Desmitifica la IA: una guía accesible para todos

1. Descripción del curso: Hola a todos. Es un hermoso día para estar vivo. Hoy tenemos un curso muy increíble que va a hacer que nuestra vida sea súper, súper fácil. El curso se titula I para todos, el núcleo del curso es simplificar un I make I, muy simple para cualquiera sin importar cuál sea su experiencia, cuál sea su libertad de pericia, lo que haga en la vida. Vamos a tomar I, que es un término muy complejo, campo muy complejo, y simplificado, sea fácil para cualquiera involucrado y ese es el objetivo de nuestro curso. Un enfoque simplificado lo que significa que todo va a ser trazado de una manera muy, muy fácil. Para que podamos entender cómo puedes usar la IA en tu vida diaria, en tu trabajo, y en cualquiera de tus pasatiempos. Entonces hablemos de esto juntos. Muy bien, por lo que principalmente los tribunales cubrirán los principales bloques de construcción que son introducción a la gelación artificial Entonces, ¿qué es la IA? ¿Cómo podemos definirlo? También vamos a cubrir machine learning y diplaring porque estos son algunos cachorros que son muy utilizados por desarrolladores de IA y personas en el campo Entonces vamos a simplificar el, hacerlos fáciles fundamentos de la IA Entonces, ¿cuáles son los principales bloques de construcción de la IA? ¿Qué es la IA desde una perspectiva técnica y también intelectual? ¿Cómo podemos pensar en la IA? Y cómo, qué está pasando detrás del barrio, si se quiere, detrás de las cortinas. Y por último, construyendo proyectos con IA. Entonces vamos a estar pensando en un proyecto. ¿Cuáles son los pasos que vamos a tomar nota para construir un proyecto? Y ¿cómo podemos construir un gran proyecto de IA siguiendo un enfoque paso a paso muy sencillo? Entonces vamos a aplicar este proyecto en una situación de recompensa. Bien, Entonces tres puntos principales. Introducción a la IA, fundamentos de la IA y construcción de un proyecto usando inteligencia artificial. Todo bien. 2. IA vs aprendizaje automático vs aprendizaje profundo: Ahora hablemos inteligencia artificial dándole una definición rápida. Entonces hablar sobre el aprendizaje automático, y finalmente hablar sobre el aprendizaje. El objetivo aquí es facilitarnos la comprensión de la inteligencia artificial, el aprendizaje automático y el aprendizaje desde una perspectiva muy fácil, así que aquí no hay palabras técnicas, nada loco. Mantenlo simple. El objetivo es simplificarlo. Y también agregué el aprendizaje automático, un despliegue aquí, porque muchas veces están usando artículos, noticias en línea, etcétera, en periódicos, en sus medios Así que siempre es bueno para nosotros entender estas palabras clave y asegurarnos de que las entendemos porque siempre se usan. Y simplificarlos. Para que podamos usarlos en nuestras conversaciones diarias y podamos entender si estamos construyendo una herramienta de IA, ¿de qué estamos hablando y cómo podemos usarla? Entonces comenzamos con la inteligencia artificial. ¿Qué es la inteligencia artificial? La inteligencia artificial, también conocida como IA, es un campo de la computación que hace que las máquinas piensen y actúen como humanos. El objetivo aquí es llevar una máquina, computadora, reloj inteligente, Smartphone, TV inteligente, cualquier cosa que contenga una CPU, Rap, cualquier cosa que contenga una computación, digamos hardware Pensemos en esto desde una perspectiva muy sencilla. Cualquier herramienta informática y todo hoy en día es una herramienta informática que puede actuar y comportarse como un ser humano. Eso es increíble. Eso es genial. Un ejemplo. Hoy en día tenemos muchas herramientas que pueden hablar, que les proporciones algún texto y ellos puedan tomar ese texto y te hablen. Tenemos muchas herramientas que pueden tomar una foto y entender esa foto, lo cual fue muy difícil de hacer para las computadoras en los primeros días. Fue muy difícil para una computadora tomar una foto, entenderla, entender qué es, qué hace, etcétera Hoy en día, las herramientas pueden tomar una foto y te pueden decir exactamente lo que está sucediendo en la imagen. Tenemos a una persona corriendo en un bosque vistiendo las siguientes prendas, etcétera Entonces esto es algo muy, muy avanzado lo que nosotros como seres humanos solíamos ser muy buenos. Solíamos ser, ya sabes qué, esto es, único que las computadoras no pueden hacer es entender las imágenes. Comprender lleva comprender el lenguaje, comprender el audio hasta hoy en día. Eso lo puedo hacer fácilmente. Entonces esto es cada vez que ves algo que es humano como una herramienta, un, un programa que es humano así hace como el comportamiento humano. Por ejemplo GPT o AI abierta, GPD, hace el trabajo Puede generar texto amigable con el ser humano. Texto que se asemeja al texto que fue escrito por seres humanos. Eso es IA. Entonces esta es una definición realmente rápida para la IA. Espero que tenga sentido. El segundo es el aprendizaje automático. aprendizaje automático es el proceso mediante el cual las computadoras aprenden y se adaptan a partir de los datos sin ser programadas explícitamente. Entonces, permítanme simplificar la definición. El aprendizaje automático es un subcampo de la IA que toma datos y aprende de los datos sin ser programa La programación, si lo piensas bien, es la capacidad de darle a una computadora un conjunto de instrucciones. Oye, computadora, abre este paso. Oye, computadora, abre esta herramienta, califica la herramienta, ingresa mi nombre a mi correo electrónico en mi teléfono. Entonces le estamos dando algunas instrucciones a la computadora . Eso es un programa. Entonces, cada vez que abres un programa en tu computadora, lo hace enfoque paso a paso. Funciona dando una instrucción. Entonces digamos que tienes un reproductor multimedia que reproduce videos en tu computadora o en tu teléfono. Lo abres, el programa en sí abrirá automáticamente tu video, comenzará a reproducirlo. Quieres ajustar el video e ir a, digamos que el 50% del video tiene digamos que el video es de 2 minutos y quieres ir a la marca de 1 minuto, solo puedes arrastrar y pasar a la marca de 1 minuto. Entonces estos son programas, no entienden la lógica humana ni una intuición humana Pero el aprendizaje automático toma datos y entiende cómo funcionan esos datos y entiende a la persona en los datos. Te voy a dar un ejemplo en machine learning, es un ejemplo muy fácil llamado el ejemplo de tasa de churn Entonces muchas empresas que principalmente están ganando dinero con las suscripciones, quieren entender la churn ery Quieren entender cuántas personas van a cancelar la suscripción el próximo mes para que podamos platicar con ellos. Oye, ¿por qué cancelas la suscripción y qué está pasando? ¿Podemos hacer algo mejor para que entiendas que generan o esa tasa de cancelación de suscripción Lo que sucede es que las empresas corrigen datos sobre todos los suscriptores, se los dan a una herramienta de aprendizaje automático. Y la herramienta de aprendizaje automático nos va a predecir quiénes son las personas que van a darse de baja, cómo va a entender la patente Para que una persona se dé de baja, es necesario que tenga entre esta edad y esta edad Necesitan estar usando sus actividades entre este tiempo y este tiempo. Entonces esto es realmente interesante porque hoy en día las computadoras pueden entender los datos y aprender de ellos. Entonces el aprendizaje automático es pesado de datos, así que solo le damos algunos datos a la computadora, Oye, computadora toma los datos y luego la computadora los entenderá y nos lo ponemos fácil trabajar con ellos. Bien, ahora hablemos de Diplony. Ploy es una técnica donde las computadoras aprenden a identificar patrones y tomar decisiones similares a cómo funciona el cerebro humano diplonía es un campo más avanzado, digamos, que la IA y el aprendizaje automático donde se trata de datos pesados Por lo que se necesitan más datos que el aprendizaje automático. Y funciona usando, estoy seguro que escuchaste esta red neuronal. Entonces solo una manera en que la computadora entienda los datos usando el mismo enfoque que el cerebro humano. En nuestro cerebro, tenemos algunas neuronas que están conectadas entre sí para que podamos entender, recordar, etcétera Desarrollamos un programa que hace eso, pero ese programa solo funciona si tienes muchos datos. El ejemplo churnet se puede aplicar aquí. Por lo que la tasa de cancelación de suscripción se puede aplicar aquí. También. En este caso, la visión por computador. Por lo que entender una imagen se puede aplicar aquí. El reconocimiento de voz se puede aplicar aquí. Entonces pron es sólo un subpheld. Tomemos como subpheld que elige programa una herramienta que se asemeja al cerebro humano Muy sencillo. La única diferencia entre máquina de IA y Per requiere muchos datos. Se necesita una gran cantidad de datos para que la computadora entienda la pasión, ¿qué está pasando aquí? ¿Por qué este usuario está tomando esa decisión? ¿Por qué esta imagen es diferente de otra imagen? Entonces esta es la diferencia. Ai pensando como un ser humano, aprendizaje automático, programación de un programa de computadora, dándole datos para que pueda entender cómo tomar decisiones y aprendizaje profundo. Es una técnica, un subcampo de IA, donde tenemos un programa llamado redes neuronales, o redes neuronales, que se asemeja a cosas como el cerebro humano, ya sabes, y necesita una gran cantidad de datos para comprender patrones y tomar decisiones Entonces estos son tres campos, simples, fáciles de entender, no les den más pensamiento que merecen, muy, muy simple. Todo bien. 3. IA vs aprendizaje automático vs tareas de aprendizaje profundo: Ahora hablemos de las tareas que realiza la IA. ¿Cuáles son algunas de las tareas que realiza la IA? Entonces estaremos hablando de las tareas que realiza la IA, la tarea reformada por el aprendizaje automático, y las tareas que realiza en IA. ¿Qué podemos hacer? Podemos hacer reconocimiento de imágenes, así podemos reconocer las imágenes como te dije. Entonces tenemos una computadora de imagen y la computadora no puede entender lo que sucede dentro de la imagen. Esto realmente se llevó a cabo para computadoras, reconocimiento de voz. dar fácilmente las instrucciones de la computadora. El computador, ¿puede abrir el archivo por favor? Hey computadora, ¿Se puede reproducir el video? Oye computadora, ¿puedes hacer esto? ¿Puedes abrir mi navegador? ¿Puedes ir a mis redes sociales? Entonces le damos instrucciones a la computadora y la computadora debe tomar nuestro audio, convertirlo a instrucciones, y luego realizar las instrucciones de manera muy precisa. Eso es lo súper duro para las computadoras hoy en día, se puede hacer. Sistemas de recomendación, estos son sistemas como Netflix, así que ves una película, Netflix comprenderá tus preferencias, qué tipo de películas te gustan, y vas a obtener recomendaciones de películas similares. O los sistemas de recomendación son muy, muy poderosos. Principalmente toman tu comportamiento y en base a tu comportamiento, te recomendaremos las películas o cualquier cosa que se parezca a lo que estás haciendo. Entonces estos también son geniales, geniales, digamos aplicación de IA, vehículos autónomos. Entonces estos son vehículos que pueden conducir ellos mismos. Entonces vemos muchas empresas que actualmente están desarrollando autos autónomos y vehículos que pueden entender fácilmente la carretera, entender los vehículos que quizás están al otro lado de la carretera, etcétera Y pueden hacer la tarea sin ninguna intervención humana. Son muy poderosos, pero aún se les está programando y entrenando. Robótica, todos los robots que ves en el mundo son todos de ritmo porque necesitan ver visión por computador. Necesitan platicar. Reconocimiento especial, necesitan entender las recomendaciones de reconocimiento de audio. Necesitan entender tu preferencia para que puedan hablar contigo de una manera que tenga sentido para ti. Autónomo, también capacidad. Por lo que necesitan ser capaces de moverse fácilmente. Entonces estos son algunos de los avances que vamos a utilizar en los próximos años, y quiero que los vigiles. Todo bien. Ahora hablemos de algunas de las tareas que realiza la máquina. Tenemos filtrado de spam. filtrado de spam es la capacidad de una computadora para filtrar sus correos electrónicos de spam y no spam. Entonces tenemos un correo electrónico la computadora sin su intervención, leeremos el correo electrónico y veremos, bien, este correo electrónico contiene un mal enlace. Este correo electrónico no es, no lo hace localmente, oh, esto es spam. Entonces esto es realmente avanzado y esto hace que nuestra vida sea muy, muy fácil. Cómo funciona. Le damos a la computadora un montón de datos de spam y no spam, y la computadora comprenderá las pasiones de los datos de spam o correos electrónicos no deseados y en el futuro será protector y el correo electrónico va a ser spam. Entonces esta es una gran aplicación para que simplifiquemos nuestra vida. El análisis sentimental se utiliza principalmente en las redes sociales. Entonces, cuando eres una empresa o tienes tu propia marca o tu contenido creado, quieres entender cómo se siente tu gente o cómo tal vez tus usuarios sienten acerca de tu marca y tu contenido. Entonces, si tienes una herramienta de análisis sentimental que te llevará digamos Tweet o publicaciones de Facebook o cualquier cosa Y te dirá si tus clientes están contentos. Están tristes. Están locos. Están alegres. Entonces te dirá lo que está pasando, para que puedas tomar medidas. Entonces, si digamos que los clientes están locos, puedes hablar con ellos. Si son felices, también puedes llevárselos. Entonces, el sentimentalismo es la capacidad de la computadora para comprender fácilmente el sentimiento de un individuo usando sus expresiones, comportamiento y su texto Bien, detección de fraude, esto es principalmente usar la industria financiera para entender si una transacción es fraude. Para que podamos detectarlo y poder detenerlo. Por lo que funciona fácilmente al darle a una computadora cuáles son algunas transacciones fraudulentas y transacciones no fraudulentas. Y la computadora va a entender cuáles son fraudes y cuáles no son fraudes. clasificación de imágenes es la razón por la que la computadora toma una imagen y la clasifica. Entonces esta es, digamos, una imagen de computadora. Esta es una imagen de oficina, esta es una imagen de auto. Muy, muy agradable. El análisis bursátil es también otro subcampo donde la computadora utilizará fácilmente el aprendizaje automático. Trate de predecir el precio de una acción o el orgullo de cualquier valor financiero solo mirar los datos históricos o los datos o ese instrumento financiero sin ningún problema. Bien, entonces aplicaciones muy simples que están revolucionando el mundo, como toda gran corporación que hay usando estas herramientas, las está usando a diario para aprovechar la situación Porque si no estás usando IA, se puede usar en tu contra. Así que es muy agradable usar IA y pensar en algunas de las aplicaciones para saber exactamente cuándo estamos hablando de IA y cuándo estamos hablando de un programa de computadora simple. Bien, ahora hablemos un poco sobre el aprendizaje. El aprendizaje es más avanzado, como te dije. Utiliza red normal. Entonces es otra forma, un programa que entiende los datos utilizando el mismo enfoque que un cerebro humano. E implica en las siguientes tareas. Entonces tenemos procesamiento del lenguaje natural, es un campo muy, muy importante que entiende el lenguaje humano. Entonces le das algo de lenguaje a la computadora, comprenderá las palabras, la forma en que escribes oraciones, el texto. Y puede generar texto para ti. Ors puede darte una respuesta basada en tu respuesta. Así procesamiento del lenguaje natural, detección Anamaly. Entonces esta es una gran, gran manera para que las computadoras entiendan cualquier cosa que sea anormal. Entonces digamos comportamiento anormal por parte de los usuarios de tu cuenta. Comportamiento anormal por instrumentos financieros, comportamiento anormal por su computadora. Entonces esto es realmente usado para la ciberseguridad y también de la industria financiera Detección anamalía para detectar cualquier comportamiento anormal, reconocimiento facial. Entonces esto también es genial para, digamos, aspectos de seguridad. Entonces quieres abrir tu computadora o tu smartphone usando tu rostro, Reconocimiento facial. Entendemos tu característica, tu característica facial. Y abriremos tu computadora o tu laptop si es realmente quien está abriendo el smartphone, la computadora. Segmentación de clientes, otro subcampo de deplaring o aplicación de deple, donde tenemos pulso de clientes y los segmentamos en base Tenemos clientes a los que les gusta el producto A, clientes a los que les gusta el producto B, clientes que les gusta el producto, etc. Generación de texto, así que de esto es de lo que todos hablan hoy en día como Ch GPT Entonces cuando generamos texto, le hacemos una pregunta a la computadora y obtenemos algo de texto. Hey computadora, ¿ puedes por favor escribir 2,500 artículos sobre Machelleuniformy Y la computadora escribirá esto maravillosamente con un artículo elaborado. Tenemos muchas herramientas como GPT que pueden hacer eso hoy en día Y lo pueden hacer de una manera muy, muy avanzada, así que ni siquiera sabes si es un humano o una herramienta de IA. Bien, entonces estas son solo algunas tareas, algunas aplicaciones de deep learning. Y quería compartir con ustedes sordos para que puedan ver. Bien, entonces, ¿qué es, qué no, qué es el mecanizado, qué no es maquinaria? ¿Qué es ply y qué no se implementa? Entonces podemos hacer esa distinción entre yo y simplemente programas informáticos o software simples. Bien, así que esto fue para las tareas. Ahora hablemos un poco sobre el principal que construypl. 4. Bloques de construcción de la IA: Entonces, ¿qué son los bloques de construcción de IA? Creé un gráfico muy simple para ti que toma cuatro bloques de construcción de IA. Entonces, para crear una herramienta de IA, necesitas cuatro bloques de construcción principales. Contamos con algoritmos de datos, potencia computacional, implementación y mantenimiento No te preocupes, me aseguraré de explicarles cada una de ellas de una manera muy, muy fácil. Pero estos son los principales bloques de construcción en los que puedes pensar. Cada vez que estás pensando en IA. Quieres desarrollar una herramienta de IA en tu empresa, en tu trabajo, en tu tarea diaria, como creador de contenido, en tu vida personal, algo para ti y tu familia. Puedes hacerlo usando IA. Pero hay que pensar en los datos del bloque de construcción principal. ¿Tengo datos para hacer ese algoritmo? ¿Qué algoritmo debo elegir? Qué herramienta debo elegir, si se quiere, Poder computacional ¿Tengo una computadora fuerte para hacer esa implementación y mantenimiento? ¿Dónde puedo desplegar? ¿Dónde tal vez puedo poner esta herramienta para poder usarla en mi familia o mis compañeros de trabajo pueden usarla? Bien. Muy sencillo. Muy fácil. Ahora profundicemos en cada una de ellas. 5. Datos: Datos. Los datos son el combustible del tiempo de IA que escuchas sobre los datos, este es el combustible de, sin datos, nunca tendremos IA. Ai necesita datos para funcionar sin ellos. No puede operar. Si recuerdas el ejemplo de correo electrónico de spam. Para que podamos desarrollar un filtro de spam basado en IA, una herramienta que filtrará tus correos E de esperma y no spa, Necesitamos una herramienta, o necesitamos esa herramienta, para, para obtener muchos correos e y para que nosotros filtremos, esto es spam y esto no es spam. que la computadora pueda entender las versiones de un correo electrónico no deseado y la persión de un correo electrónico no spam Entonces esto es muy importante. Es el combustible de los datos. También para las transacciones financieras, necesitamos muchos datos históricos, pero una acción por ejemplo, para entender, bien, cómo se comportan los precios y se mueven Los datos de calidad y cantidad importan en sí. Quiero que siempre por favor me hagas un favor. Pensar en la calidad de los datos son los datos que tengo. Datos de calidad, por ejemplo, si tienes muchos datos de spam, pero no están limpios, no son de alta calidad. No hay distinción pura entre qué correo no deseado y qué es un correo no spam Tu herramienta de IA no se comportará muy bien. Entonces es igual que nosotros como seres humanos. Aprendemos de los libros, aprendemos de los cursos. Si el curso es de alta calidad, aprenderás fácilmente. Entonces lo mismo porque la IA es aprender, estamos entrenando IA. Los datos en sí deben ser de alta calidad. Mejores datos conducirán a una herramienta más confiable. Por eso a veces tendremos dos empresas que están realizando la misma tarea. Generación de texto a partir de la compañía A y generación de texto a partir de la compañía B. La compañía A está haciendo mucho mejor. La única razón por la que están haciendo eso es por sus datos. Los datos que utilizan para entrenar su herramienta son altos, de alta calidad. Bien, ahora hablemos de preparación de datos. Siempre que se habla de datos, siempre hay una tarea que va de la mano con los datos, que es la preparación de datos. Entonces los datos, una vez que los tienes, digamos que estás en una empresa y les dices tus compañeros que necesitas muchos datos para desarrollar una herramienta. Esos datos deben ser exportados o tomados de tus compañeros o digamos que quieres desarrollarlos en tu casa, tomarlos de tu computadora o teléfono inteligente o lo que sea, y luego limpiarlos. Eliminar cualquier cosa que no vaya a ser útil si digamos que contiene veces spam, o digamos una fecha o lo que sea, hay que eliminar eso. Si los datos contienen una descripción que no va a ser utilizada por tu para eliminarlos. Así que limpia los datos, asegúrate de que los datos sean puros. Entonces el caso del correo electrónico, tenemos el título del correo electrónico. El correo electrónico, digamos asunto. Y luego tenemos el contenido del correo electrónico o el cuerpo del correo electrónico. Se lo damos a la computadora. La computadora elimina, digamos, cualquier cosa no relacionada que no ayude a la herramienta de IA a entender y tomar medidas A veces la forma en que limpio los datos es que me hago la pregunta. Si estaba haciendo las tareas manualmente, ¿estos datos me ayudarán en mi tarea? Entonces piensa en limpiar los datos desde una perspectiva humana. Yo, siempre vamos a utilizar la inteligencia humana en este caso. Y es muy bueno para nosotros limpiarlo y seguir las mejores prácticas para limpiar los datos. Bien, ahora hablemos un poco sobre algunos ejemplos de datos en IA. Entonces cada vez que hablamos de datos en IA, tenemos cuatro distinciones principales Y estos son solo ejemplos, tenemos datos de texto, así que cualquier tipo que tengas datos basados en texto, así que digamos correos electrónicos, libros, artículos. Estos son datos de texto. Puedes dársela a la IA, la IA la entenderá y te dará alguna salida o algunos resultados. Datos de imagen, así que esto es realmente bueno para la visión por computador si estás intentando desarrollar una herramienta que entienda las imágenes. Así podrás darle fácilmente un montón de imágenes en cualquier formato y la herramienta lo entenderá. Datos numéricos. Entonces tenemos muchos datos. Es un dato bursátil, datos de transacciones financieras. Digamos que si eres profesor, tienes algunas calificaciones de tus alumnos. Simplemente puedes dárselo a la herramienta de IA y analizar esas calificaciones. Entonces esto es realmente genial. Los datos numéricos son, con mucho, el número de datos casi utilizados en el campo de la IA porque son fáciles de entender y también son matemáticos, por lo que la computadora puede entenderlos fácilmente en datos de audio Esto es para texto de audio. Si quieres generar algún audio o la computadora para entender el texto que le des de una manera reconocible del habla. Entonces tenemos un asistente en línea o un asistente de IA, así que solo puedes hablar con él. Entiende lo que necesitas y realizará la tarea. Entonces esos son todos algunos de los principales puntos de datos que quiero que recuerden. Entonces tenemos datos de texto como una imagen de correo electrónico, datos como su imagen, datos numéricos como sus transacciones financieras y datos de audio como su grabación de audio o un asistente en línea. Entonces estos son algunos ejemplos que quiero que recuerdes. 6. Algoritmos: Ahora hablemos un poco de algoritmos. El segundo bloque de construcción de la IA son los algoritmos. El cerebro de la IA es el algoritmo. Ai utiliza el algoritmo como su cerebro para procesar los datos y tomar decisiones. Una vez que tengas los datos, por supuesto, necesitamos una forma para que la computadora procese los datos. Tenemos un algoritmo que hace eso. El algoritmo es solo un conjunto de pasos para decirle a la IA cómo procesar los datos y comprender la ruta. No te preocupes, todos los algoritmos de IA son de código abierto, disponibles en línea. Si quieres desarrollar una herramienta de IA, no tienes que desarrollar el algoritmo desde cero y construirlo y probarlo. Cada gran algoritmo está disponible en línea, código abierto, que puedes usar, implementar y comenzar a trabajar con él. Entonces esa es la belleza de la IA. Segundo punto en el que quiero que pienses, cada vez que estés pensando en algoritmos, tipos de algoritmos. Ai cuenta con diferentes algoritmos para diferentes tareas. La maquinaria predice con datos históricos, mientras que el aprendizaje es excelente para la imagen y el reconocimiento especial. Entonces, piénsalo. Entonces, por cada tarea que estés realizando, tienes que pensar, bien, ¿qué tipo de algoritmo debo usar si estoy tratando de procesar imágenes? Cuáles son los mejores algoritmos, las mejores herramientas que pueden tomar mis datos y procesarlos para una tarea de imagen. Por lo que siempre hay que tomar sobre un buen algoritmo que pueda hacer el trabajo. Entonces solo vincula en los acertijos. Este rompecabezas va, este rompecabezas. ¿Cómo podemos hacerlo fácilmente sin ningún problema? Bien, aprendiendo de los datos. Entonces aprendo de los datos usando diferentes algoritmos. Así que tenemos algoritmos supervisados y algoritmo de refuerzo de algoritmos supervisados. No te preocupes por los nombres. El objetivo es simplificar los términos. Entonces solo necesitas entender que tu objetivo es cierto. Número uno, prepara los datos. Número dos, toma los datos y encuentra cuál es el mejor algoritmo que puede realizar un gran trabajo para mi muestra de tarea. Ni siquiera te preocupes por ello. Bien, siguiente. Ahora hablemos un poco sobre algunos ejemplos de algoritmo. Entonces estos son sólo algunos ejemplos. Yo sólo pongo aquí cuatro ejemplos para nosotros. Comenzamos por recreación lineal. La regación lineal es un algoritmo disponible en línea, de código abierto, que todos podemos usar para desarrollar una IA para, que toma datos numéricos y predecir datos futuros Un ejemplo serían las ventas. Eres una empresa y quieres predecir las ventas del próximo mes. Darás una IA a las ventas durante los últimos diez años y utilizarás el algoritmo de recreación lineal disponible en línea de forma gratuita. Una vez que se lo da al algoritmo de regeneración lineal, la herramienta de regulación lineal, si se quiere La computadora, entendemos los datos y ahí vamos, vamos a tener tu respuesta. ¿Cuáles son las ventas del próximo mes? La computadora hará el trabajo por ti. Entonces, cada vez que esté usando o tratando con datos numéricos, el mercado de valores también es un gran ejemplo. Dáselo a la computadora y lleve la computadora a la obra. ¿Bien? Árboles de decisión. Los árboles de decisión son increíbles porque se utilizan para la clasificación. Digamos ejemplo. Entonces tienes un aula con muchos alumnos y estás tratando de predecir qué alumnos van a hacer creando un examen y cuáles no van a hacer creando un examen. Lo que puedes hacer es dar una herramienta de IA, un árbol de decisiones. En este caso, todos esos datos y la computadora predecirán que esto va a pasar y este alumno va a fallar. Entonces esta es una gran herramienta si tienes una decisión. Entonces estás tratando de predecir si un cliente se va a suscribir y suscribir un correo electrónico más o menos. Spam, spa. Tenemos un árbol. Tenemos un árbol de decisiones que se va a construir en base a tus datos, no te preocupes por ello. Está disponible en línea para que puedas usarlo sin ningún problema. Y esto es realmente genial para la decisión numérica no numérica. Cada vez que estés haciendo algo que no es numérico, se puede poner en una entrada decis Las redes neuronales es la que expliqué anteriormente. Para que pueda volver a hacerlo. No se preocupe. Entonces es principalmente un algoritmo, una herramienta que utiliza las funcionalidades del cerebro humano en un algoritmo. Las personas que desarrollaron una neurona, fueron y estudiaron los cerebros humanos En el cerebro humano, tenemos algunas neuronas, Se conectan juntas para tomar una decisión. Entonces desarrollemos una herramienta que utilice el mismo enfoque, e intentemos dársela a una computadora y veamos qué sucede. Es solo una emulación como representación de los cerebros humanos Por eso se llama red neuronal. Entonces es una red, es un montón de puntos que están conectados entre sí. Toma datos para tomar una decisión. Esto es realmente bueno para el reconocimiento de imágenes. Es increíble para la generación de texto. Cualquier tarea que sea muy, muy difícil de hacer, se la das a un trabajo neuronal el cual está disponible en línea de forma gratuita y hace el trabajo por ti. Un bosque aleatorio es un montón de árboles. Entonces, si tienes una decisión muy difícil que estás tratando de tomar, entonces estamos tratando de proteger, digamos en estos clientes en particular, ¿qué cliente es más probable que nos compre un producto? Entonces esta es una decisión muy difícil porque quién compra y quién no no es una respuesta fácil Ahora va a tomar una gran cantidad de datos en nuestro comportamiento de compra cuando, ¿cómo es que el cliente siempre nos compra en julio? Entonces tenemos que pensar estas preguntas y dárselas a la computadora. Digamos que recopilamos una gran cantidad de datos sobre el cliente y se los damos a la computadora en el formato bosque aleatorio. Y ahí vamos, vamos a tener nuestra respuesta usando bosque aleatorio. Por lo tanto, también es bueno para algoritmos basados en decisiones o problemas basados en decisiones, y es excelente para decisiones complejas. Catión lineal, datos numéricos, árbol de decisión y bosque aleatorio, datos no numéricos. Principalmente decisiones norangework para tareas complejas como la visión por computador Estás tratando de entender una imagen, reconocimiento de voz, estás tratando de entender la voz, reconocimiento de voz, etcétera Entonces estos son algunos de los ejemplos. Todos los mejores algoritmos están disponibles en línea, por lo que nunca tienes que programarlos desde cero o aprender sobre programación, etcétera Todo lo que tienes que hacer, úsalos y te levantarás bien. 7. Potencia computacional: Ahora hablemos un poco sobre el poder computacional. Entonces, en esta diapositiva, quiero centrarme principalmente en ¿por qué necesitamos poder computacional para desarrollar una herramienta de IA Todas las herramientas de IA, todos los programas de IA, necesitan poder computacional para procesar los datos La idea aquí es que necesitamos una computadora muy fuerte, un hardware muy fuerte. Sabes, yo ni siquiera iría al DTSCPU Ram. Vamos a mantenerlo muy sencillo. Necesitamos una computadora fuerte para tomar esos datos, procesarlos y comprender cómo funcionan. Y este es un principal bloque de cebo de la IA, porque sin el poder computacional holandés, será difícil para la computadora procesar los datos Digamos que tenemos miles de millones de puntos de datos, miles de millones de digamos clientes que estamos tratando de procesar. Por supuesto, necesitamos una computadora muy, muy fuerte con una fuerte memoria de CPU B y todas las técnicas de hardware, una computadora de computadora para procesar esos datos y darnos una respuesta. Entonces es el motor de la IA. Sin una computadora fuerte, una herramienta fuerte, hardware mismo, no vamos a poder hacer nada. Entonces la IA va a ser utilizada a diario por muchas empresas y mucha gente. Por lo que el uso del poder computacional está en una demanda creciente. Muchas empresas y muchos individuos están ahora usando computación en la nube. Entonces vas a Amazon o acrosoftazu o Google Cloud. Acudes a uno de los proveedores de nube, uno de los grandes proveedores de nube, y ellos te darán ese poder computacional Pero hay que pagarlo, obviamente. Y esto es algo que hay que entender que debido a que la IA necesita un fuerte poder computacional, hay una demanda creciente Ahora todo el mundo está tratando destinar y pagar el poder computacional para poder utilizarlos. Y tener una experiencia increíble, increíble con el desarrollo de hidroeléctrica. Entonces, debido a que el poder computacional está en demanda, muchas empresas como Intel y todas las compañías computacionales que están desarrollando hardware ahora están creando un hardware más avanzado Entonces un mejor procesador, una mejor memoria, una mejor unidad de procesamiento gráfico. Están creando muchas de estas increíbles herramientas y funcionalidades increíbles que podemos usar por los desarrolladores de IA para hacer el trabajo más rápido. Entonces ese es el poder de la misma. En esta época en la que vivimos, estamos en una oportunidad increíble. ¿Por qué? Porque ahora las computadoras son fuertes, ahora tenemos muchos datos, y ahora tenemos muchas gomas que podemos usar. Así que estamos en un momento perfecto, en un lugar perfecto para usar la IA en nuestra vida diaria, en nuestros negocios, y en todo lo que hacemos. Muy bien, entonces piensa en el poder como cuáles son algunas de las cosas de hardware que cómputo como cuáles son algunas de las cosas de hardware que necesito hacer para bajar el trabajo, para que mi vida sea fácil sin ningún problema Y ahora podemos hacerlo fácilmente gracias a empresas como la India, como Intel. Porque nos están proporcionando todas estas cosas y solo podemos usarlas sin ningún problema. Entonces eso es algo a tener en cuenta. Y tal vez juegan un papel crítico en el desarrollo de A, y el avance de la IA. si recuerdas conmigo hace apenas unos años, no teníamos computadoras fuertes y tenías que pagar mucho dinero para conseguir una computadora rápida muy fuerte hoy en día, puedes obtenerla fácilmente o simplemente puedes, si estás desarrollando una herramienta AA, solo vas a ir a un proveedor de nube, pagarles algo de dinero, y ellos te destinarán ese recurso donde puedas poner tu herramienta de IA y haz que funcione. Bien, ahora veamos algunos de los ejemplos de poder computacional Tenemos computadoras cuánticas, Estos son tipos de computadoras que aún se desarrollan. Son computadoras avanzadas que son súper rápidas y se pueden usar mucho en ciberseguridad Entonces estos también son geniales para la IA porque tienen súper velocidad, potencia informática rápida. Ya sabes, no se pueden usar hoy en día en una escala rápida porque se están desarrollando. Pero ellos son el futuro. Y yo solo quería compartir contigo que existen y están ahí fuera. computación en la nube es la parte principal del ciclo de vida del desarrollo de la IA. ¿Por qué? Porque tenemos muchos proveedores que nos pueden proporcionar estas computadoras. Cuentan con centros de datos. personas que están administrando estos centros de datos. Y nos proporcionan este poder de cómputo y nosotros solo pagamos Y nos brindan sus servicios. Entonces AWS, Microsoft Azure, Google Cloud, todo lo que pueden hacer por nosotros sin ningún problema. Unidad de procesamiento gráfico. Unidad de procesamiento de gráficos, por lo que GPU. El procesamiento de gráficos es una herramienta, es un hardware que procesa los datos de una manera muy rápida. Entonces está en cada computadora, así que cada computadora nuestro día tendremos una GPU y Text In Vida y otras compañías que están trabajando en GPU, tenemos GPU muy rápidas que pueden tomar procesamiento de datos Entonces, gracias al avance de las GPU, podemos procesar muchos datos y podemos tener grandes, grandes resultados Contamos con TPUs, o unidades de Procesamiento de Tensor. Estas son solo aplicaciones a las que se accede mediante IA desarrolladas por Google. Entonces Google es una empresa que actualmente posee, digamos, una herramienta llamada Tensor Flow Es una biblioteca utilizada para IA. También nos proporcionan TPUs. Y estas GPU son capaces crear aplicaciones dedicadas a la IA Así que en cualquier momento que tengas un sistema de IA, puedes usar Google TPU. Pueden, porque son propiedades de Google, por lo que pueden estar utilizando principalmente las infraestructuras de Google Cloud y Google. Y también pueden desempeñar un papel importante, importante en el poder computacional y la IA. piénsalo, estos son solo ejemplos. No necesitas adentrarte en ellos. Al final del día, digamos que estás desarrollando una herramienta. Solo vas a un proveedor de nube como Google Clouds o AWS asignarle algunos recursos de ellos y todo va a estar cuidado porque ya cuentan con la infraestructura. Bien, entonces las computadoras cuánticas son muy, muy avanzadas, hacen el trabajo por nosotros. Se utilizan principalmente para ciberseguridad y aún están en desarrollo, así que todavía no sabemos qué pueden hacer Computación en la nube, principalmente la capacidad de utilizar un enorme poder computacional y enormes recursos computacionales usando un proveedor de nube Así que al igual que AWS Zu, las unidades de procesamiento gráfico de Google Cloud son pequeñas unidades de hardware que se utilizan para procesar los datos. procesamiento de tensores son unidades de procesamiento proporcionadas por Google que trabajan también en el análisis de los datos Y se utilizan principalmente para tareas complejas. Tarea compleja, bien. 8. Implementación y mantenimiento en IA: Ahora hablemos de implementación y mantenimiento del modelo. Una vez que hayas terminado y tu herramienta esté funcionando, tu herramienta de IA, digamos que estás desarrollando una herramienta de IA que te ayude a predecir, digamos, las ventas en el próximo mes. Entonces tienes una compañía y estás tratando predecir las ventas para el próximo mes, ¿de acuerdo? Lo que puedes hacer es fácilmente, sin ningún problema, simplemente crear una herramienta que pueda predecir las ventas en base a ventas anteriores. Muy bonito, muy fácil. ¿Qué puedes hacer? Lo que puedes hacer en este caso es tomar la herramienta e implementarla. Tienes que poner la herramienta en la nube o en tu computadora personal o cualquier lugar donde pueda ser utilizada y accesible. Si eres el único que lo va a usar, puedes desplegarlo en tu computadora personal y trabajar con ella. Pero si estás brindando el servicio para permitir a las personas, y este es quizás el ejemplo significativo o los principales usos de la IA, Lo que puedes hacer en este caso es simplemente fácil, sin ningún problema, acudir a un proveedor de nube. Así que AWS o Google Cloud se registran crean una cuenta y luego compran algunos recursos y los utilizan. Entonces, la implementación es la capacidad de tomar un modelo de IA, una herramienta de IA que desarrollaste y ponerlo en la web, ponerlo en una infraestructura, un proveedor de nube, digamos, o en tu propia computadora, para que pueda ser utilizada por ti o por cualquier persona que te rodea, ¿de acuerdo? Escalabilidad, Cada vez que pensamos en la IA, hay un concepto muy, muy bueno que quiero que entiendas, que es la escalabilidad Tienes que asegurarte de que tu herramienta de IA se pueda escalar a tantos usuarios como sea posible Se te ocurrió una gran idea, que es una herramienta que es utilizada por las empresas para predecir sus ventas. La herramienta, una vez que configuras, despliega en nuestro sitio web usando Google Cloud por ejemplo, debería poder escalar. Debería ser capaz de mantener el mismo nivel de rendimiento sin importar cuántos usuarios estén usando realmente la herramienta. Entonces, si tienes 100 mil usuarios que están usando tus dos simultáneamente, 1 millón de usuarios, debería funcionar perfectamente sin ningún problema. Y es por eso que se recomienda usar un proveedor de nube porque ellos pueden hacer el trabajo por ti sin ningún problema con el monitoreo del modelo. Por lo tanto, monitorear los modelos de IA es esencial para detectar y solucionar problemas causados por cambios en los datos del mundo real. Por lo tanto, es muy bueno para nosotros monitorear siempre si nuestra herramienta de IA está haciendo un gran trabajo y obtener comentarios del usuario. Entonces una vez que tengas los datos de ventas, voy a estar 100% operativo, funcionando perfectamente. Por supuesto, vas a obtener algunos comentarios de tu parte, usar esos datos, devolverlos a la herramienta, y la herramienta mejorará y haremos un mejor trabajo. Entonces eso es algo a tener en cuenta y eso es algo que es muy, muy importante. Estos son algunos de los ejemplos de herramientas de despliegue y monitoreo. Y yo, estas son solo herramientas, así que no quiero que tal vez te intimide o estos son solo nombres de algunas herramientas que puedes estar usando y que usan todas para el despliegue y mantenimiento de IA Para llevarte tu lo puse en el mercado. Bien, tenemos Docker es una herramienta de código abierto que se puede utilizar para implementar tu IA sin ningún problema Contamos con Azure Machine Learning. También es un servicio en la nube proporcionado por Microsoft Azure que se puede utilizar para implementar tus herramientas de aprendizaje automático. Bien Cubos. También es una herramienta que va de la mano con Docker que se utiliza para la escalabilidad Tienes muchas tecnologías de IA y tienes muchos usuarios que están usando estas tecnologías. Cubans es una herramienta que instalas que asegurará que tus usuarios estén todos contentos con el rendimiento que, digamos que una de tus herramientas se va abajo Tienes un reemplazo fácilmente. Entonces solo una herramienta para mantener la escala, hacer felices a tus usuarios. Flow es una herramienta que se utiliza para mantener. Entonces monitoreando el mantenimiento, asegurándose de que si hay un disco, te avisen, puedas arreglarlo Algunas herramientas que se pueden instalar que se pueden utilizar sin ningún problema, que por cada una de ellas podemos hacer un Docker de tareas para su despliegue Digamos que he terminado de trabajar en mi herramienta de IA. Quiero ponerlo en línea. Puedo usar Docker Azure Machine Learning es un subcampo, digamos un sub servicio de Turqets Solo puedo ir a Azure, elegir ese servicio y puedo comprarlo e implementar mi IA en Cubonetis, lo que llamas Así que prácticamente monitorea todos los servicios de IA que se están ejecutando. Y si uno de nuestros servicios baja, hay un reemplazo. La escalabilidad también está ahí. Tenemos muchos usuarios, ningún usuario cambia que las camas de rendimiento o el flujo de aire realmente bueno para el monitoreo. Asegurándose de que todos los servicios estén funcionando perfectamente sin ningún problema, bien. 9. Crea un proyecto de IA: Ahora es el momento de que hablemos sobre el ciclo de vida del proyecto de IA. ¿Cómo podemos construir un proyecto de IA desde paso número uno al paso número cinco fácilmente sin problemas? Empezamos primero, tenemos que identificar el problema. Entonces, antes de hacer algo, tienes que sentarte y sabes qué. Déjame pensar en el problema. ¿Qué estoy tratando de resolver? ¿Estoy tratando de proteger las ventas? ¿Estoy tratando de entender las imágenes? ¿Estoy tratando de crear una herramienta que me permita corregir o eliminar todos los spam filtrando el spam Y así así identificar el problema, entender qué tipo de problema estoy tratando de solucionar usándolo. Entonces este es un paso muy importante porque si el problema que estás tratando fijar no está claramente definido, lo que va a pasar es que vas a tener un desajuste ¿Bien? Recolección y preparación de los datos. Una vez que identifiques el problema y entiendas exactamente lo que intentas resolver, el siguiente paso es que tienes que recopilar y preparar los datos. Tenemos que ir y comenzar a recopilar los datos. Si tienes una empresa estás trabajando en una empresa, será fácil. Simplemente puedes platicar con tus compañeros y obtener los datos. Si no tienes los datos, puedes acudir a un proveedor de datos de código abierto. Así que entra en línea, encuentra datos gratuitos que puedas usar sin ningún problema. Entonces, datos de código abierto, si no tienes los datos, también puedes ir a crear una encuesta, hablar con tus clientes y obtener algunos aportes de ellos. Por lo que recopilar y preparar los datos, recopilar datos, ponerlos en su computadora o ponerlos en un proveedor en la nube. Y luego límpialo. Asegúrate de quitarle todas las cosas que no necesites. Elegir e implementar un modelo de IA. Entonces una vez que recoges y preparas los datos, el siguiente paso es que tengo que escoger un modelo de IA y tengo que implementarlo en mi computadora. Entonces como dije, entonces los modelos de IA están disponibles en línea, por lo que todas las tecnologías de IA son de código abierto. Entonces, si se trata de una herramienta numérica, puedes usar la regresión sellinar Si es una decisión puedes usar el árbol de decisiones. Así que solo elige y elige sobre este estuche, ¿qué puedo usar una vez que lo hagas? Simplemente puedes implementarlo. Siempre que lo implemente, simplemente ejecutarlo. Sólo tienes que dar click en el botón Ejecutar para que corra entrenando y evaluando el modelo. Entonces, una vez que implementas un modelo, lo que necesitas hacer es tomar los datos, ponerlos en el modelo para entrenarlo también. Necesitan ser entrenados. Hay que darles los datos para que puedan entender la situación y en base a la situación, ellos puedan tomar decisiones. Entonces lo entrenamos y evaluamos si el modelo le va bien. ¿Va a corregir si nos está dando la respuesta correcta todo el tiempo? Estas son algunas de las preguntas que necesitas hacer y tenemos muchas herramientas hoy en día que son gratuitas que pueden hacer la capacitación por nosotros y también la evaluación, por lo que no necesitas hacer ningún levantamiento pesado, despliegue y mantenimiento. Entonces este es el último paso. Tomamos la herramienta, la ponemos en línea, digamos en un proveedor en la nube. Si está fuera de línea, solo puede ponerlo en su propio equipo, ponerlo en su teléfono inteligente. Así que simplemente despliégalo en un sistema en particular y comience a trabajar con él. Y asegúrate de que lo mantienes. Asegúrate de que si tienes nuevos datos agregados a él, eso es muy, muy fácil. Entonces comenzamos con él y definimos el problema, luego recolectamos datos y preparamos los datos. Entonces elegimos qué modelo vamos a usar. Lo entrenamos y lo evaluamos. Y finalmente, lo desplegamos y lo mantenemos. Bien. 10. Identifica el problema: Ahora hablemos de tal vez una situación del mundo real donde vamos a implementar el enfoque paso a paso. Y vamos a entender cómo podemos usar fácilmente la IA para resolver el problema. Hemos estado recibiendo muchos correos electrónicos y algunos de ellos son spam. Y oh Dios mío, tenemos tantos correos malos que no necesitamos que nos gusten, necesitamos encontrar una solución. Estamos dirigiendo una pequeña empresa en equipo. Y decidimos, sabes qué, vamos a crear un I spam gordo. Suena como una buena idea. Y esa herramienta también puede ser utilizada por nuestros compañeros y otros socios, digamos en nuestra compañía alianzas con otras empresas que tenemos. Nos sentamos juntos y dijimos el problema es que estamos tratando de desarrollar una herramienta que nos ayude a resolver el problema de recibir spam, correos electrónicos a diario. Bien, ¿cómo podemos pensar en el problema? En un diagrama muy fácil, recibo un correo electrónico. La herramienta simplemente me dirá si es spam o no spam. Muy, muy fácil spam, no spam. Bien, ahora hablemos un poco sobre identificar el problema. La tarea es identificar y filtrar automáticamente el correo electrónico. Este es un problema muy de decisión de clasificación, por lo que podemos usar el árbol de decisiones en este caso. Y va a funcionar al 100% porque tenemos una decisión que tomar. Recibí un correo electrónico, ¿es un Spa o no? Span Súper fácil. Super buena. Entonces empezamos por identificar el problema. Queremos automatizar la detección de imágenes de Spa en nuestro sistema. Entonces tenemos un equipo pequeño y me gustaría simplemente identificar si las imágenes que está recibiendo nuestra empresa. Span o span. Hasta ahora bien entendiendo el contexto y la restricción. Entonces tenemos que asegurarnos de entender estos dos puntos que son el contexto y la restricción. Entonces, ¿tenemos un presupuesto para hacer esto? ¿Cuánto tiempo nos llevará desarrollar el sistema? ¿Tenemos gente que me entiende un poco, quién puede trabajar con IA, quién puede hacer el trabajo? Contamos con el equipo técnico para hacer el trabajo. Esto también forma parte de la identificación del problema, para entender nuestro entorno. ¿Podemos hacer esto? Podemos resolver este problema Sí o no, Estableciendo métrica de éxito. Entonces tenemos que asegurarnos de que para este sistema, para que podamos decir, guau, lo hicimos. Nuestro sistema está funcionando, tenemos éxito. Cuál es nuestro éxito mátrico En este caso, utilice este nivel de satisfacción Por lo que vamos a dejar a los usuarios una vez que usen nuestro sistema con una satisfacción del usuario. Digamos forma rápida donde solo pueden decir si, si son felices o no. Entonces, si estás contento con el sistema, danos un pulgar hacia arriba. Si no, danos un pulgar hacia abajo. ¿Bien? Entonces estas son algunas de las preguntas que solo quiero ponerte en la mentalidad de pensar en la IA de una manera muy, muy simplificada, ¿de acuerdo 11. Recopila y prepara los datos: Ahora hablemos de recopilar y preparar los datos. Entonces tenemos que corregir primero los datos. Tome todos los correos electrónicos que reciba nuestra empresa. Cualquiera, cualquier empleado que esté recibiendo correos electrónicos en nuestra corporación. Sólo vamos a corregir la limpieza de ellos. Quitar cualquier cosa que no vamos a ser utilizados. Imágenes de los correos electrónicos, como todo lo que no va a ser relevante, MG, lo que sea Límpialos, asegúrate de que el puramente tema y texto y luego dividiendo los datos, esto es algo que dejé fuera para esta parte de las diapositivas o el curso, es que una vez que tengas los datos, tienes que tomar tus datos y dividirlos entrenamiento y datos de prueba. Entonces déjame explicarte. Le das a la computadora la lección él computadora aprende la diferencia entre spam y correo no espermático. Bien, hasta ahora tan bien. Estoy feliz. Entonces una vez que la computadora aprende, hay que probar si la computadora realmente entendió lo que quiso decir. Como tenemos unos pequeños datos de prueba, podemos dárselos a la computadora y vemos si el equipo va a poder detectar si el correo electrónico es esperma no spam Entonces, una vez que recopile los datos, debe dividirlos en un conjunto de entrenamiento. Entonces, obviamente, el entrenamiento será enorme. Entonces digamos que tienes 100 mil correos electrónicos. Se van a dar 70 mil a la computadora para que aprenda. Se van a utilizar 30 mil para entrenar, probar, para ver si la computadora realmente baja, y este es el mismo concepto en el sistema de puntuación. Entonces tenemos, digamos, un semestre de aprendizaje, así aprendemos sobre historia, al respecto dijo un lenguaje sobre informática. Y luego al final del semestre tenemos un quiz o un examen, un medio trimestre, un final, ya sea que pongamos a prueba nuestras habilidades, si realmente obtenemos el material o no. Entonces este es el mismo concepto que acabamos, se modeló a partir del comportamiento humano Como puedes ver claramente, donde tomamos los datos, nos dividimos en entrenamiento y pruebas, ¿bien? 12. Elige e implementa el modelo de IA: Ahora hablemos de elegir e implementar el modelo de IA. Entonces el primer paso es que tenemos que elegir el modelo. Entonces para cada situación, como ya expliqué, tenemos que pensar cuál es el mejor modelo para este caso para el spam? Es muy fácil. Se basa en decisiones. Y cada vez tenemos una decisión, tenemos que pensar, bien, porque esta es una decisión, vamos a elegir un árbol de decisiones porque le estamos dando algunos datos a una computadora y la computadora está pensando en spam, no spam, muy binario, muy fácil spam y decisión no spam implementando el modelo con el que podemos usar digamos Python por ejemplo, que es un muy famoso lenguaje de programación para implementar estos modelos, darle los datos y Python puede implementar la decisión tres para nosotros sin ningún problema. Bien, así que una vez que elegimos el modelo, tenemos que entender cuáles son las herramientas que vamos a utilizar. Por supuesto, en este caso lenguaje de programación. ¿Vamos a usar Python, Java? ¿Vamos a utilizar una herramienta en línea que ya contiene una decisión? Tres, sólo le vamos a dar algunos datos. Entonces estas son algunas de las preguntas que como equipo debemos pensar antes de implementar esta OMI. 13. Capacitación y evaluación del modelo: Ahora pensemos un poco entrenar y evaluar el modelo. Es muy importante para nosotros pensar en la capacitación y validación y pruebas. Cada vez que piensas en la capacitación y validación, tenemos que ponernos en una situación en la que todo tenga sentido. Empezamos con la limpieza del modelo. Tomamos los datos que limpiamos, digamos en este caso esperma y esperma se lo dan a un árbol de decisión, que es la herramienta que escogimos una decisión, solo un algoritmo A. Y luego entre el modelo y el modelo llama y lee el texto. Bien, entonces esto es un correo electrónico, esto es spam. Esos son los mecenas que encontré en un Sam. Esto no es spam, esto es Y. Y la computadora simplemente repasará los datos y encontrará a los mecenas, encontrará al patrón Entender, al igual que nosotros, como los seres humanos, entender cómo funcionan estas cosas. Qué hace que un correo electrónico no deseado y lo que no hace que un correo electrónico no deseado. Bien. Así podemos dividir o separar entre spam spam. Hasta el momento tan bueno. Validando el modelo. Una vez que estemos bien, tenemos que asegurarnos de que el modelo funcione, ejecutarlo, ver si está funcionando, darle un nuevo correo electrónico, ver si va a funcionar perfectamente bien. Entonces el tercer paso es probar el modelo que tenemos que tomar. Si recuerdas, tomamos nuestros datos, los dividimos en 70% entrenamiento, 30% pruebas. Tomamos ese 30% dárselo al modelo y vemos si el modelo va a conseguir un O, un plus. Entonces para ver si el modelo va a hacer un buen trabajo o no. Entonces, si el modelo está respondiendo todas las preguntas correctamente, en este caso identificando todos los correos E como spam o no spam sin ningún problema. Sabemos que nuestro modelo es operativo y tenemos una alta tasa de éxito. Y podemos desplegarlo fácilmente. Y podemos empezar a usarlo en nuestra empresa si el modelo no está haciendo un buen trabajo. Espera un minuto, vamos a obtener más datos, vamos a trabajar más en ello, ¿de acuerdo? Entonces este es un proceso muy, muy bueno. Entonces entrenando el modelo, validando el modelo y probando el modelo Estos son tres pasos que aquí son muy, muy importantes. Y esto no debe ignorarse porque sé que es realmente una buena práctica o mejor práctica entrenar a tu modelo. Primero, dale los datos validados, así que ejecútala, mira si está funcionando. Y luego probarlo dándole esos datos de prueba para ver si está operativo. Todo bien. 14. Implementación y mantenimiento de modelos: Ahora hablemos de implementación y mantenimiento de tu modelo. Entonces es muy, muy importante para nosotros entender si el modelo, si el quiero lo probamos y lo entrenamos e hicimos todo el trabajo si va a ser usado localmente, así que en nuestras computadoras dentro la organización o la T o necesitamos usarlo, quizás proveedor de nube como AWS Sure. O cualquiera de los proveedores de nube que existen para implementar el modelo y comenzar a trabajar con el modelo en línea. Entonces tenemos sitio web, digamos que estamos accediendo todos juntos y usamos ese sitio web para filtrar todos nuestros correos electrónicos. Si se trata de una herramienta, también podemos proporcionarla a otras empresas. Entonces tenemos que pensar en estas son solo decisiones y desplegar es muy fácil. Solo necesitas elegir una herramienta y simplemente alojar o tomar tu herramienta y ponerla en el proveedor de Cloud. Y estás bien para ir muy, muy fácil. Entonces desplegando el modelo de manera simple, puedes usar Docker en este caso, o Azure Machine Learning en cualquiera de las herramientas Monitorear el modelo es muy, muy importante para nosotros monitorear siempre el modelo, ver si está operativo, ver si está funcionando. ¿Qué falta? ¿Estamos recibiendo buenos comentarios de las personas que están usando el modelo? ¿La gente está contenta con lo que está haciendo con la modelo? ¿Están emocionados? Sienten que el modelo está cambiando su vida, las tareas diarias y ya no están recibiendo ningún correo electrónico no deseado y manteniendo el modelo. Así que cada vez que recibamos nuevos correos electrónicos, podemos dárselos al modelo. Por lo que siempre podemos estar al día con los correos no deseados y los correos no spam. Así que cada vez que estamos recibiendo correo electrónico no deseado, eso es complicado. Podemos dársela fácilmente al modelo de IA y el modelo AR se actualizará. Ya sabes, actualizar, entender, oh, ya sabes lo que es esto. Hay un nuevo usuario para el correo no deseado. Voy a tener cuidado y asegurarme la próxima vez de marcarlo y ayudar al usuario. Tan importante que el despliegue y mantenimiento vienen de la mano con el monitoreo. Entonces desplegamos el modelo, vamos a tomarlo, ponerlo en línea, monitorearlo, asegurarnos de que el modelo esté funcionando. Estamos recibiendo el pulgar hacia arriba, todo el mundo está contento, y luego manteniendo. Cada vez que estamos obteniendo nuevos datos, podemos simplemente dárselos al modelo sin ningún problema de manera fácil y rápida. Bien. 15. Filtro de correo electrónico no deseado con IA: Ahora solo echemos un vistazo al diagrama que creé para que entendamos cómo funciona todo el ciclo de vida filtro de spam de IA, o la herramienta de IA que filtrará del filtro de spam de IA, o la herramienta de IA que filtrará todos nuestros espermatozoides punta número uno, Recolectando y preparando los datos que podamos usar. En este caso, acabo de dar un ejemplo de tecnología Python. Python es un lenguaje de programación muy potente que se utiliza principalmente para IA, análisis de datos, procesamiento de datos. También se puede utilizar para recopilar datos. Digamos que tienes correos electrónicos y quieres recopilarlos y ponerlos todos juntos en un pequeño archivo o en tu computadora localmente o en la nube. Puedes usar Python. Python contiene muchas bibliotecas geniales que pueden hacer el trabajo, que pueden recopilar todos los datos fácilmente para nosotros, y también puede preparar los datos en Python. Tenemos muchas bibliotecas como Pandas Numpy. Definitivamente puedo hablar de aquellos en cursos más avanzados donde podemos recopilar los datos y luego limpiarlos muy rápido, muy fácil. Una vez que recopilamos y limpiamos los datos, el siguiente paso es elegir e implementar un modelo de IA. En este caso, vamos a estar usando un tratamiento de decisión, porque a la hora de tomar una decisión spam, el spam es muy fácil. Gracias a Python, tenemos una biblioteca llamada SK Learn, o Psychic Learn, que fácilmente nos puede proporcionar la herramienta de forma gratuita sin pagar nada. Esto es realmente genial. Python también puede hacer el trabajo donde podamos implementar el modelo, o implementar la herramienta si se quiere, para hacerlo simplemente para que sea más sencillo para nosotros y podamos usarlo fácilmente sin ningún problema. Una vez que hayamos terminado, solo podremos entrenar y evaluar el modelo. Una vez que implementamos el modelo usando Python, también podemos entrenar y evaluar el modelo. Python también puede hacer la prueba. Si solo puedes echar un vistazo al diagrama correcto en los datos, eligiendo e implementando el modelo AR, capacitando y evaluando el modelo. Todas estas tareas se van a realizar usando Python. Python es una gran herramienta porque puede hacer corrección, puede hacer la implementación del modelo AR y también puede hacer la capacitación y evaluación del modelo. Gracias. Así que es increíble biblioteca en Python. Muchas bibliotecas, muchas herramientas si se quiere, pueden ser implementadas por nosotros como desarrolladores de IA sin ningún problema al implementar el modelo. Este es el último paso quizás, o antes del último paso si se quiere, donde tomamos el modelo de IA y lo ponemos en la nube. Entonces en este caso escogí Microsoft Azure como, como mi proveedor de nube Y sólo voy a tomar mi modelo. Una vez que está funcionando, lo probé. Es operativo, está funcionando sin ningún problema. Tómalo y póngalo en la nube y fácilmente sin ningún problema. Asegúrate de que lo estoy usando. Asegúrate de que esté operativo. Asegúrate de que esté funcionando. Por supuesto. No olvidemos que necesitamos mantenerlo y asegurarnos de que esté funcionando al 100% sin ningún problema. Debido a que no lo mantenemos, podríamos tener un problema de lo que falta en nuestro programa. ¿Nuestros usuarios están satisfechos con la salida? Entonces estas son preguntas que son muy importantes en este caso que debemos tener en cuenta al usar IA. El último paso, monitoreo y mantenimiento. Entonces en este caso te di el logo de Get Lab. Entonces Get as you know, es una herramienta que se utiliza para controlar los diferentes cambios en tu código y los diferentes cambios en tu IA o cualquier aplicación que estés desarrollando. Los Colso proporcionan algunas herramientas que son muy, muy buenas para monitorear y mantener tus IA. Digamos que hay algunos cambios en tu código o en tu herramienta de IA, solo puedes aplaudirlos o ponerlos en tu proveedor de Cloud fácilmente sin ningún problema Mantener su herramienta, asegurarse que cada vez que obtenga un nuevo dato que esté agregando a la herramienta sea muy crítico e importante en este caso. Entonces eso fue todo para nuestro curso. Muchas gracias por tomarse el tiempo y tomar el curso. Estoy tan feliz de tenerte, y estoy tan feliz por tu tiempo. No puedo esperar a verte en un curso más avanzado donde hablamos de Python, IA y machine learning, y cómo podemos usarlos en la vida diaria. Gracias y que tengan un hermoso, hermoso, hermoso día. Nos vemos pronto.