Inteligencia artificial - una breve introducción

1. Descripción del curso: Hola a todos, Bienvenido al inicio de tu primer viaje. En este curso, te guiaremos por el pasado, presente y futuro de la inteligencia artificial. También vamos a tener un breve vistazo a diferentes campos en los que se puede aplicar la IA y mostrar algunas aplicaciones que pueden ser interesantes para usted. Sin embargo, también pasaremos por la definición de IA y definiremos qué es una red neuronal paso a paso. Mostrar cómo funciona y explica las diferencias entre IA, machine learning y deep learning. También habrá una prueba corta de opción múltiple para ver si has captado el concepto de redes neuronales e IA en general. Sin más preámbulos, te deseamos la mejor suerte y éxito en tu viaje. Mantente motivado. 2. ¿Qué es la IA: Azul profundo, que el campeón mundial de ajedrez, Garry Kasparov, AlphaGo destruye componentes en un juego de Go. Llegan los primeros costos de IA. Una nueva era para el aprendizaje automático ha comenzado. Si has escuchado o leído cosas tales o similares, probablemente pienses, guau, yo soy la próxima gran cosa. Pero, ¿cuál es exactamente la próxima gran cosa? ¿Qué es exactamente la inteligencia artificial? Y por qué un término como el aprendizaje profundo, el aprendizaje automático o las redes neuronales se asociaron repetidamente con los avances de la IA. Para cruzar el primer obstáculo en tu viaje, Empecemos definiendo las diferentes áreas en general. Después de definir cada área, seguiremos analizando más de cerca las diferencias. Las definiciones. Si vamos por la definición de uno de los padres fundadores de la inteligencia artificial entonces es la ciencia e ingeniería de hacer programas informáticos inteligentes. Se relaciona con la tarea similar de usar computadoras para entender la inteligencia humana. Pero a no tiene que limitarse a métodos que son biológicamente observables. Es la ciencia y la ingeniería de hacer que los programas informáticos inteligentes, el aprendizaje automático vaya. El otro lado es una aplicación de inteligencia artificial que incluye algoritmos que los datos pasados aprenden de esos datos y luego aplican lo que han aprendido para tomar decisiones informadas. Entonces tenemos el aprendizaje profundo, que se define como un subcampo de algoritmos de estructuras de datos de aprendizaje automático en capas para crear una red neuronal artificial que pueda aprender y tomar decisiones inteligentes por sí misma. ¿Notaste algo? En las tres definiciones, se mencionó la palabra inteligente. Así es, inteligencia. Pero, ¿qué es exactamente la inteligencia? ¿Cómo se define o mide? ¿Cuándo es exactamente alguien o algo realmente inteligente? Dado que es un tema bastante discutido, definimos la inteligencia como por ahora como una capacidad mental general que involucra la capacidad de razonar, resolver problemas, pensar de manera abstracta, comprender ideas complejas y aprender de experiencias. Refleja una capacidad más amplia y profunda para comprender nuestro entorno. Atraparse en darle sentido a las cosas, o averiguar qué hacer. Ahora que conocemos las definiciones de IA, aprendizaje automático, aprendizaje profundo e inteligencia, podemos ver en qué se diferencian entre sí. 3. IA y las 3 caras: Oye, entro en tres fases. Imagínese las áreas libres como tres anillos concéntricos con, creo que el anillo más grande y el aprendizaje profundo el más pequeño. Cada área es simplemente un subconjunto del área anterior más grande. Un breve panorama, podemos decir por ahora que necesito programar explícitamente y puedo hacer sólo una tarea a la vez. Los sistemas de aprendizaje automático tienen la capacidad de aprender y mejorar desde la experiencia sin estar explícitamente programados. aprendizaje profundo o el otro lado, utiliza redes neuronales para analizar diferentes estructuras y patrones y por lo tanto trabajar de manera similar al cerebro humano. Escucharás más sobre eso en unos minutos. Ahora que hemos terminado con el breve resumen, echemos un vistazo más de cerca a cada una de las tres áreas. Comenzaremos nuestro viaje con el campo de la IA. Este campo en sí puede diferenciarse nuevamente en tres pensamientos diferentes. Inteligencia artificial estrecha, también llamada débil. Débil, fuerte en ciertas actividades pero no puede superar a los humanos en general. A pesar de que estas máquinas, si eres inteligente, las únicas tienen un rango limitado de capacidades. Es por ello que a este tipo de inteligencia artificial se le conoce como IA débil. IA estrecha simplemente replica comportamiento humano basado en el conjunto limitado de factores y acciones. Por ejemplo, un programa de IA que para ganar bordes de juegos probablemente no podrá jugar el juego de Go. Inteligencia general artificial, también conocida como IA fuerte. En este punto, los sistemas A IS son cada vez más parecidos a los humanos. Tal sistema de IA podría tomar sus propias decisiones sin interacción humana, resolver tareas lógicas complejas que requieren pensamiento abstracto, pero también tener emociones en un momento dado. Sin embargo, al considerar que el cerebro humano es el modelo para crear tal inteligencia general, no es sorprendente que lograr una IA fuerte sea un desafío inmenso. Superinteligencia artificial, alias super IA. Si alguna vez llegamos a este punto, una cosa es segura que un robot o ser así no solo superaría a los humanos en múltiples tareas, sino que estaría por delante de los humanos en casi todas las áreas pensables, como la inteligencia, la sabiduría, las habilidades sociales, la creatividad y muchas más. Bueno, si esto causa cierto temor que las máquinas nos invadirán algún día, no te preocupes, todavía estamos lejos de llegar incluso al iPhone secundario. Actualmente no se sabe que exista una IA fuerte o súper, y probablemente aún tardará décadas en llegar allí. 4. Aprendizaje automático y los fundamentos: Aprendizaje automático y fundamentos. Profundizando en la siguiente capa, llegamos al aprendizaje automático. El aprendizaje automático es un subconjunto de IA y se enfoca en aprender a resolver tareas específicas sin ser programado explícitamente. En lugar de simplemente ejecutar una lista de instrucciones automáticas, modelos de aprendizaje automático mejoraron a través experiencia y el uso de estadísticas. Para ello, necesitan tres componentes para funcionar. Número uno, conjuntos de datos. Antes de aplicar modelos de aprendizaje automático a cualquier tarea, necesitan ser entrenados en una colección de muestras, también llamada conjunto de datos. Por lo general, este es uno de los pasos que más tiempo consumen en el aprendizaje automático, ya que la mayoría de los conjuntos de datos requieren múltiples miles de muestras, lo que lleva mucho tiempo y esfuerzo crear. Uno de los conjuntos de datos más conocidos sería, por ejemplo, el conjunto de datos de flores de iris. Este conjunto de datos multivariados consta de tres especies de flores diferentes, cada una compuesta por 50 muestras. Cada muestra tiene cuatro características que describen, por ejemplo, la longitud del pétalo o el ancho del pétalo. Dado que este conjunto de datos está abierto a cualquier persona y es bastante fácil de manejar, a menudo se recomienda a AI Guinness al comenzar el primer día que proyecto. Número dos, características, generalmente características, uh, piezas de datos que describen las muestras. Por ejemplo, permanezcamos en el conjunto de datos de flores de Iris. En este conjunto de datos de flores de iris, hay cuatro características que describen las flores. Largo del pétalo, ancho del pétalo, largo del sépalo y ancho del sépalo. Dependiendo de su modelo y las características, puede marcar una gran diferencia en el rendimiento de su modelo durante el entrenamiento y las pruebas. Echa un vistazo a los siguientes gráficos. Aquí trazamos el mapa de correlación de las cuatro entidades. Esto nos permite ver qué entidades están correlacionadas entre sí y qué características son las mejores para separar el conjunto de datos. Una buena opción podría ser la longitud del pétalo y el ancho del pétalo. ¿Por qué esos dos? ¿Podrías preguntar? Echemos un vistazo más de cerca. En los gráficos, vemos las correlaciones con tres colores diferentes. Estos tres colores representan, en este caso, las especies de flores. Ahora nuestra tarea es mirar el mapa y decidir qué características separan mejor los puntos en diferentes colores. ejemplo, la primera imagen de la segunda fila hace un trabajo bastante bueno al separar los puntos amarillos de los otros, pero falla por completo al separar los rosados de los morados. No obstante, si nos fijamos en la tercera imagen de la última fila, podemos ver que los tres colores están casi perfectamente separados. Las características que se utilizaron fueron la longitud del pétalo y el ancho del pétalo. Si aún tienes curiosidad por los gráficos, solo pausa el video unos segundos y echa un vistazo a las otras filas y columnas. No obstante, ahora pasaremos al siguiente punto. Algoritmos. Un algoritmo se puede imaginar como una lista de instrucciones que se ejecutarán paso a paso para resolver una tarea específica. Sin embargo, en el aprendizaje automático, suele darse el caso de que pueden utilizar múltiples algoritmos diferentes se pueden utilizar múltiples algoritmos diferentes en combinación con métodos estadísticos para resolver la misma tarea o para obtener un mejor rendimiento. Uno también podría simplemente combinar múltiples algoritmos y jugar con la configuración. Ahora que sabemos qué componentes se necesitan para el aprendizaje automático, echemos un vistazo al aprendizaje profundo en el siguiente video. 5. Aprendizaje profundo _ Example-Use-Case: Deep learning y redes neuronales. ¿Recuerdas lo importante que era en el caso del aprendizaje automático seleccionar buenas características? En el caso del aprendizaje profundo, ya no es necesario. En cambio, el modelo recoge las características en sí y las pruebas con la ayuda de las llamadas redes neuronales. Dado que el aprendizaje profundo se inspiró en la estructura de nuestros cerebros, los algoritmos de aprendizaje profundo utilizan complejas redes neuronales multicapa, abstraen patrones previamente desconocidos en los datos para llegar a una solución. Todavía no hay idea de lo que es la red neuronal. Por lo general a la hora de explicar cómo funcionan exactamente las redes neuronales. Se trataría de algunas matemáticas. Pero como este es el curso de Introducción a la IA, lo explicaremos de una manera bastante sencilla. Las redes neuronales constan de las siguientes capas de notas. Una capa de entrada, una o más capas ocultas y, a continuación, una capa de salida. Cada nodo también se llama neurona artificial, se conecta a otro y tiene un peso y umbral asociados. Si la salida de cualquier nodo individual está por encima del valor umbral especificado, ese nodo se activa enviando datos a la siguiente capa de la red. De lo contrario, no se pasan datos a la siguiente capa de la red. Ahora para poder entrenar una red neuronal, necesitaríamos datos, muchos datos en realidad, solo entonces podremos mejorar realmente la precisión del modelo a lo largo del tiempo. Pero una vez que estos algoritmos de aprendizaje estén afinados, nos permitirán clasificar y agrupar datos en muy poco tiempo. Ahora que hemos pasado por todo, ¿qué tal el pequeño ejemplo? Ejemplo de caso de uso. Supongamos que eres dueño de una pequeña empresa que se especializa en clasificar frutas en diferentes categorías. En la planta clasificadora, los frutos están todos mezclados. Es necesario separar las frutas y empaquetarlas en capturadas, traídas a través trazadas antes entregarlas a los supermercados. Entre los frutos que hay que ordenar, se encuentran los plátanos, las manzanas y las naranjas. Ahora que conocemos la tarea, pasemos por cada una de las tres áreas. Ai enfoque. En IA, ahora habrías usado un algoritmo basado en IA que hace uso de la lógica de decisión dentro de un sistema basado en reglas. Un ejemplo sería, si el objeto es una manzana, entonces transportarlo a la derecha. Si el objeto es un plátano, entonces transporte a la izquierda. Sin embargo, el éxito del sistema basado en IA depende de que el fruto sea etiquetado con precisión por los recolectores de fruta y que tenga un mecanismo de escaneo para indicar el algoritmo de lo que es el fruto. Un enfoque de aprendizaje automático. un algoritmo basado en aprendizaje automático Ahora se propone un algoritmo basado en aprendizaje automático para mejorar el enfoque basado en IA para la clasificación de frutas cuando las etiquetas no están disponibles. Para que el aprendizaje automático funcione, la descripción de cómo se ve cada fruta, es necesaria. Esto se llama extracción de características. Esto se hace mediante la creación de un plano basado en las características y atributos únicos de cada fruto. El algoritmo se entrena usando características como tamaño, color, forma, etc. para clasificar los frutos. Pasando al siguiente enfoque, llegamos al aprendizaje profundo eliminando la necesidad de definir cómo se ve cada fruta. un algoritmo basado en el aprendizaje profundo podría utilizar un algoritmo basado en el aprendizaje profundo para resolver cualquier fruto. Una ventaja importante del modelo de aprendizaje profundo es que no requiere características para clasificar correctamente los frutos. Con muchas imágenes de frutas, el modelo puede construir un patrón de cómo se ve cada fruta. Estas múltiples capas de redes neuronales se utilizarán para procesar las imágenes en el modelo de aprendizaje profundo. Entonces cada capa de red definirá características específicas de las imágenes, como la forma de los frutos, el tamaño, el color, etc. Sin embargo, para que el modelo logre buenos resultados, requerirá un poder computacional significativo y grandes cantidades de datos. Ahora que conoces un poco las diferencias entre IA, machine learning y deep learning, echemos un vistazo a la historia de la IA en la siguiente parte. 6. Historia de la IA: Historia de la IA desde el pasado hasta el presente. Avanzando hacia el primer invierno. Bienvenidos a la historia de la IA. Después de escuchar y leer muchos artículos de éxitos a la vista, mucha gente podría suponer que se trata de un campo relativamente nuevo, pero este no es el caso. Tiene un pasado más largo y podrías pensar, Tomemos asiento y hablemos sobre la increíble historia y las historias de éxito. Hoy escuchamos mucho sobre nuevos logros en el campo de la inteligencia artificial, la automatización y la robótica. Pero eso, ya sabes que la idea de máquinas inteligentes ya existía en la antigüedad. ¿Conoces la historia de Carlos, el gigante de los bronquios? Según movimiento, Carlos es descrito como un gigante de los hombres de bronce creados por el dios griego de la invención y la herrería. Zeus, el rey de los dioses griegos, le asignó la tarea de defender la isla de Creta de los atacantes. Si bien no hemos creado robots gigantes ni nada por el estilo en el pasado reciente, todavía hemos tenido muchas cosas interesantes. Empecemos con las tres leyes de Asimov. Las leyes de Asimov fueron descritas por primera vez por Isaac Asimov como las reglas básicas del servicio robótico y deberían ser seguidas por cualquier tipo de robot. Las reglas de Asimov se establecen de la siguiente manera. En primer lugar, un robot no debe herir a sabiendas un ser humano o por inacción permitir que un ser humano sea dañado. Segundo, un robot debe obedecer las órdenes que se le hayan dado. Son humanos a menos que tal orden entre en conflicto con la regla número uno. Para un robot debe proteger su existencia siempre y cuando esa protección no entre en conflicto con la regla número uno o número dos. Avanzando en el tiempo, nos encontramos con Alan Turing con la llamada prueba de Turing. Intentó formular en 1950 cómo se podía determinar si una computadora o modelo podían tener la misma capacidad de pensar que los humanos. La prueba utiliza un proceso simple de preguntas y respuestas entre un interrogante humano y para los encuestados anónimos que no son visibles a la pregunta de las preguntas gratuitas, no predeterminadas son hechas por personas sin ningún contacto visual o auditivo con el entrevistador utilizando herramientas de entrada como un teclado o una pantalla. Si al final de la prueba, la pregunta humana, no puedo determinar a partir de las preguntas cuál de los dos encuestados es la máquina. La inteligencia de la máquina puede definirse como humana. Sólo seis años después, se llevó a cabo la famosa Conferencia de Dartmouth. A Dartmouth Conference se considera el nacimiento de la inteligencia artificial como disciplina académica. Fue solicitado, planeado y llevado a cabo por John McCarthy, Marvin Minsky, Latin en Rochester y Claude Shannon bajo el nombre completo punto MOV proyecto de investigación de verano sobre inteligencia artificial. Se llevó a cabo en el verano de 1956 del 18 de junio al 16 de agosto en el Dartmouth College de New Hampshire. temas como computadoras automáticas, redes neuronales, discutieron temas como computadoras automáticas, redes neuronales, abstracción o aleatoriedad y creatividad. Y al final resultó que, después de apenas unos años, prácticamente todos los participantes en la conferencia se habían convertido expertos de renombre internacional en el campo de la inteligencia artificial. Muchas otras innovaciones siguieron a la Conferencia de Dartmouth, como el primer chat bot eliza, que se suponía que iba a hacerse cargo la tarea de los psicoterapeutas. Sin embargo, por muy prometedores que fueran estos proyectos, los investigadores finalmente concluyeron que el mundo real es demasiado complejo para procesarse allí tales modelos, lo que llevó a la cancelación de hallazgos importantes al comienzo del primer invierno de IA en la década de 1960. Preparándose para el segundo invierno. Después de que los efectos del primer invierno de IA comenzaran a desvanecerse, comenzó una nueva era de EI. Esta vez, se puso mucho mayor énfasis en el desarrollo de artículos comerciales. Además, importantes conferencias como la Asociación para el Avance de la Inteligencia Artificial, comenzaron a principios de la década de 1880 y vieron un tremendo aumento en la venta de entradas. La tecnología Ai ha alcanzado su punto máximo de curiosidad tanto del público en general como de las autoridades gubernamentales. Los sistemas expertos fueron cruciales para la comercialización de la IA. Estos sistemas fueron creados desarrollando si diez conjuntos de reglas y se han utilizado en una variedad de aplicaciones. Incluyendo la planeación financiera , el diagnóstico médico, la investigación geológica y el secreto microelectrónico es n. Sin embargo, dado que los modelos y técnicas seguimos siendo muy limitados y no pudimos resolver problemas más complejos. El segundo invierno llegó apenas unos años después. El avance actual se ralentizará después del segundo invierno, pero los grandes avances llegaron solo unos años después. Entre otras cosas, fue posible derrotar al campeón mundial de ajedrez den Garry Kasparov con la ayuda de Deep Blue. Deep Blue fue una supercomputadora desarrollada por IBM específicamente para jugar al ajedrez y fue mejor conocido por ser el primer programa de IA en ganar una partida de ajedrez contra el vigente campeón mundial después de perder el primer partido de seis k contra Garry Kasparov en 1996 y recibir una actualización masiva, Deep Blue pudo vencer al campeón del mundo en mayo de 1997. Unos años después, AlphaGo venció al campeón del mundo en el juego de golf con cuatro a uno. Puede que no suene como un gran hito, pero realmente lo es. Alphago difiere mucho de los proyectos anteriores de IA. Para calcular sus posibilidades de ganar, utilizó redes neuronales en lugar técnicas de probabilidad codificadas por programadores humanos. Además de los juegos que AlphaGo juega contra sí mismo y contra otros jugadores, AlphaGo también excesos y analiza la biblioteca completa de Internet go, incluyendo todos los juegos, jugadores, estadísticas y literatura. Uno, configuración, examina la estrategia óptima para resolver el juego de golf sin la ayuda del equipo de desarrollo. Alphago estima enormes cantidades de probabilidad para muchos movimientos en el futuro utilizando redes neuronales y búsqueda en árboles de Monte Carlo, que aprenderás más en otro curso. Ahora que estamos al final de la historia, es momento de volver al futuro. 7. Diferentes campos de IA: Aplicaciones futuras. Hay tantas teorías sobre qué impacto tendrá la ai en nosotros en el futuro. Y como hay tantas posibilidades, vamos a echar un vistazo a tres ejemplos que consumen se hacen realidad. Número uno, ciudades completamente inteligentes y autónomas. El concepto de ciudades completamente inteligentes y autónomas es una posibilidad emocionante para el futuro de la IA. Con los avances en tecnología, podemos ver casas y apartamentos cada vez más inteligentes con sistemas de reconocimiento de voz, sensores de huellas digitales y más. Si esta tendencia continúa, pronto podríamos ver ciudades enteras volviéndose completamente autónomas. En estas ciudades, todo, desde el triturador de basura hasta transporte público, podría operarse sin intervención humana. Imagínese desperdiciar camiones de eliminación conduciendo ellos mismos a áreas designadas para sistemas de recolección o transporte público que automáticamente se reencaminan en función del tráfico y la demanda de pasajeros. Uno de los beneficios potenciales de las ciudades autónomas es la reducción la contaminación del tráfico y los accidentes causados por el error humano. Esto podría conducir a un ambiente más limpio y seguro para los residentes. Adicionalmente, las ciudades autónomas también podrían reducir el costo de los servicios públicos y mejorar la eficiencia. Número dos, a, i, descubriendo nuevas tecnologías y leyes de la física. Así es. Ya ha sido posible predecir algunos procesos físicos a pequeña escala con la ayuda de IA o incluso crear nuevas teorías matemáticas. Científicos de la Universidad de Osaka y CobiE, por ejemplo han logrado extraer ecuaciones hamiltonianas usando redes neuronales. Esa es una breve información. La mecánica hamiltoniana se basa en la mecánica lagrangiana y newtoniana. Sin entrar en demasiados detalles. En física, la mecánica hamiltoniana es la teoría de cómo la energía cambia de energía cinética a energía potencial. Y la tecnología nuevamente con el tiempo, se usa para describir sistemas como un péndulo o una pelota que rebota. Sin embargo, su fuerza se demuestra en sistemas más complejos como mecánica celeste u órbitas planetarias. Número tres, ai en la ley y el orden. Estoy seguro que a menudo has escuchado que el sistema legal está luchando con demasiadas tareas para ayudar al sistema legal a salir. Y la IA creada a través la cooperación con abogados, jueces, desarrolladores y otros grupos de personas se puede utilizar en casos judiciales más pequeños , como reclamos por daños. También puede ahorrar un valioso tiempo a la hora de estructurar y preparar archivos. Sin embargo, también existen cuestiones morales y éticas en este sentido. obstante, como no tenemos tiempo para pasar por esas preguntas, aprenderemos más sobre ellas en otro curso. 8. Aplicaciones futuras: Diferentes campos de IA y visión general. Ahora que hemos pasado por la historia de la inteligencia artificial, echemos un vistazo a cómo se usa en diferentes campos. Ya que yo es un campo muy complejo y amplio, es difícil mantener una visión general o incluso imposible enumerar todas las áreas que lo conforman. Para ayudarte, primero obtendrás una visión general de las áreas más importantes. aprendizaje automático, la representación del conocimiento, planificación, las redes neuronales o, por ejemplo , la robótica, la visión por computadora, la PNL , la búsqueda y muchos más son subperíodos importantes de la IA. Una subárea crucial de la IA es la representación del conocimiento, que implica representar información sobre el mundo en un formato que el sistema informático pueda usar para realizar tareas complejas, como diagnosticar afecciones médicas o entablar conversaciones en lenguaje natural. Nlp, por otro lado, permite a las computadoras comprender e interpretar el lenguaje humano. Si bien la visión por computador es vital para permitir que las máquinas perciban el medio ambiente. Cada subárea es esencial y juega un papel único en el desarrollo del ojo. Si bien es imposible cubrir todas estas emocionantes subflechas en este video, centrémonos en algunos ejemplos de cómo la IA se está utilizando actualmente en diversas industrias y aplicaciones. Ejemplos, buscando exoplanetas. Sabías que tan solo en la última década, se han observado más de 1 millón de estrellas para averiguar si son el hogar de exoplanetas. En definitiva, los exoplanetas son planetas que orbitan otras estrellas. Hasta el momento, la búsqueda ha sido en gran parte manual, pero a través del uso de IA y especialmente del deep learning, el proceso puede automatizarse y cuantificarse. Imagínese, en lugar de 100 planetas al año, repente encuentras miles de planetas nuevos. En este contexto, un grupo de astrónomos de la Universidad de Ginebra, queman y NCC nuestro planeta, Suiza, asociaron con una compañía llamada esta alta tecnología para utilizar inteligencia artificial para identificar planetas en imágenes. Querían encontrar exoplanetas que antes eran indetectables. Entonces entrenaron un programa de computadora para predecir cómo interactúan los planetas entre sí. Al utilizar esta nueva técnica, los científicos pudieron mejorar la búsqueda de exoplanetas y hacer descubrimientos que no habrían podido encontrar otras formas. Ai en el descubrimiento de fármacos. Diversas compañías farmacéuticas como fire, Moderna, y otras ya están usando IA acortan significativamente el proceso de investigación para nuevos medicamentos. El mejor ejemplo de ello es el desarrollo de la vacuna COVID por parte de la compañía farmacéutica Moderna. Con la ayuda de datos del virus SARS COVID, predecesor del coronavirus, y dos combinaciones con IA especialmente en el aprendizaje profundo, la compañía ha logrado proporcionar la vacuna en muy poco tiempo. Sin embargo, la IA no solo se usa en la búsqueda de la composición adecuada de la vacuna, sino también en parte para crear medicamentos y probarlos para detectar efectos secundarios en simulaciones. Lo que no sólo ahorra tiempo y dinero, sino que también reduce el número de experimentos con animales. Crea arte. Así es. Pi crea imágenes, videos, fondos y obras de arte. Con nuevos jugadores emergentes de IA como difusión estable, dolly o medular, la creación de imágenes, videos o impares es más fácil que nunca. Solo echa un vistazo a este breve video aquí sobre la Asamblea. El presidente Trump es un panorama total y completo. Ahora. Verás, nunca diría estas cosas, al menos no en un discurso público, pero eso fue bastante aterrador. ¿Qué tal crear caras falsas en su lugar? Aunque la IA no es ediciones perfectas en este momento, imagina cómo será en los próximos 15 a 20 años. También existe la posibilidad de combinar dos imágenes para crear una obra completamente nueva. Por ejemplo, solo tomemos la foto de Mona Lisa, pero vamos a probarla esta vez de hecho hostil. O en cambio, ¿qué tal una combinación de la pantalla y la imagen de Obama? Con una mejor comprensión de las aplicaciones actuales de la IA, ahora podemos dirigir nuestra atención a las emocionantes posibilidades para el futuro de esta tecnología. Exploremos algunas de las posibles aplicaciones futuras de la IA en el próximo capítulo. 9. Lo que hemos aprendido hasta ahora: Lo que hemos aprendido hasta ahora. Al llegar al final, vamos a repensar lo que hemos aprendido hasta ahora. Analizamos juntos los términos de las diferencias entre la IA, aprendizaje automático y el aprendizaje profundo. Entonces pudimos echar un vistazo al pasado de la IE y sorprendentemente encontramos que la IA es un área de investigación más antigua de lo que se pensaba anteriormente. Hemos oído hablar de azimuts, leyes y la prueba de Turing. De regreso al futuro, aprendimos en qué áreas consiste la IE y dónde ya se usa hoy en día. En el último capítulo, pudimos especular sobre cómo podría desarrollarse la IA tal como está actualmente. Ahora que tienes una base sólida de conocimiento en el ojo, estás listo para sumergirte en el resto de las causas con facilidad. Así que mantén el gran trabajo y mantente motivado.