Campus
Diagrama de temas
-
-
Ciencia de datos
La ciencia de datos es una disciplina que implica varias tareas: acumular y analizar datos, extraer valor de dichos datos y presentar ese valor de una manera significativa. En el aspecto científico, la ciencia de datos está estrechamente ligada al campo de la estadística. Los negocios también utilizan la ciencia de datos para analizar los datos que han recopilado para obtener información, mejorar los procesos e identificar nuevas oportunidades. En los negocios, la ciencia de datos a menudo se conoce como análisis o inteligencia de negocios.
La ciencia de datos ha explotado en popularidad en la última década a medida que la computación en la nube y otros avances tecnológicos permiten a las personas registrar, almacenar y acceder a cantidades masivas de datos. Desde sus inicios, la ciencia de datos demandaba que un ser humano interpretara los datos y sacara conclusiones derivadas de ellos. Esto puede ser una tarea increíblemente difícil cuando al científico de datos se le presentan volúmenes de datos muy grandes o complejos. Estas inmensas colecciones de datos, a menudo llamadas big data, demandan un enfoque totalmente nuevo para el análisis del que las herramientas tradicionales son incapaces. Aquí es donde la IA, en especial el aprendizaje automático, puede ayudar.
Por ejemplo, ha recopilado registros de salud de varios pacientes. Imagine que, en lugar de unos pocos cientos de registros en una hoja de cálculo, tiene miles o incluso millones de registros en una base de datos. Del mismo modo, imagine que tiene cientos o incluso miles de columnas (fragmentos de datos para cada registro, que en términos de ciencia de datos se denominan características). Puede usar el aprendizaje automático para analizar los datos y realizar predicciones sobre nuevos conjuntos de datos para determinar razonablemente si las personas en estos nuevos registros tienen enfermedad cardíaca o no.
En otro ejemplo, es posible que un comerciante minorista en línea desee analizar los patrones de compra de los clientes para poder administrar el inventario y planificar eventos de ventas. En ese caso, posiblemente haya muchos clientes con muchas compras. El aprendizaje automático se puede utilizar para analizar los hábitos de compra e identificar patrones que lograrán los resultados que el comerciante minorista busca.
El proceso real es más complejo que esto. El científico de datos necesita realizar varias tareas para orientar el proceso de aprendizaje, pero el punto sigue siendo el siguiente: el aprendizaje automático (incluido el aprendizaje profundo) puede extraer información de los datos de forma mucho más rápida y eficaz que un ser humano.Figura 1. Los principios de la ciencia de datos. 
Información adicional
Para obtener más información acerca de lo que es la ciencia de datos, visite esta página.
Para obtener más información acerca de lo que hacen los científicos de datos, visite esta página.
-
Buscadores
Quizás esté familiarizado con los buscadores, pero repasemos brevemente cómo funcionan. Un buscador es un software que toma una consulta del usuario como entrada, identifica los recursos que coinciden con dicha consulta y comunica esos recursos al usuario. Básicamente, los buscadores permiten a las personas encontrar lo que buscan con rapidez, en lugar de obligarlas a analizar cada recurso de forma individual.
Los buscadores suelen ser una función de la web, pero este no es necesariamente el caso. La mayoría de los buscadores toman texto como entrada, aunque algunos pueden tomar multimedia como imágenes, audio, video, etc. A continuación, el buscador interpreta la entrada y busca en una base de datos los registros que ha determinado que coinciden de forma razonable con la intención detrás de la consulta del usuario. A continuación, el buscador devuelve todos los resultados relevantes al usuario de alguna manera, como una nueva página.
Las búsquedas web en particular tienen otro componente importante: el rastreador web. Los rastreadores web buscan páginas en la web que se puedan agregar al índice del buscador. Este índice se actualiza de manera constante para mantener actualizados los resultados de la búsqueda a medida que cambia la web. Los principales buscadores como Google™ emplean rastreadores que analizan un gran número de páginas web, aunque estos buscadores todavía solo pueden rastrear un pequeño porcentaje del total de la web.
Figura 1. El proceso básico detrás de los buscadores. 
Todo buscador tiene dos metas principales:
- Devolver exactamente lo que el usuario busca, o de lo contrario proporcionar el resultado que es más valioso.
- Maximice la eficiencia del buscador para minimizar los problemas de rendimiento.
La IA ha ayudado a los buscadores a alcanzar estas metas. Los algoritmos de aprendizaje automático pueden mejorar el proceso mediante el cual un buscador clasifica sus resultados. Debido a que están entrenados con base en cantidades masivas de datos a través de años de búsquedas, estos algoritmos pueden predecir de manera razonable qué resultados son más precisos y valiosos para el usuario en función de la consulta de búsqueda. En principio, el algoritmo aprende las intenciones de los usuarios, que son absolutamente vitales para un buscador productivo. Los resultados de clasificación más alta se insertan en la parte superior y es más probable que se hagan visibles para el usuario, mientras que los más bajos pueden insertarse en la página o eliminarse de los resultados por completo. Del mismo modo, cuanto más precisos sean los resultados, menos deberán mostrarse al usuario, y es menos probable que este perfeccione su búsqueda para obtener mejores resultados. Esto mejora la eficiencia del buscador, lo que puede aumentar en gran medida el rendimiento, ya que miles o incluso millones de personas lo utilizan al mismo tiempo.La IA puede cambiar radicalmente la naturaleza de una búsqueda en función de factores contextuales como el historial pasado de búsquedas del usuario, los eventos actuales, la hora del día y más. Por ejemplo, imagine que busca "<juego de <su equipo favorito>>" en Google directamente después de que ese equipo haya terminado de jugar. Probablemente esperará ver la puntuación final del juego de hoy en la parte superior, ¿verdad? Esto se debe a que el buscador utiliza el contexto, el hecho de que el juego acaba de terminar, que muchas otras personas están buscando la puntuación, que es posible que haya buscado esto antes, etc., para predecir que la puntuación de hoy es lo que realmente quiere ver. Imagínese lo que le devolvería sin la ayuda de IA. Después de todo, solo está buscando el nombre de un equipo con la palabra "juego" antes de él. Eso podría devolver la página oficial o un artículo de Wikipedia sobre el equipo, un artículo sobre el deporte en sí, o incluso una puntuación de la semana pasada. La IA es la responsable de que el buscador actuase sobre su intención.
Información adicional
Para obtener más información sobre cómo los buscadores utilizan la IA, consulte aquí
-
Procesamiento del lenguaje natural
El procesamiento del lenguaje natural (PLN) es una disciplina relacionada con la forma en que los computadores analizan y aplican los lenguajes humanos. En realidad, hay muchas disciplinas secundarias que conforman el campo del PLN, que incluyen las siguientes:
•Análisis de texto
•Reconocimiento de voz
•Comprensión del lenguaje natural
•Generación del lenguaje natural
•Traducción del lenguaje natural
Si alguna vez ha usado un programa de conversión de texto a voz o de voz a texto, ha usado tecnología que es factible gracias a una o más de estas técnicas de PLN. Los computadores pueden intentar reconocer el lenguaje, ya sea escrito o hablado, y luego analizarlo en busca de rasgos lingüísticos familiares como la sintaxis, la semántica, la fonética, la gramática, la ortografía y más. En algunas aplicaciones, los computadores pueden usar este análisis para generar un nuevo discurso o texto escrito que se aproxime a cómo los humanos realmente hablan o escriben.
El PLN busca cerrar la brecha entre la forma en que los computadores se comunican y cómo lo hacen los humanos. Puede permitir a las personas comprender más fácilmente a las máquinas y usar comandos de voz todos los días para pedir información a asistentes digitales como Siri, Google Assistant™ y Alexa. El PLN también ayuda a las personas con discapacidades a comunicarse con otras a través del uso de un computador. También puede ayudar a los humanos a interpretar volúmenes de datos de texto registrados todos los días en línea.
Figura 1. Algunas de las disciplinas secundarias involucradas en el PLN. 
Los idiomas humanos son increíblemente complejos, y en muchos casos, sufren de una ambigüedad de significado. Considere los homónimos "they're", "there" y "their" en el idioma inglés. Si le dice "they're" a un sistema de PLN, ¿cómo sabrá que no quería decir "there" o "their"? Del mismo modo, tome la siguiente frase: "Conduje al mecánico con mi automóvil". ¿Fue al mecánico que actualmente tiene su automóvil o fue al mecánico en su auto? Son complejidades como estas las que hacen que el aprendizaje automático sea tan vital en el PLN.
Al igual que los buscadores impulsados por IA, los sistemas de PLN impulsados por IA pueden examinar el contexto de un fragmento de texto o voz para determinar la intención subyacente. Un algoritmo de aprendizaje automático podría entrenarse en datos de lenguaje que indican que la palabra "they're" suele ir seguida de un participio presente (un verbo que termina en "ing") como "going" o "helping". El algoritmo también observa que es menos común que "there" y "their" sean seguidos por esta forma verbal. Por lo tanto, el sistema de PLN puede usar este contexto en combinación con muchos otros para determinar el significado real detrás de lo que una persona dice.
Cuando se trata de generar realmente lenguaje a partir de un computador, la IA también puede hacer que la comunicación sea más realista e incluso imitar los patrones de habla de las personas, lo que ayudará a que los asistentes digitales del mañana sean aún más efectivos para ayudar a los humanos en su vida diaria.
Información adicional
Para obtener más información sobre qué es el procesamiento del lenguaje natural y cómo se usa, consulte esta página.
-
Visión Artificial
La visión artificial es la disciplina que implica que los computadores interpreten imágenes y videos a un alto nivel. Su computador muestra elementos visuales dibujando píxeles en la pantalla en función de la información binaria contenida en un archivo JPEG, PNG o algún otro archivo de imagen. Sin embargo, en tareas como esta, su computador "entiende" las imágenes a un nivel muy bajo. No puede analizar esa imagen mediante la identificación de objetos específicos, ni puede identificar la dirección del movimiento en un video. La visión artificial puede hacerlo.
Al igual que el PNL, la visión artificial es una disciplina que impulsa muchos más campos y tecnologías. Algunos ejemplos son:
• Reconocimiento de objetos
• Clasificación de objetos
• Generación de imágenes
• Detección de movimientos
• Estimación de trayectoria
• Seguimiento mediante video
• NavegaciónTambién como el PNL, la visión artificial permite que los computadores comprendan mejor los conceptos que son inherentes a la inteligencia similar a la humana, como llamar a un objeto una "silla" y otro objeto una "mesa" en función de su forma, material, cómo se está utilizando, etc. La visión artificial también se puede usar para ayudar a las personas con discapacidad visual, como un computador que habla el nombre de un objeto que ve en un video a una persona con discapacidad visual.
Figura 1. Algunas de las subdisciplinas involucradas en la visión artificial. 
Considere el ejemplo presentado anteriormente del uso del aprendizaje profundo con reconocimiento facial. Si bien puede proporcionar una lista de rasgos faciales comunes, ningún rostro es igual. No importa cuántas características comunes comparta el rostro de cada persona, siempre hay diferencias. Esto incluso es cierto para objetos más simples, ¿cómo se puede llamar objetivamente a algo una "silla" cuando las sillas vienen en todas las formas y tamaños? Incluso si considera cómo se usa, ¿no se sienta la gente también en objetos que no consideraría una silla? Este es un problema que la IA debe resolver.
Al igual que cualquier otro tipo de datos, los algoritmos de aprendizaje automático pueden entrenar en un conjunto de imágenes para determinar el contenido de alto nivel de esas imágenes.
La detección de objetos y otras formas de visión artificial son especialmente aplicables a las redes neuronales artificiales (ANN) en modelos de aprendizaje profundo. La capa visible puede comenzar analizando píxeles sin procesar y las capas superiores pueden identificar formas cada vez más complejas que componen un objeto completo. Por supuesto, el reconocimiento y la clasificación de objetos son solo dos componentes de la visión artificial, aunque componentes muy grandes. La IA también puede facilitar la generación de imágenes y videos realistas entrenando un algoritmo sobre los diversos elementos que hacen que una escena sea "realista". Los sistemas de navegación también pueden responder de manera más inteligente si pueden observar su entorno: el sistema puede ver un árbol caído en la carretera y aconsejarle al conductor que modifique su rumbo.
Información adicional
Para obtener más información acerca de la visión artificial, consulte esta página -
Robótica
La robótica es la disciplina que implica el estudio, el diseño y la operación de robots. Sin embargo, no existe una definición universalmente acordada de "robot". En general, se puede decir que un robot es una máquina que puede actuar en el mundo físico con cierto grado de autonomía. En otras palabras, un robot puede actuar independientemente del control humano. Por lo tanto, un dron radiocontrolado no sería un robot, sino un dron que puede moverse por sí solo. Si bien la concepción popular de un robot es algo que al menos parece humano, como un androide, esto no es un requisito. Hay robots industriales, como Unimate, que no se parecen en nada a las personas.
Dado que los robots están diseñados para tener un efecto físico en un entorno, son útiles en formas en que los otros sistemas descritos en esta lección no lo son. No simplemente toman decisiones en un mundo digital, sino que pueden cambiar el mundo real que los rodea. Hay robots que realizan tareas repetitivas, extenuantes o peligrosas en entornos industriales; robots que limpian los hogares; robots que se utilizan en el ejército; robots que cuidan a enfermos y ancianos; robots que realizan investigaciones científicas en áreas remotas como el espacio y muchos, muchos más.
Figura 1. El rover Curiosity puede actuar de forma autónoma y, por lo tanto, se considera un robot. Un dron radiocontrolado no lo es. 
La robótica y la IA están muy entrelazadas. De hecho, algunas definiciones de "robot" requieren al menos cierto nivel de inteligencia artificial. Para actuar de forma autónoma, un robot debe ser capaz de actuar sin la guía en tiempo real de un ser humano. Por lo tanto, debe exhibir habilidades para la toma de decisiones que son sellos distintivos de la inteligencia. Sin embargo, el nivel de esta inteligencia es muy variable. Un robot de soldadura industrial debe poder detectar los materiales metálicos que llegan delante de él en la línea de montaje, orientar su brazo de soldadura en la posición adecuada, activar la herramienta de soldadura, mover la herramienta a lo largo de la ruta adecuada y luego desactivar la herramienta. Esto requiere mucha menos inteligencia que un robot de propósito general que puede navegar por un entorno complicado por sí solo e interactuar con objetos de muchas maneras diferentes.
Además, la robótica también puede utilizar otras aplicaciones de IA como el PNL y la visión artificial para mejorar la inteligencia de los robots. Por ejemplo, un robot diseñado para cuidar a los enfermos o ancianos tendría que ser capaz de identificar que la figura que se aproxima es un ser humano, en lugar de algún otro objeto. El robot también podría entrenarse para entender y generar el habla; si la persona saluda al robot con "Hola, mi nombre es Isaac", el robot puede determinar que se trataba de un saludo y que la persona que realiza el saludo se llama "Isaac". A continuación, podría responder con "Hola, Isaac. Gusto en conocerte".
Información adicional
Para obtener más información sobre cómo la IA y el AA afectan a la robótica, consulte esta página
Para obtener más información sobre aplicaciones para IA y el AA en robótica, consulte esta página
-
Ejemplos de IA y AA aplicados
A través de la ciencia de datos, el PLN, la visión artificial y muchas otras aplicaciones, la IA y el AA tienen innumerables usos. Algunos ejemplos se proporcionan aquí.
Casos de uso Ejemplos Inspección automatizada
- Analice las piezas de metal fundido automáticamente a medida que emergen de un molde de inyección y expulse las piezas defectuosas a un contenedor de reproceso.
- Utilice drones para analizar propiedades en busca de incendios forestales, personas desaparecidas, vida silvestre, etc.
- Inspeccione las botellas de vidrio en una planta embotelladora en busca de grietas y etiquetas faltantes, extraviadas o incorrectas, a medida que pasan por una línea de montaje.Negocio
- Interprete las llamadas que ingresan al Departamento de Atención al Cliente y derive con exactitud a la persona adecuada para resolver problemas.
- Prediga dónde y cuándo es más probable que se necesite personal en la oficina y en el centro de atención telefónica al cliente, los equipos, los vehículos de la compañía y el equipamiento para maximizar el uso y la productividad.
- Identifique el inventario de productos que puede reducirse para disminuir los costos de inventario.
- Recomiende productos adicionales u otros basados en aquellos en los que el cliente ya demostró interés.Tareas de identificación o clasificación
- Analice los ID, las tarjetas de licencia, el papel moneda y otros artefactos físicos para identificar aquellos que pueden falsificarse o manipularse.
- Analice las imágenes de diagnóstico médico para identificar problemas con anticipación y de manera más coherente.
- Ordene los productos en varios tipos en función de diferentes criterios, incluidos el color, la forma, el tamaño, etc.
- Utilice el reconocimiento facial para desbloquear un teléfono inteligente o analice las cámaras de seguridad en las áreas públicas en busca de personas desaparecidas o intrusos.
- Utilice el aprendizaje automático para localizar las semillas entre los cultivos, de modo que los equipos de pulverización puedan dirigirse a ellas, reduciendo de manera significativa los herbicidas utilizados.Guía de procesos y navegación
- Proporcione superposiciones visuales en el campo de visión de un cirujano durante un procedimiento médico, destacando la anatomía, la ubicación de los huesos subyacentes, los nervios, los vasos sanguíneos, los órganos, etc.
Seguridad
- Detecte y prevenga intrusiones en redes informáticas.
Interacción visual
- Utilice aplicaciones de realidad aumentada para permitir a los usuarios direccionar la cámara de su dispositivo móvil hacia un objeto o ubicación y visualizar información sobre productos, precios, cupones, o escuchar narraciones durante las visitas guiadas, etc.
-
Descripción de los usos de la IA
Escenario
Está continuando su pasantía y ayudará al equipo a seleccionar el siguiente conjunto de proyectos en los que trabajar. Como parte de esto, deberá revisar las solicitudes de ayuda enviadas por varios grupos de candidatos y determinar si una solución de IA puede ayudar y cómo.
-
Campus
