Transcripciones
1. 1: Hola a todos. Estoy bastante seguro de que
has visto y leído la guerra y la
inteligencia artificial de IA repetidamente. Y lo más probable es
que ya seas usuario, todas las diversas
herramientas habilitadas para IA en tu vida. Ahora bien, ¿te preguntas cómo funciona todo
esto a un alto nivel? Y te
interesaría saber más, cómo es tu trabajo y tu vida va a transformar la forma en que mueren. En los próximos cinco años. ¿ La IA tiene alguna
limitación en los límites? Y finalmente, ¿hacia dónde nos dirigimos con esta técnica
en rápida evolución? Si tienes alguna de
esas preguntas, entonces favor de
inscribirte en el curso. Te voy a dar una breve historia
de la IA, como el intestino aquí. Te voy a dar varios
ejemplos de diferentes industrias y cómo
están usando actualmente la IA. Y trataré de desmitificar
algunos de los mitos en torno a la IA, lo que puedes y lo que no puedes esperar del yo en
los próximos cinco años. Y finalmente, hacia dónde
nos dirigimos a medida que
recolectamos más datos y desarrollamos algoritmos de
IA más avanzados. Al final de este curso, podrás utilizar
estos conocimientos para
planificar tu vida
y tu propia carrera. Mi nombre se dice, estudié inteligencia tanto natural como
artificial en la Universidad de Cambridge
y luego me tomé mi té, también cofundador
de cognitivamente t, que es una empresa de IA
dedicada a mejorar la salud . Gracias por mirar y ojalá
te vea en la clase.
2. 2. Proyecto: Genial. Entonces, en cuanto al proyecto del curso, quiero que hagas un video
tuyo describiendo una herramienta o una
aplicación que estás usando
actualmente y que
está impulsada por IA. Y quiero que describas en tu video cómo crees que actualmente la IA está usando ese producto. Y tal vez intente mencionar las características de la parte superior del
árbol o aspectos destacados que son
particularmente impulsados por la IA Y si se puede
tratar de predecir o tratar de
entender cómo estas características
habrían
existido o no sin una interfaz de usuario
eso sería un valor agregado. Entonces por último, intenté ver cómo esta aplicación o
herramienta que estás describiendo, bien cambia en los
próximos cinco años como día voy
a avanzar más. Entonces, en base a lo que
oirás en las próximas lecciones, esto te va
a ayudar a tener una idea de dónde nos dirigimos con
nuevos avances en IA. Tan lleno, eso te ayudará
a predecir lo que va a pasar en los próximos
cinco años. Genial. Entonces finalmente, cuando hayas terminado, por favor,
publica tus proyectos en la galería de proyectos.
3. 3. Línea horaria de IA e historia: Muy bien, entonces hoy es nuestra primera sesión
y voy a
guiarte a través de una
rápida historia
del ojo desde donde más o menos comenzó y dónde
estamos hoy y tipo de conciencia posiblemente
yendo en el futuro. Va a ser
una línea de tiempo rápida. Creo que es justo decir que
Alan Turing, allá por 1951, posiblemente
estaba entre los, uno de los primeros individuos
que soñaba con la IA. Y él tenía imaginaciones y voy a leer
el código de él. Dijo que en algún momento, por lo tanto estas
máquinas, debemos esperar que tomen el control. Así que eso era una especie de imaginación de
ritmo
atrás, en aquel entonces en 1951. Por supuesto, si las cosas no
sucedían tan rápido, parecer era mucho más difícil al
parecer era mucho más difícilque
las generaciones humanas que salieron inicialmente. Entonces en fracasos después de eso. Allá por 1957. Hubo estas
varianzas iniciales de las redes neuronales. En términos simples, las redes
neuronales son estas grandes redes
de conexiones. Y les das entrada, los
multiplicas un conjunto de pesos y
obtienes una altitud. Esta es una capa de
esas redes neuronales. Esta una capa de redes neuronales. Se les llamaba
perceptrón y solo podían resolver problemas lineales. Por lo que se hicieron muy
populares de 1957 a 1960 ante Frank Rosenblatt. Fue uno de los
principales individuos visuales detrás de la
introducción de estos perceptrones. Y después de 1960 a la emoción en torno a estas
redes comenzó a bajar. Particularmente
porque sólo podían resolver problemas
lineales y
eran pesados de entrenar. Por lo que no había suficientes o
fuertes unidades de procesamiento para poder entrenar
estas redes. Y no había conjuntos de datos
suficientemente grandes. Entonces esas eran dos
limitaciones principales alrededor, o tres limitaciones principales en
torno a los preceptores. Entonces unos años después,
otro sello tal vez, fue la publicación de este, lo
llamaremos VLSI analógico, implementación de sistemas
neuronales. Quizás podríamos marcar
eso como otro sello distintivo. Pero el Prof. más excitante en 1997 fue esta gran
máquina de IBM llamada Deep Blue. Ese, Kasparov en ajedrez. Entonces ese fue un
movimiento histórico en 1997. Y como vamos a
entrar en esto más adelante en
una de las sesiones, acabo de destacar aquí. Esta máquina grande, grande. Era la principal
ventaja que tenía, o los humanos estaba teniendo un gran recuerdo
muy grande. Entonces podría basarse en cualquier movimiento
que ese sombrero Kasparov, habría
hecho un árbol de decisiones
muy grande y una especie de predecir cuál
sería el siguiente mejor movimiento. Si Kasparov viene con
éste o aquel. Entonces eso predeciría un poco
todas las formas posibles hasta el final del juego en
un árbol de decisiones muy grande. Y así es como el
algoritmo, lo llamaremos nosotros. Podríamos llamarlo un algoritmo
inteligente funciona. La principal ventaja, por lo tanto, era tener una memoria muy
grande y
poder construir un poco
ese árbol de decisiones. Ahora, avanzando en la década de 2000, dio la vuelta
algo emocionante. Simplemente se llama unidades de
procesamiento gráfico. Y no fue avance
en el hardware. Y las unidades de procesamiento gráfico permiten el
procesamiento paralelo de una operación. Procesamiento masivo paralelo, una sola operación. Esto era en realidad algo que podría ayudar mucho
con las redes neuronales. Ahora vamos a llegar a eso en, en 20122010 por ahí. Bien, entonces en 2 mil, por lo tanto tuvimos esta
introducción de GPU. Como dije antes, una de las limitaciones de
las primeras redes neuronales,
los perceptrones. Además del hardware, fue la falta de datos, big data, big label data. Entonces, en 2009 y alrededor de 20092010, universidades,
institutos, etcétera, empezaron a idear
estos grandes conjuntos de datos etiquetados. Quizás el más popular
a estas alturas es el ImageNet. El mundo del procesamiento visual, el reconocimiento
visual de objetos. Esta competencia ImageNet
que había existido en el MIT. Se trata de un conjunto de datos muy grande, millones de imágenes
que están etiquetadas en términos de qué objetos en ellas. Quiero decir, esto, este
año es que tenemos muchos más conjuntos de datos etiquetados. Entonces eso fue una especie de
indicaciones, otro sello distintivo. Ahora, en 2010, tenemos esas GPU y grandes conjuntos de datos
etiquetados. Entonces, ¿qué pasa después? En 2012, existe esta competencia
ImageNet y una nueva red neuronal a la que alumno ahora se refiere como algoritmos de aprendizaje
profundo
fue introducida por Alex Krizhevsky en el equipo de ventas en ese competencia y ganó todos los demás
algoritmos por distancia. Entonces, para decirlo simplemente, era una especie de perceptrón
multicapa. Ahora porque tanto las GPU como
los grandes conjuntos de datos etiquetados permitieron o
compensaron las limitaciones de
esos perceptrones. Entonces se hizo
posible el precio, claro, también
tenían algunas innovaciones
y novedades también. Hacer que el algoritmo funcione. Menos parámetros no estaban
densamente conectados. Justo ahí en 2014. Nuestro creció en algunos otros. Mostramos que hay fuertes
similitudes entre cómo los humanos procesan las imágenes visuales y las redes neuronales profundas. Cuanto más similares
se vuelven los
modelos de provisión de objetos a los humanos para que realmente se desempeñen
mejor en el mundo real. En 2016. No es un gran sello distintivo. Y ahí es cuando AlphaGo, algunos de ustedes podrían haber oído hablar de google DeepMind en Londres. Construyeron este algoritmo de IA, que se basaba en el aprendizaje profundo y el aprendizaje por refuerzo. Y podría jugar
el juego de Go, que es mucho más difícil si quieres
comprimir el cofre. Porque en el ajedrez, como dije, podría predecir o construir este árbol de decisiones en ciernes
en el juego de Go. Eso no es posible. Como efectivamente, puedes tener la decisión de tener posibles movimientos
más antiguos. Porque se podría decir que es un número infinito
de movimientos posibles. Muy diferente en cuanto cómo el juego de golf
peor en comparación con el ajedrez. Lo que necesitas aquí es una
especie de intuición, más que tener una gran memoria. Cómo lo hicieron en términos simples. La
red neuronal profunda fue entrenada por los juegos que juegan los
campeones de la Go. Y al mirar esta es
la escena del juego. Ahora bien, este es el siguiente mejor
movimiento que hizo este campeón. ¿ Entrenas el algoritmo
con tal inflamación? Y en 2016, el, el algoritmo desarrollado cuando
el campeón del juego. Y una cosa emocionante que
tal vez esté relacionada con
lo que los códigos que dije
al principio desde Alan Turing fue que en una de las versiones
del algoritmo, hay que modelos de IA que
compiten uno contra el otro. Y uno de ellos se pone vez mejor jugando con
estos otros modelos de IA. Hoy en día, tenemos autos autónomos y nos estamos moviendo hasta ahora. Muchas aplicaciones
que nos rodean se benefician de algún
tipo de algoritmo de IA. O bien es
reconocimiento facial, autoconducción, reconocimiento de
voz
y traducción, búsqueda en
Google y
así sucesivamente y así sucesivamente. Anuncios inteligentes, recomendaciones
personalizadas. Y trataremos de mencionar
algunas de esas y
darte más ejemplos a
lo largo del curso. Esta etapa en la que nos encontramos también
se conoce
como industria 4, que es la combinación de IoT, Internet de las cosas, inteligencia
artificial. Iot es
responsable de recopilar datos y hacer las apariencias y cosas conectadas
entre sí. Y luego procesador Ai y
te da insights adicionales, ¿verdad? Y avanzando hacia el futuro. Quédate conmigo. En los próximos cursos, verás lo que es probable que venga dentro de los próximos
cinco a diez años. No creo que podamos
predecir con precisión mucho más allá de eso, pero veremos qué, cómo posiblemente la IA
reemplazará algunos de los trabajos. ¿ Cuál sería el impacto
potencial en tu carrera y en nuestra vida?
4. 4. Aprendizaje automático y IA de buena vieja moda: Hoy vamos a aprender sobre aprendizaje automático y la
buena IA anticuada, también conocida como meta cinco. Entonces, ¿qué es el aprendizaje automático? Entonces, la definición de aprendizaje automático
es esencialmente un relleno de un estudio que da a
las computadoras la capacidad de aprender sin
ser programadas explícitamente. Entonces esencialmente estamos
enseñando a las máquinas a aprender a hacer las cosas sin programarlas
explícitamente. Y en esa historia que di, en la sesión anterior, vimos algunos de los juegos que las técnicas de
aprendizaje automático
y las técnicas de IA han podido conquistar, como las sillas allá por los noventa. Y luego recientemente
el juego de Go. Entonces esta es una especie de línea de
tiempo de IA y también parte de la definición de
alto nivel de lo que es la
inteligencia artificial, ¿qué es el aprendizaje automático? ¿ Qué es el aprendizaje profundo? Seguro que has escuchado todas estas
terminologías diferentes y si te preguntas, que se refiere a lo que
entonces hace exactamente eso. Entonces el término
inteligencia artificial, ese es el paraguas más amplio. Es cualquier técnica, cualquier técnica de
aprendizaje automático o cualquier algoritmo que permita a las máquinas
imitar el comportamiento humano. Podría imaginarse, podría
significar, hablando, podría estar en cualquier otro dominio. Esto generalmente se conoce
como inteligencia artificial. Entonces, sea cual sea la aplicación en la
que se encuentre, esto se llama aplicación AI. Entonces más específicamente,
son una subcategoría de algoritmos
a los que se hace referencia como aprendizaje automático. La terminología comenzó alrededor
de la década de 1980. Entonces ahí es cuando las máquinas
aprenden de manera efectiva. Y también son esta sesión vamos a hablar de las diferentes ramas
del machine learning. Entonces una subcategoría de eso
se llama deep learning, que se basa en redes
neuronales. Entonces, por supuesto, estos
se superponen. Entonces, si queremos
separar los dos, tenemos estas
técnicas de aprendizaje automático que
no se basan en redes neuronales, como clasificadores simples,
regresión, etc. y sí tenemos máquina
basada en red Raúl aprendizaje. Y cuando la profundidad de
esa red neuronal es de más de unas pocas capas lo que se les llama aprendizaje
profundo. Hoy, te guiaré a través de las categorías más amplias
del aprendizaje automático. Y luego la siguiente sesión, cuando hablamos de IA moderna, te
daré un poco información sobre la
comprensión
de alto nivel de lo que es aprendizaje
profundo y algunas
aplicaciones. ¿Correcto? Entonces, ¿cuáles son los diferentes tipos de aprendizajes para las máquinas? Y en realidad no es solo para
máquinas, incluso para humanos, hemos supervisado el aprendizaje, el aprendizaje no supervisado y el aprendizaje por
refuerzo. El aprendizaje supervisado es efectivamente cuando le
decimos al agente aquí
ya sea el algoritmo o al ser
humano o incluso
entrenando animales. Entonces les das un estímulo, un objeto, una imagen, y les dices qué es. Entonces es aprendizaje supervisado. Y repites ese
proceso una y otra vez hasta que te asegures de que
realmente entendieron. Esto es aprendizaje supervisado. El aprendizaje no supervisado es efectivamente que obtienes solo da las
imágenes o estímulos. No le das las
etiquetas ni las anotaciones. Entonces puede que no
sepan exactamente qué es, pero en base a las características de esas imágenes o estímulos que les
has dado, podrán
agruparlas y separar
las dos como digamos, bien, estas son manzanas
y naranjas, ¿verdad? A lo mejor no sé la etiqueta, el nombre de esa fruta. Pero sé que estos se parecen entre sí y estos otros
se parecen entre sí. Estos dos son diferentes. Los algoritmos de agrupamiento caen bajo el aprendizaje
no supervisado. Entonces también tenemos este concepto
de aprendizaje por refuerzo, que hablaré
más en la próxima sesión. Pero en términos generales, en el aprendizaje de
refuerzo está la capacidad de aprender
por exploración. Pones a un agente
en un ambiente. Y al explorar
el entorno y descubrir los límites
de ese entorno, aprenden a hacer cosas. Y los niños humanos son un muy buen
ejemplo para este escenario. Bebés, no
saben caminar, no
saben cómo
responder o reaccionar. O esencialmente, no, muy
poco cuando nacen. Y explorando
el entorno y estando expuesto de forma natural
a diferentes cosas. Recibir una recompensa o una penalización. Por esa exploración. Hay cosas que
cobran y pueden ser duras, así que la evitarán la próxima vez. Esa es una especie de penalización
natural. O tal vez coman algo y
lo encuentran muy delicioso, así que
seguirán haciendo eso. Entonces esto es una especie de aprendizaje por
refuerzo. Bici esa exploración,
llegan a algunas recompensas o penalizaciones
y luego en base a eso, deciden repetir esa
acción o no repetirla. Así es como ocurre
el aprendizaje en el mundo del aprendizaje por
refuerzo. Bien, entonces ahora
voy a guiarte a través de
dos ejemplos aquí. Dos subcategorías clave
de aprendizaje, aprendizaje supervisado y aprendizaje
no supervisado. Entonces aprendizajes supervisados,
como mencioné, damos el modelo. Podría ser cualquier modelo. Podría ser un modelo de IA bueno y
anticuado, como un clasificador, o podría ser una red neuronal. Entonces esto es independientemente
del modelo, este tipo de aprendizaje se
llama aprendizaje supervisado. mostramos una entrada de imágenes o Aquímostramos una entrada de imágenes odatos de
entrada,
serie de manzanas. Entonces le decimos al modelo que las
etiquetas son anotaciones. Les contamos unos pequeños casos. Mira estas fotos, estas son manzanas y estas
son las etiquetas. Entonces damos algunas
repeticiones para asegurarnos el modelo haya entendido
y aprendido los datos de entrada. Entonces nosotros en la fase de prueba. Por lo que hemos entrenado al modelo. El modelo ha aprendido
el concepto de manzanas. Entonces mostramos una manzana. Y entonces, ¿qué
esperamos que digan todos? Bueno, esperamos que todos digan
que es una manzana. Eso se llama aprendizaje
supervisado. Ahora bien, un muy buen ejemplo
de aprendizaje supervisado, que estoy seguro que está
familiarizado es Face ID. Esto es smartphone. Y estos son algunos
de los sensores en la parte frontal
del, del iPhone. Y estos son los instrumentos para que introduzcas los
datos esencialmente, ¿verdad? Entonces leerá los datos de tu cara
y me dejará reproducir el video. Entonces aquí, esta es la fase de
entrenamiento, ¿no? Verás que el iPhone esencialmente te
mirará a la cara desde diferentes perspectivas. Y va a entender
tu geometría de su rostro. Y construirá un modelo de
cómo se ve tu cara. Entonces esto es esencialmente dar
los datos y etiquetarlos, por lo que entrenará al modelo. Ahora bien, lo que sucede a continuación
es que se puede ver en este video a través de
esos sensores frente a la cámara. Es, vamos a ver la cara que
está construyendo ese modelo ahora. Y luego después de eso, en la fase de prueba, que es después de que hayas
configurado tu identificación facial, luego miras
tu teléfono móvil, verás si se
va a desbloquear o no. Si ha reconocido tu cara de lo
que va a estar como aquí, la idea es que debería
poder desbloquearte la cara. Independientemente de los cambios en tu moda cotidiana o
los cambios que puedas tener, incluso tus periodos de crecimiento. Entonces esta es, esta es
una especie de idea. Construye un
modelo facial que adopta los cambios en tu rostro. A esto se le llama reconocimiento
facial invariante. Entonces, independientemente de los
cambios en tu rostro, siempre y cuando los cambios conservando
nuestra identidad, entonces el Face ID
debería poder reconocer tu rostro, ¿verdad? Entonces ese fue un ejemplo
de aprendizaje supervisado que ahora ¿qué es el aprendizaje
no supervisado? Entonces este es un conjunto de frutos. Y no tenemos las
etiquetas en este ejemplo, así que no le estamos diciendo al modelo que estos son plátanos
o estas son manzanas. Simplemente le damos las
imágenes a la modelo. Y el modelo
podrá
separarlos en función de lo
similares que sean. Las manzanas
se ven visualmente similares, y luego los plátanos se echan, por lo que están en tres racimos
diferentes. Entonces, los algoritmos de agrupamiento son un ejemplo de aprendizaje
no supervisado. Entonces no lo eres, no les has
dado la etiqueta. No
les has dado toda la etiqueta en
función de las características que
son importantes para el modelo. En este caso, la similitud
visual. Se formarán los racimos. Ejemplo de eso es
tu inteligente oh boo. Entonces por ejemplo, aquí, si vas por ejemplo,
a ti o a todo boom, verás que
en base a las fotos que has
tomado anteriormente, iPhone ha categorizado para ti. Las personas son agrupadas,
pupila o caras diferentes. Y aunque no los hayas
etiquetado, cierto, en este ejemplo, el
individuo tiene etiquetas, pero no necesariamente
tienes que etiquetarlas. Entonces, lo que sucede es
que se detecta
el ID de cara, y caras similares se
clasifican en un solo clúster. Y entonces puedes optar agregar una etiqueta a eso o no. Depende de ti. Si te interesa
saber más
entre bastidores, ¿qué pasa? Esto es lo que sucede
en una foto dada. La, la fase del algoritmo detecta las caras y la parte superior del cuerpo
y luego coincide con las dos. Esto es, este rostro
pertenece a este órgano. Y luego va, esta parte va a su modelo de cara y esta
pasa por un modelo de cuerpo. Entonces la parte que quería
enfatizar aquí es esta
agrupación de partes. Las caras que se
parecen entre
sí están
agrupadas en una categoría, entonces puedes elegir
etiquetarla o no, ¿verdad? Entonces eso es, ese fue
otro ejemplo del mundo real de aprendizaje no supervisado.
5. 5. IA moderna: Esta sesión es una especie de
charla a través de la IA moderna, particularmente sobre temas sobre aprendizaje
profundo y el aprendizaje por
refuerzo. Entonces discutimos brevemente
lo que tradicionalmente es I. Y aquí hay algunos ejemplos
más. Sistemas expertos, las redes neuronales
michele, que mencionamos en
la historia de la IA. La lógica difusa es un buen ejemplo cuando algunos de estos lenguajes, A-I, A-I
lenguajes específicos, probablemente. Estos fueron algunos de los avances
más antiguos en IA. Luego tuvimos algunos avances en el aprendizaje automático
y la visión por computadora. Mencionamos el IBM Deep Blue. Los grandes beneficios
del Deep Blue fue
tener una gran memoria, poder construir un árbol de búsqueda de cuáles son
las acciones posibles. Entonces voy a hacer el juego
y por lo tanto
poder darnos núcleos y predecir
cuál sería el mejor siguiente, siguiente movimiento para la computadora. Así que al pasar a la IA moderna, podemos marcar esto principalmente con dos avances
en hardware y GPU. Y luego grandes conjuntos de datos etiquetados
como el ImageNet. Así que las redes neuronales profundas, son redes neuronales que
tienen una profundidad más de una. Eso es un poco técnicamente
referido a ellos. Cuanto más profunda es la red. Normalmente tienes
más parámetros, haces conjuntos de datos de entrenamiento más grandes. Y habrá
más no linealidad por la que pase el algoritmo. B también puede mencionar la estadística bayesiana y algoritmos
bayesianos como una
de las herramientas modernas y la IA. Mi enfoque será
principalmente en
darle una mejor comprensión de lo que es una red
neuronal profunda. ¿ En qué
consisten las operaciones? Un poco alto nivel. Y entonces un buen ejemplo de eso también sería
el juego de Go. El juego de Go es uno de los juegos de estrategia
más complejos. Quizás tratar mil años de edad, ¿cuál de estos juego de mesa? Y en comparación
con pecho, pecho. Después de los dos primeros movimientos, alrededor como 5400,
posibles movimientos siguientes. Por lo que es fácil construir
todos los movimientos posibles y asignar una puntuación
a cada uno de ellos. Pero en Go, hay cerca de 130 mil movimientos
posibles y la búsqueda se basa, es bastante último en. El número será mayor que los átomos en el universo. Por lo que no es posible predecir todos los
posibles movimientos futuros. Y ahí es donde ellos tipo de
intuición viene, entra. Y así en este caso,
el, el AlphaGo, que fue el
algoritmo creado por DeepMind que hirió al
campeón del juego. Se basaba en el aprendizaje por
refuerzo profundo y una especie de aprendizaje
observando y aprendiendo la política y
asignando puntajes a posibles movimientos
futuros futuros futuros sin construir todos
los movimientos, ¿verdad? Entonces, sí, ¿qué es una red neuronal
convolucional profunda? Entonces esta es un poco la primera capa de redes neuronales profundas que
se encontraron libros. Esta es la imagen de entrada. Y habrá
operaciones como el tallo. Puedes ver aquí
se les llama convolución. Entonces estos son filtros que se
convolucionan sobre la imagen. Y luego se obtiene una salida. Así que diferentes filtros
aplicados a lo largo la imagen y se construyen
diferentes mapas de entidades. Y estos mapas de características
pasan por una operación no lineal. La más popular es la
operación que ves aquí, función lineal rectificada. Y luego pasan por
un pooling local, es
decir, que en eso, en esta ventana azul, todo se junta, close se mapea en un valor sobre la siguiente capa o proveedor. Y luego pasan por
una normalización local. Entonces esta es la primera capa, y luego cada capa tiene operaciones muy
similares a esta. Y puedes tener. Varias capas son originalmente las capas de AlexNet 20128. También voy a mostrar una cifra
de eso. Pero antes de eso, así
es como podría verse eso. Entonces esta es la imagen de entrada y estos son los filtros
aplicados a cada letra. Entonces pueden salir con una capa se convierte en la
entrada a la siguiente capa. Y tienes una serie de
capas que se consideran aprendizaje de
entidades o
extractores de entidades. Mapean la imagen de entrada o los datos de
entrada en una entidad. Y entonces no lo has hecho para ti. Normalmente capas completamente conectadas que están haciendo la tarea
de clasificación. Entonces obtienen el
mapa de entidades y luego lo mapean en tus etiquetas finales. Estas capas más finas o vienen
completamente conectadas porque cada nodo aquí está conectado a todos los
nodos en el siguiente. Entonces eso, por eso se les
llama totalmente conectados. Bien, entonces pensé que esto
podría ser interesante para ti. Este es el dibujo original
del papel de 2 mil. El tipo similar de red neuronal
profunda, un modelo que quiere la competencia
ImageNet. Y así empezó esta nueva ola de redes neuronales profundas. Esto fue entrenado con aprendizaje
supervisado utilizando
1.2 millones de imágenes. La salida aquí
es de categoría 1000. Por lo que puede predecir o clasificar mil categorías de
imágenes diferentes. Y en cuanto al
número de parámetros, hubo 60 millones de
parámetros en total, y 650 mil
neuronas son nodos. ¿ Correcto? Y como dije, son,
bueno siete capas. O podrías considerar
con el insumo, podría
haber unos volantes. Entonces esa es la red
Krizhevsky de los 2000. Ahora, platicamos brevemente sobre el aprendizaje por
refuerzo. Pensé que
sería una buena idea darle aquí un
ejemplo de alto nivel. Esto es algo que
posiblemente hayas visto muchas veces. ¿ Qué pasa aquí? El, el agente aquí, el perro, y el ambiente aquí, la chica que está
tirando esta gruesa. Este es un típico caso de
refuerzo más fácil de
entender cuando el agente sigue y va
a recoger el palo, y después de que hace
eso, es recompensado. Entonces es, el agente
está observando qué, qué está pasando en
el ambiente. Y luego con base en la observación de obtener
recompensas o ser penalizado, repetirá las
acciones que llevan a más recompensas
y menos penalización. Eso se llama aprendizaje por
refuerzo. En el contexto de los algoritmos y lo concreto
¿no es eso diferente? Entonces aquí hay un juego de Atari que está usando el aprendizaje por
refuerzo profundo. El concepto es muy similar a lo que acabo de describir en términos
de aprendizaje por refuerzo. Voy a ejecutar el video para que
veas en general de qué se trata. Entonces este es el juego. Entonces esto no es un objetivo
y lo más probable es que hayas jugado cuando eras más joven. Entonces estos son los resultados
del juego de Atari después de apenas
diez minutos de entrenamiento. Entonces ves que el juego en sí. Entonces, ¿cómo funciona la capacitación? Es muy sencillo. Lo único que sabe el
algoritmo es la entrada, que es lo que también se
puede ver en la pantalla y la partitura. Así que el algoritmo esencialmente
solo se mueve alrededor estas pequeñas placas y bien
es
recompensado al azar o penalizar. Después de cada movimiento. Recalcula su comprensión
de sus entornos y aprende a repetir las acciones que
llevan a esa recompensa. Ganar una puntuación o
perder su puntaje. Evitarlo evitará las
actividades o acciones que provocaron una penalización
faltando este puntaje. Entonces sí, ahora, eso fue
después de diez minutos. Ahora después de 120
minutos de entrenamiento, se
puede ver que es muy
pro tem jugar muy bien. Y ese es un ejemplo de aprendizaje por
refuerzo. Entonces no hay otro
entrenamiento entrando en esto. El curioso no como algoritmo
preespecificado o cualquier
otra cosa es solo una política. Y el agente aquí está
aprendiendo a hacer esto simplemente
haciéndolo y recibiendo comentarios que están mejorando a sí mismo con el tiempo al estar en el medio ambiente y
probando las cosas. Hacer frente. Entonces hablamos de aprendizaje por
refuerzo, hablamos de aprendizaje profundo. Y en este ejemplo, se
trata de un aprendizaje de
refuerzo profundo. Y es la única parte
que es diferente de un típico
valor de refuerzo aquí es que en términos de
predecir esa puntuación, que la recompensa, esa penalización. El algoritmo aquí está usando un elemento diferente
para que lo haga. Para ello, predice
cuál es la puntuación de cada uno y para
el agua eliminada que el algoritmo
va a hacer. Y eso es usar una red neuronal
profunda. De lo contrario, es lo mismo que cualquier otro algoritmo de
aprendizaje por refuerzo. Fresco.
6. 6. IA en atención médica: En el cuidado de la salud y aplicaciones
de la IA en la salud. Entonces este es un tema que más
me apasiona. Por supuesto. Comenzaré con este
libro de calificaciones, Medicina Profunda. De Eric. Hay un abrigo y el libro
dice, Qué juego está mal. sistema
de salud de hoy en día son aquellos que faltan atención. Y la forma en que se
relaciona con eso es mediante utilización de
inteligencia artificial que en realidad
podría parecer
contrario a la intuición, pero en realidad, si traer IA a nuestra asesina Nicole y práctica
médica, buenas medidas en su
lugar, es muy probable que
los médicos puedan dedicar más tiempo a involucrarse más humanamente en el proceso
de llevar a los pacientes. Y así es como, eso es lo que
el tema del libro, y eso es lo que la
IA potencial puede traer en la atención
médica en un futuro próximo. Entonces, en términos de la línea de tiempo y se sabe aproximadamente donde VR, en términos de IA que se está
adoptando en el cuidado de la salud. Usted es consciente de esto para las revoluciones
industriales. Y creo que en la
primera sesión también me refiero
brevemente a esto. Es justo decir que la medicina o la atención médica
está aproximadamente aquí. Estamos todavía plenamente en la cuarta
revolución industrial en la salud. Es en parte por
regulaciones y algunas de las otras
fricciones existen en el cuidado de la salud. Y transformaciones digitales. Tómate un poco
más de tiempo en este sector. Y definitivamente es más sensible porque las
vidas humanas están involucradas. Ahora bien, lo que quiero
pasar por estos pocos minutos es para diferentes escenarios
en los que la IA pueda ser
utilizada en la salud. Es posible que ya hayas visto
algunas de estas aplicaciones. Uno es mejorar la infraestructura y el
acceso a la atención de salud. Lo que lleva a reducir costos de atención médica,
mejora la calidad. Hace que la atención médica sea más
accesible y más asequible. Es un poco
escalable como que muchas personas, independientemente de su ubicación,
idioma, etc., pueden
acceder a la atención médica. Un ejemplo tan bueno, diría nuestros chatbots en atención médica y asesoría
médica. Babylon GP, el GP, un tanh tiene tal
chatbot, ya. Integrarlo para que podamos
consolidar el chat, pero eso te da
algún diagnóstico inicial si quieres, o, ya sabes, te
da una idea de cuando
nos pides a condiciones, te
da una idea de me gusta lo que podría estar potencialmente equivocado. Y luego se pone un poco
conectarte con un
profesional de la salud , médico, médico de cabecera, etc. Ahora bien, esa es
una especie de infraestructura que
trae la atención médica accesible a una amplia variedad de personas independientemente
de su ubicación. Entonces eso es, creo que es
un buen ejemplo, pero aún queda
mucho por hacer para
mejorar el acceso a la atención médica a través de estas
transformaciones digitales. Entonces otro escenario, que es razonablemente obvio y es posible que
hayas escuchado la noticia, algunas de las
aplicaciones es el uso de IA y machine learning
en diagnósticos. O ocho para el diagnóstico te
darán dos ejemplos aquí. Una es la capacidad
cognitiva, cognitiva. Hemos desarrollado esta herramienta, que es una herramienta impulsada por IA para detectar deficiencias
cognitivas. Y usa ai. IA explicable. Otro ejemplo son, hay
una variedad de aplicaciones. Este es un ejemplo
que utiliza imágenes, tus imágenes de ultrasonido, para
detectar signos de cáncer de mama. Hay otros
algoritmos impulsados por IA que
funcionan, por ejemplo, en imágenes del cerebro
también para detectar tumores y algunas otras aplicaciones
similares. Entonces el diagnóstico, diría yo, es una de las áreas en las que la
IA es más adoptada. Y es un poco más intuitivo,
si sabes a lo que me refiero, diagnósticos ocho para el diagnóstico están cobrando impulso
en este momento. Entonces, el tercer ejemplo es el uso IA y machine learning para
la prevención y monitoreo. Esto también se está volviendo razonablemente popular, particularmente
con variables. Entonces tenemos variables, tenemos, si estamos recopilando más datos de un individuo a lo largo del tiempo. Apple HealthKit es un
buen ejemplo de ello. Es recoger tu ejercicio, dormir, otras actividades. También. Es rastrear tu frecuencia cardíaca. Puede hacer monitoreo de ECG. Entonces, juntando todos estos
datos, puede darte ideas sobre tu vida sigue siendo tu salud
cardiovascular. Y si aplicas esos conocimientos, potencialmente
puedes detectar signos de problemas
cardiovasculares potenciales cardíacos. Te las tomas temprano para que podamos prevenir o mejorar
tu vida sigue siendo. Otro ejemplo para los amigos es la optima y es
una app de bienestar. Mide objetivamente tu tipo de desempeño
cotidiano, nuevamente, contra tus medidas de
estilo de vida, y puedes usarlo para
mejorar tu vida
sigue siendo eso ampliamente en
prevención, en monitoreo. Y nosotros la IA, esa es en realidad una de las tendencias
para la atención médica, se está moviendo hacia
la prevención en
lugar de la detección tardía de enfermedades, lo cual es más costoso. Ahora, finalmente, la cuarta dimensión
o escenario que quería traer
aquí es el tratamiento. En comparación con los
otros tres que mencioné, los tratamientos es yo diría
detrás. Hay ejemplos. Yo escogería este
árbol. Descubrimiento de fármacos. Es una opción obvia. Uso de IA y aprendizaje automático. Las compañías farmacéuticas pueden
acelerar el proceso de
descubrimiento de nuevos medicamentos
basados en medicamentos ya aprobados. Así que tipo de reducir
la lista de medicamentos que
es probable que funcionen en un nuevo trastorno y ejecutar un ensayo clínico en una
lista limitada o reducida de medicamentos potenciales. Y en lugar de
ejecutar muchos
ensayos clínicos en la lista más amplia, lo que es mucho más caro
y lleva más tiempo. La cirugía robótica es otra área que es capaz de ayudar con. Terapéutica digital también es un término que se usa
recientemente, con más frecuencia. Y puede referirse a algunos
de los tratamientos digitales. Se puede dar
en las recetas, etc. todavía
es bastante temprana etapas, pero hay algunas aplicaciones
de la misma ya existentes. Algunos de esos, por ejemplo, o juegos que podrían
ayudarte a mejorar parte de
tu estado mental. Y algunos de esos juegos, saludables para mejorar el TDAH. Si buscas en Google,
encontrarás que algunos de esos
ya cuentan con la aprobación de la FDA. Entonces este es un campo
que por supuesto está evolucionando y tiene aplicaciones
muy limitadas
en este momento. Pero hay una buena posibilidad de
que obtenga impulso dentro de los próximos cinco a diez años. Sí, si quieres saber
más sobre otras historias, otros escenarios potenciales
que puedan suceder. Con IA en la salud. Este es un buen libro
que recomendaría. Es un libro electrónico. Espero que lo disfrutes. Te veré en la siguiente lección.
7. 7. AI, sociedad y trabajo: En esta sesión,
voy a hablar sobre IA y su impacto en la
sociedad y el futuro de los empleos. Entonces comencemos con esto. Sabemos que la IA, internet de las cosas para vender tecnologías
están habilitadas. Y si los miramos desde esta perspectiva en el cuidado de la salud, que es el ejemplo por el que
pasamos en la última sesión. Vemos que los mismos servicios que
estamos recibiendo hoy en día, se
pueden brindar de manera
más efectiva a través de la IE. Pueden llegar a ser más
accesibles, más asequibles, se pueden
dar con mayor calidad. Ahora bien, esto es cierto en educación, finanzas, cuidado de la salud, etc. y te voy a dar dos
ejemplos de educación. Y luego en retail. En educación. Imagínate
las escuelas del mañana. No mañana, a lo mejor
hoy hemos visto ya probado un
poco de esto, pero tal vez no como parte de nuestros sistemas educativos
formales. Así que imagina que tenemos
estas nuevas tecnologías. Podrías ser educado
en cualquier momento tu comodidad y tu
plataforma educativa se adaptará a las necesidades que tengas,
las necesidades del estudiante. El plan de estudios sería
personalizado hacia la carrera. Estás detrás de mentores
rituales anuales. Los exámenes serán personalizados en
función de lo que quieras
lograr y toda la plataforma te
puede dar pelea. En retail. A lo mejor esto es algo que
estamos más familiarizados, Beth. He visto motores de recomendación como cosas como un
Amazon y Google, donde obtienes
recomendaciones personalizadas basadas en tus intereses y tu historial. Es posible que ya hayas
visto chatbots que brindan tipo de atención al
cliente las 24 horas. El ejemplo de los chatbots, también
mencioné en la sesión anterior
cómo pueden ayudar en cuidado de
la salud brindar recomendaciones de alto
nivel. ¿ Correcto? Entonces, entrando en, estos son algunos ejemplos de cómo
se puede usar la IA en diferentes
días, diferentes servicios, y proporcionar esas tres
características que mencionamos, haciéndolas más accesibles
a una población más amplia, haciéndolos más asequibles, y también dándoles
una mayor calidad. Entonces, ¿brindo
oportunidades para los
países en desarrollo
o solo es útil para los países desarrollados? Sabemos que tal vez Estados Unidos y China
están liderando actualmente la IA. Pero la IA tiene muchos territorios
inexplorados
y hay mucho espacio para el crecimiento
y del que muchos países
pueden beneficiarse. Y te voy a dar ejemplo de
un concepto llamado salta-rana, que es como
las economías en desarrollo pueden realmente
usar la tecnología y que es como
las economías en desarrollopueden realmente
usar la tecnología y
discutir la IA para unos pasos hacia adelante y tal vez
ponerse al día con el juego. Ahora, imagina aquí este ícono
negro. Se trata de una economía desarrollada. Anteriormente tenían que ir
a cada paso, construir infraestructura
paso a paso hasta que llegue hasta aquí. Donde se tiene una economía
desarrollada con todos estos servicios
en el cuidado de la salud, las finanzas como la educación, etc. Ahora, imagínese si es
una economía en desarrollo. Ahora, puedes usar la tecnología. Aquí. Se trata de un equipo de
salto de salto. Puedes usarlo para saltar y saltarte unos pasos y saltar por aquí y efectivamente
día yo haciendo eso. Pero tomemos el ejemplo
de la educación. Cuando proporciona esta plataforma, comunicación
remota y soporte y automatización
en línea. Hay muchos servicios en
diferentes industrias,
incluida la atención médica, la educación, las finanzas que se pueden
proporcionar sobre ella, la misma infraestructura
que ha construido una sola vez. Entonces,
en lugar de ir a un país, construir muchos hospitales, muchas escuelas que
mantenerlos. Aquí está construyendo
una infraestructura para estas plataformas móviles
y comunicaciones móviles. Y a través de
esa forma, esa plataforma estás
brindando todos estos servicios. Rana salto. Ahora la pregunta que
me hacen muchas veces es ¿cómo la ai puede afectar a los
empleos en el futuro? ¿ Vamos a ir
con chocolates? Entonces, bueno, esto es, esta es una buena visualización de cómo la automatización y el futuro, futuro cercano afectarían a cada una de estas
diferentes industrias. El referente es siempre C, D. Y ves a la derecha, esta es una probabilidad de
automatización por sector. Entonces, en la parte superior, el limpiador de
asistencia a la preparación de alimentos es ayudantes, etcétera. Esos trabajos tienen la mayor probabilidad
de ser automatizados. Así que habrá menos
humanamente involucrados si quieres. Porque habrá automatizado. A lo mejor no
necesitan mucho de ello. Trabajo creativo, o carecen de
algunos de los aspectos de capacidades humanas
únicas
como cuidar, etc, de los que les
hablaré posiblemente en la
próxima, próxima, próxima sesión. Entonces estos son una especie de los
trabajos que tienen más probabilidades de
ser desplazados o reemplazados
por IA o máquinas. Entonces mientras que a medida que bajes por
la lista aquí, los hay, estos son los trabajos como las profesiones
docentes, las profesiones de
la salud. Entonces estos son los trabajos
que involucran, ambos necesitan, necesitan más creatividad
y también ese aspecto de la
comunicación humana a humana, la atención social. Esos aspectos son fuertes en ello. Estos son los aspectos que
son fuertes en los humanos, pero menos las máquinas de coser. Por lo tanto, las posibilidades
de automatización o menos. Pero lo general, esta Cuarta Revolución
Industrial no
es tan diferente de las revoluciones
anteriores. Y lo que sucedió anteriormente
es probable que suceda. Y esto está haciendo esta
predicción de que sí, van a ser empleos desplazados. Pero lo más probable es que creemos más empleos nuevos que los empleos
que serán desplazados.
8. 8. Resumen y conclusiones: Muy bien, entonces esta es
nuestra última sesión. Vamos a tener un breve resumen de lo que
aprendimos juntos. Inicialmente, hablamos sobre
esta línea de tiempo de la IA, cómo evolucionó la IA y cómo llegamos hasta aquí. Y lo que es más importante, discutimos ai como habilitador, transformando
diferentes industrias. Y esto es como el
impacto que podemos tener. Puede hacer que las cosas sean más accesibles,
asequibles y de mayor calidad. Lo discutimos
en el contexto de atención a la
salud como
ejemplo de postal, dimos ejemplos de
educación, retail, y se puede generalizar
que otras industrias. También hablamos sobre
las limitaciones de la IA y algunos de los
personajes humanos únicos. En particular. Espero que tomes esta v a u como este
diagrama bidimensional donde compasión y la creatividad
y una estrategia. Estos son personajes
humanos únicos
son personajes en los
que los humanos son fuertes en comparación con las cosas
que la IA es solo tratar de agarrar, como la optimización y las cosas
que se pueden automatizar. También discutimos
cómo puedo cambiar los empleos actuales y
los futuros. En particular,
discutimos que la IA
no va a destruir todos los empleos y nos
convertimos en vieja lista de empleos. En cambio. Similar a otras
revoluciones industriales del pasado. Habrá algunos empleos
que van a ser desplazados y surgirán nuevos empleos. En particular los trabajos que son más fáciles de automatizar,
serán desplazados. Y los trabajos que no son
ninguno de esos aspectos humanos, más, van a emerger, se
quedarán. Entonces tendremos nuevos empleos creados en esas
dos dimensiones particulares. Mencioné. Con eso, lo que
quería enfatizar
la importancia del
aprendizaje y la educación a lo largo de la vida, particularmente en esas habilidades
básicas de los humanos. Y así necesitamos
mejorar en el pensamiento estratégico, creatividad y las habilidades más suaves conexiones de
interacción
humana a humana, compasivas, siendo individuos
compasivos. Entonces estas son las habilidades en las
que podemos trabajar. Se discrimina y nos
distingue de la IA, si así lo desea. ¿ Correcto? Así que gracias a todos por estar
conmigo hasta este momento. Esperas que hayamos
podido arrojar algo de luz sobre algunos de
los mitos en torno a la IA. Y ojalá eso
contribuya a algunas ideas
para que veas cómo estamos usando
actualmente la IA y
cómo la IA posiblemente
va a cambiar la forma en que vivimos
y trabajamos en el futuro. Y espero que pueda
beneficiarse de eso planificando con anticipación. Que tengas un día fantástico y espero verte de nuevo
en futuros cursos.
9. Bono: futuro de la salud con IA (medicina de precisión): Aquí queremos
guiarte a través del impacto
que la inteligencia artificial
puede tener en el cuidado de la salud. Para ello,
comencemos con ubicar dónde se
desmenuza el cuidado de la salud Oriente con respecto a la
adopción de nuevas tecnologías. Como ve aquí en esta cifra, la atención médica aún está
atrasada en la adopción de la IA. Existen diversas
razones para ello, que hablaremos
en una sesión diferente. Pero por ahora, esto se
presenta tanto como una oportunidad porque
hay mucho que se puede hacer, pero también un reto. Ahora una pregunta que puedes hacer es, si adoptamos una UI, ¿a dónde nos lleva eso? Entonces nos va a sacar
del reino de medicina
intuitiva y soy bastante medicina fría
a medicina de precisión. Entonces, en medicina intuitiva, ahí es cuando el clínico
usa su intuición. Entonces no se basa en datos
ni en pruebas protocolares. Basado en la intuición. Podrían sugerir un diagnóstico
o un plan de tratamiento. En la medicina de protocolo M, el clínico utiliza los limitados datos disponibles para ellos y tal vez una entrevista clínica con el paciente mirando
algunas imágenes, etcétera. Y en base a eso,
se les ocurre un posible diagnóstico y un
probable plan de tratamiento. Y tal vez dentro de seis meses, volverán a ver
al paciente para ver si la verdad y
eso no ha funcionado. Entonces es una especie de experimentar
con el paciente para ver qué pasa entonces si
el tratamiento con parque. Para los nuestros en medicina de precisión, partir de los datos, una gran cantidad de datos que
se pueden recolectar de un paciente a
lo largo del tiempo y variables, por qué esos signos, etc. el clínico, con la ayuda
de eso datos y luego yo, dando sentido a que los datos
pueden hacer un diagnóstico
preciso, diagnóstico personalizado preciso, y luego el tratamiento seguirá. Entonces déjame darte
una analogía aquí. Al comprar un automóvil, el fabricante
del automóvil garantizará que el automóvil estará en
funcionamiento por 34 años. Entonces lo hacen
en base a los sets y t que tienen sobre la calidad del auto
que han fabricado. En entornos de atención a la salud. Cuando vas a un hospital, ¿
puedes esperar que te
garanticen un diagnóstico o plan de
tratamiento que te
den? No. Eso es porque hay
tanta incertidumbre. El reino de la medicina
intuitiva e impro, para el
resfriado que no se puede garantizar el
desenlace. Pero pasando a la
medicina de precisión, la ayuda de la IA, lo que podemos esperar
es que pasemos de esta incertidumbre al
reino de la certeza. Y bajo tales escenarios
cuando se puede hacer diagnóstico preciso y
un plan de tratamiento preciso, entonces incluso se pueden garantizar
los servicios de atención médica.
Seyed Khaligh-Razavi, AI & Entrepreneurship (AM Cambridge Uni)
