se imagina la posibilidad de que un sistema reproduzca la inteligencia humana?
Dedique unos momentos a pensar en cómo la IA tendrá un impacto en la sociedad durante sus próximos años de vida.
¿Dónde cree que la IA podría tener el mayor impacto?
Escriba su respuesta en el siguiente recuadro de texto. (Escribir una respuesta es una buena formade poner en orden sus ideas. Las respuestas se guardan en su sistema para su uso personal.)
¿Quizás también ha oído hablar sobre el aprendizaje automático y el aprendizaje profundo?
A continuación, vamos a explorar conceptos importantes que describen algunas formas en que la IA puede resolver problemas complejos.
,El siguiente gráfico proporciona un buen resumen de la relación entre IA, aprendizaje automático y aprendizaje profundo.
La inteligencia artificial
Describe máquinas que ejercen capacidades generalmente asociadas a la inteligencia humana.
La investigación actual en IA se centra en el aprendizaje, el razonamiento, la resolución de problemas, la percepción y la comprensión del lenguaje humano.
Obtendrá más información en el próximo curso sobre cómo los avances en IA nos ayudarán a ser más inteligentes, a comunicarnos, a resolver problemas para la sociedad y a cambiar la forma cómo trabajamos.
El aprendizaje automático, utiliza algoritmos para aprender a partir de los datos.
A partir de unos datos determinados, el aprendizaje automático puede realizar análisis estadísticos para determinar un resultado.
Tal y como sucede con todo tipo de proceso informático, cuantos más datos se proporcionen a la máquina (suponiendo que estos datos sean válidos), más preciso será el resultado.
El aprendizaje automático utiliza capacidades similares a las humanas, como el análisis, la autoformación, la observación y la experiencia para aprender sin que exista una programación explícita.
El aprendizaje automático tiene tres variantes: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje de refuerzo.
El aprendizaje automático se basa en estos tres tipos de algoritmos.
La aplicación de cualquiera de estos algoritmos depende de la relación con los datos disponibles que está procesando, el resultado que se requiere a partir de su modelo o incluso la posibilidad de retroalimentar datos para mejorar el algoritmo. Suena complicado, porque en realidad lo es.
Un aspecto sorprendente del aprendizaje automático es sucapacidad de irse modificando automáticamente cuando entra en contacto con más datos.
¡Es dinámico y no requiere intervención humana para hacer cambios!
Es decir, a medida que detecta más datos, sigue aprendiendo y mejora sus resultados.
El aprendizaje automático es lo que motiva al banco a ponerse en contacto con usted cuando considera que alguien está usando información robada de su tarjeta de crédito.
Pero tampoco es perfecto. El aprendizaje automático también es lo que puede hacer que Netflix le presente unas recomendaciones extrañas después de que alguien de su familia haya visto algún tipo de contenido comprometido desde su cuenta.
El aprendizaje profundo es una subcategoría de aprendizaje automático que se centra en modelos estadísticos cuando resuelve problemas.
Utiliza una red neuronal artificial, hecha de algoritmos inspirados en el cerebro humano, ya que resuelve problemas complejos realizando las tareas una y otra vez, miles de veces, cada vez con un leve ajuste para mejorar el resultado.
El aprendizaje profundo requiere una gran cantidad de datos y una enorme potencia informática, pero tiene un potencialcreciente a medida que vamos avanzando hacia el objetivo de la IA general.
Imagine la complejidad de las decisiones relacionadas con hacer tareas de clasificación directamente a partir de imágenes, texto o sonido con una precisión que podría exceder el rendimiento humano.
Pensemos, por ejemplo, en los vehículos sin conductor.
El aprendizaje profundo es una tecnología clave que subyace tras los vehículos sin conductor, ya que permite al sistema reconocer una señal de ceda el paso o distinguir a un peatón deuna farola.
A continuación, vamos a explorar conceptos importantes que describen algunas formas en que la IA puede resolver problemas complejos.
,El siguiente gráfico proporciona un buen resumen de la relación entre IA, aprendizaje automático y aprendizaje profundo.
El aprendizaje automático, utiliza algoritmos para aprender a partir de los datos.
A partir de unos datos determinados, el aprendizaje automático puede realizar análisis estadísticos para determinar un resultado.
Tal y como sucede con todo tipo de proceso informático, cuantos más datos se proporcionen a la máquina (suponiendo que estos datos sean válidos), más preciso será el resultado.
El aprendizaje automático utiliza capacidades similares a las humanas, como el análisis, la autoformación, la observación y la experiencia para aprender sin que exista una programación explícita.
El aprendizaje automático tiene tres variantes: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje de refuerzo.
El aprendizaje automático se basa en estos tres tipos de algoritmos.
La aplicación de cualquiera de estos algoritmos depende de la relación con los datos disponibles que está procesando, el resultado que se requiere a partir de su modelo o incluso la posibilidad de retroalimentar datos para mejorar el algoritmo. Suena complicado, porque en realidad lo es.
Un aspecto sorprendente del aprendizaje automático es sucapacidad de irse modificando automáticamente cuando entra en contacto con más datos.
¡Es dinámico y no requiere intervención humana para hacer cambios!
Es decir, a medida que detecta más datos, sigue aprendiendo y mejora sus resultados.
El aprendizaje automático es lo que motiva al banco a ponerse en contacto con usted cuando considera que alguien está usando información robada de su tarjeta de crédito.
Pero tampoco es perfecto. El aprendizaje automático también es lo que puede hacer que Netflix le presente unas recomendaciones extrañas después de que alguien de su familia haya visto algún tipo de contenido comprometido desde su cuenta.
El aprendizaje profundo es una subcategoría de aprendizaje automático que se centra en modelos estadísticos cuando resuelve problemas.
Utiliza una red neuronal artificial, hecha de algoritmos inspirados en el cerebro humano, ya que resuelve problemas complejos realizando las tareas una y otra vez, miles de veces, cada vez con un leve ajuste para mejorar el resultado.
El aprendizaje profundo requiere una gran cantidad de datos y una enorme potencia informática, pero tiene un potencialcreciente a medida que vamos avanzando hacia el objetivo de la IA general.
Imagine la complejidad de las decisiones relacionadas con hacer tareas de clasificación directamente a partir de imágenes, texto o sonido con una precisión que podría exceder el rendimiento humano.
Pensemos, por ejemplo, en los vehículos sin conductor.
El aprendizaje profundo es una tecnología clave que subyace tras los vehículos sin conductor, ya que permite al sistema reconocer una señal de ceda el paso o distinguir a un peatón deuna farola.
Otras tecnologías que asisten a la IA¡Es mútuo!
La IA creará nuevas oportunidades para la sociedad, las empresas y los consumidores.
Pero para que la IA tenga una implantación más amplia, otras tecnologías habilitadoras deben madurar junto con ella.
Los entornos cloud, por ejemplo, ya están ayudando a las empresas a acceder y compartir una potencia informática que en una situación normal no podrían permitirse.
Esta tecnología compartida, a su vez, permitirá a las empresas operar con nuevos algoritmos de entrenamiento y gestión de datos que requiere la IA.
Otras tecnologías emergentes también serán vitales para el crecimiento de la IA.
El reconocimiento visual, el procesamiento de lenguaje natural, el análisis predictivo e incluso la Internet de las Cosas (IoT) potenciarán la IA, lo cual conllevará la aparición de nuevas aplicaciones en dispositivos médicos, seguridad, servicio al cliente, etc.
A medida que vaya avanzando su propia carrera profesional en el campo de la informática, verá surgir tecnologías completamente nuevas que obtienen su potencial a partir de la inteligencia artificial.
La IA creará nuevas oportunidades para la sociedad, las empresas y los consumidores.
Pero para que la IA tenga una implantación más amplia, otras tecnologías habilitadoras deben madurar junto con ella.
Los entornos cloud, por ejemplo, ya están ayudando a las empresas a acceder y compartir una potencia informática que en una situación normal no podrían permitirse.
Esta tecnología compartida, a su vez, permitirá a las empresas operar con nuevos algoritmos de entrenamiento y gestión de datos que requiere la IA.
Otras tecnologías emergentes también serán vitales para el crecimiento de la IA.
El reconocimiento visual, el procesamiento de lenguaje natural, el análisis predictivo e incluso la Internet de las Cosas (IoT) potenciarán la IA, lo cual conllevará la aparición de nuevas aplicaciones en dispositivos médicos, seguridad, servicio al cliente, etc.
A medida que vaya avanzando su propia carrera profesional en el campo de la informática, verá surgir tecnologías completamente nuevas que obtienen su potencial a partir de la inteligencia artificial.
Carreras profesionales de inteligencia artificialInfografía
Llegados a este punto, ya sabe que la tecnología de la IA es omnipresente.
Puede que se esté preguntando qué sectores necesitarán expertos en IA, de qué habilidades técnicas hay demanda o cuáles son los trabajos más interesantes en este campo.
Las respuestas a estas preguntas, así como algunos hechos adicionales, se incluyen en la siguiente infografía y el siguiente artículo.
Encontrará muchos términos específicos relacionados con la IA. Aquí le presentamos una guía rápida de los más habituales que le interesará conocer.
Los algoritmos son instrucciones matemáticas escritas por científicos de datos que indican a la máquina cómo debe encontrar soluciones a un problema.
Cuando se ejecuta una pequeña selección de datos (llamados datos de entrenamiento) a través de un algoritmo de forma repetida, recurrentemente ajustado hasta que su comportamiento sea fiable, el resultado es un modelo que la máquina puede usar para su propio aprendizaje adicional.
Un chatbot es un programa informático diseñado para simular conversaciones con usuarios humanos, especialmente a través de Internet.
Es un asistente que se comunica con nosotros a través de mensajes de texto o voz y se integra como complemento virtual en sitios web, aplicaciones o programas de mensajería instantánea.
Los datos son el alimento de la IA. Permiten que los sistemas de inteligencia artificial compilen patrones, tendencias y asociaciones de forma fiable.
Algunos datos están estructurados, lo cual significa que se han organizado en un formato que los sistemas pueden leer y analizar fácilmente, como una base de datos o un archivo de Excel.
Otros datos no lo están, como los mensajes de Twitter, los archivos PDF y los archivos de vídeo.
El aprendizaje profundo es un grupo de redes neuronales (que son, a su vez, grupos de modelos de aprendizaje automático).
El aprendizaje profundo puede encontrar patrones en estructurasde datos complejas como imágenes, vídeo y sonido.
Muchos de sus modelos no necesitan entrenamiento explícito para encontrar una solución, lo cual hace que sean perfectos para resolver problemas demasiado grandes y complejos para que los humanos puedan resolverlos.
El aprendizaje profundo se ha utilizado para entrenar vehículos autónomos, detectar fraudes e incluso hacer vídeos “Deepfake” de celebridades mediáticas.
El aprendizaje automático es el motor de un sistema de IA. Describe máquinas que aprenden sin instrucciones explícitas acerca de cómo realizar sus tareas. A menudo depende de modelos: artefactos entrenados que guían a las máquinas cuando interpretan nuevos datos. Los modelos representan patrones de datos y ayudan a un sistema de aprendizaje automático a hacer predicciones sin que se le indique cómo debe hacerlo.
El procesamiento de lenguaje natural (PLN) es la capacidad de un programa informático para comprender el lenguaje humano tal como se habla. El PNL puede entrenar a los sistemas para que puedan procesar grandes cantidades de texto humano, como periódicos o conversaciones, comprendiendo la intencionalidad y el significado de estos datos. Con el PLN, una máquina puede responder a los humanos con matices y de forma comprensiva. Un ejemplo común de PLN es un chatbot de servicio al cliente.
Las redes neuronales son grupos de modelos de aprendizaje automático. Simulan las células cerebrales densamente interconectadas del cerebro humano. Pueden aprender cosas, reconocer patrones y tomar decisiones sin necesidad de programarse explícitamente. Las redes neuronales son capaces de encontrar patrones dentro de los datos que son tan complejos que ningún humano podría programar su análisis.
El aprendizaje de refuerzo es un tipo de modelo de aprendizaje automático que no aporta a la máquina ningún dato, etiquetado o sin etiquetar. Alternativamente, la máquina intenta diferentes acciones y recibe señales de recompensa (como si fuera una mascota) cuando realiza los movimientos correctos. De esta manera, el sistema está capacitado para resolver un problema, sin necesidad de intervención humana.
El reconocimiento de habla es una tecnología que puede reconocer palabras expresadas, con la posibilidad posterior de convertirlas en texto o de ejecutar una orden hablada. Un subconjunto del reconocimiento de habla es el reconocimiento de voz, que es la tecnología para identificara una persona en función de su voz.
El aprendizaje supervisado es un tipo de modelo de aprendizaje automático que aporta a la máquina un conjunto de datos altamente precisos que han sido etiquetados por una persona. La máquina usa este modelo para reconocer aspectos relacionados en conjuntos de datos no entrenados.
El aprendizaje no supervisado es un tipo de modelo de aprendizaje automático que no aporta a la IA ningún dato etiquetado. Alternativamente, aporta a la IA datos no etiquetados, y la IA sugiere varias formas de agruparlos y organizarlos. Esto resulta valioso cuando los datos son tan grandes o complejos que las personas no pueden identificar sus patrones personalmente.
El reconocimiento visual, también conocido como visión por ordenador, es un subcampo de la IA focalizado en la capacitación de los sistemas para comprender e interpretar imágenes y vídeos. Los modelos de reconocimiento visual aprenden a identificar objetos, personas o atributos individuales en una imagen. Por ejemplo, un modelo podría ayudar a evaluar un accidente automovilístico, identificar el tipo de vehículo involucrado y sus daños y, posteriormente, estimar los costes de reparación.
Llegados a este punto, ya sabe que la tecnología de la IA es omnipresente.
Puede que se esté preguntando qué sectores necesitarán expertos en IA, de qué habilidades técnicas hay demanda o cuáles son los trabajos más interesantes en este campo.
Las respuestas a estas preguntas, así como algunos hechos adicionales, se incluyen en la siguiente infografía y el siguiente artículo.
Encontrará muchos términos específicos relacionados con la IA. Aquí le presentamos una guía rápida de los más habituales que le interesará conocer.
Los algoritmos son instrucciones matemáticas escritas por científicos de datos que indican a la máquina cómo debe encontrar soluciones a un problema.
Cuando se ejecuta una pequeña selección de datos (llamados datos de entrenamiento) a través de un algoritmo de forma repetida, recurrentemente ajustado hasta que su comportamiento sea fiable, el resultado es un modelo que la máquina puede usar para su propio aprendizaje adicional.
Un chatbot es un programa informático diseñado para simular conversaciones con usuarios humanos, especialmente a través de Internet.
Es un asistente que se comunica con nosotros a través de mensajes de texto o voz y se integra como complemento virtual en sitios web, aplicaciones o programas de mensajería instantánea.
Los datos son el alimento de la IA. Permiten que los sistemas de inteligencia artificial compilen patrones, tendencias y asociaciones de forma fiable.
Algunos datos están estructurados, lo cual significa que se han organizado en un formato que los sistemas pueden leer y analizar fácilmente, como una base de datos o un archivo de Excel.
Otros datos no lo están, como los mensajes de Twitter, los archivos PDF y los archivos de vídeo.
El aprendizaje profundo es un grupo de redes neuronales (que son, a su vez, grupos de modelos de aprendizaje automático).
El aprendizaje profundo puede encontrar patrones en estructurasde datos complejas como imágenes, vídeo y sonido.
Muchos de sus modelos no necesitan entrenamiento explícito para encontrar una solución, lo cual hace que sean perfectos para resolver problemas demasiado grandes y complejos para que los humanos puedan resolverlos.
El aprendizaje profundo se ha utilizado para entrenar vehículos autónomos, detectar fraudes e incluso hacer vídeos “Deepfake” de celebridades mediáticas.
El aprendizaje automático es el motor de un sistema de IA. Describe máquinas que aprenden sin instrucciones explícitas acerca de cómo realizar sus tareas. A menudo depende de modelos: artefactos entrenados que guían a las máquinas cuando interpretan nuevos datos. Los modelos representan patrones de datos y ayudan a un sistema de aprendizaje automático a hacer predicciones sin que se le indique cómo debe hacerlo.
El procesamiento de lenguaje natural (PLN) es la capacidad de un programa informático para comprender el lenguaje humano tal como se habla. El PNL puede entrenar a los sistemas para que puedan procesar grandes cantidades de texto humano, como periódicos o conversaciones, comprendiendo la intencionalidad y el significado de estos datos. Con el PLN, una máquina puede responder a los humanos con matices y de forma comprensiva. Un ejemplo común de PLN es un chatbot de servicio al cliente.
Las redes neuronales son grupos de modelos de aprendizaje automático. Simulan las células cerebrales densamente interconectadas del cerebro humano. Pueden aprender cosas, reconocer patrones y tomar decisiones sin necesidad de programarse explícitamente. Las redes neuronales son capaces de encontrar patrones dentro de los datos que son tan complejos que ningún humano podría programar su análisis.
El aprendizaje de refuerzo es un tipo de modelo de aprendizaje automático que no aporta a la máquina ningún dato, etiquetado o sin etiquetar. Alternativamente, la máquina intenta diferentes acciones y recibe señales de recompensa (como si fuera una mascota) cuando realiza los movimientos correctos. De esta manera, el sistema está capacitado para resolver un problema, sin necesidad de intervención humana.
El reconocimiento de habla es una tecnología que puede reconocer palabras expresadas, con la posibilidad posterior de convertirlas en texto o de ejecutar una orden hablada. Un subconjunto del reconocimiento de habla es el reconocimiento de voz, que es la tecnología para identificara una persona en función de su voz.
El aprendizaje supervisado es un tipo de modelo de aprendizaje automático que aporta a la máquina un conjunto de datos altamente precisos que han sido etiquetados por una persona. La máquina usa este modelo para reconocer aspectos relacionados en conjuntos de datos no entrenados.
El aprendizaje no supervisado es un tipo de modelo de aprendizaje automático que no aporta a la IA ningún dato etiquetado. Alternativamente, aporta a la IA datos no etiquetados, y la IA sugiere varias formas de agruparlos y organizarlos. Esto resulta valioso cuando los datos son tan grandes o complejos que las personas no pueden identificar sus patrones personalmente.
El reconocimiento visual, también conocido como visión por ordenador, es un subcampo de la IA focalizado en la capacitación de los sistemas para comprender e interpretar imágenes y vídeos. Los modelos de reconocimiento visual aprenden a identificar objetos, personas o atributos individuales en una imagen. Por ejemplo, un modelo podría ayudar a evaluar un accidente automovilístico, identificar el tipo de vehículo involucrado y sus daños y, posteriormente, estimar los costes de reparación.
