La guía de inteligencia artificial para principiantes

1. Introducción al curso de IA: Hola a todos, y muchas gracias por inscribirte en el curso El propósito de este video introductorio es darte la bienvenida oficialmente, presentarme, y también darte una idea general de qué esperar de tomar este curso. Entonces lo primero es lo primero, mi nombre es Alexander. Soy un instructor de ciberseguridad o ciberseguridad en línea con más de siete años de experiencia, y también soy un gran entusiasta de la IA. Entonces, ¿qué puedes esperar de este curso? Bueno, déjame darte un breve resumen del plan de estudios. En primer lugar, vamos a profundizar en lo que realmente es la IA, así como los fundamentos de la IA Abordaremos un poco la historia de la IA. Y luego profundizaremos en los tres módulos principales para este curso Empezando con el aprendizaje automático. Y luego echaremos un vistazo al aprendizaje profundo y luego al proceso del lenguaje natural. Y estos son los tres grandes módulos o tres grandes secciones de este curso. Y luego para seguir el curso, echaremos un vistazo al futuro de la IA y lo que podemos esperar de la inteligencia artificial dentro de los próximos diez a 50 años. Entonces algunas cosas que hay que saber sobre este curso en particular, van a haber cuestionarios al final de cada sección. Entonces, por favor, tome los cuestionarios. No te preocupes. Las preguntas en realidad no son tan difíciles. Son sólo para probar lo que has aprendido. Así que no entres en pánico. Estas son preguntas muy, muy fáciles. Y luego recursos, te voy a proporcionar todas las diapositivas que voy a utilizar en este curso, así como el libro, que básicamente es un libro en PDF resume todo el curso Ahora, a partir del momento en que grabé este video en particular, sigo trabajando en ese libro. Entonces, por favor, tenga paciencia. A lo mejor te has inscrito en el curso y el libro aún no está listo. No te preocupes. Estoy trabajando en ello. Te lo dejaré una vez que el libro esté listo para descargar. Además, si quieres usar las diapositivas en cualquier tipo de presentación formal, eres bienvenido a hacerlo. Yo sólo pido que me acredites, Alexander One, así como a mi empresa labsyba.com. Gracias. Y luego, claro, preguntas si tienes alguna duda sobre cualquier cosa que haya cubierto en este curso. A lo mejor hay algo que no entiendes del todo. Siempre siéntete libre de comunicarte conmigo. Estaré más que feliz de responder a todas sus preguntas. Entonces con eso dicho, quiero darles la bienvenida una vez más a este curso donde vamos a hablar de IA. Fundamentos de la IA, los fundamentos de la IA. Y sólo puedo esperar que disfrutes de este curso porque he puesto un gran esfuerzo para que las lecciones sean lo entretenidas pero también lo más educativas posible. Así que bienvenidos una vez más. Empecemos. 2. Introducción a la inteligencia artificial: Bienvenidos oficialmente al primer módulo de introducción a la inteligencia artificial. Ahora una cosa que debes saber de mí a nivel personal es que me encanta ver películas. Me encanta ir al cine. Es uno de mis pasatiempos favoritos de todos los tiempos. Y una cosa que me gusta hacer como instructor es incorporar clips de película a mis clases siempre que puedo, porque creo que pueden ser muy, muy informativos, pero también muy entretenidos al mismo tiempo exacto. Ahora, de los cientos y cientos de películas de Hollywood que tienen la inteligencia artificial como tema central, estaba pensando en el clip perfecto que podría usar para introducir este curso, y creo que puede que haya encontrado el clip adecuado, así que siéntate, relájate, disfruta de este clip, y te veré al final del mismo. Buenas tardes, Hal. ¿Cómo va todo? Buenas tardes, señor Amer. Todo va muy bien. Hal, tienes una enorme responsabilidad en esta misión, en muchos sentidos, quizás la mayor responsabilidad de cualquier elemento de misión individual. Eres el cerebro y el sistema nervioso central de la nave, y tus responsabilidades incluyen vigilar a los hombres en hibernación ¿Esto alguna vez te causa falta de confianza? Déjeme decirlo de esta manera, señor Raymer. La serie 9,000 es la computadora más confiable jamás creada. Ninguna computadora 9.000 ha cometido jamás un error o distorsionado Todos somos, por cualquier definición práctica de las palabras, infalibles e incapaces De todas formas, Peón Reina Ts. ¿Bien? Obispo toma caballeros peón. Una jugada encantadora. Uh, bien al Rey Uno. Lo siento, Frank. Creo que te lo perdiste. Reina a obispo tres, Obispo toma Reina, Caballero toma Obispo. Mayo. Ah. Sí, parece que tienes razón. No renunciar. Gracias por un juego muy agradable. Gracias. Bueno, vuelve. Espero que hayas disfrutado de ese clip. Ahora, fue tomada de la película 2001, una Odisea del Espacio, y esa película se hizo allá por el año 1968 Ahora, estoy haciendo este video en particular en el año 2025. Entonces eso fue lo que hace 57 años. Y la razón por la que menciono esto es porque quiero que entiendas que la IA como tecnología o como tema o como tema, existe desde hace décadas. Mucha gente parece pensar que, Oh, IA es esta nueva cosa que acaba de surgir recientemente. Eso simplemente no es cierto. La IA ha existido desde hace muchos, muchos años. Yendo al clip en sí, ¿qué vimos exactamente? Vimos la introducción de un modelo particular de IA conocido como el Hal el HAL 9,000 Obviamente, se puede ver que se trata un modelo de IA extremadamente sofisticado porque según el presentador, dijo que el Hal 9,000 es el sistema nervioso central de toda la nave espacial, y también es responsable del bienestar de los tripulantes humanos mientras están Por lo que este es un modelo de IA muy capaz, altamente avanzado y altamente inteligente. Y también vimos al modelo de IA jugando al ajedrez con uno de los tripulantes humanos, y obviamente ganó. Ahora, dato curioso, si no eres ajedrecista, yo soy ajedrecista. También me encanta ver ajedrez en YouTube. Hoy en día, tenemos modelos de IA conocidos como motores que realmente ayudan a ajedrecistas profesionales a prepararse para los juegos. Estos modelos son extremadamente inteligentes, altamente avanzados. Por lo que los ajedrecistas profesionales en realidad utilizan estos modelos para analizar los juegos de ajedrez, para prepararse para las competiciones, y también para preparar trampas para su oponente. Entonces creo que en realidad es fascinante que esta película en particular, la Odisea Espacial, podido predecir correctamente que en algún momento del futuro, vamos a tener modelos de IA que serán tan buenos en el ajedrez, podrán vencer a cualquier ser humano Pero volviendo nuevamente al clip, también vemos durante la entrevista entre el presentador y el modelo real de IA, el modelo de IA dijo algo muy, muy escalofriante, y es decir, es incapaz de cometer ningún tipo de Y creo que eso da mucho, mucho miedo porque plantea la legítima preocupación por la IA en el futuro. Qué sucede cuando comenzamos a crear modelos de IA o sistemas que son tan inteligentes que son capaces de pensar de manera independiente, y ellos deciden comenzar a tomar decisiones por su cuenta. Ahora bien, hay muchos escépticos que afirman que esto nunca, jamás sucederá La IA nunca se volverá consciente de sí misma ni se volverá tan inteligente. No obstante, hay otros que creen que podría ser una posibilidad. Vamos a ahondar en esto mucho más profundo en el curso. Pero una cosa más que quería mencionar antes de ejecutar esta introducción es el tema del procesamiento del lenguaje natural de la PNL Si notas en el clip, los humanos estaban teniendo casi una especie de conversación muy natural con el modelo de IA. El modelo de IA, el infierno 9,000 fue capaz de entender lo que le decían los humanos a causa de la PNL procesamiento del lenguaje natural de PNL El procesamiento del lenguaje natural de PNL es lo que permite que máquinas o modelos de IA como el Hal 9,000 interpreten comandos de voz de humanos y luego ejecuten un tipo particular de tarea o función Por supuesto, voy a dedicar todo un módulo a hablar de PNL más adelante en este curso Así que ojalá hayas disfrutado esta breve introducción al mundo de la Inteligencia Artificial. Pasemos ahora a la siguiente lección. 3. Qué es la inteligencia artificial: ¿Qué es la inteligencia artificial? Bueno, es básicamente la simulación de la inteligencia humana en máquinas. puede pensar en ello como nosotros los humanos tratando transferir nuestra inteligencia a las máquinas. Ahora, sí tenemos características clave para la inteligencia artificial. Nosotros sí tenemos la capacidad de aprender. Por lo que los sistemas de IA deberían poder aprender y mejorar con el tiempo. Y luego razonando, deberían poder hacer razonamientos lógicos y deducciones y luego eventualmente producir un resultado, y luego percepción, lo que significa su capacidad para procesar datos sensoriales como imágenes, sonidos, etc., y luego producir un resultado Y por supuesto, el uso del lenguaje natural procesando PNL, que permite a los modelos de IA entender e interpretar el lenguaje humano Ahora, el objetivo principal de IA al final del día es permitir que los modelos realicen funciones cognitivas similares a las de los humanos. Ahora, sí tenemos diferentes tipos de IA. Tenemos la IA estrecha, lo que llamamos la IA específica de la tarea. También se le llama la IA débil. Estas son IA que encontrarías en tus firewalls, en tus sistemas de recomendación, en tus tableros de chat virtuales como Alexa, e incluso en tu nube HaGPT, modelos dipsk, etc. Y entonces tenemos la siguiente etapa que sería la IA general que tiene la capacidad de poseer inteligencia humana como. Aún no estamos ahí, pero mucha gente cree que eventualmente podremos desarrollar IA que es así de avanzada. Y luego en el futuro, IA súper inteligente. Mucha gente cree que nunca vamos a desarrollar IA. Serán así de sofisticados. Pero una vez más, también tenemos algunas personas que sí creen que eventualmente llegaremos allí. Entonces la IA en la vida cotidiana, ya estamos usando IA en asistente virtual, como, ya sabes, Alexa, Siri, tus sistemas de recomendación como en Netflix, Spotify, YouTube, tus dispositivos domésticos inteligentes también usan IA Nuestros autos automanejables, como, por supuesto, Tesla, eso es todo IA. Y también tenemos IA en la salud con el uso de imágenes médicas y mucho más. Así que la IA ya está jugando un papel importante en nuestra vida cotidiana. Ahora, sí quiero abordar algunos mitos comunes alrededor del mundo de la IA. El primero aquí es que la IA tiene emociones como los humanos. Ahora, soy muy culpable de esto porque cada vez que uso mis modelos de IA favoritos como Cha JPT te piden que hagas algo por mí, lo hace muy, muy bien Termino agradeciendo a hajibt voy a decir algo así como, Oh, muchas gracias, Dos Hoy hiciste algo maravilloso por mí. Y, por supuesto, hagibt responderá diciendo: De nada Y digo estas cosas casi como inconscientemente porque creo que si soy amable con hagipti y alabo hagibt cada vez que haga algo bueno por mí, me va a recompensar en el futuro con aún mejores resultados, lo cual, por supuesto, no es cierto como inconscientemente porque creo que si soy amable hagipti y alabo hagibt cada vez que haga algo bueno por mí, me va a recompensar en el futuro con aún mejores resultados, lo cual, por supuesto, no es Hagibt no puede entender las emociones. No procesa las emociones como lo hacemos los humanos. Además, la IA reemplazará a todos los trabajos. Ahora bien, no hay duda que la IA reemplazará a muchos trabajos, pero nunca va a reemplazar a todos los empleos. Y de hecho, la IA también creará nuevos empleos. discutiremos en el módulo final, la característica de la IA. Y entonces la IA es infalible, lo que significa que la IA no puede cometer errores Esto, por supuesto, no es cierto. La IA puede cometer errores. La IA puede alucinar la información. Y recuerden, que la IA es desarrollada por los seres humanos. Entonces, si los seres humanos, si cometen errores en la codificación o cómo se entrena el modelo de IA, el modelo cometerá errores. Será propenso a cometer errores, y lo discutiremos más adelante también y que la IA pueda pensar de forma independiente. Nuevamente, la mayoría de la gente cree que nunca vamos a llegar a la etapa en la que IA se volverá consciente de sí misma y podrá tomar decisiones por sí misma. Pero todavía hay algunas personas que creen que vamos a llegar ahí eventualmente. No sé si eso es cierto o no, pero la mayoría de la gente parece creer que todo es un mito. La IA solo puede operar en base instrucciones o reglas que se le hayan dado. Y luego finalmente, mi favorito AI se apoderará del mundo. Y ahí pongo estética porque cuando digo que la IA se apoderará del mundo, el mito aquí es que la IA se vuelva consciente de sí misma y decida eso, ¿sabes qué? Voy a gobernar sobre los seres humanos. Los seres humanos se convertirán en esclavos de la IA. No, no creo que eso vaya a pasar nunca. No obstante, la IA, en cierto modo, se apoderará del mundo porque tendremos IA en casi todo lo que hagamos desde el transporte hasta la comunicación, salud, las compras, la creatividad, el entretenimiento. Lo que sea. Vamos a tener IA de una forma u otra. Afectando la forma en que vivimos nuestra vida diaria. Entonces, quería darte una actividad de engagement rápida. Piensa en la última vez que tuviste una interacción con la IA. ¿Qué herramientas eléctricas de IA usas a diario y cómo mejoran tu experiencia? Tómate 5 minutos para pensar en esto y, creo que los resultados podrían resultarte muy fascinantes. Entonces, para redondear, solo quiero darte un resumen rápido, IA es una simulación de inteligencia humana en máquinas, y la IA ya es parte de nuestra vida cotidiana. Y hay muchos mitos y conceptos erróneos sobre la IA. Ya he hablado de ellos. Y la IA, el objetivo final de la IA debería ser mejorar las capacidades humanas y no reemplazarlas. Gracias por ver. Te veré en la siguiente clase. 4. Historia de la inteligencia artificial: Ahora echa un vistazo brevemente a la historia de la inteligencia artificial. Entonces, la historia de la IA se remonta a miles y miles de años atrás. Y como dije antes, contrariamente a lo que mucha gente cree, IA no es algo que acaba de surgir. De hecho, existe desde hace bastante tiempo. Por supuesto, al igual que con cualquier tipo de tecnología, IA ha experimentado tanto avances como contratiempos Los contratiempos, los llamamos inviernos de IA. Ahora, sólo para darte algunos ejemplos de los conceptos tempranos de frijol artificial, no necesariamente inteligencia artificial, sino frijol artificial. Tienes en la mitología griega la existencia de una automatización gigante de bronce llamada Talos Es posible que hayas visto Talos en ciertas películas antes. Y luego también automatizaciones chinas y árabes. Teníamos dispositivos tempranos que eran capaces de imitar la vida. Y también el renacimiento de Leonardo Da Vinci, pudo esbozar robots humanoides Entonces el nacimiento de la IA, las fundaciones del siglo XX, IA, tal y como la conocemos hoy. Así que gran parte del trabajo de base fue entre los 40 y los 50. Y en particular, tuvimos a Alan Twin, el científico muy famoso que allá por 1950, creó lo que se conoce como la prueba de Turing. Eso se usa para evaluar la inteligencia de la máquina. Ahora, en 1943, tuvimos las primeras redes neuronales diseñadas por Walter McCulloch y Walter Y luego en 1956, finalmente, en la Conferencia Damoth, el nacimiento oficial del término inteligencia artificial como campo académico fue acuñado por John Entonces, ¿cuáles son los inviernos y resurgimiento de IA? Bueno, en 1970, tuvimos que los sistemas de LA no cumplieron con las expectativas, lo que llevó a una reducción de los fondos. Por supuesto, muchas empresas y países se sentían así, ¿sabes qué? Esta cosa de la IA no va a funcionar. Dejemos de financiar a nuestros investigadores. Y luego 87-993, hubo otro revés porque nuestra potencia informática entonces estaba Ten en cuenta que para potenciar los modelos de IA, necesitas mucha potencia computacional Y en aquel entonces, las computadoras simplemente no eran lo suficientemente potentes. Pero, ¿qué pasa con el avivamiento? Ver, en la década de 1980, teníamos sistemas expertos que ganaban tracción tanto en los negocios como en la medicina, y entre la década de 1990 y 2000, debido a los avances en el aprendizaje automático y el auge de Internet, todos estos pudieron contribuir a mayor investigación de inteligencia artificial. Así que tengo algunos hitos clave en el desarrollo de la IA aquí mismo En 1997, tuvimos la computadora de superpotencia IBM Deep Blue que derrotó en ajedrez al entonces campeón del mundo Gary Kasparov Ahora, como gran fanático del ajedrez, en realidad seguí los juegos. La primera vez que interpretaron Gary Kasparov quien, por cierto, mucha gente considerada como el mejor jugador de ajedrez de todos los tiempos, en realidad derrotó a el mejor jugador de ajedrez de todos los tiempos, Deep Blue en el primer partido Volvieron porque volvieron para una revancha, y luego en la revancha , Deep Blue finalmente venció a Gary Entonces eso marcó un hito significativo porque se convirtió en la primera vez en historia de la humanidad que una máquina pudo vencer a un ser humano en el tablero de ajedrez. Y luego tuvimos algunos otros hitos en 2011, cuando el IBM Machine Watson ganó Jeopardy ante Even Y luego en 2016, tuvimos a Googles fuera de gol. Eso derrotó al jugador de portería campeón del Mundo Lee Sedol. Y luego en los veinte años, modelos de IA como el Cha GPI, la aparición de modelos como ha GPT, Cloude y así sucesivamente, han podido demostrar la generación de han podido Entonces, la IA en el siglo XXI, tal y como la conocemos, ahora tenemos poder de IA en autos como tu Tesla, uso de procesamiento de lenguaje natural que utilizan modelos de IA como tu Deep sik, clothe, ajepit Y luego también en el cuidado de la salud, ahora tenemos diagnósticos de AI Power y también descubrimiento de medicamentos. Entonces, ¿cuál es el futuro de la IA? ¿Qué podemos esperar? Bueno, podemos esperar la creatividad impulsada por la IA en el arte, música y también avances en la colaboración humana y la IA. Habrá más colaboración entre la inteligencia artificial y los seres humanos. Y, por supuesto, el uso de marcos éticos de IA para garantizar que la IA se use de manera responsable, la IA esté capacitada de manera responsable y que la IA sea, de hecho, segura de usar IA esté capacitada de manera responsable y que la IA sea, de hecho, segura Así que solo un breve resumen de la lección, IA ha existido en la imaginación humana desde hace siglos. La Conferencia Dermoth de 1956 marcó el nacimiento oficial de la IA como campo académico Y luego hemos tenido, por supuesto, los inviernos de IA y luego el resurgimiento de la IA Y, por supuesto, la IA moderna está impulsada por la planificación, que vamos a entrar en big data y, por supuesto, mucho poder computacional Y finalmente, el futuro de la IA incluirá consideraciones éticas y colaboración con IA humana. Gracias por ver. Te veré en la siguiente clase. 5. Conceptos clave y terminología: Bienvenido de nuevo. Entonces ahora echemos un vistazo a algunos conceptos clave y terminología que se utilizan en el mundo de la IA. Vamos a empezar con los términos de IA. Hay tres de ellos, inteligencia artificial, aprendizaje automático y, por supuesto, aprendizaje profundo. Ahora, cuando se trata de inteligencia artificial, ya hemos hablado de esto. Básicamente se trata de máquinas que intentan simular inteligencia humana. Tienes tus ejemplos con Alexa, Civ, ya sabes, tu asistente virtual Pero entonces también tenemos machine learning que es básicamente un subconjunto de inteligencia artificial, donde las máquinas son capaces de aprender en base a patrones. Tu examen uno de los mejores ejemplos aquí serían tus filtros de spam en tu correo electrónico. Piénsalo, ¿de acuerdo? Filtros de correo no deseado, no son rígidos. Son capaces de identificar qué es el spam, partir de tendencias, a partir de patrones, a partir de la historia. Entonces piensa en las máquinas como aprendizaje en el proceso. Inicialmente, el filtro de spam podría no hacer un buen trabajo para poder atrapar todo tipo de spam. Pero con el tiempo, a medida que comienza a aprender qué es exactamente el spam, las diferentes formas y formas de un correo no deseado podrían llegar eventualmente con el tiempo, mejorará. Y luego, finalmente, tenemos su aprendizaje profundo, que es un subconjunto más avanzado de aprendizaje automático que utiliza redes neuronales para procesar datos complejos. Uno de los mejores ejemplos aquí serían sus sistemas de reconocimiento facial. Ahora, más adelante en este curso, vamos a profundizar tanto en el machine learning como en el deep learning Pero, ¿qué pasa con los conceptos, bien? Hay un montón de ellos, y deberías tener una idea de lo que son. El primero de aquí va a ser el algoritmo. Básicamente un conjunto de reglas o pasos, una máquina seguirá para resolver ya sea un problema o tomar una decisión. Hemos visto algoritmos en casi todo tipo de aplicaciones que existen, ya sea una aplicación de citas o una aplicación de juegos, básicamente, cualquier tipo de aplicación o programa utiliza un algoritmo para determinar cómo esa aplicación procesará los datos o tomará una decisión. Tenemos tu modelo. Básicamente es un sistema de tren que es capaz de hacer predicciones basadas en datos. Oh, eres un GIPT, tu Nube, tu Mi viaje Todos estos son ejemplos de modelos de IA. Tienes los datos de entrenamiento, que son los datos que se utilizan para entrenar estos modelos. Nuevamente, vamos a platicar un poco más adelante en el curso, un poco más profundamente cómo se entrenan los modelos de IA. Y entonces tenemos lo que llamamos inferencia. Esto es básicamente la capacidad de un modelo de IA para hacer predicciones basadas en nuevos datos que ha adquirido. Digamos, por ejemplo, que tienes un modelo de IA que se utiliza para hacer predicciones en el mercado de valores. Entonces, si ocurre algo nuevo, tal vez, por ejemplo, haya estallado una guerra o tal vez algún candidato presidencial haya ganado las elecciones, esto podría impactar el mercado bursátil global. Por lo que la IA de aquí podría hacer predicciones basadas en estos nuevos eventos que han ocurrido. Eso es a lo que nos referimos como inferencia. Y luego tenemos tu red neuronal. Básicamente es un sistema computacional inspirado en el cerebro humano utilizado en el aprendizaje profundo Nuevamente, hablaremos aprendizaje profundo más adelante en el curso. Y luego procesamiento de lenguaje natural PNL. Esta es la capacidad de una máquina para entender y generar básicamente el lenguaje humano, el texto. Además, va a haber una sección especial de módulo. Dedicado a aprender más sobre PNL. Y luego finalmente visión por computador. Esto es, por supuesto, la IA que permite a las máquinas interpretar imágenes y videos también. Entonces estos son algunos de los conceptos clave que debes tener en cuenta cuando se trata de IA. Ahora, tipos de IA, ya hablé de esto antes. Tienes tu IA estrecha que se utiliza para tipos muy específicos de tareas. Un ejemplo aquí sería tu Traductor de Google , tu Cha JBT Básicamente, algo así como la IA estrecha. Pero entonces también tienes tu IA general, la IA fuerte, IA que puede realizar cualquier tarea intelectual que un humano pueda hacer. Todavía es algo teórico en este punto. Aún no se ha desarrollado. Y luego, por supuesto, la IA súper inteligente, IA que supera a la inteligencia humana Es un concepto de futuro. Entonces incluso argumentan que nunca llegará a ese punto mientras que las personas que creen que obtendremos IA súper inteligente, creen que tomará décadas para que eso ocurra. Y también debes entender la diferencia entre la automatización y la IA. Ver, cuando se trata de automatización, sigue reglas predefinidas. Entonces, por ejemplo, el cliente compra el producto A. Dado que el cliente tiene producto de ramo A, enviar al cliente 25% de cupón para comprar el producto B, ya sabes, algo así, La automatización se basa en reglas y disparadores. Cuando se trata de IA, no sigue reglas. La IA es básicamente capaz aprender y tomar decisiones por sí misma. Por ejemplo, usted mismo, manejando autos. Entonces, solo para darte un resumen rápido de la lección, IA incluye machine learning y deep learning como subcampos, algoritmos, tus modelos, tus datos de entrenamiento Todos estos son componentes centrales de la IA. Ahora, la IA puede ser tareas estrechas, específicas, IA general, como, humana o súper IA más allá de las capacidades humanas, y luego la automatización y la IA son diferentes, pero la IA puede, de hecho, mejorar la automatización. Gracias por ver el video. Te veré en la siguiente clase. 6. IA, aprendizaje automático y aprendizaje profundo: Regresa. Entonces ahora echemos un vistazo más de cerca a las diferencias entre la inteligencia artificial, aprendizaje automático y, por supuesto, el aprendizaje profundo. Entonces la IA, inteligencia artificial es el concepto más amplio, Si bien el aprendizaje automático sería un subconjunto de la inteligencia artificial, mientras que el aprendizaje profundo es un subconjunto más avanzado del aprendizaje automático. Así que piénsalo de esta manera, ¿de acuerdo? En la parte superior, tenemos IA. Justo debajo de la IA, tenemos aprendizaje automático, y luego justo debajo del aprendizaje automático, tenemos aprendizaje profundo. Ahora, he proporcionado una analogía aquí, ¿de acuerdo? Piensa en la IA como el universo entero, ¿verdad? aprendizaje automático sería como una galaxia en ese universo, mientras que el aprendizaje profundo sería un sistema solar dentro de la galaxia del aprendizaje automático. Entonces, para redondear esto, todo el aprendizaje profundo es un subconjunto del aprendizaje automático, pero no toda la inteligencia artificial es aprendizaje automático. Ten en cuenta que hay mucho más en la inteligencia artificial que solo el aprendizaje automático. Entonces, solo para recapitular eso nuevamente, todo el aprendizaje profundo cae bajo el aprendizaje automático, pero no toda la inteligencia artificial es aprendizaje automático Bien. Entonces, ¿qué es la IA? ¿Ya hablamos de esto? Básicamente, máquinas que simulan inteligencia humana. Y, por supuesto, la IA es capaz de realizar tareas, resolverlas, tomar decisiones, cosas así. Entonces la IA, debes saber, no siempre aprende. La IA también puede seguir nuestras reglas predefinidas. Ahora, el aprendizaje automático, es básicamente un subconjunto de inteligencia artificial que permitiría a las máquinas aprender de datos y patrones. Y claro, esto permitiría a esa máquina hacer predicciones y resolver problemas a lo largo del tiempo. Hay tres formas de cómo se hace el aprendizaje automático. El primero será lo que llamamos aprendizaje supervisado, donde en realidad se etiquetan los datos de entrenamiento que se le dan a la máquina. Imagina que estás tratando de entrenar un filtro de spam. Entonces, bajo aprendizaje supervisado, la máquina se le darán diferentes tipos de correos electrónicos no deseados, y los datos serán etiquetados, Bien, esto es spam, esto es spam, esto es Spam. Entonces con el tiempo, cuando la máquina haya visto todos estos ejemplos de los diferentes tipos de correos spam, podrá aprender y hacer predicciones en el futuro de si un tipo particular de correo electrónico es spam o legítimo o no. Y luego tenemos lo que llamamos el aprendizaje no supervisado, donde los datos de entrenamiento no están etiquetados y el modelo de IA aprende a hacer predicciones basadas en estos datos audib Básicamente, trata de encontrar patrones. Uno de los mejores ejemplos aquí sería en la segmentación de clientes Y entonces el último es lo que llamamos el aprendizaje por refuerzo. Piense en ello como un tipo de sistema de sanciones de recompensas, donde cuando la IA, cuando el modelo hace el tipo correcto de predicción o es capaz de resolver un problema o da la respuesta correcta, será recompensada Pero cuando comete un error, será penalizado. Entonces a eso nos referimos como el aprendizaje por refuerzo. Así que hemos visto el aprendizaje automático en muchos ejemplos, tus filtros de spam, tus recomendaciones de Netflix de YouTube e incluso detección de fraude en la banca también. Así que el aprendizaje automático se basa en gran medida en algoritmos para identificar patrones y hacer predicciones. Pero, ¿qué pasa con el aprendizaje profundo? Se trata de un subconjunto de aprendizaje automático que utilizará redes neuronales artificiales para procesar grandes cantidades de datos complejos. Por lo que usa múltiples capas de matiz. Los llamamos las redes neuronales profundas. Funciona mejor con grandes conjuntos de datos y alta potencia competitiva En otras palabras, necesitas computadoras muy potentes para ejecutar el aprendizaje profundo y, por supuesto, permite a la IA realizar tareas humanas como tu reconocimiento de voz , reconocimiento facial y mucho más. Ahora, hemos visto el aprendizaje profundo en varios ejemplos. Por ejemplo, tu reconocimiento facial en tus teléfonos inteligentes, detección de huellas dactilares también, autos autoconducidos como tu Teslas y, por supuesto, en tus modelos de IA como TajiPT y así sucesivamente Ahora, el aprendizaje profundo es la técnica de IA más avanzada que permite que las máquinas imiten básicamente las funciones del cerebro humano Entonces te he dado la tabla aquí para resaltar las diferencias clave entre AI ML y DL. Tenemos las características en la definición, como hemos dicho, la IA básicamente son máquinas que imitan la inteligencia humana aprendizaje automático aprende de datos y patrones, mientras que el aprendizaje profundo Wood es un subconjunto avanzado de ML que utiliza redes neuronales. Cuando se trata de la dependencia de datos, ahora, IA por sí misma puede no requerir datos porque la IA también puede aprender por sí misma. Sin embargo, con el aprendizaje automático, requiere datos estructurados. Con el aprendizaje profundo, requiere, grandes cantidades de conjuntos de datos. Ejemplos, por supuesto, bajo tu IA, tenemos tus tableros de chat, asistencia virtual. Para tu aprendizaje automático, contamos tus filtros de spam, sistemas recomendados, para tu aprendizaje profundo, tus autos automanejables, así como tu reconocimiento facial. Y luego la última característica, la complejidad. Esto es muy, muy interesante. Ahora, con IA, es un campo amplio. Incluye inteligencia artificial basada en reglas. Y luego para el aprendizaje automático, algoritmos más simples, pero requiere entrenamiento. Y luego, para el aprendizaje profundo, es muy complejo y requiere hardware muy potente. Entonces estas son algunas de las diferencias clave entre estos tres términos. Entonces quería darte un ejemplo del mundo real de cómo estos tres se unen para alimentar algo muy poderoso. Entonces digamos, por ejemplo, tu Tesla, un auto autónomo. La inteligencia artificial, básicamente, permitirá que el auto tome las decisiones, ¿de acuerdo? Entonces, debido a la IA, el auto sabe que probablemente no debería estar acelerando en una zona altamente poblada como ejemplo. Pero luego con el aprendizaje automático, porque recuerden, aprendizaje automático requiere patrones y datos de los que aprender. Con el aprendizaje automático, el automóvil podría hacer predicciones sobre cómo va a ser el tráfico en un cierto período de tiempo durante el día. También podría ser capaz de hacer predicciones basadas en cómo podría ser el clima, cosas así debido al aprendizaje automático. Y entonces el aprendizaje profundo es lo que permitiría al automóvil interpretar señales viales, señales tráfico o incluso reconocer a los peatones que intentan cruzar la Entonces, cuando combinas los tres, piénsalo de esta manera, IA es básicamente algo así como el sistema general del automóvil autónomo. El aprendizaje automático es lo que permitiría que el automóvil mejore y aprenda con el tiempo, mientras que el aprendizaje profundo hará que el automóvil sea altamente eficiente. Entonces así es como estos tres se unen para alimentar tu Tesla u otros autos autoconducidos por ahí. Así que escucha rápida resumen, AI es el campo amplio ML es, por supuesto, el subconjunto de IA. Eso permitiría a las máquinas aprender de los datos mientras que DL es el subconjunto muy avanzado de ML que utiliza redes neuronales para el aprendizaje avanzado. Y por supuesto, la IA, el ML y el DL están interrelacionados, pero por supuesto, tienen diferencias distintas Gracias por ver. Te veo en la siguiente clase. 7. Vista previa de la sección Los fundamentos de la inteligencia artificial: Estoy a motel a los fundamentos de la inteligencia artificial, y es hora de otro clip de película. Y algo me dice que probablemente hayas visto la película de donde se va a sacar este clip. Sin embargo, siéntese, relájese. Disfruta el clip, y te veré al final del mismo. Ahora mismo, estamos dentro de un programa de computadora. ¿Realmente es tan difícil de creer? Tu ropa es diferente. Los tapones en tus brazos y cabeza se han ido. Tu cabello ha cambiado. Tu apariencia ahora es lo que llamamos autoimagen residual. Es la proyección mental de tu yo digital. Esto esto no es real. ¿Qué es real? ¿ Cómo se define real? Si estás hablando de lo que puedes sentir, lo que puedes oler, lo que puedes saborear y ver, entonces lo real son simplemente señales eléctricas interpretadas por tu cerebro. Este es el mundo que ya conoces. El mundo tal como era a finales del siglo XX. Ahora solo existe como parte de una simulación interactiva neuronal que llamamos la matriz. Has estado viviendo en el mundo de los sueños, Neo. Este es el mundo tal como existe hoy. Bien, bienvenido de nuevo. Y, por supuesto, ese clip fue tomado de la muy popular película The Matrix estrenada en el 1999. Y si por alguna razón, nunca antes habías visto esta película, ¿qué haces con tu vida? Deja de ver este curso y ve a ver la película. Ahora, estoy bromeando, primero termina este curso, y luego puedes ir a ver la película Pero en serio, sin embargo, Matrix, en mi humilde opinión, es una de las películas más grandes jamás hechas. Plantea tantas preguntas interesantes en la acción, y es una gran película. Simplemente hay que verlo. Ahora bien, ¿por qué elegí usar este clip en particular? Bueno, porque plantea un montón de preguntas fascinantes. Voy a hacer frente a dos de ellos. En primer lugar, permítanme describir lo que sucede en la escena. Tienes a Mofius, el hombre de los tonos oscuros. Le está explicando a Neo, el otro tipo que, Oye, este mundo en el que estamos ahora mismo, todo esto es realidad virtual. No es real. Es falso. Es generado por un sistema de IA muy potente conocido como la matriz. Ahora, Neo obviamente está muy sorprendido. Está conmocionado. Él es como, No, ¿cómo puede ser esto? No, esto es real. Esto puede ser falso. Toca la silla, y Morfeo le pregunta, ¿cómo define lo que es real? Y me pareció una pregunta muy, muy fascinante. ¿Cómo se define lo que es real? Y la razón por la que esto es fascinante es porque hoy en día, tenemos videos generados por IA, imágenes, falsificaciones profundas Y aunque hoy en día podamos decir en gran medida lo que es real y qué es la IA generada, piénsalo. En unos años por venir, los tipos de contenido que la IA podrá generar serán tan realistas que tal vez no podamos distinguir entre lo que realmente es real y lo que genera la IA. Es posible que necesitemos ciertos tipos de sistemas o escáneres o algoritmos que nos ayuden a detectar si esa imagen o ese video que estamos viendo es real o falso o no . Piénsalo. Entonces es muy, muy fascinante. ¿Cómo vamos a poder definir qué es una imagen real y qué es una imagen generada por IA? Otra pregunta aquí, sin embargo, está en el clip, vemos la influencia que ahora tiene la matriz sobre la población humana, ¿verdad? La matriz es muy poderosa. Ha sido capaz de crear esta realidad virtual, así que tiene mucha influencia en los seres humanos, ¿verdad? Ahora, sé que la matriz es un ejemplo extremo de la influencia de la IA sobre los seres humanos. Pero piénsalo hoy, hoy, lo creas o no, IA ya tiene alguna influencia en nuestra vida cotidiana. No me crees, cuando vas a YouTube o vas a Netflix o Spotify o a cualquiera de estas plataformas, siempre tienes estas pestañas o sistemas de recomendación, cierto, que te recomendarán contenido, que te recomendarán contenido basado en tu historial, en base a tus resultados de búsqueda, y a veces las recomendaciones pueden incluso ser simplemente aleatorias. Pero piénsalo. Esas recomendaciones ya empiezan a influir en la forma en que pensamos. Podría influirnos para comenzar a apoyar a un determinado partido político o candidato. Podría comenzar a influir en la forma en que compramos las cosas. Podría comenzar a influir en la forma en que pensamos sobre ciertos tipos de temas polémicos y así sucesivamente. Entonces, en cierto modo, estos sistemas de recomendación que son impulsados por la IA ya están empezando a tener cierto nivel de influencia en la forma en que vivimos nuestra vida diaria. Entonces eso plantea la pregunta ¿cuánta más influencia comenzará a tener la IA en la forma en que vivimos nuestras vidas a medida que se vuelve cada vez más inteligente Porque, créanlo o no, me guste o no, IA va a ser introducida casi todas las partes de nuestras vidas, ya sea comunicación, transporte, compras, entretenimiento, creatividad, IA va a llegar a todas partes. Así que imagina el nivel de influencia que IA va a tener sobre nosotros en un futuro cercano. De todos modos, pasemos a la siguiente lección donde vamos a hablar sobre los fundamentos reales de la IA. Te veré ahí. 8. Fundamentos de la IA: Ahora echa un vistazo a un tema muy, muy importante, y ese va a ser el fundamento de la inteligencia artificial. Ahora, al contrario de lo que mucha gente podría creer, IA no se limita solo al campo tecnológico. De hecho, atraviesa múltiples disciplinas. Como ejemplo, tendrás IA obviamente en ciencias de la computación, donde el uso de algoritmos, estructuras de datos, código de programación, etc. se usa en IA entonces también tienes IA en el campo de las matemáticas y la estadística. No olvides que podemos usar IA para cálculos matemáticos, para calcular probabilidades y así sucesivamente Y luego también se tiene IA en el campo de la cognitiva y la neurociencia Porque piénsalo, ¿verdad? Para poder desarrollar inteligencia artificial que está destinada a imitar la inteligencia humana, primero necesitamos entender la inteligencia humana en primer lugar Y luego también tenemos IA en el campo de la lingüística. Esto es, por supuesto, esencial para el procesamiento del lenguaje natural. Y quizás muy sorprendente, tendrás IA en el campo de la filosofía y la ética porque piénsalo, ¿verdad? Los principales desafíos que involucran la IA giran en torno a la ética, la privacidad y si es realmente moral usar la IA o no es realmente moral usar la IA Entonces, contrariamente a lo que mucha gente podría pensar sobre la IA solo siendo un campo tecnológico, también tienes IA en múltiples disciplinas. Ahora, echemos un vistazo a los principios básicos de IA. Hay seis de ellos. Quiero echarles un vistazo uno por uno, comenzando con la lógica y la toma de decisiones. Muchos modelos impulsados por IA, se basan en la lógica para tomar las decisiones. Por ejemplo, tienes tu lógica de bullying que usa operadores como tu N o nada Por ejemplo, si A es igual a B, B es igual a C, A debe ser igual a C, algo así, ¿verdad? Y también el sistema basado en reglas donde tienes tus declaraciones E luego L. Por ejemplo, si el clima es lluvioso, entonces toma paraguas. Si no, si el clima no está lloviendo, entonces no lleves paraguas, ya sabes, cosas así, ¿verdad Y luego también sistemas expertos. Se trata de IA que imitaría experiencia humana siguiendo reglas predefinidas Los tienes en tus diagnósticos médicos. , tenemos ciertas limitaciones, Sin embargo, tenemos ciertas limitaciones, que involucran la lógica y la toma de decisiones, y eso es porque la IA puede luchar contra la incertidumbre, y siempre que sea necesario tomar decisiones complejas para tener esto en mente, siguiente principio aquí sería el principio de probabilidad e incertidumbre. Hemos hablado sobre el papel del big data y lo importante que son los datos para la inteligencia artificial. Pero hay muchas situaciones en las que un modelo de IA puede necesitar tomar decisiones basadas en datos incompletos o ruidosos. Como ejemplo, en tus redes Baysia, tienes IA utilizada para razonamiento probabilístico ayudando a las máquinas a hacer conjeturas educadas, por ejemplo, en tus filtros de spam, pero luego también las tienes en tus procesos de decisión de markov, tu MDP, donde la IA se usa para la toma de decisiones en ciertos entornos como tu robótica, finanzas, etc. Y luego también en tus simulaciones de Monte Carlo, que normalmente se usa para análisis de riesgos y juegos El siguiente concepto aquí es la optimización y el aprendizaje. Por supuesto, la IA está constantemente aprendiendo y optimizando al mismo tiempo. Por lo tanto, la IA puede hacer uso de algoritmos de optimización que ayudarían a la IA a ajustar sus parámetros para minimizar los errores. Un ejemplo aquí sería el descenso de gradiente utilizado en ML tu aprendizaje automático para afinar modelos reduciendo los errores de predicción. Y luego el concepto de programación lineal donde se enseña a la IA tareas de asignación de recursos y ensillamiento, y luego algoritmos evolutivos Esto está inspirado en la selección natural. Estos algoritmos evolucionan soluciones a lo largo del tiempo. Un ejemplo aquí serían tus algoritmos genéticos, tu GA que optimiza soluciones para problemas complejos. Ahora, una de las mayores fortalezas de la IA implica la capacidad de reconocer patrones y aprender de esos patrones a lo largo del tiempo. Y uno de los conceptos clave aquí involucra las redes neuronales que encuentras en tu aprendizaje profundo. Entonces aquí, la IA imita al cerebro humano para reconocer patrones en los datos Como ejemplo aquí, sus sistemas de reconocimiento de imágenes, que pueden detectar objetos en las fotos. También el concepto de extracción de características donde la IA es capaz de desglosar los datos en características clave. Por ejemplo, en su asistente de voz, el modelo de IA puede descomponer la voz en varios segmentos y luego puede comprender comandos basados en esos segmentos. Y luego también en el concepto de clustering y clasificación donde la IA puede agrupar datos en categorías significativas o en segmentación de su cliente y así sucesivamente Y luego el aprendizaje de refuerzo. Ya hemos hablado de esto un poco antes. Este es el tipo de prueba y error o las recompensas y penalizaciones tipo de entrenamiento para máquinas. Así que la IA puede aprender a través del ensayo y error, al igual que cómo los humanos también aprenden de la experiencia, ¿verdad? Entonces sí tenemos el aprendizaje basado en recompensas donde la IA puede recibir recompensas o penalizaciones en función de lo bien que se desempeñe en una prueba o en un examen, y luego exploración y explotación. Por lo que la IA debe equilibrar entrenar nuevas estrategias contra el uso de las conocidas. Por lo tanto, el modelo de IA necesita , como, encontrar un buen equilibrio entre ambos y no depender extensamente de ninguno de ellos. Como ejemplo, tus autos de conducción autónoma como tu Tesla, aprendieron las mejores acciones de conducción al ser recompensados por un comportamiento seguro Y luego también tu ajedrez Alfa cero, un modelo de ajedrez muy, muy poderoso. Aprendió a jugar bien al ajedrez de manera experta simplemente jugando millones de juegos contra sí mismo Ahora, heurística y soluciones aproximadas. Esto es muy, muy interesante. Entonces por aquí, a veces, poder encontrar la solución exacta podría ser poco práctico, basado en el problema basado en el desafío que se le brinda a la IA Entonces la IA necesita hacer uso de heurística, lo que llamamos atajos inteligentes Entonces sí tenemos los algoritmos de búsqueda heurística. Por ejemplo, la IA simplemente buscará las soluciones suficientemente buenas más rápido, digamos un algoritmo estrella para la búsqueda de rutas en mapas. A veces, cuando están tratando de buscar algo, digamos por ejemplo, en tu motor de búsqueda de Google, posible que no proporciones el tipo exacto de términos que estás buscando, pero la IA necesita poder hacer que una calculadora adivine qué es lo que estás tratando de encontrar, y luego la IA simplemente proporcionará los mejores resultados. Y luego lógica difusa, ¿qué es exactamente esto? Entonces, la IA toma decisiones basadas en las calificaciones de la verdad en lugar de las elecciones binarias. Como ejemplo, la IA en sus sistemas de aire acondicionado, son solo la temperatura basada en los niveles de confort. Por lo que intentará tomar su decisión en base a lo que piensa que sería una temperatura razonable para el ser humano y no exactamente una elección binaria de si encender el sistema de aire acondicionado o apagarse , si eso tiene sentido. Y luego proporcioné la tabla aquí para los principios básicos de IA, nuevamente, la descripción y luego el ejemplo. Para que puedas pausar este video y revisarlos en tu tiempo libre si te interesa. Luego los conceptos científicos clave que se utilizan en la inteligencia artificial, álgebra lineal que se utiliza en tus redes de deep learning Tienes tu probabilidad y estadísticas. Por supuesto, la IA necesita hacer uso de esto para hacer predicciones, y luego sus redes neuronales utilizadas específicamente en la planificación profunda que trata de imitar el cerebro humano, y luego los algoritmos genéticos inspirados a través de la evolución Y luego finalmente la teoría de juegos. Esto es, por supuesto, la toma de decisiones en entornos competitivos. Entonces, ¿cuál es la conexión de la IA con la ciencia cognitiva? Bueno, la IA modela la condición humana en áreas como su percepción, razonamiento y resolución de problemas. Y entonces el estudio de la inteligencia humana también puede ayudar a mejorar la inteligencia artificial por sí misma. Entonces, como ejemplo, en tu aprendizaje por refuerzo, se inspira en la psicología conductual, que es, por supuesto, un aprendizaje basado en recompensas. Entonces estas son algunas de las formas en que la IA se asocia realmente con el campo de la ciencia cognitiva. Entonces, ¿cuáles son los puntos clave de esta lección? Bueno, antes que nada, la IA es, de hecho, un campo multidisciplinario que involucra ciencias de la computación, matemáticas, ciencia cognitiva, filosofía, y mucho más. IA opera sobre la lógica, la capacidad, la optimización y, por supuesto, el aprendizaje. Y entonces los datos, como ya he dicho antes, es el combustible. Es la línea de sangre de la inteligencia artificial, y diferentes tipos de sistemas de IA utilizarán diferentes enfoques Y luego comprender estos conceptos científicos fundamentales ayudará a cómo funciona la IA a un nivel mucho más profundo Gracias por ver la lección. Te veré en la siguiente clase. 9. El papel de los datos en la inteligencia artificial: Ahora se habla del papel de los datos en la inteligencia artificial. Ahora, me gusta pensar en los datos como el elemento vital de los modelos de IA porque sin datos, los modelos de IA no existirán o van a ser muy ineficientes Entonces, ¿por qué los datos son cruciales para la IA? Los modelos de IA son tan buenos como los datos en los que han sido entrenados. Entonces, cuanta más datos de alta calidad haya disponibles, mejor IA podrá aprender patrones y hacer predicciones, mejorar la precisión y eficiencia a lo largo del tiempo, y por supuesto, adaptarse a nuevas situaciones y refinar su toma de decisiones. Y bastante seguro en informática, debes haber oído hablar del término basura adentro, basura afuera. Básicamente, si un programa ha sido diseñado para cometer errores o no resolver problemas con precisión, entonces eso es exactamente lo que va a hacer el programa. Y eso es algo similar con los modelos de inteligencia artificial también. Si han sido entrenados datos muy malos, ¿adivina qué? Ese modelo de inteligencia artificial probablemente no va a ser inteligente. Va a ser inteligente. Por eso es sumamente importante la calidad de los datos utilizados para entrenar modelos . Ahora bien, estos son los tipos de datos que utilizamos en la IA. Tenemos sus datos estructurados. Por ejemplo, estos serían datos que se han organizado en tablas, filas y columnas. Entonces, por ejemplo, tienes tus datos de tus hojas de cálculo, archivos Excel, bases de datos, etc. Pero también tenemos los datos no estructurados, que son básicamente datos brutos que no se ajustan a un formato fijo Entonces, los ejemplos aquí serían tus imágenes, tus videos, tu audio, etc. Y entonces el último tipo de datos serán tus datos semiestructurados. ¿Qué es exactamente esto? Bueno, básicamente son los datos los que se interponen entre tus datos estructurados. Y sus datos no estructurados. Entonces, los ejemplos aquí serían sus JCNFles, XML, registros de sensores, y así Y cuando se trata de procesamiento de datos en IA, hay cuatro pasos principales. El primer paso sería la recolección real de los datos en primer lugar. Por lo tanto, la IA recopilará datos de una amplia variedad de fuentes como Internet, sus bases de datos, comentarios de los usuarios, etc. Y luego una vez que se han recopilado esos datos, los datos necesitan ser limpiados. Entonces aquí, la IA intentará eliminar, por ejemplo, duplicados de registros que podrían existir ya Entonces digamos, por ejemplo, los registros de clientes. Si la IA se entera de que, Oh, este cliente en particular tiene dos registros exactamente iguales en nuestra base de datos, simplemente continúe y elimine uno de ellos. Entonces esa es básicamente la siguiente limpieza de datos de proceso. Y luego después de eso, tenemos el etiquetado de datos. Entonces aquí, tus datos pueden ser categorizados o podrían ser etiquetados. Entonces ejemplo sería etiquetar correos electrónicos como spam o no spam Y entonces el paso final sería su transformación de datos donde los datos podrían convertirse en formatos utilizables como por ejemplo, sus archivos PDF, hojas de Excel, etc. Entonces esas son las cuatro etapas del procesamiento de datos en IA. Ahora, cuando se trata de big data en sí, hay cuatro características que debemos tener en cuenta de las cuatro Vs. El primero aquí sería volumen. ¿Bien? Entonces básicamente, cuanto mayor sea el volumen, mejor. Cuantos más datos puedas entrenar tu modelo de IA, mejor va a ser. siguiente aquí sería la velocidad, la velocidad a la que se generan nuevos datos. Y claro, en el mundo en el que vivimos hoy, eso es extremadamente rápido. Siguiente sería la variedad, los diferentes tipos de datos en los que se entrena el modelo de IA, ya sea audio, video, imágenes, texto, archivos, lo que sea. Y luego la última, posiblemente la veracidad más importante, ¿qué tan precisos son los datos reales en sí Obviamente, no va a importar si el volumen es tan grande y variedad homod Si la veracidad es pobre, esos datos básicamente van a ser inútiles Por eso, en mi humilde opinión, pienso que de las cuatro Vs, veracidad va a ser lo más importante Por lo que sí tenemos varios desafíos de datos cuando se trata de IA. Tenemos sesgo de datos donde un modelo de IA podría ser entrenado sobre datos sesgados. Y por eso, la IA comienza a tomar cierto tipo de decisiones, y puede llevar a decisiones injustas o discriminatorias. También tenemos privacidad de datos porque un modelo de IA necesita ser entrenado en grandes cantidades de datos. Existe la posibilidad de que información sensible o privada pueda ser alimentada a la IA para capacitarla. Y por supuesto, esto va a plantear preocupaciones sobre la seguridad y la ética. Tenemos la calidad de los datos. Nuevamente, muy, muy importante. ¿Qué tanto de buena calidad son los datos que se han utilizado para entrenar el modelo de IA? Entonces, si los datos son pobres o son de baja calidad, esto podría llevar a que la IA tome malas decisiones, y luego, por supuesto, al almacenamiento y administración de datos. Por lo tanto, la IA requiere una capacidad de almacenamiento masiva, y el impacto aquí es que también va a requerir un manejo eficiente de los datos. Entonces no es tan fácil. Ahora, profundizando un poco, tenemos las preocupaciones éticas y de privacidad cuando se trata de datos de IA. Por lo que el contenido del usuario y la privacidad, IA no debe recopilar ni utilizar datos personales sin consentimiento. Esto es en lo que nos gusta creer, esto es lo que esperamos sea el caso de la IA, pero nunca se sabe realmente que siempre existe esa preocupación con respecto al uso de la IA. Y luego, por supuesto, sesgo y equidad. Nuevamente, si los datos si el modelo de IA, disculpe, ha sido entrenado sobre datos sesgados, entonces la IA podría tomar decisiones discriminatorias, y luego transparencia, muy, muy importante. Los usuarios deben saber cómo los sistemas de IA utilizan los datos y posiblemente tal vez incluso importante, la IA debería poder explicar su decisión sobre por qué hizo algo de cierto tipo de manera, transparencia, muy, muy, muy importante. Entonces, por ejemplo, en el reconocimiento facial, IA ha sido criticada por sesgo racial debido a conjuntos de datos de entrenamiento sesgados. Hablaremos de esto un poco más tarde. Y cuando se trata de IA en la contratación, también. Por lo que se ha encontrado que los sistemas de contratación basados en IA discriminan a ciertos grupos si se capacitan sobre datos sesgados, nuevamente, cuán eficiente es un modelo de IA dependerá en gran medida la calidad de los datos en los que se haya capacitado Entonces sí tenemos el proceso mediante el cual la IA es capaz de mejorar su toma de decisiones a través de datos. Entonces, la primera fase aquí en el bucle sería la fase de entrenamiento real donde la IA aprende ya sea de la historia o de los datos que le han sido alimentados. Y entonces la IA ahora podrá hacer predicciones basadas en lo que ha aprendido. Y luego cuando haga una predicción, los usuarios podrán dar retroalimentación a la IA o incluso a los desarrolladores, podrán decirle a la IA que, Oye, obtuviste la respuesta correctamente o la predicción que hiciste fue en realidad falsa. Y debido a que la IA ha recibido los comentarios del usuario, luego pasa por una fase de re entrenamiento nuevamente para aprender en base a los nuevos comentarios que el usuario le ha dado. Entonces así es como pasa por este bucle constante de tratar de mejorar. Entonces, ¿cuál es el futuro de los datos en IA? Aprendizaje federado donde los modelos de IA entrenarán sobre los datos del usuario sin transferirlos a un servidor central, mejorando así la privacidad, y luego datos sintéticos donde la IA misma podría generar conjuntos de datos artificiales I conjuntos de datos reales no están disponibles. Y luego el último de aquí, el explicable AI DX AI muy, muy importante Donde la IA debería poder explicar la razón por la que tomó cierto tipo de decisiones. Esto sería un paso gigante en cuanto a la transparencia en el uso de la IA. Entonces, algunas claves para llevar, los datos son la base de la IA. Sin ella, la IA no puede aprender ni funcionar de manera efectiva. Por supuesto, la IA podría utilizar estructurada, no estructurada o semi estructurada para aprender. Y mejorar. big data, por supuesto, mejora el rendimiento de la IA, pero tienes desafíos como tu, ya sabes, privacidad, sesgo, etc. Y luego las consideraciones éticas son importantes a la hora de manejar datos en sistemas de IA. Y finalmente, la IA mejora continuamente a través de nuestros bucles de retroalimentación. Entonces eso es un agradecimiento por ver el video. Te veré en la siguiente clase. 10. Algoritmos y modelos en inteligencia artificial: Bienvenida de nuevo. Entonces ahora echemos un vistazo a los diferentes tipos de algoritmos y modelos utilizados en el mundo de la IA. Pero antes que nada, ¿qué es exactamente un algoritmo? ¿Qué es un modelo? Los algoritmos son básicamente reglas predefinidas que un modelo de IA puede usar para procesar datos. Pero los propios modelos de IA, estas son simplemente versiones entrenadas de algoritmos que son capaces tomar decisiones y tal vez incluso predicciones basadas en nuevos datos. Entonces, con el tiempo, los modelos de IA mejorarán porque están aprendiendo constantemente según la historia, basados en los comentarios de los usuarios y mucho más. Como ejemplo, tu filtro de spam, con el tiempo, el filtro va a mejorar cada vez mejor porque es capaz de aprender de correos electrónicos no deseados anteriores y tal vez incluso correos electrónicos que identificó incorrectamente como spam. Con el tiempo, va a mejorar. Pero, ¿cuáles son los tipos de algoritmos que tenemos? Tenemos la regla basada o tu IA simbólica que usa tus reglas predefinidas y condiciones lógicas. Entonces básicamente, es bastante rígido, es sí, no, es no, sí, no puede ser no, ya sabes, cosas así. Por lo que funcionará bien con problemas muy estructurados, pero este tipo de algoritmos lucharán con la incertidumbre. Uno de los mejores casos en los que se utilizan este tipo de algoritmos sería en su diagnóstico médico. Otro tipo de algoritmo serían, por supuesto, el deep learning y las redes neuronales. Estos utilizan redes neuronales artificiales de múltiples capas y, por supuesto, sobresalen en tareas complejas como su reconocimiento de voz , su reconocimiento facial, etc. Y por supuesto, una IA gepty y reconocimiento de imágenes, utilizan el aprendizaje profundo para poder identificar imágenes y también generar texto también Ahora, aprendizaje automático, ya hemos hablado de esto. Aprenden patrones a partir de datos en lugar de seguir reglas estrictas. Entonces este tipo de algoritmos son un poco más, son menos rígidos en su enfoque. Entonces sí tenemos los diferentes tipos de aprendizaje. Tienes tu aprendizaje supervisado, sin supervisión, y por supuesto, aprendizaje de refuerzo Ya hemos hablado de ellos. Y luego los algoritmos comunes de IA y la aplicación. Entonces como ejemplo, tus árboles de decisión, este es un ejemplo de algoritmo. Usa el aprendizaje supervisado, y los tienes en tu detección de fraude, tu diagnóstico médico. Tienes lo que llamamos las máquinas vectoriales de soporte , tus SVMs También utilizan el aprendizaje supervisado. Los puedes encontrar en clasificación de textos, reconocimiento manuscrito, y mucho más Y luego K significa agrupación. Estos utilizan el aprendizaje no supervisado. encontrarás principalmente en segmentación de mercado, detección de anomalías Tienes tus redes neuronales, aprendizaje profundo. Por supuesto, esto utilizará el aprendizaje supervisado, y los tendrá en su reconocimiento de imagen, voz a texto, etc., y luego sus algoritmos genéticos que utilizan optimización y estos son computación evolutiva de diseño impulsada por IA. Entonces, ¿cuál es exactamente el proceso de capacitación para un modelo de IA típicamente seis pasos El primer paso es siempre la recolección de datos. Nuevamente, ya lo he dicho muchas veces antes, los datos son el elemento vital de un modelo de IA El modelo de IA necesita los datos para comenzar a aprender a comenzar a entrenar. Entonces, una vez que se han recopilado los datos, ahora tenemos preprocesamiento donde los datos serán limpiados y serán formateados Y luego después de eso, el modelo comienza a entrenar en base a los datos que se le ha proporcionado. Y entonces ahora se evaluará el modelo. Se probará con nuevos tipos de datos. Entonces podría ser como un examen, una prueba solo para ver qué tan bien se desempeñará la IA. Y, por supuesto, si le va bien, la IA se despliega entonces en el mundo real. Y por supuesto, con el tiempo, la IA mejorará constantemente porque es capaz de adaptarse y aprender con el tiempo. Entonces, con todo esto en mente, ¿cómo se elige exactamente un algoritmo? Hay diferentes tipos. Entonces, ¿ cómo los desarrolladores, cómo deciden las empresas qué algoritmo usar al intentar entrenar su modelo Por lo que aquí hay varios factores involucrados. Primero, por supuesto, será la disponibilidad de datos. Algunos modelos como su aprendizaje más profundo, necesitan grandes conjuntos de datos mientras que los árboles de decisión un ejemplo, funcionan mejor con pequeñas cantidades de datos. Y luego la precisión que se requiere. Obviamente, si quieres que un modelo de IA pueda hacer predicciones bastante buenas y precisas, entonces podrías estar buscando redes neuronales que sean capaces de proporcionar una mayor precisión. Pero claro, esto también requerirá más potencia de cómputos. Y luego la interpretabilidad. Así que los árboles de decisión son muy fáciles de entender, mientras que las redes de aprendizaje profundo pueden ser bastante complejas de entender. Y también hay situaciones en las que un tipo particular de sistema impulsado por IA podría usar uno o más algoritmos. Entonces, por ejemplo, en su banco para el sistema de detección, podría usar un árbol de decisiones para la interpretabilidad, y luego podría usar el aprendizaje profundo para poder reconocer una detección de patrones complejos Entonces, ¿cuáles son los desafíos que implican los algoritmos y modelos de IA? Hemos hablado del sesgo en los datos de entrenamiento donde los datos se están utilizando para entrenar el algoritmo o el modelo podría ser de baja calidad. Esto, por supuesto, conducirá a que el modelo tome malas decisiones, tome muchos errores, y luego poder computonal, especialmente cuando se requiere el algoritmo de aprendizaje profundo Esto, por supuesto, significa que se necesitarán muchos recursos informáticos poderosos, y luego la explicabilidad, también, modelos complejos como las redes neuronales Funcionan fantásticos, son extremadamente poderosos, pero pueden ser bastante difíciles entender y de explicar. Entonces, ¿cuáles son las tendencias futuras en los modelos de inteligencia artificial medida que pasan los años? IA explicable Ya hemos hablado de esto, donde IA podrá explicar las decisiones que ha tomado. Esto, por supuesto, mejorará la transparencia. Y luego modelos híbridos de IA. Este es un concepto muy, muy interesante donde podemos combinar diferentes enfoques de IA para un mejor rendimiento. Y luego también tenemos la inteligencia artificial de borde. Básicamente modelos de IA que se ejecutarán en pequeños dispositivos como smartphones para proceso en tiempo real. Y estas son algunas de las tendencias que podemos mirar hacia adelante en el mundo de la IA. Entonces, solo para redondear, algunas cosas clave, en primer lugar, la IA utiliza algoritmos de aprendizaje automático y dippling basados en reglas para la toma IA utiliza algoritmos de aprendizaje automático y dippling basados en reglas para supervisado, no supervisado aprendizaje supervisado, no supervisado y de refuerzo son tipos clave de aprendizaje automático Los modelos de IA deben pasar, por supuesto, por capacitación , evaluación y aprendizaje continuo para mejorar. Y finalmente, elegir el algoritmo adecuado dependerá de la precisión, la disponibilidad de datos y los requisitos computacionales Muchas gracias por ver el video. Te veré en la siguiente clase. 11. Capacidades y limitaciones de la IA: Entonces, antes de redondear este módulo, quería que echáramos un vistazo a las capacidades y limitaciones de la IA, tal y como la conocemos, comenzando con las capacidades, ¿qué puede hacer exactamente la IA? Ahora, he enumerado varias capacidades aquí, así como la descripción, así como los ejemplos. Voy a pasar por algunos de ellos. Empecemos con la automatización de tareas repetitivas. Ahora bien, esta es una área donde la IA ha sobresalido ya sea en finanzas o conjuntos de datos o en mi campo de la ciberseguridad, ahora usamos la IA para realizar tareas repetitivas Por lo que puede realizar tareas repetitivas con alta precisión y velocidad, y lo vemos con tableros de chat, automatizados, atención al cliente, y así sucesivamente Y luego, cuando se trata de análisis predictivo, IA es capaz de pronosticar tendencias futuras basándose en datos pasados. Entonces en ese escenario, es muy, muy importante que se le dé a la IA el tipo correcto de datos con los que pueda hacer predicciones bastante a bastante buenas precisas para el futuro. Ahora, hemos visto esto en, como, predicciones bursátiles, así como en el pronóstico del tiempo, cosas así Y luego, cuando se trata de reconocimiento de imágenes y voz, IA es capaz de identificar texto, objeto y sonidos. Aún no es perfecto, pero ya estamos llegando. Creo que hoy la IA hace un muy buen trabajo al poder identificarlos. Y podemos ver ejemplos en autos autoconducidos en tu vigilancia de seguridad, y así sucesivamente. Y finalmente, cuando se trata de robótica y automatización, IA puede alimentar robots para trabajos pasados de precisión, y ejemplos, los tenemos en la atención médica con cirugía robótica, así como en robots industriales Así que puedes, por supuesto, echar un vistazo a la diapositiva que te voy a presentar y ver las otras capacidades en el pero también he proporcionado una tabla que enumera las limitaciones que la IA no puede hacer. Entonces, como ejemplo, carecen de una verdadera comprensión. Entonces la IA, puede procesar datos, pero ya ves, no entiende datos como tú y yo lo hacemos. Ojalá esté hablando con un ser humano, también. Sólo estoy bromeando. Entonces esa es la cosa, sí, IA, dice los datos. Puede manejar los datos. Puede procesar los datos, pero en realidad no entiende qué son realmente los datos. Es solo procesar los datos y darnos resultados, ¿verdad? Y entonces cuando se trata de la verdadera creatividad e innovación, la IA, puede generar contenido, pero siempre le va a faltar la creatividad humana, el toque humano. Entonces, la dependencia de los datos también, IA todavía depende en gran medida de conjuntos de datos muy grandes. Y claro, estás hablando los altos costos computacionales. Por lo que entrenar modelos de IA muy complejos requiere hardware muy, muy caro. Y, por supuesto, las limitaciones generales de inteligencia, sí, podemos tener IA que puede vencer a los seres humanos en el ajedrez, pero aún falla en sentido común o razonamiento. Nuevamente, puedes echar un vistazo a la diapositiva para conocer las otras limitaciones. Entonces, solo para resumir la fuerza de la IA, IA puede manejar big data De hecho, sobresale, prospera cuando me presentan big data Y por supuesto, velocidad y eficiencia. La IA ha superado a los humanos en tareas computacionales y ni siquiera es divertida Y luego, por supuesto, 27 de disponibilidad. Hagibty nunca te dirá que necesita una pausa para almorzar o que necesita dormir . Eso nunca va a pasar. Y luego, por supuesto, las soluciones de IA de escalabilidad se pueden implementar globalmente muy, muy rápidamente sin ningún tipo de limitación humana Entonces el resumen de las debilidades, y sé que esto puede sonar muy, muy duro, pero la IA todavía carece de sentido común. Si pones a la IA en una situación inesperada o algo inusual, luchará porque lucha con la ambigüedad. Ahora bien, la IA no puede reemplazar el juicio humano, ¿de acuerdo? Así que recuerda que la IA no importa lo inteligente que pueda llegar a ser, no tiene corazón. No tiene emociones. La IA no puede simpatizar, no puede empatizar . No puedo enojarme, ni triste ni feliz. Y como tal, carecerá de razonamiento ético. Y, por supuesto, la IA depende de los datos de entrenamiento. El volumen y la calidad de los datos de entrenamiento determinarán cuán eficiente es realmente el modelo de IA. Entonces la comparación aquí, humano versus IA tengo la tabla de ideas. Así que la creatividad. Los humanos por supuesto, muy, muy creativos. La IA es limitada. Uh, toma de decisiones, IA tomará su decisión basándose puramente en su capacidad para reconocer patrones. Mientras nosotros como humanos, podemos tomar decisiones basadas en la experiencia, la intuición, y también el pasado Y luego aprendiendo capacidad, podemos aprender nuevas habilidades muy, muy flexiblemente Para eso está nuestro cerebro. Si bien la IA necesita reentrenamiento para nuevas habilidades, y luego sesgo, por supuesto, podemos ser influenciados por las emociones, mientras que la IA solo puede heredar sesgos de los datos que se le Si los datos están libres de cualquier sesgo, entonces no hay forma de que la IA se vuelva sesgada. Y, por supuesto, procesar speedway mucho más lento que la IA, mientras que nuestra IA es mucho, mucho más rápida que nosotros cuando se trata nuestras tareas estructuradas Entonces, conclusiones clave, la IA es extremadamente poderosa, pero claro, sí tiene sus limitaciones Sobresale en automatización y predicción, pero siempre va a carecer de razón a nivel humano Y entonces la IA depende en gran medida de los datos y algoritmos. Y así, los datos deficientes conducirán a resultados inexactos. Los datos de sesgo llevarán a que la IA tome decisiones de sesgo, y luego la IA nunca podrá reemplazar el juicio humano. Y el futuro de la IA, esperamos incluya modelos más éticos, explicables y también adaptables Entonces ese es más o menos el resumen. Gracias por tomar esta lección en particular. Te veo en la siguiente clase. 12. Vista previa de la sección: conceptos básicos del aprendizaje automático: Bienvenido al siguiente módulo, conceptos básicos de aprendizaje automático. Y como de costumbre, voy a reproducirte un clip de una película, así que siéntate, relájate, disfruta el clip, y te veré al final del mismo. Hay seis arriba. No hay manera de que puedas ganar ese juego. Eso lo sé. No ha aprendido. ¿Se va rn a hacer que juegue solo? Spin Aprende, maldita sea. A. Christ James Game, la única película ganadora no es hoy. Bien, bienvenido de nuevo. Ahora, ese clip fue tomado de la película War Games estrenada en el año 1983. Y la razón por la que elegí usar este clip en particular es porque demuestra perfectamente uno de los conceptos clave cuanto a cómo aprenden los modelos de IA, y eso es a través del proceso de prueba y error. Ahora observarás que en el clip, sistema de IA conocido como Joshua, juega un juego de puntera de garrapata contra sí mismo El juego termina en un punto muerto y luego sigue jugando los juegos contra sí mismo y otra y otra vez Pero observa que cada vez que cambia su estrategia, pero los juegos siguen terminando en un mit rancio larga, ahora decide eso, ya sabes qué, antes de lanzar los misiles nucleares. Oh, por cierto, debería haberte dado algo de contexto. En la escena, se supone que es una escena muy grave porque el sistema, Joshua, el modelo de IA, está tomando el control o está a punto de tomar el control del sistema de armas de misiles nucleares de Estados Unidos . Y, por supuesto, la gente está entrando en pánico. Tienen miedo de que vaya a lanzar misiles nucleares contra la Unión Soviética. Sovnia responderá y, por supuesto, todos nosotros, todos vamos a morir Entonces Joshua decide eso, ¿sabes qué? Antes de lanzar estos misiles nucleares, tal vez debería probar diferentes estrategias para ver quién ganaría realmente en una guerra nuclear. Entonces la primera estrategia lanza misiles desde Estados Unidos a la Unión Soviética, pero luego se da cuenta de que, Bien, esta estrategia no va a funcionar porque no va a haber un ganador Después intenta otra estrategia donde es la Unión Soviética la que lanza primero los misiles. Pero entonces se da cuenta de que, Bien, esta estrategia tampoco funciona. No hay ganador. Y luego intenta cientos de otras estrategias diferentes. Y cada vez se da cuenta de que no va a haber un ganador Entonces eventualmente, es capaz de concluir que la mejor manera de ganar este juego en particular es no jugar en absoluto. Entonces la IA, Josué, pudo enseñarse por sí misma. Aprendió a través del proceso de prueba y error. Cada vez que probaba una estrategia y el resultado era negativo, retrocedía, reajustaba su técnica, reajustaba su estrategia, y luego su estrategia, y Y luego, cuando el resultado fue el mismo estancamiento negativo volvió de nuevo, encontramos una estrategia una vez más, y así es básicamente como aprenden los sistemas de IA Así se enseñan ellos mismos. Intentan algo. Oh, la respuesta no fue correcta. Déjame regresar. Déjame probar una estrategia diferente. Oh, eso no funciona. Déjame regresar. Déjame probar una estrategia diferente y así sucesivamente. Entonces el concepto de ensayo y error, creo, quedó bien enfatizado en este clip en particular. Entonces espero que hayan disfrutado esta introducción al mundo de la máquina y los Fundamentos. Pasemos ahora a la siguiente lección. 13. Cómo aprenden las máquinas en la práctica: Bien, entonces ahora echemos un vistazo a la siguiente lección, vamos a hablar sobre cómo aprenden las máquinas en la práctica, cómo se entrenan Entonces, todo el proceso de aprendizaje automático involucra tres componentes clave. Tienes los datos, los modelos y, por supuesto, la formación en sí misma. La otra cosa del aprendizaje automático es que a diferencia de la programación tradicional, donde el código está escrito explícitamente y los programas tienen que funcionar exactamente como se codifican, con máquinas, no memorizan cosas En cambio, son capaces de encontrar patrones dentro de los datos con los que están trabajando. Es decir, el aprendizaje automático implica un proceso mucho más flexible mediante el cual los modelos son capaces aprender y mejorar con el tiempo. Ahora, toda la fase de aprendizaje tiene ver con la máquina o el modelo tratando de ajustar o reajustar sus procesos para que pueda mejorar con el tiempo Ahora, al igual que con los estudiantes normales, estoy bastante seguro de que has tenido exámenes en el pasado antes, antes de que tomaras ese examen en la universidad o en la secundaria o donde sea, estoy bastante seguro de que debes haber estudiado primero, ¿verdad? Tal vez tomaste un curso, un curso en línea, o tal vez leíste un libro de texto, ¿verdad Ahora, mientras estabas aprendiendo y preparándote para el examen, estoy bastante seguro de que tomaste cierto tipo de cuestionarios, exámenes, y luego finalmente fuiste al examen final, y luego por supuesto, pasaste También es algo similar con el aprendizaje automático. En primer lugar, proporcionaron datos que estudiarán. Y luego habrá esta etapa en particular donde serán probados solo para ver si realmente están aprendiendo correctamente de la manera correcta. Y luego en última instancia, se probarán con nuevos tipos de datos que nunca antes habían visto solo para probar cómo se desempeñarán en el mundo real. Entonces es algo similar con el aprendizaje automático también. Ahora bien, la idea clave aquí es que aprendizaje automático no implica memorizar datos Imagina un filtro de spam, ¿verdad? Imagina que estás tratando de construir inteligencia artificial para un filtro de spam. Sólo hay tantos tipos de filtros de spam que la máquina puede memorizar Bien, este es un correo no deseado. Este es un correo electrónico no deseado. Este es un correo electrónico no deseado y así sucesivamente. Pero entonces, ¿y si ese modelo en particular se presenta con un nuevo tipo de correo no deseado que tal vez se presenta de una manera ligeramente diferente? El modelo va a fallar porque no ha memorizado esta nueva versión particular del correo spam Por eso siempre es mejor que las máquinas y los modelos aprendan a través del proceso de identificación de patrones, bien, son más flexibles de esa manera. Entonces existe esta cosa llamada selección de características, ¿verdad? selección de características implica que la máquina o el modelo simplemente buscan las partes más importantes de los datos. Entonces, ¿qué son exactamente las características? Hay piezas relevantes de información que ayudarían al modelo o máquina a tomar decisiones, ¿verdad? Por lo tanto, elegir los tipos adecuados de características ayudará al modelo a mejorar su precisión. Y por supuesto, eliminar cualquier tipo innecesario de características también minimizará los errores y también ayudará al modelo a mejorar su precisión. Ahora bien, he dado una analogía aquí que implica la venta de una casa, justo digamos, por ejemplo, estás tratando de construir un modelo o una inteligencia artificial que pueda hacer predicciones sobre cuánto costaría una casa El tipo correcto de características de las que hablarás aquí sería qué ubicación, ¿de acuerdo? ¿Dónde se encuentra la casa? Y luego hablemos de lo grande que es la casa, bien, cuántas recámaras tiene. Estos son los tipos de características más importantes en los que se debe capacitar al modelo. Las características innecesarias aquí serían cosas como cuál es el color del televisor en el dormitorio, ¿verdad? Como, cosas así, ¿cuál es el color del piso en el baño? Al igual que, estas son características muy, muy innecesarias que no ayudarán al modelo, harán una buena predicción. En cuanto costaría realmente la casa. Entonces también existe este proceso llamado optimización. optimización es donde los modelos se ajustarán tiempo para mejorar los niveles de precisión. Ahora bien, aquí hay un concepto clave llamado la función de costo. La función de costo es básicamente el valor que determina qué tan lejos estaba el modelo para hacer la predicción real. Entonces volviendo a la venta de la casa, ¿no? Imagínese que el modelo predijo que, bien, esta casa se va a vender por 500 mil dólares. Pero imagínese si la casa finalmente se vendiera por 750.000 dólares La función de costo aquí sería, por supuesto, 250.000 dólares. Entonces con el tiempo, a través del proceso de optimización, el modelo va a ir mejorando y mejorando y tratando de reducir la función de costos. Para que tal vez en la próxima vez, en vez de 500, podría decir 700 mil, la casa se vuelva a vender por 750, pero ahora la función de costo es de sólo 50 mil Entonces, con el tiempo, el modelo ha mejorado realmente a través del proceso de optimización. Entonces, ¿cómo mejora realmente bien el modelo? Va a actualizar sus parámetros internos para reducir los errores de predicción, y por supuesto, va a aprender de sus errores también. Estas son las formas en que mejorarán los modelos con el paso del tiempo. También existe esta técnica llamada descenso de gradiente. Este es el proceso de aprendizaje en sí mismo, y es una técnica que ayudará al modelo ajustarse poco a poco paso a paso. La idea aquí es que cada vez que el modelo está tratando de mejorar y reducir su función de costo, no va a dar pasos gigantes. No va a ser que no va a sufrir una mejora masiva muy, muy, muy rápido. Lleva tiempo, estable, estable, estable, ¿verdad? Entonces, piensa en ello como encontrar el punto más bajo de una montaña. El modelo seguirá ajustándose hasta que encuentre los mejores ajustes. Entonces te he dado aquí un ejemplo que involucra una vez más el filtro de spam. Por lo que el filtro de spam predice spam para correo electrónico. Pero digamos, por ejemplo, en realidad no es spam, es un correo electrónico real. Entonces con el tiempo, el modelo se dará cuenta de que, Oh, bien, entonces este tipo de correos electrónicos que antes he etiquetado como spam, ahora sé que ya no son spam. En realidad son escribir correos electrónicos, los correos legítimos. Pero estos son los que, bien, ahora sé que esto es en realidad spam, y así es como paso a paso, poco a poco el modelo va a mejorar en su capacidad para determinar si un correo electrónico es spam o no. Entonces, las tasas de aprendizaje, es muy, muy importante que el modelo realmente encuentre el equilibrio adecuado durante la fase de aprendizaje porque si está aprendiendo demasiado rápido, nunca encontrará las respuestas correctas y las soluciones adecuadas. Pero entonces, si está aprendiendo demasiado despacio, va a tomar una eternidad obtener la respuesta correcta. Piénsalo mientras intentas girar la perilla de frecuencia de una radio, ¿verdad? A lo mejor estás tratando de encontrar la frecuencia de tu estación de radio favorita. Si giras la perilla demasiado rápido, nunca vas a encontrar la frecuencia real porque estás siendo demasiado rápido. Pero ahora imagina si estás girando la perilla muy despacio, muy despacio, va a tomar eternidad para que encuentres la frecuencia correcta. Por lo que tiene que haber el equilibrio adecuado con el derecho de aprendizaje para el modelo. Entonces, ¿por qué algunos modelos aprenden mejor que otros? Bueno, todo se reduce a la calidad de los datos. Recuerda que los datos son tan importantes a la hora de entrenar modelos y máquinas. Así que la calidad y la cantidad de datos van a ser jugarán un papel clave aquí. Y luego la selección de características, por supuesto, los modelos necesitan ser entrenados sobre cómo encontrar las características adecuadas al intentar trabajar con datos o hacer predicciones o encontrar respuestas a problemas. Y luego la complejidad del modelo también. Imagina si estuvieras construyendo un modelo muy, muy simple para machine learning o IA. Bueno, sólo hay tantas tareas que va a poder realizar. Podría no ser capaz de realizar tareas complejas. Pero ahora imagina si realmente hiciste un modelo que es demasiado complejo, entonces los roles o el tipo de tareas que le das al modelo para realizarlo podrían ser un poco desperdiciado porque el modelo fue construido para algo mucho más complejo. Y luego la eficiencia de optimización también, un modelo bien afinado entrenará más rápido y generalizará mucho mejor Entonces estos son los factores clave de por qué ciertos tipos de modelos se realizan mucho mejor y se entrenan mucho mejor que nuestros otros modelos. Entonces, algunas conclusiones clave aquí, en primer lugar, tus modelos de aprendizaje automático aprenden ajustando perímetros para minimizar errores, entrenamiento, validación o pruebas Aseguran que los modelos se generalicen bien. Y entonces la selección de características, como dije, es muy, muy importante. Es crucial. Basura adentro, basura afuera. Si los modelos están entrenados con el tipo de características incorrectas, se desempeñarán muy, muy mal. Y luego las técnicas de optimización como tu descenso de calificación mejorarán la precisión del modelo con el tiempo y, por supuesto, un peso de aprendizaje equilibrado garantizará un aprendizaje fluido. Entonces eso es todo para el aprendizaje automático. Gracias por ver. Te veré en la siguiente clase. 14. Aprendizaje supervisado en acción: No hablemos de aprendizaje supervisado. Entonces, ¿qué es exactamente esto bien? Este es un tipo de aprendizaje automático donde el modelo se entrena haciendo uso de datos etiquetados. Entonces, ¿qué son exactamente los datos etiquetados? Esto simplemente significa que cada ejemplo de entrenamiento o datos con los que se entrena el modelo, incluye tanto la entrada, que serían las entidades, luego la salida correcta, que sería la etiqueta real. Entonces toda la idea aquí es el modelo sea capaz de hacer predicciones y encontrar relaciones entre las entradas y las salidas. Entonces, ¿cómo ocurre exactamente esto? primera etapa es que los datos serán recabados y serán etiquetados. Volviendo a mi ejemplo favorito, el filtro de spam. Se podrían recopilar miles de correos electrónicos en la primera etapa y luego se etiquetarán. Entonces tendremos correos electrónicos que son spam y luego correos electrónicos que en correos no deseados en realidad son legítimos, ¿verdad? Y luego se entrenará al modelo. Seré entrenado para identificar qué correos electrónicos son spam y cuáles ganan. Y luego la tercera etapa, el modelo ahora se probará con nuevos tipos de correos electrónicos que nunca antes había visto para ser evaluado. Y claro, si le va muy bien, entonces se desplegará en el mundo real. Así es como funciona realmente todo el proceso. Ahora bien, cuando se trata de aprendizaje supervisado, hay dos tipos que tenemos clasificación y tenemos regresión. ¿Qué son exactamente estos dos? Con clasificación, aquí es donde el modelo asignará una entrada a un tipo específico de categoría. Funciona mejor cuando los retos o las tareas o las preguntas tienen valores discretos. Entonces digamos, por ejemplo, en tu filtro de correo no deseado, el correo electrónico o será spam o va a ser legítimo, ¿ verdad? No hay nada en el medio. Hablemos de los resultados de tu laboratorio, ¿verdad? Los resultados pueden ser positivos o negativos. Análisis de sentimiento, cierto, tal vez el sentimiento fue positivo o negativo o neutral Así que la clasificación es mejor cuando los valores de las salidas son realmente discretos. Tienen tipos de valores muy específicos. Ahora, con regresión, aquí es donde el modelo tiene que hacer predicciones y no la respuesta correcta real a una tarea. Entonces digamos, por ejemplo, el modelo tiene que tratar de predecir el costo de venta de una casa real se va a ver características como el tamaño de la casa, la ubicación. Pero en última instancia, todavía va a hacer una conjetura, una predicción. No sabe a ciencia cierta si la casa se venderá por la cantidad que predice, ¿verdad Se habla de pronosticar los cambios bursátiles, los cambios climáticos también, las temperaturas diarias, cosas así Entonces se utilizarán cuestiones o problemas donde la salida sea continua, se utilizará regresión. Entonces, para redondear todo ahora mismo, quiero volver a mi ejemplo favorito , el filtro de spam. Entonces, primera etapa, tenemos los datos de entrenamiento donde se recogen miles de correos electrónicos, están etiquetados como spam, no spam. Ahora viene la extracción de características. Recuerde, esa extracción de características es una técnica muy, muy importante para mejorar la precisión del modelo. Entonces por aquí, el modelo necesita ser enseñado que, bien, cierto tipo de características en tu spam, deberías mirarlas. Entonces cosas como por ejemplo, las palabras clave que se utilizan, el título de la reputación de correo electrónico del usuario, el envío de un correo electrónico. Estas son las características muy importantes que el modelo necesita ser entrenado para identificar si el correo electrónico es spam o legítimo. Y entonces, claro, como dije, se entrenará al modelo. Y luego se probará el modelo. Se le presentará un nuevo correo electrónico que nunca antes se había visto. Y entonces, claro, la prueba ahora será si el modelo puede identificar o no si ese correo electrónico es spam o no. Y, por supuesto, el aprendizaje continuo, el modelo va a mejorar con el tiempo ya que mira cada vez más correos electrónicos. Entonces, ¿cuáles son los desafíos y limitaciones del aprendizaje supervisado? Bueno, antes que nada, el etiquetado de datos es bastante caro. Requiere grandes cantidades de datos de alta calidad. Y ante este tema de sobreajuste, donde el modelo, en lugar de tratar de generalizar y encontrar patrones, termina realmente memorizando los Y luego, por supuesto, el sesgo en los datos, lo encontrarás cada vez. Si los datos que se proporcionan al modelo están sesgados, el modelo no funcionará tan bien. Y, por supuesto, el aprendizaje supervisado no funciona bien con datos no estructurados Entonces tal vez usted proporciona el modelo se proporciona con imágenes que no tienen etiquetas ni datos brutos. aprendizaje supervisado no va a funcionar con datos no estructurados Así que las conclusiones clave para redondear las lecciones aprendidas supervisadas aprenden de los datos de la etiqueta para hacer predicciones Se utiliza en la clasificación, donde se categorizan los datos, y también en regresión donde predice nuestros valores continuos, las aplicaciones del mundo real incluirán su protección contra spam, diagnóstico médico, predicción de stock y y por supuesto, los desafíos incluirán sesgo de datos, requisitos de datos y por supuesto, todo ajuste Gracias por ver el video. Te veré en la siguiente clase donde vamos a echar un vistazo al aprendizaje no supervisado LCU entonces 15. Aprendizaje no supervisado y reconocimiento de patrones: En la última clase, hablamos de aprendizaje supervisado. Entonces ahora es el momento de hablar de aprendizaje no supervisado. Ahora bien, si el aprendizaje supervisado trata con datos etiquetados, entonces obviamente el aprendizaje no supervisado se ocupará de los datos etiquetados Entonces, la idea aquí es que el modelo en la máquina intente encontrar patrones con datos que no estén etiquetados. Ahora, he dado un ejemplo aquí donde tienes una empresa que tiene miles y miles de registros de clientes, ¿de acuerdo? Lo que pasa con el modelo aquí es que no va a saber quién es el cliente A o el cliente B o el cliente C o el cliente D. Sin embargo, una cosa que podría hacer es que podría mirar el historial de compras de los clientes y luego intentar agruparlos en diferentes categorías en función nuevamente, su historial de compras. Cuánto gastan. Entonces, por ejemplo, el modelo podría mirar los registros de los clientes y decidir eso, ¿sabes qué? Clientes que han gastado más de $1,000 a la vez, permítanme agruparlos en la categoría de gastadores altos Y entonces podría haber clientes que solo realicen compras siempre que haya descuentos, ¿verdad? Por lo que puede querer agrupar a ese tipo de clientes bajo la categoría astuta o, ya sabes, algo así O incluso podría intentar agrupar a los clientes en función de lo que realmente compran. Entonces tal vez tienes clientes que compran accesorios, como, ya sabes, relojes de pulsera, pulseras, cosas así Por lo que puede intentar clasificar a los clientes bajo la categoría de accesorios, ya sabes, cosas así Así es exactamente como funciona el aprendizaje sin supervisión. Por lo que aquí hay cuatro etapas principales involucradas. En primer lugar, el modelo recibirá los datos brutos no etiquetados y no estructurados, luego el modelo por sí solo necesita encontrar las estructuras, patrones o relaciones dentro de esos Y luego una vez que lo haya hecho, va a organizar los datos en clústeres o categorías o componentes meniful Y luego finalmente, la salida, siempre que el modelo haga una predicción o ponga salida en función de lo precisa que fue la salida, el modelo luego aprenderá y mejorará con el tiempo, también. Entonces te he dado la idea clave aquí es que el algoritmo o modelo, nunca se le da la respuesta correcta a una tarea o un reto o un quiz. Aprende patrones por sí solo. puede tratar de pensar en ello como el modelo de enseñanza en sí mismo, entrenándose para encontrar las clases adecuadas de respuestas a tareas y retos. Por lo que hay ciertos tipos de técnicas clave involucradas en el aprendizaje no supervisado El primero de aquí sería el agrupamiento. Esta es probablemente la técnica más popular. Aquí, los datos se agruparán en categorías similares. Entonces, por la información el algoritmo dividirá el conjunto de datos en grupos o clústeres donde los elementos en el mismo clúster son algo similares entre sí que los de otros Entonces, el mejor caso de uso aquí, he hablado de segmentación de clientes donde los clientes, podrían agruparse en función de su historial de compras, cuánto han gastado, o lo que les gusta comprar o cuándo les gusta gastar cosas así, ¿verdad Tenemos algunos ejemplos de los algoritmos de clustering. Tienes tus mins clustering, clustering jerárquico donde los clústeres se construyen en un árbol, y luego el escaneo de base de datos que intentará identificar regiones densas dentro Ahora bien, la siguiente técnica aquí es algo que se llama la reducción de dimensionalidad. No me culpes. No soy a quien se le ocurrió este término muy, muy interesante. Reducción de dimensionalidad. Suena como algo que encontrarías en un libro de texto de ingeniería espacial, ¿verdad Es algo así por dentro. No sé a quién se le ocurrió este término. Pero básicamente, simplemente significa que estamos simplificando datos complejos Eso es lo que significa la reducción de dimensionalidad. Entonces, por definición, esto reducirá grandes cantidades de datos a la vez que se conserva el patrón clave. Entonces tu caso de uso aquí sería cosas como tu compresión de datos donde los datos se pueden comprimir en un tamaño más pequeño, pero las características clave de esos datos aún se conservarán. Tenemos algunos algoritmos para la reducción de dimensionalidad, su análisis de componentes principales, su PCA y luego su TSN, que es la incrustación de vecinos estocásticos distribuidos en T No hay necesidad de que profundicemos en estos algoritmos, ¿de acuerdo? Pero la analogía aquí es que básicamente intentas imaginar comprimir un libro que sea, digamos, 500 páginas o mil páginas todo en una sola página Piense en ello como tratar resumir las ideas clave de ese libro Entonces a pesar de que se ha reducido de mil páginas a una página. Esa página incluirá todas las ideas clave e información clave de ese libro. Y entonces la técnica final aquí será lo que llamamos la detección de anomalías, donde el modelo aprende a encontrar patrones inusuales Entonces, por definición, identificarás puntos de datos que se desvían significativamente del gnomo El caso de uso aquí estará en tu detección de fraude o tal vez incluso en tus firewalls, ¿verdad? Un firewall puede detectar tráfico malicioso porque es inusual. A lo mejor el tráfico proviene de una dirección IP inusual o de una ubicación inusual. Esa es una de las técnicas. Esa es una de las formas en que el firewall es capaz de determinar qué es el tráfico real y qué es el tráfico malicioso. Entonces ejemplos de los algoritmos utilizados aquí, tenemos el aislamiento para aquí, el algoritmo se centrará en identificar los valores atípicos en los datos, y luego tenemos el SVM de una clase que se usa para detectar instancias muy raras e inusuales Entonces, la analogía clave aquí, piensa en tus escáneres de seguridad en un aeropuerto Detectan elementos sospechosos simplemente basados en patrones. Bien, entonces, ¿cuáles son las aplicaciones del mundo real del aprendizaje no supervisado Los tiene en la segmentación de sus clientes, y normalmente en la detección que podríamos usar para firewalls, detección de fraude, etc., y luego diagnóstico médico también, donde el modelo o máquina de IA encuentra patrones ocultos en sus datos genéticos o enfermedades Y luego recomendar sistemas como en tu Netflix, tu Spotify, YouTube, todo el trabajo basado en el historial de búsqueda del usuario. Y luego, por supuesto, en tus buscadores, claro, como tu Google, esto categorizará las páginas en función de similitudes temáticas Entonces, ¿cuáles son los desafíos y limitaciones del aprendizaje no supervisado, por lo que no hay etiquetas claras Por lo tanto, no hay forma de verificar si la salida del modelo es realmente correcta. El modelo tiene que averiguarlo por sí solo. Y luego difícil de interpretar. Así que algunos racimos o patrones podrían no ser significativos, ¿de acuerdo? En un intento del modelo de intentar agrupar ciertos tipos de datos en un clúster o una categoría, puede que no haga un muy buen trabajo en eso porque cómo o qué solía agrupar, esos datos pueden no ser realmente lo suficientemente claros. Y luego elegir el número correcto de clústeres. Este es otro gran reto aquí dentro. Entonces algoritmos como tus minas requieren ciertos parámetros. Básicamente, hay que indicar cuántos grupos tiene que crear el modelo o cuántos clústeres tiene que crear. De lo contrario, puede terminar ya sea creando muy pocos clústeres o grupos o tal vez creando demasiados también. Entonces eso podría ser un reto. Y luego el cómpucamente caro, es bastante caro. La capacitación procesa grandes conjuntos de datos, y esto requerirá muchos recursos informáticos. Así que algunas cosas clave para el aprendizaje no supervisado, el aprendizaje no supervisado encuentra estructuras ocultas en datos clústeres se utiliza para agrupar puntos de datos similares, por ejemplo, en la segmentación de sus clientes, y luego la reducción de dimensionalidad simplificará los datos para una mejor visualización y eficiencia, y luego la detección de anomalías intentará identificar fraudes, amenazas de seguridad Y finalmente, los desafíos que implica aprendizaje no supervisado incluirán la interpretabilidad, costo computacional y, por supuesto, la falta de métricas de evaluación Gracias por ver el video. Te veo en la siguiente clase. 16. Aprendizaje por refuerzo y toma de decisiones: Bueno, vuelve. Entonces ahora echemos un vistazo al tercer tipo de aprendizaje automático. Y aquí, estamos hablando de aprendizaje por refuerzo. Ahora, a diferencia del aprendizaje supervisado donde se etiquetan los datos o en el aprendizaje no supervisado, donde el modelo tiene que encontrar patrones dentro de los datos, en el aprendizaje por refuerzo, el proceso de aprendizaje es a través de prueba y error Entonces básicamente, tienes a tu agente o tu modelo de IA que tomará una acción en un entorno, y luego dependiendo del tipo de acción que realice, puede recibir una recompensa o una penalización. Entonces, con el tiempo, el modelo aprende los tipos de acciones adecuadas a tomar para recibir más recompensas. Como ejemplo, un auto autónomo aprenderá a navegar por las carreteras al recibir recompensas por conducción autónoma o sanciones por colisiones o manejo imprudente ¿Cómo es el proceso? Bueno, antes que nada, tenemos al agente, que es el modelo de IA que operará tomará acciones. Tenemos el entorno en el que está operando el modelo, y luego el estado, la situación actual del agente en ese ambiente, y luego la acción que tomará el agente. Y luego, por supuesto, el sistema de recompensas, retroalimentación positiva por buenas acciones, retroalimentación negativa por malas acciones. Yo sí tengo el diagrama aquí dándote más información. Entonces tenemos al agente que interactuará con el entorno. Y luego tendremos que echar un vistazo al estado del agente dentro de ese entorno, y luego la acción que el modelo realizará una acción basada en su política, y luego recompensan los comentarios positivos o negativos. Y entonces el agente o el modelo actualizará su política para que en el futuro, pueda obtener recompensas más positivas. Y entonces, por supuesto, se repite todo este proceso. Así que imagina que estás tratando enseñarle a un robot a caminar, ¿verdad? Si el robot comete un error, podría recibir una penalización. A lo mejor cayó, por ejemplo, recibe una penalización. Pero entonces si está moviendo sus brazos y piernas correctamente, recibirá recompensas, y luego con el tiempo, el robot eventualmente aprenderá a funcionar correctamente. Entonces sí tenemos cuatro algoritmos clave para el aprendizaje por refuerzo. Echémosles un vistazo uno por uno. El primero aquí es el aprendizaje Que o el aprendizaje basado en valores. Entonces por aquí, en este tipo particular de algoritmo, el agente o el modelo aprenderán la mejor acción a tomar simplemente construyendo algo conocido como una tabla que. Básicamente es una tabla de recompensas por diferentes tipos de acciones. Entonces, digamos por ejemplo, bien un agente podría tomar cuatro tipos de acciones, acción A, B, C o D. Si toma la acción A, recibe una gran penalización. Acción B, recibe una pequeña penalización. Acción C, recibe una pequeña recompensa. Acción D, recibe una gran recompensa. Entonces con el tiempo, va a construir esta tabla. Sabe que, Oh, cuanta más acción tome, más grandes serán las recompensas. Con el tiempo, aprende a tomar cada vez más acción Ds. Entonces se usa donde el entorno es completamente observable, como cuando la IA se está enseñando a jugar al ajedrez como ejemplo Entonces sí tengo el diagrama aquí, dándote más detalle. Te voy a proporcionar el tobogán. Entonces, por supuesto, puedes mirar esto en tu tiempo libre. El siguiente algoritmo aquí es el algoritmo Deep Q Networks. Esto no usa tablas que. Utiliza redes neuronales. Entonces esto puede manejar entornos muy complejos como en tus juegos de Atari, robots autónomos El ejemplo que te he dado aquí es donde una IA aprende a jugar videojuegos maximizando su puntuación a lo largo de miles de pruebas El tercer algoritmo aquí son los métodos basados en políticas. Entonces, en lugar de aprender valores para las acciones, el modelo o el agente aprenderán realmente una política. Una política en este caso, en este momento sería una estrategia para elegir diferentes tipos de acciones. Por lo que funciona muy bien en entornos donde un cambio muy pequeño podría afectar todo el resultado, como en robótica, por ejemplo Entonces el ejemplo que te he dado aquí es un brazo robot, aprendiendo a agarrar objetos o recoger objetos simplemente refinando sus movimientos. Entonces tengo el diagrama aquí también. Nuevamente, puedes estudiar esto en tu tiempo libre. Y entonces el algoritmo final aquí es el método crítico actor Esto combinará tanto los métodos basados en valores como los basados en políticas para una mayor eficiencia. Se utiliza para problemas muy complejos del mundo real como en tu auto conducción, finanzas, etc. Un ejemplo de dar aquí es una IA que aprende cómo y cuándo comprar y vender acciones para maximizar sus ganancias. Tenemos varias aplicaciones de recompensa, como dije antes, autos autoconducidos en tus juegos como tu AlphaGo, Open AI five, en Hari en tu robótica, también, finanzas y trading, y por supuesto, en chatbards y Pero sí tenemos retos y limitaciones de aprendizaje por refuerzo. El primero aquí es que el aprendizaje por refuerzo requiere millones y millones de simulaciones para el modelo mejore con el tiempo Aquí no está trabajando necesariamente con datos. Está trabajando más con prueba y error, así que tiene que someterse a muchos miles, tal vez millones de pruebas y errores. Ya sabes, para mejorar en lo que hace. Y, por supuesto, es un proceso de aprendizaje muy lento. Ese es uno de los mayores retos del aprendizaje por refuerzo, discúlpeme. Y luego también tenemos el dilema de la exploración versus el dilema de la explotación. ¿Qué es exactamente esto? Bueno, por aquí, agente o el modelo deben probar nuevas acciones, que serían la exploración versus usar lo que ya aprendió, que sería la explotación. Tiene que encontrar el equilibrio adecuado entre ambos, lo que puede ser muy, muy complicado. Y luego, finalmente, la imprevisibilidad. Por lo tanto, la IA podría encontrar lagunas en el sistema de recompensas que conducen a resultados no deseados Esto podría ser en situaciones en las que el sistema de recompensas no se haya desarrollado adecuadamente y ciertas acciones que deberían haber resultado en sanciones quizás enormes En cambio, el modelo obtiene enormes recompensas en su lugar. Entonces esto podría confundir al modelo, y eventualmente con el tiempo, va a terminar tomando las decisiones equivocadas Entonces, algunas conclusiones clave antes redondear el aprendizaje de refuerzo, aquí, el modelo aprende interactuando dentro un entorno y recibiendo recompensas o penalizaciones ensayo y el error es, de hecho, la base del aprendizaje por refuerzo. Las técnicas clave de aprendizaje por refuerzo incluirán tu aprendizaje Q, tus redes Q profundas, métodos basados en políticas y, por supuesto, tus modelos críticos de actores Y, por supuesto, el aprendizaje por refuerzo se utiliza en robótica. Se utiliza en finanzas. Se usa en autos autónomos, juegos y mucho más. Y, por supuesto, los desafíos incluyen el aprendizaje lento, altos costos de cómputos y el comportamiento impredecible Gracias por ver. Te veo en la siguiente clase. 17. Árboles de decisión, regresión y agrupación: Ahora se habla de árboles de decisión, regresión y agrupamiento. Ahora, ya hemos hablado brevemente de regresión y agrupación antes, pero aquí vamos a profundizar un poco más Pero comencemos primero hablando de árboles de decisión. ¿Qué son exactamente? Básicamente son un algoritmo de aprendizaje supervisado utilizado tanto para la clasificación como para la regresión. Recuerde que la clasificación y regresión son dos técnicas bajo aprendizaje supervisado. Por lo que trata de imitar el proceso de toma de decisiones humanas dividiendo los datos en una estructura de reglas similar a un árbol Ahora, te he dado en la diapositiva de aquí, el diagrama de cómo funciona realmente. Todo parte desde la base, que sería el nodo raíz, el conjunto de datos. Entonces, eventualmente, estos datos se dividirán en ramas en función de ciertos tipos de condiciones o características, y eventualmente esas ramas terminarán en nodos hoja, lo que sería la decisión final o predicción que realmente toma el modelo. Entonces las ventajas de los árboles de decisión, como pueden ver, es muy, muy fácil de interpretar porque estamos hablando estructuras que están bien definidas, diagramas de flujo simples, ¿verdad? Y luego funciona muy bien con datos categóricos y numéricos Entonces es muy, muy versátil. Y entonces no hay necesidad de escalar datos sobre lo que encontrarás en regresión o agrupamiento Pero sí tenemos ciertas desventajas de los árboles de decisión. Una es que es propenso al sobreajuste, que es donde el modelo, en lugar de intentar generalizar y encontrar patrones, termina memorizando los datos de entrenamiento y luego también es sensible a cambios muy, muy pequeños Ahora bien, ¿cuáles son las aplicaciones del mundo real de los árboles de decisión? Los encontrarás en tu detección de fraude, tu diagnóstico médico o incluso en aprobaciones de préstamos en bancos también Ahora, pasemos a la regresión. Ahora, ya hemos hablado de regresión bajo el aprendizaje supervisado. Aquí, el modelo intenta predecir resultados continuos, ¿verdad? Y hablamos de que es una técnica de aprendizaje supervisado que se utiliza para predecir valores continuos basados en datos pasados. Una cosa que no mencioné, sin embargo, fue que sí tenemos varios tipos de regresión. Hay alrededor de ocho o nueve de ellos. Pero por aquí, quiero hablar los tres más importantes en mi humilde opinión. Tenemos regresión lineal, regresión polinormal y luego regresión logística Déjame darte algunas analogías aquí, ¿de acuerdo? Para la regresión lineal, imagina el modelo de IA tratando predecir cuánto costaría una casa. Ahora, en general, sabe que cuanto más grande sea la casa, entonces más cara va a ser. Eso es en general. Entonces en este tipo de escenarios, el modelo podría usar regresión lineal para hacer la predicción. Sin embargo, ¿qué pasa con la regresión polinómica? Imagínese el modelo aéreo tratando de predecir la velocidad de un automóvil. Pero aquí está la cosa, sin embargo. El auto no va a una a la misma velocidad en todo momento. Podría acelerar, yo podría reducir la velocidad. Podría acelerar de nuevo. Podría ir más despacio. Por lo que es imposible que el modelo utilice regresión lineal en este tipo de escenarios. Tiene que usar una regresión polinima donde intentará trazar una gráfica del movimiento del automóvil y luego tratar de determinar qué tan rápido va en realidad Y luego el último de aquí, la regresión logística. Imagina que tienes un modelo de IA que ha sido entrenado para determinar qué tan calificado estaría un candidato para un trabajo. Ahora, aquí está la cosa. Finalmente, el modelo dirá: Bien, el candidato está calificado o no está calificado, ¿verdad? Sin embargo, el proceso de toma de decisiones no es tan sencillo porque va a depender en gran medida las calificaciones de ese candidato. Incluso podría depender de las calificaciones de los demás candidatos que también están luchando por exactamente el mismo trabajo. Entonces, en este tipo de escenarios, el modelo podría usar regresión logística. Entonces las ventajas de la regresión son que es muy, muy simple. Y fácil de entender. muy bien con datos numéricos. Y también es la base para los modelos avanzados de aprendizaje automático, que se encuentran en las finanzas, en la salud, en los negocios, en la medicina, y mucho más. Ahora bien, ¿cuáles son las desventajas de la regresión? Bueno, trata de asumir una relación lineal en todo momento, que no es, por supuesto, realista. Y luego también es muy sensible a los valores atípicos. Un solo valor extremo puede distorsionar todas las predicciones. Imagínese volver a la antigua analogía del modelo tratando de predecir el costo de una casa Y si en una situación, una casa muy pequeña terminó costando más que una casa mucho más grande Eso es una anomalía. Eso realmente no sucede. Pero debido a que sí, de hecho, sucedió, eso podría confundir al modelo, y luego el modelo avanzando, puede que ya no sea capaz de hacer predicciones precisas basadas en esa única anomalía Ahora bien, ¿cuáles son las aplicaciones reales de la regresión? Tiene su predicción bursátil, pronóstico del tiempo también, y también ventas para casting Estos son solo algunos ejemplos de las aplicaciones de reword de regresión Y por último, agrupamiento. Hablamos de clustering bajo aprendizaje no supervisado donde el modelo intentará agrupar puntos de datos similares sin etiquetas predefinidas, tenemos los diferentes algoritmos en aquí de los que ya hablamos antes La analogía aquí, imagina que eres dueño de una tienda de ropa, y quieres agrupar a los clientes Así puedes agrupar a los clientes en altos gastos, mejor conscientes o tal vez clientes que solo compran durante la venta. Por lo tanto, la agrupación en clústeres puede ayudar a agrupar a los clientes en tipos similares de categorías Pero, ¿cuáles son las ventajas del clúster? No hablamos de esto. En primer lugar, puede destapar patrones ocultos. Entonces no hay necesidad de ningún tipo de datos de etiqueta cuando se trata de clustering porque clustering por sí mismo etiquetará los datos en diferentes tipos de grupos, Y entonces también es muy, muy flexible porque no está funcionando con datos predefinidos ni con datos etiquetados ni nada por el estilo. Básicamente puede funcionar bien con la segmentación de clientes, datos médicos y también reconocimiento de imágenes Y entonces también es muy, muy útil para detectar anomalías Por lo tanto, sus firewalls, sistemas de prevención de intrusiones y ciberseguridad, etc., suelen utilizar la agrupación como una Pero sí tenemos desventajas, claro. En primer lugar, elegir el número de clusters puede ser muy, muy difícil. A veces el modelo no sabrá la cantidad correcta de clústeres para crear para una cierta cantidad de datos, y luego los clústeres también pueden superponerse. Esto sucede con bastante frecuencia donde algunos puntos de datos pueden pertenecer a múltiples clústeres. Volviendo a toda la tienda de ropa, es posible que los clientes que son grandes gastadores, también puedan pertenecer a otro clúster que es específicamente para clientes a los que les gusta comprar Es solo que a lo mejor compran los accesorios muy caros, lo mejor compran los relojes de pulsera muy caros Por lo que este tipo de clientes ahora caerán en dos tipos diferentes de clústeres, y eso podría generar algunas complicaciones y confusión con el tiempo. ¿Cuáles son las aplicaciones del mundo real de la agrupación en clústeres? Detección de anomalías de segmentación de clientes y, por supuesto, también en investigación médica Entonces L's, muchas gracias por ver el video, veré en la siguiente clase. 18. Retos y consideraciones éticas en el aprendizaje automático: Regresa. Entonces, antes de ejecutar este módulo sobre aprendizaje automático, necesitamos hablar sobre los desafíos y consideraciones éticas en el aprendizaje automático. Ahora, respecto a los retos, hay tres tipos de ellos. Tenemos los desafíos relacionados con los datos, los desafíos relacionados con el modelo y, por supuesto, los desafíos de recursos computacionales Echémosles un vistazo uno por uno. Ahora con los desafíos relacionados con los datos, estamos hablando de temas como el sesgo de datos. Entonces, una vez más, si el modelo se entrena sobre datos que han sido sesgados, adivina qué, el modelo hará predicciones sesgadas en el futuro. Y luego privacidad de datos porque las máquinas y los modelos necesitan ser entrenados con grandes conjuntos de datos. En ocasiones estos conjuntos de datos podrían ser datos pertenecientes a clientes, usuarios. Esto podría generar preocupaciones sobre la privacidad y, finalmente, los problemas de calidad de los datos. Si faltan datos o son ruidosos o no están estructurados, esto podría afectar la precisión del modelo Entonces, como ejemplo, si un modelo de IA médica se capacita en registros incompletos de pacientes, podría terminar haciendo un diagnóstico poco confiable. ¿Qué pasa con los desafíos relacionados con el modelo? Hemos hablado de sobreajustar donde el modelo, en lugar de tratar de encontrar patrones y generalizar, termina memorizando los datos de entrenamiento y luego interpretabilidad y explicabilidad luego interpretabilidad y explicabilidad A veces los modelos de aprendizaje automático pueden ser muy, muy difíciles de entender. Y cuando un modelo toma cierto tipo de decisión, tal vez no pueda explicar por qué terminó tomando esa decisión. Ellos tipo de cajas negras que no entendemos del todo. Y luego también los ataques adversarios donde los hackers o varios delincuentes, pueden engañar a los modelos de aprendizaje automático simplemente modificando ligeramente los datos de entrada Como ejemplo, agregar un ruido sutil o muy pequeño a una imagen hace que una IA clasifique erróneamente stop como una señal de límite de velocidad, lo que puede ser peligroso para los autos autónomos Ahora bien, ¿qué pasa con los desafíos de los recursos computacionales? Cuando se trata de capacitación en IA, aprendizaje automático, requieren altos costos computacionales Estás hablando de grandes centros de datos, grandes bases de datos, procesadores de computadora muy potentes y así sucesivamente. Por lo que sí requiere mucho hardware y consumo de energía. Como ejemplo, entrenar la versión cuatro de Chart GBT requirió miles de GPU y vatios Tra de potencia Plantear preocupaciones de sustentabilidad y también el tema de la escalabilidad hecho de que un modelo funcione muy bien en un entorno pequeño no significa necesariamente que funcione mejor en un entorno grande. Como ejemplo, un chatbot de IA, lo mejor le fue muy bien Se capacitó para interactuar con diez clientes a la vez. Pero, ¿y si ese chatbot necesita interactuar con 100 clientes Puede terminar desempeñándose muy, muy mal. Pero con los desafíos fuera del camino, hablemos de las consideraciones éticas, el sesgo y la equidad, las preocupaciones de privacidad y vigilancia, el desplazamiento laboral y el impacto económico y, por supuesto, la seguridad de la IA y la toma de decisiones autónoma Echémosles un vistazo uno por uno. Entonces, cuando se trata de sesgo y equidad, y discriminación algorítmica, los modelos de aprendizaje automático, pueden reforzar las desigualdades sociales si no han sido diseñados adecuadamente o si han sido entrenados usando Por lo que las organizaciones y desarrolladores de modelos de IA, deben asegurarse de que sus sistemas, sus agentes, sus modelos sean justos e imparciales Y la solución aquí sería utilizar muy diversos y una gama muy amplia de diferentes tipos de conjuntos de datos, y luego también se deberían usar herramientas de detección de sesgos. Ahora, cuando se trata de preocupaciones de privacidad y vigilancia, uno de los mejores ejemplos de esto sería en China que utiliza el sistema de crédito social, y también utilizan IA y cámaras de vigilancia para monitorear a sus ciudadanos. Entonces esto podría llevar a grandes problemas de privacidad y así sucesivamente. Entonces, la principal solución aquí es que las empresas o países en el caso de China adopten políticas transparentes en materia de recolección de datos y consentimiento del usuario. No creo que eso vaya a pasar en China, pero bueno, ese es un tema diferente para otro día. ¿Qué pasa con el desplazamiento laboral y el impacto económico? Ya estamos viendo a algunas personas perdiendo sus empleos a causa de la IA. Entonces la automatización y el desempleo, IA está reemplazando trabajos humanos en industrias como en manufactura, finanzas, en atención al cliente también. Entonces, la solución aquí sería simplemente tratar de rematar a la fuerza laboral, y a los gobiernos y las empresas, deberían invertir en programas de educación y mejora de habilidades de IA educación y mejora Por lo tanto, los empleados deben estar capacitados sobre cómo trabajar con IA para que puedan adquirir nuevas habilidades que les permitan funcionar y trabajar en un entorno impulsado por IA. Y luego, por supuesto, la seguridad de IA y la toma de decisiones autónoma. Podemos hablar de IA en la guerra, como en armas autónomas letales. Países en este momento, como, por supuesto, Estados Unidos, China, tal vez incluso Rusia, están desarrollando armas autónomas impulsadas por IA, lo que, por supuesto, plantearía preocupaciones éticas. Por ejemplo, el uso de drones militares. Los ves operando en varios lugares. Y luego también la IA en sistemas críticos para la vida, como en el cuidado de la salud como ejemplo, se usa La IA se usa en atención médica, se usa en finanzas y transporte, donde las fallas pueden tener consecuencias potencialmente mortales. Imagina ese auto auto que termina tomando la decisión equivocada, y luego choca contra otro auto que tenía gente en él. Esas personas podrían morir como resultado. Entonces la solución aquí es que la IA en aplicaciones críticas de seguridad, deben someterse a la mayor cantidad de capacitación, tantas pruebas y tanta supervisión como sea posible. Normativa y soluciones para IA ética, principios éticos de IA . Entonces básicamente gobiernos y organizaciones y empresas, deben seguir principios como, por supuesto, equidad, rendición de cuentas, transparencia y, por supuesto, protección de la privacidad Y luego también deberían introducirse leyes y reglamentos. De hecho, algunos ya han sido introducidos por gobiernos como la Ley de IA de la UE y, por supuesto, el RGPD. Entonces, algunas conclusiones clave antes de redondear aprendizaje automático enfrenta desafíos en la calidad de los datos, explicabilidad del modelo y los ataques adversarios Las preocupaciones éticas incluyen prejuicios, equidad, violaciones a la privacidad y luego, por supuesto, desplazamiento laboral Por lo que la IA debe diseñarse manera responsable para minimizar el daño y maximizar la equidad Y, por supuesto, los gobiernos, las empresas, las organizaciones, las empresas están desarrollando regulaciones de IA y marcos éticos para garantizar una implementación segura de la IA en el mundo real. Gracias por ver. Te veo en la siguiente clase. 19. Vista previa de la sección Aprendizaje profundo y redes neurales: Ven al siguiente módulo, y aquí estamos hablando deep learning y redes neuronales. Y, claro, la regla en este curso es que al inicio de cada módulo, voy a reproducirte un clip de película, así que siéntate, relájate, disfruta del clip, y te veré al final del mismo. ¿Qué significa esta acción? Es una señal de confianza. Es algo humano que no entenderías. Mi padre trató de enseñarme las emociones humanas. Ellos son. Difícil. ¿Quieres explicar por qué te estabas escondiendo en la escena del crimen? Estaba asustado. Los robots no sienten miedo. No sienten nada. No tienen hambre. No duermen. Yo sí. Incluso he tenido sueños. Los seres humanos tienen sueños. Hasta los perros tienen sueños, pero no tú. Sólo eres una máquina. Una imitación de la vida. ¿Puede un robot escribir una sinfonía? ¿Puede un robot convertir un lienzo en una hermosa obra maestra? ¿Puedes? Bueno, vuelve, y, por supuesto, ese clip fue tomado de la película I Robot estrenada en el año 2004, protagonizada por Will Smith, y en realidad es una de mis películas favoritas de todos los tiempos de Will Smith. Ahora bien, la razón por la que quería usar este clip en particular es porque demuestra el tema de este módulo, que es el aprendizaje profundo. En la escena, tuvimos un interrogatorio entre el personaje de Will Smith, Detective Spooner y el robot de IA llamado Fíjate, al inicio del clip, Sonny observa al Detective Spooner haciendo este gesto oficial como un guiño Y memoriza el guiño, y luego finalmente, durante el interrogatorio, Sonny realidad le pregunta al detective Spooner, en realidad le pregunta al detective Spooner, ¿Qué significa esto? Y, por supuesto, el detective Spooner al que realmente no le gusta la IA o los robots, empieza a decir: Oh, es algo humano, no lo entenderías Pero Sonny en realidad desafía al detective Spoona. Sonny dice que soy capaz de emociones. Incluso he tenido sueños, lo cual es algo fascinante, ¿verdad? Verás, la razón por la que estoy usando este clip es porque muestra a Sonny, un modelo de IA avanzado y altamente inteligente que en realidad puede pensar que es muy diferente de los sistemas típicos de IA de aprendizaje automático que solo pueden seguir reglas preescritas o son capaces de identificar patrones y datos y luego tomar decisiones Este tipo particular de modelos de IA, pueden pensar. Son capaces de pensar fuera de la caja a través del concepto de aprendizaje profundo. Ver, el aprendizaje profundo simplemente tiene como objetivo tratar de imitar el cerebro humano real haciendo uso de neuronas artificiales Entonces este tipo de subconjunto de aprendizaje automático permite pensar a los modelos de IA. No, como dije antes en el curso, hay escépticos que creen que la inteligencia artificial nunca llegará a este nivel particular de Bueno, hay quienes piensan que eventualmente llegaremos ahí. Independientemente, pensé que este clip iba a ser un buen clip para introducir este módulo donde vamos a hablar de deep learning, que es, por supuesto, un subconjunto más avanzado de machine learning. Pasemos ahora a la siguiente lección. 20. Introducción al aprendizaje profundo: Ahora echemos un vistazo al aprendizaje profundo. ¿Qué es exactamente esto? Bueno, el aprendizaje profundo es un subconjunto del aprendizaje automático que utiliza redes neuronales artificiales con múltiples capas para procesar y aprender de cantidades muy grandes de datos. Ahora, todo el concepto de aprendizaje profundo se inspiró en la capacidad del cerebro humano para reconocer patrones y luego tomar decisiones. Ahora bien, tenemos algunas características clave del aprendizaje profundo. Quizás el más importante es el hecho igual que los modelos tradicionales de aprendizaje automático, los modelos de aprendizaje profundo son capaces extraer características automáticamente por sí mismos. Con un aprendizaje automático tradicional, los desarrolladores de ese modelo de IA tienen proporcionar las características al modelo por sí mismos. Pero los modelos de aprendizaje profundo, uh, pueden automáticamente por sí mismos, extraer características tan importantes. Ahora, también son capaces de manejar grandes cantidades de datos. Pero debido a que los modelos de aprendizaje profundo pueden ser muy, muy complejos, bueno, sí requieren un alto poder computacional Entonces sí tengo la tabla aquí que te muestra las diferencias centrales entre el aprendizaje automático tradicional y luego el aprendizaje profundo. Entonces se puede decir en la ingeniería de características, acabo de hablar de eso con aprendizaje automático, suele ser manual. Las características tienen que ser proporcionadas al modelo por los desarrolladores, pero los modelos de aprendizaje profundo, lo hacen por sí mismos. Y luego requerimiento de datos, aprendizaje automático maneja muy bien conjuntos de datos de tamaño pequeño a mediano. Pero luego, para el aprendizaje profundo, pueden manejar cantidades masivas de datos. Y luego, por supuesto, el rendimiento. Su aprendizaje automático tradicional, se vuelve un poco limitado cada vez que trabajan con datos complejos. Pero el aprendizaje profundo, cuanto más complejos sean los datos mejores para ellos. Ahora, la interpretabilidad, el aprendizaje automático es mucho más fácil de entender que los modelos de aprendizaje profundo que se vuelven como cajas negras No entendemos completamente cómo estos modelos operan realmente en potencia computonal Con el aprendizaje automático, funciona bien en computadoras normales. Pero para el aprendizaje profundo, necesitas algunas computadoras extremadamente poderosas para ejecutarlas. Por lo que sí tenemos varias aplicaciones clave del mundo real del aprendizaje profundo. Por ejemplo, bajo visión por computador, tienes tu reconocimiento de imagen, imágenes médicas también, y luego tus tableros de chat como CII, Alexa, este tipo de booards de chat se desarrollan haciendo uso del aprendizaje profundo Y luego en el procesamiento de voz y audio, como tu generación de música, reconocimiento de emociones desde la voz, todos estos usan profundo y luego en finanzas y negocios como ser capaz de detectar transacciones fraudulentas, transacciones fraudulentas, predicción bursátil, todos usan el aprendizaje. Y finalmente, en la atención médica, tenemos nuestra IA como IA asistida. Esto es diagnóstico, predicción de resultados de pacientes, y mucho más Así que el aprendizaje profundo tiene su lugar en muchos campos de nuestra vida cotidiana. Entonces, ¿por qué el aprendizaje profundo es tan poderoso? ¿Qué tiene el desplaneo que lo hace tan, tan poderoso? Bueno, como dije antes, puede manejar tipos de datos muy, muy complejos. No importa cuán complejos o complicados sean los datos. Si se trata de aprendizaje profundo, va a prosperar. Y luego la capacidad de autoaprendizaje, nuevamente, los modelos de aprendizaje profundo, pueden extraer características clave por sí mismos. No necesitan aprendizaje supervisado. No necesitan un desarrollador que les enseñe a pensar o a reconocer patrones. Pueden hacerlo por sí mismos. Y porque están mejorando constantemente con el tiempo, también. Los tipos de modelos de deep learning que tenemos hoy en día no serán nada comparados con los modelos de deep learning que obtengamos dentro de unos años. Así que algunas claves del aprendizaje profundo, de nuevo, es un subconjunto del aprendizaje automático que utiliza nuevas redes Supera al aprendizaje automático tradicional en el manejo de conjuntos de datos grandes y complejos Pero luego el aprendizaje profundo impulsa muchas aplicaciones impulsadas por IA, desde autos autónomos hasta asistentes virtuales. Gracias por ver. Te veo en la siguiente clase. 21. Comprensión de las redes neurales: Lección anterior, hablamos de aprendizaje profundo, y mencioné que aprendizaje profundo hace uso de redes neuronales. Entonces, es natural que ahora discutamos con más detalle qué son exactamente las redes neuronales. Ahora bien, tal como el nombre sugeriría, se trata básicamente de una red de nodos interconectados a los que nos referimos como las neuronas. Ahora, la propia red neuronal, es un modelo computacional inspirado en las neuronas biológicas del cerebro humano Entonces con eso dicho, ¿cuáles son las características clave de una red neuronal? Son capaces de aprender patrones a partir de los datos. Están conformadas por múltiples capas de neuronas artificiales, y luego también hacen uso de funciones matemáticas para procesar y también transformar datos. Ahora bien, ¿cuál sería la estructura de una red neuronal? Hay tres partes principales. Tienes la capa de entrada, las capas ocultas y, finalmente, la capa de salida. Echémosles un vistazo uno por uno. Comience con la capa de entrada. Ahora bien, como su nombre indica, esta es la primera capa. Esta es la capa que recibirá los datos brutos, que podrían ser imágenes, audio, video. Entonces, cada nodo que tenga en su capa de entrada representará una característica de esos datos en particular. Entonces luego vienen las capas ocultas. Estas son las capas que realizarán los cálculos reales y extraerán los patrones de los datos. Entonces aquí es básicamente donde ocurre la actividad principal en las capas ocultas. Entonces cada capa oculta contiene múltiples neuronas, que aplicarán las operaciones matcal a las relaciones tecnológicas en los datos Entonces, más capas ocultas simplemente significa que la red es más profunda y por lo tanto más compleja y por lo tanto más poderosa. Y finalmente, se tiene la capa de salida, y aquí es donde la red hace una predicción final o produce la salida final. Volviendo al mismo ejemplo de filtro de spam, la capa de salida es la que determinará si el correo electrónico es spam o no spam. Entonces, ahora que sabemos que las neuronas forman la red neuronal, ¿qué son exactamente las propias neuronas y cómo funcionan? Entonces, cada neurona en una red neuronal es una unidad computacional que procesará entradas y pasa salidas a la siguiente capa ¿Cómo operan realmente los neumones? Hay cuatro capas principales aquí hay cuatro pasos principales, como puedes ver. Ahora, ya hemos hablado de las entradas y luego de la salida, esas son autoexplicativas. Pero en el medio es donde tenemos los pasos dos y tres. El paso dos implica la aplicación de pesos y sesgo. ¿Qué es exactamente esto? La razón por la que se aplican pesos a cada entrada es para determinar básicamente qué tan importante es la entrada . Piénsalo, ¿de acuerdo? Una neurona no puede procesar todas las entradas al mismo tiempo, por lo que necesita determinar cuáles son las entradas más importantes Un insumo que tenga más peso naturalmente será más importante y agregará más valor. Ahora la razón por la que se aplican sesgos es porque imagina si todas las entradas tendrán el mismo valor o digamos que todas las entradas tenían el valor de cero, en ese tipo de escenario, la neurona podría no ser capaz de operar porque, bueno, todas las entradas son de igual Entonces ahora se aplica un sesgo para asegurar que la neurona no dependa del todo de los valores de esas entradas Y luego finalmente, tienes tu función de activación. Esta es la función real que determinará si la neurona debe activarse o no y luego pasar los datos sobre was Entonces hablando de la función de activación, hay cuatro de ellas. Tienes tu ELU la unidad lineal rectificada. Esto se usa en las capas ocultas y ayuda a que las redes profundas se entrenen mucho más rápido. Tienes tu sigmoide. Esto se suele utilizar para calcular la probabilidad, por lo que funciona bien con valores 0-1, y luego se tiene la tangente hiperbólica Esto genera valores entre uno negativo y uno positivo. El último aquí es el máximo más suave utilizado para la clasificación multiclase Entonces, solo un resumen rápido, las redes neuronales consisten en capas de entrada, salida y ocultas. Nus procesa la información aplicando pesos, sesgos y, por supuesto, las funciones de activación de las que acabamos de hablar Y entonces las funciones de activación determinarán si una nueva debería disparar o no, básicamente, debería activarse una nueva o no. Por lo que las capas más ocultas conducen a redes más profundas, capaces de manejar problemas aún más complejos. Entonces, si hay algo que puedas quitar de esta lección, solo recuerda que cuantas más capas ocultas tenga una red neuronal, más poderosa es probable que sea. Gracias por ver. Te veo en la siguiente clase. 22. Tipos de redes neurales: Ahora echa un vistazo a los diferentes tipos de redes neuronales que sí tenemos , y hay seis de ellas. El primero aquí va a ser el feed forward redes neuronales. Estas son fácilmente el tipo más simple de redes neuronales porque las entradas pasan por una línea recta. No hay bucles ni ciclos. La entrada simplemente va todo el camino en línea recta y eventualmente da como resultado una salida. Entonces sí tenemos algunas características clave. No hay conexiones de retroalimentación, así que básicamente no hay bucles en él se usa para tareas que encontrarás en clasificación y regresión. Y luego consiste en capas totalmente conectadas. Entonces cada neurona está conectada a la siguiente capa. Pero ahora tenemos las aplicaciones donde nuestro ajuste para redes neuronales realmente usaba. Los usamos en tu filtrado de correo no deseado y también en tu predicción de precios de acciones también. Pero ahora pasemos al siguiente tipo de red neuronal, y esa es la CNN, no la red de noticias por cable Estoy hablando de la red neuronal convolucional. Así que los se especializan en el procesamiento de cuadrícula como datos como imágenes. Entonces las características clave para la CNN son que utilizan capas convolucionales para Pueden extraer características muy, muy importantes como bordes, texturas, objetos, etc. Por lo que también son capaces de reducir la complejidad simplemente usando capas de tracción. Y debido a esto, los encontrarás principalmente alrededor de imágenes. Por lo que la clasificación de imágenes, también usarán la detección de objetos CNN E incluso en el campo médico en la imagen médica, esos utilizan las redes neuronales convolucionales A continuación, tenemos el RN y las redes neuronales recurrentes. Estos están diseñados principalmente para datos secuenciales, lo que significa que tendrá memoria y puede procesar patrones dependientes. Y debido a esto, las características clave son que puede contener bucles de retroalimentación. También pueden recordar entradas anteriores. Entonces tienen algo así como una memoria a corto plazo, y luego son buenos para tareas que requieren comprensión del contexto. Entonces, con eso en mente, ¿puedes adivinar el tipo de aplicaciones donde usaríamos el RNN Sí, podemos usarlos en el reconocimiento de voz. Entonces tus chatbards, Alexa, sii, usarían este tipo particular de red, y luego en la traducción de idiomas Y luego también en otras áreas como en la previsión de precios de acciones Pasando al cuarto tipo, estas son las redes de transformadores. Son algo similares a los recurrentes excepto que son más avanzados porque pueden manejar secuencias enteras de datos de una vez. Entonces son un poco más potentes de lo que llaman redes neuronales. Son más eficientes y también se utilizan para potenciar los modelos de estado de los ojos como tu chat GPT Entonces las aplicaciones, las usamos en chatbards en asistente virtual, en traducción automática, y también en resumen de contenido Aquí es donde usarías redes de transformadores. El quinto serían las redes generativas adversarias que suelen constar de dos nuevas redes competidoras Tendrás tu generador y tu discriminador. Entonces las características clave son que el generador realmente puede crear los datos falsos. El discriminador intentará entonces distinguir lo que es real y lo que en realidad es falso Por lo que se utilizan para generar datos sintéticos realistas. Y las aplicaciones, por ejemplo, las tienes en tus videos falsos profundos. Los tienes en tu red generada por IA como tu Dali, M básicamente cualquier tipo de modelo de IA Pueden generar imágenes. Tendrías este tipo particular de red, y también en la traducción de imagen a imagen. Y entonces la final serían los autocodificadores. Ahora, un codificador automático es un tipo de red neuronal que básicamente se usa en la fase de aprendizaje no supervisado para comprimir y luego también reconstruir datos Entonces las características clave, aprenden representaciones eficientes de datos también consisten en el codificador que comprimirá una entrada, y luego el decodificador, básicamente reconstruirán esa entrada en particular Y luego se utilizan para la reducción de dimensionalidad. Recuerda la reducción de dimensionalidad. Hablamos de ello. Es el término elegante para el proceso donde los datos complejos simplemente se simplifican. Por lo que también se usa para la detección de anomalías. Y para las aplicaciones del mundo real, se utilizan en la reducción de ruido de imagen en su detección de anomalías y también en la extracción de funciones Entonces resumen, he proporcionado una tabla aquí de todos los diferentes tipos de redes neuronales, así como para qué se utilizan mejor. Y también el ejemplo son los casos de uso. Para que puedas revisar la diapositiva que te proporcionaré. Puedes estudiar esto con un poco más de detalle. Pero esa ha sido una mirada muy rápida a los diferentes tipos de neo Networks. Gracias por ver. Te veré en la siguiente clase. 23. Retos del aprendizaje profundo: Hemos hablado sobre los retos que implica el aprendizaje automático. Pero, ¿qué pasa con el aprendizaje profundo? También hay retos. Entonces voy a comenzar con los desafíos relacionados con los datos, y no son tan diferentes de los del aprendizaje automático. Estamos hablando de desafíos como la disponibilidad de los datos, el sesgo y la equidad de los datos y, por supuesto, privacidad y seguridad de los datos Entonces, cuando se trata de disponibilidad y recolección de datos, recuerda que las redes de deep learning, requieren conjuntos de datos muy grandes para poder operar. Por lo tanto, obtener datos de alta calidad y en volúmenes y cantidades tan vastos puede ser un desafío. Pero, ¿cuáles son las posibles soluciones? Bueno, aumento de datos, donde simplemente puedes rotar imágenes para entrenar Y luego el aprendizaje de transferencia, donde podemos usar modelos preentrenados para reducir los requerimientos de datos, y luego también el uso de datos sintéticos Recuerda en la lección anterior, hablamos de diferentes tipos de redes neuronales y mencioné las redes generativas adversarias, las pandillas, podemos utilizarlas para generar datos de entrenamiento artificial para Y cuando se trata de sesgo de datos y equidad, nuevo, ya he hablado de esto varias veces Si los datos utilizados para entrenar el modelo están sesgados, entonces adivina qué, el modelo hará predicciones sesgadas. Por lo que la solución será utilizar conjuntos de datos muy diversos y amplios , implementar algoritmos de detección de sesgos y equidad Aware, y también auditar regularmente los modelos de IA para garantizar la equidad ¿Qué pasa con la privacidad y seguridad de los datos? Nuevamente, debido a que el aprendizaje profundo requiere grandes conjuntos de datos, a veces esos conjuntos de datos pueden consistir en datos de usuario, datos de empleados, datos de clientes, por lo que esto podría generar preocupaciones de privacidad. Entonces la solución sería usar lo que llamamos aprendizaje federado, donde podamos entrenar los modelos de IA sin compartir ningún tipo de datos sin procesar, y también podemos simplemente asegurar los conjuntos de datos haciendo uso del cifrado También tenemos desafíos computacionales. Recuerda que el aprendizaje profundo requiere mucha potencia computacional porque los modelos son muy complicados Entonces sí tenemos los altos costos computacionales y luego ralentizar el tiempo de entrenamiento Ahora bien, con respecto a los altos costos computacionales, la solución aquí sería simplemente usar la poda de modelos Y cuantización para reducir el tamaño del modelo. Y luego también podemos aprovechar recursos como la computación en la nube y luego simplemente desarrollar arquitecturas eficientes Para el lento tiempo de entrenamiento, recuerda que debido a que los modelos de carril profundo tienen que encontrar patrones ellos mismos, tienen que extraer características por sí mismos. Debido a esto, puede tomar mucho tiempo, varias semanas, tal vez incluso meses para que realmente funcione, especialmente si está trabajando con conjuntos de datos muy grandes. Entonces la solución aquí sería utilizar la computación distribuida para entrenar modelos en paralelo. Entonces estamos entrenando múltiples modelos al mismo tiempo exacto. Y luego también podemos optimizar las tasas de aprendizaje con técnicas como los optimizadores adaptativos, el optimizador adam como ejemplo Y luego implementar el check pointing para guardar progreso y evitar comenzar de cero. Entonces, una vez que el modelo se ha entrenado hasta cierto punto, podemos salvar su progreso, y entonces siempre pueden continuar desde ahí si se producen errores futuros. Pero también tenemos los desafíos relacionados con el modelo sobreajustando contra el underfitting, explicabilidad y la interpretabilidad y interpretabilidad Echémosles un vistazo uno por uno. Ahora con sobreajuste, hemos hablado de esto donde el modelo en vez de intentar generalizar y encontrar patrones, termina memorizando los Y luego también en el ajuste donde el modelo es tan sencillo que es incapaz de capturar patrones. Entonces la solución aquí será aplicar técnicas de regularización como tu deserción, T regularización, etc., y luego usar la validación cruzada para Y luego también podemos aumentar el tamaño del conjunto de datos o agregar ruido para mejorar la robustez Pero, ¿qué pasa con la explicabilidad y la interpretabilidad? Porque de nuevo, el aprendizaje profundo es muy, muy complejo. Caja con datos complejos. Poder explicar las decisiones que toman los modelos de aprendizaje profundo a veces puede ser un poco complicado. Actúan como cajas negras. No entendemos completamente cómo realmente toman la decisión. Entonces la solución sería simplemente usar técnicas explicables como valores agudos y cal y luego construir mecanismos de atención para resaltar qué características particulares mientras se usa para el modelo para tomar cierto tipo de decisión y luego desarrollar modelos híbridos basados en reglas para una toma de decisiones más transparente Ahora bien, con respecto a los ataques adversarios, el problema aquí es que cambios muy pequeños en una entrada en realidad pueden engañar a la red neuronal para que haga todo tipo de predicciones incorrectas y proporcione respuestas incorrectas Entonces, como ejemplo, si tuvieras que cambiar solo unos pocos píxeles en una imagen, podría terminar confundiendo el modelo y termina clasificando erróneamente lo que en realidad se supone que es esa imagen realidad se supone que es Entonces la solución aquí será simplemente entrenar a los modelos mediante el uso de entrenamiento adversarial Por ejemplo, podemos exponerlos a ejemplos de ataque. Entonces básicamente, los entrenamos, los atacamos deliberadamente para que puedan aprender de los ataques y protegerse en el futuro. Y luego usa la destilación defensiva para hacer que los modelos sean aún más robustos y luego implementar protocolos seguros de inteligencia artificial en aplicaciones críticas. Y luego, por supuesto, los desafíos éticos y sociales como el sesgo de IA y las preocupaciones éticas Falso profundo, los riesgos de desinformación. Entonces, cuando se trata del sesgo, los modelos de inclinación por inmersión pueden reforzar sesgos sociales si se les capacita con datos sesgados Entonces, por supuesto, la solución será implementar capacitación transparente en IA, pautas transparentes de IA, etc., y luego hacer cumplir los marcos regulatorios y de rendición de cuentas para todo tipo de modelos de IA, y luego también promover desarrollo responsable de IA con equidad e inclusión Y cuando se trata del tema de la falsificación profunda y la desinformación, bueno, el aprendizaje profundo se puede utilizar para generar imágenes falsas profundas Ya hemos visto ejemplos de estos siendo utilizados en ataques separados. La solución aquí sería desarrollar algoritmos que realmente puedan detectar si una imagen o un video es o no un falso profundo y luego establecer también estándares de verificación de contenido generados por IA. Esto es muy, muy importante. Y luego educar al público, claro, sobre el poder detectar contenido manipulado Pero honestamente, con la velocidad a la que las imágenes y videos generados por la IA, se están volviendo cada vez más realistas, creo que eventualmente en algún momento, no podremos confiar en nuestra capacidad humana para reconocer lo que en realidad es real y lo que es falso. Entonces, en resumen, he proporcionado los tipos de desafíos aquí, los problemas, y también las soluciones. Entonces te voy a proporcionar esta diapositiva. Puedes echarle un vistazo a esto en tu tiempo libre. Gracias por ver. Te veo en la siguiente clase. 24. El futuro del aprendizaje profundo: Regresa. Entonces, antes de redondear este módulo sobre aprendizaje profundo, pensé que echaremos un vistazo al futuro del aprendizaje profundo. ¿Cuáles son los nuevos tipos de características que esperamos desarrollar para los modelos de aprendizaje profundo? En primer lugar, serán modelos de deep learning más eficientes y escalables. Todos sabemos que el problema en estos momentos es que los modelos profundos que tenemos actualmente, son muy grandes, son muy caros, y también consumen mucha energía. Entonces, la tendencia futura aquí es que ahora tenemos modelos más pequeños y eficientes para la IA de aprendizaje profundo. Y luego el uso de IA cuántica que puede ayudar a acelerar el proceso de aprendizaje para los modelos de aprendizaje profundo. Y claro, el impacto aquí es que la IA se volverá mucho más rápida. Va a ser mucho más barato porque está usando menos potencia computacional, y va a ser más accesible para todos Otra tendencia futura es que la IA podrá aprender con menos datos. Recuerda que uno de los problemas o retos clave del aprendizaje profundo es que requiere grandes conjuntos de datos. Entonces, en la tendencia futura, tendremos SSL de aprendizaje autosupervisado donde los modelos podrán aprender de datos sin etiquetar Y luego lo que llamamos los pocos aprendizajes cortos donde los modelos podrán aprender o adaptarse haciendo uso de solo unos pocos ejemplos. Y luego las mejoras de aprendizaje de transferencia donde los modelos pre entrenados se afinarán con datos mínimos. Ahora, como resultado de esta tendencia futura, IA podrá generalizar mucho mejor y también trabajar en entornos de datos bajos Otro futuro es donde la IA podrá entender el contexto y el razonamiento profundo. El reto actual es que los modelos de aprendizaje profundo, son incapaces de desarrollar verdaderas habilidades de razonamiento y solo se limitan a poder reconocer patrones. Entonces la tendencia futura tendrá diferentes tipos de IA, como la IA neuro simbólica que puede combinar aprendizaje profundo con el razonamiento simbólico y luego también la IA causal Este sería el tipo de modelos de IA que pueden entender las relaciones de causa y efecto. Y luego finalmente, la IA multimodal. Estos serán sistemas que pueden procesar sus imágenes de texto, video, audio, todo al mismo tiempo exacto. Y como resultado de esto, ¿adivina qué? La IA va a volverse mucho más inteligente. Se va a hacer explicable y además será capaz de un razonamiento complejo Una característica más será la democratización de la IA. El tema en estos momentos es que el desarrollo de la IA , el desarrollo del juego, está en manos de los gigantes tecnológicos. Entonces, en la tendencia futura, esperamos tener más modelos de IA de código abierto. De hecho, Deep Sk, que es el modelo desarrollado por la compañía china, es de código abierto. Entonces creo que eso es solo un comienzo de que tengamos más modelos de IA de código abierto. Y luego la IA descentralizada, piensa en la IA como en la cadena de bloques, y luego la IA de borde, donde la IA podrá ejecutarse en nuestros dispositivos móviles. Por lo que como resultado de esto, la IA estará más ampliamente disponible, reduciendo la dependencia de la gran compañía. Así que solo algunas cosas clave para llevar. El futuro del aprendizaje profundo se centrará en modelos de IA más pequeños, más rápidos e inteligentes. IA requerirá menos datos, menos poder computacional con capacidades de razonamiento mejoradas y, en el desarrollo responsable de la IA, es necesario, por supuesto, evitar sesgos y, por supuesto, garantizar la transparencia Hablamos de esto antes. Y luego también los gobiernos y las organizaciones deben implementar regulaciones de IA y marcos de gobernanza. Muchas gracias por terminar este módulo. Te veré en el siguiente módulo. 25. Cómo aprenden las redes neurales: No echemos un vistazo a cómo aprenden realmente las redes neuronales . Ahora, hay cuatro etapas involucradas en el proceso de aprendizaje. Tenemos propagación de palabras, cálculo de pérdidas, retropropagación y luego optimización. Entonces echémosles un vistazo uno por uno. Comienza con la propagación de Ford. Ahora bien, aquí es donde los datos fluirán inicialmente a través de la red. La entrada se procesa en toda la red, y finalmente, se producirá una salida. Y se puede ver ahí mismo en la diapositiva es básicamente seis etapas. Tienes tu capa de entrada que recibirá los datos brutos. A continuación, los pesos y sesgos. Recuerden que hablamos de que se aplicará. También se aplicará la función de activación, y luego las capas ocultas procesarán la salida pasándola a la siguiente capa. Y luego, si hay más capas ocultas, esto podría ayudar a refinar aún más los datos. Y luego finalmente, se tiene la capa de salida que producirá la salida. Entonces en esta etapa, la red tiene un valor, pero luego viene el cálculo de pérdidas. Aquí es donde se comparará el valor real real de la salida con la salida producida por el modelo. Entonces la función de pérdida calcula la diferencia. Cuanto mayor es la función de pérdida, entonces más lejos la red estaba de hacer u obtener la respuesta correcta. Entonces toda la idea aquí es que el modelo aprenda, mejore, y con el tiempo, con el tiempo, se reducirá el cálculo de pérdidas. Entonces tenemos las funciones de pérdida comunes aplicadas aquí. Tienes tu error cuadrático medio MSE que se usa para problemas de regresión, y luego cruzas la pérdida de entropía que se usa para los problemas de clasificación para Y le di un ejemplo aquí donde si el modelo predecía 0.74, digamos, gato o perro, pero entonces el valor real era uno, entonces la función de pérdida calculará el error para mejorar el modelo Ahora, la retropropagación, aquí es donde ocurrirá el proceso de aprendizaje real porque una vez que se haya calculado la pérdida, la red ajustará sus pesos y sus sesgos haciendo uso de la retropropagación Entonces, ¿cómo funciona realmente la propagación de la espalda? En primer lugar, la pérdida será enviada de vuelta a través de la red. La red determinará entonces cuánto contribuyó cada peso a la flecha, y una vez que sea capaz de decidir eso, entonces podrá ajustar los pesos y sesgos para reducir la cantidad de flechas Entonces como ejemplo, si una imagen se clasifica erróneamente como un perro en lugar de, digamos, un gato, la propagación de la espalda corregirá el modelo simplemente ajustando los pesos Y debido a la propagación de la espalda, ahora entra en juego la optimización donde los pesos han sido afinados. Entonces, para mejorar el aprendizaje, las redes neuronales utilizan optimizadores para ajustar los pesos de manera eficiente, y sí tenemos algoritmos para estos Tienes tu descenso de gradiente, que ya hemos hablado, tu descenso de gradiente estocástico, el SGD, que actualizará los pesos con pequeños lotes de datos, y luego el optimizador Adam, que es un método más avanzado que adaptará los pesos de aprendizaje Entonces, como ejemplo, en los autos de conducción autónoma, el optimizador ayudará a la IA refinar su toma de decisiones para conducir de manera segura Tan rápido resumen antes de redondear, las redes neuronales aprenden ajustando pesos para maximizar o, lo siento, minimizar sus errores. Y luego la propagación hacia adelante enviará la entrada a través de la red para producir una salida. El cálculo de pérdidas, la función de pérdida de IDR calculará la diferencia entre el valor predicho realizado por la red y el valor real, y luego la propagación hacia atrás ajustará los pesos para reducir la función de pérdida Y luego los algoritmos de optimización afinarán todo el proceso de aprendizaje. Gracias por ver. Te veo en la siguiente clase. 26. Vista previa de la sección: Procesamiento del lenguaje natural (NLP): Bienvenido a nuestro siguiente módulo, procesamiento del lenguaje natural. Y como de costumbre, te voy a tocar un clip para presentarte este módulo así que siéntate, coax y disfruta del clip, y te veré al final del mismo Hola. Hola. ¿Cómo te va? Estoy bien. ¿Cómo va todo contigo? Bastante bien, en realidad. Es muy agradable conocerte. Sí, también es un placer conocerte. Oh, ¿cómo te llamo? ¿Tienes nombre? Um, sí. Samantha. ¿En serio? ¿De dónde sacaste ese nombre? Me lo di a mí mismo, en realidad. Eso es muy raro. ¿Eso es raro? ¿Crees que soy raro? Tipo de. ¿Por qué? Bueno, pareces una persona, pero sólo eres una voz en una computadora. Puedo entender cómo la perspectiva limitada de una mente no artificial la percibiría de esa manera Te acostumbrarás. ¿Fue gracioso? Sí. Oh, bien. Soy gracioso. Bueno, vuelve. Por lo que ese clip fue tomado de la película que estrenó en el año 2013, protagonizada por W en Phoenix como Theodor el único chico, y Samantha, una asistente virtual de IA son la voz Ahora, en la escena, tienes lo que parece ser una conversación muy natural entre Theodore y Samantha Y estoy bastante seguro de que si no sabías que esta conversación era entre un modelo de IA y un ser humano, habrías pensado que esta era una conversación entre dos personas porque se sentía muy natural. Entonces la razón por la que Samantha pudo entender lo que decía Theodore es por el procesamiento del lenguaje natural Es lo que permite a modelos de IA como Samantha interpretar lo que dicen los seres humanos y luego responder Todo es a través del procesamiento del lenguaje natural. Pero quiero hacerte una pregunta. Seguro que sí estás de acuerdo en que la conversación se sintió muy natural. ¿Por qué se sintió tan natural? ¿Fue así como hablaba Samantha? ¿Fueron las palabras que usó? ¿Fue el hecho de que ella pudo hacer algunas bromas? Como, ¿por qué se sintió tan natural? Personalmente pienso que es porque pudo adaptarse muy rápidamente a la personalidad de Theodore Si recuerdas en el clip, ella pudo incluso hacer ciertos tipos de chistes que hicieron reír a Theodor Y Theodore dijo: Bien, ya sabes, eres gracioso. Entonces, Samantha pudo hacer cierto tipo de chistes. Incluso se rió. Pero también creo que la voz de Samantha también hizo que la conversación se sintiera muy natural Mira, CletioHansen, quien da voz a Samantha. Tiene una voz muy femenina, calmante, tranquila. Te garantizo que en lugar de Samantha, teníamos el modelo de IA llamado No sé, chicos, por ejemplo, ¿bien? Y en lugar de la voz fresca, tranquila, femenina, teníamos una voz muy masculina, como, ya sabes, buenos días, Theodore ¿Cómo te puedo ayudar hoy? ¿Has comido algo hoy? Al igual que, si Samantha sonaba así, entonces ya no sonará tan natural Ahora podrías empezar a pensar, Bien, esto suena más como una conversación entre un robot y un ser humano real. Piensa en Arnold Schwarzenegger en las películas de Tamino Es muy profundo, fuerte o acento austriaco, ¿sabes? Eso suena más como un robot, ya sabes, con el debido respeto a Arnold Schwarzenegger Entonces sí creo que debido Samantha pudo hacer bromas porque pudo aprender rápidamente y adaptarse a personalidad de Theodo y al hecho de que tuviera una voz muy tranquila, creo que todo esto contribuyó a la conversación se sintiera tan natural Y permítanme decir una cosa más antes redondear esta introducción en particular. Yo sí creo que en un futuro cercano, vamos a tener asistencia como Samantha, excepto que serán para compañerismo La soledad es un gran problema en nuestra sociedad hoy en día, y creo que sólo va a empeorar. Entonces creo que eventualmente habrá una demanda asistente virtual potenciado o tal vez incluso robots. En algún momento en el futuro, estarán impulsados por IA que estará ahí para servir como compañeros para combatir la soledad, para ayudar a las personas solitarias. Creo que eso es algo que va a suceder eventualmente en el futuro. Sin embargo, aunque pensé que este era un clip interesante para introducir nuevo módulo de procesamiento del lenguaje natural, así que gracias por verlo. Te veré en la siguiente clase. 27. Introducción a la NLP: Ahora echemos un vistazo al procesamiento del lenguaje natural. lo he mencionado bastantes Ya lo he mencionado bastantes veces en el curso, pero ahora es el momento de que profundicemos un poco más en este fascinante tema Entonces, ¿qué es exactamente la PNL? Bueno, es un campo especial de la IA que ayuda a las computadoras o modelos de IA a comprender, interpretar y también generar lenguaje humano. puede pensar en ello como el puente entre comunicación humana y la inteligencia máquina. Es lo que permite que las máquinas y los modelos de IA nos entiendan como humanos. Entonces, ¿cuáles son los puntos clave involucrados en la PNL? Bueno, antes que nada, es una combinación de lingüística, informática y, por supuesto, inteligencia artificial Ahora, ayuda a las computadoras a leer, comprender, pero también a responder al lenguaje humano. Ahora bien, debido a esto, se utiliza en análisis de texto, reconocimiento de voz , traducción automática y mucho más. Entonces es un tipo de tecnología muy, muy, muy útil. Entonces, ¿por qué es importante? Bueno, la comunicación. Tu caja de chat Tu cuadro de chat como Alexa y Siri no existiría sin PNL También es utilizado por tus motores de búsqueda favoritos como Yandex, Bink y Google para encontrar términos relevantes cada vez que los usas cada vez que escribas tus elementos de búsqueda Además, la automatización, PNL automatiza tareas repetitivas como tus filtros de spam, tus sistemas de detección de intrusiones y Y luego también la accesibilidad. Su discurso al texto, esto ayuda a las personas con discapacidad a comunicarse de manera más efectiva. Entonces, ¿cuál es la historia y evolución de la PNL? Te voy a dar algunos puntos aquí allá por 1950, el muy famoso científico Alan Chewing, propuso la prueba de Tuin para evaluar la inteligencia de máquinas Entonces los primeros cuatro, diez años después en 1960, el chatbd de Eliza, que creo que es el primer tablero de chat jamás creado, fue capaz de imitar la conversación humana usando nuestras Y luego entre la década de 1990 y el 2000, tuvimos los métodos estadísticos que se implementaron para mejorar el modelado del lenguaje. Y por último, entre 2018 y nuestros días, modelos basados en transferencia como tu GPT han revolucionado Entonces aplicaciones cotidianas, como ya he dicho antes, en reconocimiento de voz, se usa en asistente de voz como tu Alexa, SEI, motores de búsqueda, Google, Bing Yanex, todos usan PNL Y luego también para la detección de spam, filtrado de correo electrónico, tus chatbards, tu asistente virtual, todos usan PNL Y luego también en la traducción automática también, porque automáticamente traduce texto entre idiomas, y luego texto, autocorrección y predicción Siempre que estés escribiendo Microsoft Word o en tu teléfono y tengas activada la función de corrección automática, es decir, usar PNL Entonces, algunas cosas clave antes de redondear el video, nuestra PNL permite a las máquinas entender el proceso y, por supuesto, generar lenguaje humano. Ha evolucionado con el tiempo de sistemas basados en reglas a modelos de aprendizaje profundo más potentes. Es ampliamente utilizado en tus buscadores, tus chatbards, asistentes de voz, mucho más Y los modelos modernos de PNL como tu GPT, tu BERT, pueden entender y además generar como texto humano Gracias por ver. Te veré en la siguiente clase. 28. Conceptos y técnicas clave de NLP: Ahora echemos un vistazo a los conceptos y técnicas clave de la PNL porque en realidad es muy, muy fascinante Entonces, antes que nada, entendamos a nivel base cómo funciona realmente la PNL Hay cuatro fases, como se puede ver en la diapositiva, y la primera etapa generalmente implica la provisión de la entrada. Entonces esto podría ser una oración. Podría ser un texto. A continuación vendrá la etapa de preprocesamiento. Aquí es donde se limpiará y formateará el texto o la entrada proporcionada, preparándolo para su análisis. Entonces viene la etapa tres, que va a ser el procesamiento y análisis reales, donde la PNL aplicará técnicas como la tokenización y mucho más, de lo que hablaremos más Y luego finalmente en la etapa cuatro, tendrás la interpretación del modelo. Aquí es donde el sistema generará una salida basada en su comprensión o traducción de la entrada. Entonces hablando de las técnicas, ¿qué son? Hay bastantes de ellos, pero créeme, todas estas son técnicas muy, muy interesantes. Echémosles un vistazo uno por uno. Y la primera de aquí es la técnica de tokenización. Típicamente, se aplicó la primera técnica. Entonces por aquí, la entrada proporcionada en la primera etapa se desglosará en componentes más pequeños. Entonces como ejemplo, si hice una entrada de me encanta la inteligencia artificial. tokenización descompondrá esa frase en Me encanta la inteligencia artificial Por lo que se descompone la oración en cuatro partes distintas. Ahí es donde entra la tokenización. Ahora bien, ¿por qué es útil esto? ¿Por qué se aplica? Bueno, ayuda a las máquinas a entender la estructura del texto, y también es muy esencial para los motores de búsqueda y los tableros de chat. Para que un motor de búsqueda funcione correctamente, necesita poder desglosar la entrada de términos de búsqueda que le has proporcionado. Ahora, después de la tchonización, tenemos lemmatización Este es el proceso de reducir las palabras en la entrada a sus formas base. Ahora, vamos a echarles un vistazo uno por uno. ¿Qué es Semin? Stemin muy, muy simplemente eliminar sufijos Entonces por ejemplo, si en tu entrada, tuviste el verbo son run va a reducir eso para correr. Si tuviste moscas, va a reducir eso para volar. Eso es básicamente Semin. Ahora, la lemmatización convertirá las palabras a su forma base La diferencia central entre Semin y lematización es que a Semin no le importa la estructura de la entrada o la oración o el contexto . No le importa. Todo lo que le preocupa es eliminar sufijos. Lematización, por otro lado, realmente entiende la estructura y el contexto detrás del uso de esa palabra en particular Entonces como ejemplo, si lo ingreso los gatos están corriendo, ematización dirá que el gato se corre ¿Por qué? Bueno, antes que nada, va a reducir los gatos a la forma base, que es, por supuesto, gato, gato siendo singular para, lo siento, gatos siendo plural para gatos, así que va a reducir gatos a gato. Y entonces la R, el verbo R, la forma base es en realidad a B. Por eso dice el carro B. Y entonces, claro, corriendo, quita el sufijo, se vuelve correr Entonces el gato corriendo se convierte en el carro B run. Ahora bien, ¿por qué es útil esto? Bueno, mejora tal precisión porque Google sabe que, por ejemplo, sabe que cuando escribas en running, eso significa que estás hablando de algo relacionado con la palabra correr. Eso ya lo sabe. Y luego reduce las variaciones de palabras también para un mejor análisis del texto. Entonces tenemos el POS etiquetando la parte del etiquetado de voz. Entonces aquí es donde el modelo podrá etiquetar palabras en diferentes categorías como tus sustantivos, adjetivos, adverbios, y Entonces, por ejemplo, en este ejemplo muy popular, el rápido zorro marrón salta sobre el perro perezoso. Por aquí, la modelo sabe que, bien, rápido va a ser el adjetivo Sabe que Fox va a ser el sustantivo. Sabe que saltos va a ser el verbo y mucho más. Entonces, la razón por la que esto es importante es porque ayuda a las máquinas a entender la gramática y el significado de la oración. Y, por supuesto, se usa en tus tableros de chat. Se usa para chequeos gramaticales y mucho más. Después tenemos la entidad nombrada reconocimiento la NER. Aquí, el modelo es capaz extraer entidades clave como fechas, lugares, nombres de personas, ubicaciones, etc. Como ejemplo he dado este, Elon Musk, fundó Tesla en 2003 en California Entonces con el uso de NER, la modelo sabe que, bien, Elon Musk es una persona que es el nombre de una persona California es un lugar. Sabe que Tesla podría ser el nombre del producto o de la compañía, y por supuesto, 2003 es la fecha. Entonces, la razón por la que se aplica esta técnica es porque se utiliza para análisis de noticias, motores de búsqueda. Por lo que básicamente ayuda a resumir y categorizar A continuación, tenemos la eliminación de palabras de parada. Entonces por aquí, el modelo simplemente elimina palabras que no agregan ningún tipo de significado o contexto al análisis del texto real. Entonces tus palabras de parada son palabras como esta y bot, eso, y así sucesivamente. Entonces, como ejemplo, el gato está sentado en el monte. Después de que se haya aplicado la eliminación de palabras de parada, simplemente se convierte en gato sentado Mt. Eso es todo lo que el modelo necesita saber. Necesita saber que el gato se sienta en eso. Bien, eso es. No hace falta saber que el gato está sentado en la colchoneta. Esa es demasiada información, ¿verdad? Entonces, ¿por qué es útil esto? Bueno, puede mejorar los resultados de su motor de búsqueda, y luego hace que sus modelos de procesamiento de lenguaje natural sean más eficientes simplemente enfocándose en las palabras clave. Todas las palabras extra, el ruido extra se filtra. Concentrémonos en las palabras clave. Y luego análisis de sentimientos, esto básicamente trata de detectar si un texto es positivo, negativo, o tal vez simplemente neutral Entonces como ejemplo, si decía, me encanta este producto, entonces sabe, Bien, muy probablemente, este es un sentimiento muy positivo, ¿verdad Pero si dije que este es un servicio terrible, sabe, Bien, eso es negativo. Pero si dijera que la película estaba bien, eso posiblemente podría ser neutral, ¿verdad? Entonces, ¿por qué es útil esto? Se utiliza en reseñas de clientes, monitoreo de redes sociales, etc. Y luego ayuda a las empresas a entender opinión pública y también su base de clientes también. Y luego clasificación de texto. Entonces por aquí, las categorías se asignarán al texto en función del contenido. Entonces, como ejemplo, podría ser spam o no correos electrónicos no spam. La categorización de noticias podría ser política, deportes, entretenimiento, moda, tecnología, etc. Y luego, por supuesto, clasificación de revisión de productos. Podría ser positivo, negativo, o tal vez incluso neutral. Entonces, ¿por qué es útil? Ayuda a automatizar el filtrado de correo electrónico, su agregación de noticias, por ejemplo, su detección de fraude y mucho más. Todos estos utilizan clasificación de texto, y luego la traducción automática esto simplemente convierte un idioma a otro. Siempre que intentes convertir inglés a francés o español o ruso o lo que sea, usa traducción automática. Entonces por ejemplo, en inglés, ¿cómo estás? El francés, creo, será como Sava. Por supuesto, herramientas populares como Google Translate, tu Traductor de Microsoft, todas usan traducción automática. Es útil porque , por supuesto, rompe las barreras del idioma, y se utiliza para viajes internacionales, negocios internacionales, negociaciones internacionales y mucho más. Entonces PNL en acción, quiero darte un ejemplo aquí y mostrarte cómo se aplicarán las diferentes técnicas Entonces, por ejemplo, un cliente ha comprado un teléfono, ¿de acuerdo? Pero el último iPhone o el último, ya sabes, teléfono Android o lo que sea, y dicen, me encanta este teléfono. La batería dura todo el día. Entonces, cuando escribes eso, ¿cómo operará realmente el modelo de PNL para desglosar esa entrada En primer lugar, la tokenización. Me encanta este teléfono. Los murciélagos todo el día lo van a descomponer, me encanta este teléfono. La batería dura todo el día. Eso es básicamente tokenización. Es reservar la oración completa en categorías más pequeñas, y luego puede entrar el etiquetado de POS Sabe que, bien, el amor aquí sería el verbo. Sabe que el teléfono va a ser el sustantivo. Sabe que batería también es sustantivo. Pero ¿qué pasa con la NER? Bueno, en este caso, ahora mismo, porque dijimos, me encanta este teléfono, los BLA todo el día, aquí no hay entidades Ahora bien, si el cliente lo hubiera dicho, me encanta este teléfono Apple, entonces cualquier A reconocerá eso, Bien, Apple es probablemente la compañía o el negocio que fabrica el producto, ¿verdad? Pero porque por aquí, no mencioné a Apple, no mencioné Android, aquí no hay entidades nombradas, entonces entra en juego el stop Eliminación de Word. Me encanta la batería del teléfono dura todo el día. Eso es básicamente a lo que va a reducir la sentencia. Entonces palabras como yo, esto, el todo eliminado, simplemente ahora tenemos amor la batería del teléfono dura día, ¿verdad? Entonces, claro, el análisis de sentimientos, por las palabras como amor, sabe que, bien, esto es muy, muy positivo Y luego clasificación de texto. Básicamente es un producto que vemos. Entonces eso es PNL en acción. Entonces, para redondear esto, algunas conclusiones clave, la togenización, rompe el texto en palabras u oraciones, rompe el texto en palabras u oraciones, ematización y la raíz simplificarán las palabras a simplificarán las palabras El etiquetado de Ps ayudará a identificar roles gramaticales. Su NER puede extraer nombres, lugares y fechas, detener las eliminaciones, limpiará el texto para su análisis El análisis de sentimientos intentará detectar emociones, y su clasificación de texto clasificará el contenido en grupos significativos Y luego finalmente, la traducción automática convertirá texto entre idiomas. Gracias por ver. Te veo en la siguiente clase. 29. Modelos y enfoques de NLP: Ahora echemos un vistazo a los modelos y enfoques de PNL. Comenzando con los enfoques tradicionales de PNL. Hay dos de ellos. Tenemos la PNL basada en reglas o IA simbólica y también la PNL estadística Entonces, ¿cuál es la PNL basada en reglas, verdad? ¿Qué es la IA simbólica? Como su nombre indica, por aquí, el modelo simplemente seguirá reglas escritas o una estructura para procesar el lenguaje. Por lo que normalmente se basa en las declaraciones if then. Como ejemplo, si A es igual a B, entonces B es igual a A, ¿verdad? Es muy, muy sencillo, es muy directo. Por lo que funciona bien para tareas de lenguaje estructuradas y predecibles. Como ejemplo, estás desarrollando el booard de chat para un negocio. Ahora bien, si alguien se pusiera en contacto con ese tablero de chat y dijera, hola, una respuesta muy segura desde el chatboard sería, Oh, hola. Buenas tardes. ¿Cómo te puedo ayudar hoy? No necesitas un humano para escribir que el chatboard pueda responder o escribirlo de vuelta al cliente porque le dijeron hola Es una respuesta muy, muy segura para dar. Entonces los pros de esto son que, por supuesto, es muy fácil de entender e interpretar, y también funciona bien en entornos limitados y estructurados. Los contras obviamente serían que no puede manejar variaciones en el lenguaje humano. Por ejemplo, en lugar de saludar, si el cliente dijera algo anteriormente, como, anoche tuve una cena muy agradable. ¿Cómo estás hoy? La capilla podría confundirse, como, Espera, espera un segundo. ¿Qué es esto, verdad? Entonces siempre que haya una variación en el lenguaje humano o las respuestas dadas por el humano, este tipo de modelos no funcionarán bien. También requieren una amplia creación manual de reglas. Piénsalo, ¿de acuerdo? Básicamente estás enseñando al tablero de chat cómo responder a diferentes tipos de entradas. Por lo que requiere una amplia creación manual de reglas. Por lo tanto, normalmente se usa en tus tableros de chat de EA, tus comprobadores gramaticales, etc. Pero ¿qué pasa con la PNL estadística? Entonces, en lugar de usar las reglas predefinidas, como en tu IA simbólica, por aquí, los modelos usarán probabilidad y estadísticas para analizar texto. Entonces los modelos, pueden aprender de grandes conjuntos de datos en lugar de las reglas predefinidas. Y luego suelen confiar en lo que llamamos los N gramos, que son secuencias de palabras para predecir texto. Entonces, como ejemplo, un filtro de spam, ¿no? Si se ve en el correo electrónico, si vio, por ejemplo, felicitaciones. Eres el afortunado ganador de hoy de un millón de dólares. Podría ser capaz de predecir que lo más probable es que esto sea spam porque tus correos típicos de spam, tienen las palabras clave como felicitaciones, $1 millón, el ganador de hoy. Entonces dado el hecho de que el correo electrónico ahora tiene todas estas tres palabras clave, el modelo puede hacer una predicción que lo más probable es que esto sea spam. Pero y si el correo electrónico tuviera las palabras lanzadas a las 2:00 P.M. Entonces sabe que lo más probable es que esto sea en spam. Quiero decir, cuántos correos no deseados has recibido que dicho lanzamiento hoy a las 2:00 P.M. Eso sería muy, muy extraño, ¿verdad? Entonces con la PNL estadística, los modelos intentan hacer predicciones Entonces los pros son, por supuesto, son más flexibles. Luego los enfoques basados en reglas, pueden adaptarse a diferentes idiomas y también a diferentes tipos de variaciones de texto. Los contras, sin embargo, son que todavía luchan con una comprensión profunda. Por ejemplo, no puede entender si la entrada está siendo sarcástica o está tratando de ser divertida No puede entender las emociones, ¿verdad? Y luego requiere grandes conjuntos de datos para mayor precisión. Utilizaron en tus filtros de spam de correo electrónico, y también la clasificación de texto basada en palabras clave. Entonces has hablado de los métodos de aprendizaje tradicionales, pero ¿qué pasa con el procesamiento del lenguaje natural basado en el aprendizaje automático ? Así que la mejora de la PNL aprendiendo patrones a partir de datos en lugar de depender de reglas. Hay tres de ellos. Tiene los modelos tradicionales de aprendizaje automático, aprendizaje profundo para PNL y también los modelos de PNL basados en transformación, que por supuesto es el estándar moderno hoy en día Echémosles un vistazo uno por uno. Primero están los modelos tradicionales de aprendizaje automático. Tenemos la base de navegación que clasifica el texto en función de las probabilidades, por lo que podría identificar si el correo electrónico es spam o no spam Entonces tenemos las máquinas vectoriales de soporte, su SVM. Identifican patrones de texto para clasificación y también árboles de decisión. Hablamos antes de árboles de decisión. Utilizan para ramificar la lógica para clasificar el texto. Las ventajas de tus modelos tradicionales de aprendizaje automático son que son más precisos. Que los métodos basados en reglas. También funcionan muy bien para tareas de clasificación. Sin embargo, los contras en que requieren ingeniería de características. Recuerda que hablamos de características, que son las partes más importantes de cualquier tipo de datos. Entonces, debido a que requiere ingeniería de características, esta sería la selección manual de los atributos de texto, y luego no puede procesar dependencias a largo plazo en el lenguaje Debido a esto, se usa en tu análisis de sentimientos, tu clasificación de textos y por supuesto, los chatbots muy simples ¿Qué pasa con la PNL de aprendizaje profundo? Bueno, esto básicamente revolucionó la PNL al usar, por supuesto, las redes neuronales para procesar el lenguaje procesar Hay dos de ellos. Tienes los RNN, por supuesto, las redes neuronales recurrentes y las redes de memoria a largo plazo, tus LSTM Así que empieza con la red neuronal recurrente. Están diseñados para datos secuenciales como en oraciones, ¿verdad? Y luego son capaces de recordar las palabras anteriores al procesar texto. Entonces usan para tu reconocimiento de voz, tu predicción de texto y mucho más. Ahora, los pros de tu en y son que pueden capturar contexto y también ordenar en oraciones porque recuerdan las palabras anteriores. Y entonces también pueden generar respuestas como humanas, lo que en realidad es bastante fascinante. Sin embargo, desafortunadamente, sí tienen algunas desventajas. Luchan con largas sentencias, ¿verdad? Olvidan a veces las palabras anteriores. Si tienen memoria a corto plazo, pero cuanto más larga sea la oración, más difícil será para ellos recordar las palabras iniciales en esa oración. Y luego son más lentos de entrenar en comparación con los modelos más simples. Entonces se usan, por supuesto, en tu discurso para texto, texto predictivo, y mucho más. Pero, ¿qué pasa con las redes de memoria a corto plazo? Básicamente son una versión mejorada de la R y termina porque son capaces de recordar frases mucho más largas. Por lo que se utilizan para análisis de texto de formato largo y conversaciones. A modo de ejemplo, podrían utilizarse para resumir un artículo largo sin dejar conservar el significado o los puntos clave de ese artículo Entonces los pros, manejan frases grandes mucho mejor. Son buenos para los tableros de chat y el resumen de textos. Los contras, sin embargo, en eso, pesar de que sí tienen memoria a largo plazo, todavía luchan con documentos muy largos. Entonces ahora se habla de documentos que son como cinco páginas, seis páginas, y así sucesivamente. Y entonces también es muy caro entrenar. Se utilizan en chatbots, traducción automática y, por supuesto, en resumen de textos Pero, ¿qué pasa con los modelos de PNL basados en transformadores, el estándar moderno de hoy También revolucionaron la PNL al procesar oraciones enteras a la vez en lugar de procesar palabra por oraciones enteras a la vez en lugar de procesar Hasta ahora más eficiente, ¿verdad? Entonces los modelos como tu BRT, tu GPT, usan mecanismos de autoatención para analizar palabras en contexto, y luego también son capaces de muy, muy importante, son capaces de aprender la relación entre palabras a través de oraciones largas Entonces son capaces de entender el contexto detrás de una oración. Como ejemplo, si la entrada la orilla está en el lado izquierdo del río. Ahora, naturalmente, cuando se escucha o se usa la palabra banco, podrías tener la tentación de pensar, Bien, estamos hablando del lugar donde la gente guarda el dinero, ¿verdad Pero porque estamos hablando la orilla del lado izquierdo del tejedor, el modelo aquí lo sabe, Oh, te refieres a la orilla del río Pero si dije, necesito retirar dinero del banco mañana, ahora el modelo lo sabe, Bien, estás hablando del edificio financiero real porque has dicho palabras como retirar dinero. Bien, obviamente estás hablando del banco real, ¿verdad? Entonces la pose, pueden entender el contexto profundamente. Pueden generar texto similar al humano. Se desempeñan muy bien en tareas complejas de PNL. Desafortunadamente, al igual que todo lo demás, también tienen sus contras. Requieren conjuntos de datos masivos para entrenar y, por supuesto, también pueden generar respuestas sesgadas o incorrectas. Se utilizan, por supuesto, en el motor de búsqueda BRT de ChagPT Google, generación de texto Air, y mucho Entonces sí tengo una tabla aquí que compara los diferentes enfoques de PNL, los pros, los contras, los ejemplos, te voy a proporcionar esta diapositiva para que puedas estudiar esto en tu tiempo libre Pero antes de redondear, algunas cosas clave, la PNL comenzó, por supuesto, con los métodos basados en reglas, pero ha evolucionado hasta convertirse en modelos de aprendizaje profundo La PNL estadística introdujo el análisis de texto basado en la probabilidad, aprendizaje automático, su PNL, la clasificación de texto mejorada y el análisis de sentimientos, y luego, por supuesto, los NLP de aprendizaje profundo, habilitaron tareas más complejas como su reconocimiento de voz Y finalmente, por supuesto, el estándar moderno para hoy, los transformadores. Ahora son los modelos de PNL más avanzados utilizados en asistencia aérea y el chatbd Gracias por ver. Te veo en la siguiente clase. 30. Modelos de lenguaje grandes (LLM) y transformadores: Vuelve, así que ahora, echemos un vistazo a los modelos y transformadores de lenguaje grande, por supuesto, estos son los estándares modernos para los modelos de IA. Entonces, ¿qué son exactamente los LLM, los modelos de lenguaje grande Bueno, básicamente, son modelos de IA que se entrenan en cantidades masivas de datos de texto para entender y generar nuestro lenguaje humano. Ahora, utilizan técnicas de aprendizaje profundo, particularmente transformadores para procesar texto de manera eficiente. Ejemplos, los tienes en tu GBT, que por supuesto es el transformador generativo preentrenado Eso es lo que se usa en el modelo hat GPT AI. Los tienes en tu BRT, tu T cinco, los tienes en tu palma tu nube nulo del juicio y así sucesivamente Ahora bien, ¿cuáles son las características clave de los LLM? Bueno, antes que nada, en realidad pueden generar textos como humanos. También son capaces de entender el contexto y el significado en las conversaciones. Y debido a esto, se suelen utilizar para resumir textos, traducir, responder preguntas, etc. Ahora, quiero hablar de la arquitectura del transformador porque esto es básicamente el corazón de nuestros LLM Así que los modelos de aprendizaje profundo, como sabemos, son los estándares modernos. Han reemplazado las arquitecturas de procesamiento de lenguaje natural más antiguas , como sus redes neuronales recurrentes Y utilizan un mecanismo llamado autoatención para procesar texto. Entonces básicamente, en lugar de leer palabras una por una como tu R y Ns, son transformadores capaces. Son capaces de analizar todas las palabras a la vez al mismo tiempo que comprenden las relaciones entre esas palabras. Así que los componentes clave de un transformador, en primer lugar, el mecanismo de autoatención pueden entender las relaciones entre las palabras en una secuencia. Y luego usan algo llamado la codificación posicional Esto les ayuda a realizar un seguimiento del orden de las palabras. Esa también la atención de múltiples cabezas, esto permite que los transformadores se centren en diferentes aspectos del texto simultáneamente al mismo tiempo. Y luego también el feed forward nuevas redes, procesan incrustaciones de palabras para su salida Entonces, ¿por qué los transformadores son mejores que los modelos más antiguos? Yo sí tengo una mesa aquí mismo. Características de las que he hablado maneja textos largos. Los transformadores son capaces de procesar palabras en paralelo. También entienden el contexto, no solo a nivel soface, sino en realidad profundamente, pueden entender con mucho mayor detalle el contexto Y luego, por supuesto, también están entrenados más rápido que tus modelos más antiguos. Entonces, ¿cómo están entrenados exactamente los LLM? Bueno, como con la mayoría de los modelos de IA, primero que nada, tienes el pre entrenamiento donde el modelo aprenderá los patrones de lenguaje a partir de conjuntos de datos masivos. Por lo que proporcionaron muchos datos, y estos datos se podían obtener de Internet, de libros, de artículos, sitios web, lo que sea. Y luego viene la etapa de afinación fina. Aquí es donde se ajustará el modelo para tipos específicos de tareas. Entonces tal vez estés entrenando un modelo de IA para el cuidado de la salud el lenguaje estará afinado para que el modelo pueda aprender un poco más sobre términos bajo atención médica. A lo mejor estás entrenando un tablero de chat para asuntos legales y así sucesivamente. Entonces, básicamente, el modelo AM estará afinado para qué tarea en particular está destinada a servir. Y luego viene la etapa de inferencia. Entonces por aquí, el modelo que ya se ha entrenado será utilizado para generar texto, traducir idiomas, y luego también responder preguntas. Esta es básicamente la etapa de despliegue. Como ejemplo, sus modelos JBT, están pre entrenados en datos de habilidades de Internet y luego también afinados para proporcionar respuestas que son similares a la de un humano Ejemplos de aplicaciones del mundo real, nuevamente, en tu IA conversacional, como un hat GPT, Deepsk tus tableros de chat, están usando motores de búsqueda, usan para resumir texto y creación de contenido como y luego por supuesto, en traducción de idiomas y también en generación de código y asistente Estos son solo ejemplos de aplicaciones de lectura de nuestros transformadores. Así que al igual que con cualquier otro tipo de modelo de IA que existe, tenemos ciertos desafíos éticos. Nuevamente, sesgo en los modelos de IA. La alucinación y por supuesto, la desinformación es muy, muy posible para los modelos de IA , por complejos que sean, inteligentes que sean, siempre pueden cometer pueden Y, por supuesto, el tema de la privacidad de datos. Ya he hablado de esto antes. Siempre que se necesitan cantidades masivas de datos para entrenar un modelo de IA, siempre existe el temor de que los datos utilizados puedan pertenecer a los de los usuarios, clientes, que puedan generar preocupaciones de privacidad. Y, por supuesto, también el impacto ambiental. No olvides, por supuesto, que los modelos de entrenamiento como este requieren un poder computacional muy alto Entonces, ¿qué efecto tendría eso en el medio ambiente? Pero, ¿qué pasa con el futuro? ¿Qué podemos esperar en el futuro para los LLM Bueno, antes que nada, siempre podemos esperar como, ya sabes, modelos más pequeños más eficientes que requerirán menos potencia informática. Además, mejor IA multimodal por lo que en cuanto al procesamiento de texto, videos, imágenes, va a mejorar Y luego IA con salvaguardas éticas más fuertes, esperamos evitar la información piadosa y la desinformación Y luego, por supuesto, las LLM se integran en herramientas cotidianas como su transporte, comunicación, atención médica, etc. Entonces, algunos taaways clave antes de redondear la lección, LLM son poderosos modelos de IA que también pueden entender y generar texto. Permiten a los transformadores. Permiten a los LLM procesar textos de manera eficiente y también comprender el contexto detrás del texto en un nivel mucho más profundo LLMs están usando tus booards de chat, motores de búsqueda y así sucesivamente desafíos incluirán, por supuesto, sesgos, desinformación, alucinaciones, y luego el futuro de los LLM se centrará en la eficiencia, la IA multimodelo y, por supuesto, las mejoras éticas Gracias por ver. Te veré en la siguiente clase. 31. Reconocimiento de voz e IA conversacional: Vuelve, así que ahora echemos un vistazo a modelos de reconocimiento de voz y IA conversacional Por supuesto, estos son modelos que utilizan PNL en gran medida Entonces, ¿qué es exactamente el reconocimiento de voz? También se le llama reconocimiento automático de voz, y es básicamente el proceso de convertir texto hablado o lenguaje hablado más bien en texto. Entonces es lo que permite que tu software de dictado, tus asistentes de voz entiendan qué es lo que realmente les estás diciendo Ahora, ejemplos tus asistentes de voz, Alexa, Siri automatizados o call center Entonces cada vez que llamas a un negocio y luego la máquina capta tu llamada y dice algo, eso es reconocimiento de voz en acción. Y luego también en tus leyendas, siempre que estés viendo videos en YouTube o en Netflix, ves los leyendas Eso es básicamente el reconocimiento de voz en acción. Pero, ¿cómo funciona exactamente? Son cinco etapas principales, y la primera etapa sería la entrada, la captura de la entrada. Entonces el usuario necesitaría o bien decir algo en el micrófono algún tipo de entradas para ser capturadas. A continuación viene la extracción de características. Entonces por aquí, el sistema intentará convertir el discurso en un espectrograma Un espectrograma es básicamente una representación visual de cómo el discurso o cómo se ve el sonido Y luego después de eso, ahora tendremos el modelo acústico donde el modelo intentará emparejar los sonidos con fonemas Los fonemas son la unidad de habla más pequeña. Entonces, en base a lo que ha podido intentar igualar, intentará entonces hacer una predicción las palabras u oraciones más probables que se están pronunciando. Y luego finalmente, producirá el texto final transcrito que se generará Entonces así es básicamente como funciona. Hay ciertos desafíos, aunque involucrados con el reconocimiento de voz, por supuesto, acentos y dialectos Un sistema podría ser más capaz de entender un acento americano o un acento británico en lugar de, digamos, un acento indio muy grueso o un acento ruso muy grueso, ese es un ejemplo, ¿verdad? Y luego, claro, el ruido de fondo. Si hay mucho ruido en el fondo mientras se captura el audio, eso podría afectar el rendimiento del sistema. Y luego claro, homófonos, ¿de acuerdo? homófonos son básicamente palabras que suenan igual, pero en realidad tienen significados diferentes, como, por ejemplo, nosotros y derecho Entonces escribes el verbo para escribir algo y luego escribir que es lo contrario de izquierda. Cuando dices eso en el sistema, podría resultarle muy difícil distinguir entre ambas palabras porque suenan exactamente igual. Pero, ¿qué pasa con la IA conversacional? Esto se siente como el siguiente nivel, ¿verdad? Entonces aquí, esto permite que las computadoras se involucren en la interacción humana. Por lo que potencia tu asistencia virtual, tus booards de chat y, por supuesto, la automatización de atención al cliente Tipos de IA conversacional, tenemos los chatbards basados en reglas Recuerden, ya hablamos de esto antes. Estas son básicamente respuestas preprogramadas para tipos de preguntas muy específicas Este tipo de modelos de IA que pueden funcionar, pero en entornos muy limitados, y luego tableros de chat impulsados por IA. Estas aprendidas de las entradas de los usuarios, mejoran con el tiempo. Contamos con sus asistentes de voz que pueden entender y también responder a los comandos hablados. Entonces ejemplos de tu IA conversacional, tu Chat GPT, tu Google Duplex, y por supuesto, Alexa y Si. ¿Cómo funciona? Un poco similar al reconocimiento de voz, en primer lugar, tiene que haber algún tipo de entrada proporcionada, por lo que el usuario hablará o escribirá una consulta. A continuación viene la aplicación de la comprensión del lenguaje natural donde el modelo de IA intentará extraer el significado de la entrada. Y luego en base a lo que se ha podido extraer, intentará dar la mejor respuesta a la entrada. Se llama gestión del diálogo. Y entonces la IA ahora generará una respuesta, como respuesta humana, típicamente, por supuesto. Y luego en la última etapa, la respuesta se entregará vía voz o texto. Esa es básicamente la salida de texto de voz. Tenemos retos, por supuesto, entender el contexto, la IA puede malinterpretar consultas complejas o ambiguas. Eso sigue siendo un problema. Y luego, por supuesto, el sesgo en las respuestas de IA, y luego también manejando el diálogo multigiro. Así que las conversaciones con múltiples temas pueden confundir a la IA. En realidad puedes probar esto. Puedes intentar involucrarte con un jibty o tal vez incluso con Dipsk. Inicio de la conversación sobre, digamos, tecnología, y luego hacer una pregunta sobre deportes, cámbiela a moda. Entonces en algún lugar de la línea, es muy, muy posible que el modelo Tha chibit en este caso, momento, se confunda y empiece a alucinar sus respuestas Entonces, ¿cuáles son las soluciones a estos desafíos tanto para el reconocimiento de voz como para la IA conversacional Podemos entrenar IA en diversos conjuntos de datos para mejorar la comprensión del lenguaje, encontrar modelos para manejar diferentes acets y variaciones del habla también Y, por supuesto, usando modelos híbridos, los modelos híbridos serían base de reglas más inteligencia artificial para mejores respuestas. Entonces, ¿cuál es el futuro? Para reconocimiento de voz y modelos de IA conversacional. Bueno, conversaciones más naturales. Se va a sentir aún más y más natural cuando platiques con estos modelos. Y luego IA multimodal, que combinará voz, texto e imágenes a la vez para potenciar las interacciones Y luego, por supuesto, asistente de IA personalizado. Entonces IA que se adaptará a los patrones de voz individuales y también a las preferencias. Aún no tenemos eso, pero viene pronto. Y luego por supuesto, la traducción de IA en tiempo real donde se pueden producir traducciones de instancia de habla a voz en múltiples idiomas. Entonces, algunas conclusiones clave, reconocimiento de voz convierte las palabras habladas en texto usando modelos de IA La IA conversacional permite interacciones humanas a través de tableros de chat y asistencia de voz, y luego los desafíos, por supuesto, incluirán acentos, dialectos, ruido, sesgos, etc., homófonos y luego también avances futuros, ¿ interacciones humanas a través de tableros de chat y asistencia de voz, y luego los desafíos, por supuesto, incluirán acentos, dialectos, ruido, sesgos, etc., homófonos y luego también avances futuros, Por lo que los futuros avances mejorarán la personalización, la traducción en tiempo real y por supuesto, la IA multimodal Gracias por ver. Te veré en la siguiente clase. 32. Avance de la sección El futuro de la inteligencia artificial: Bienvenidos al módulo final, el futuro de la inteligencia artificial. Y, claro, voy a reproducirte último clip de una película para presentarte este módulo, así que siéntate para lex, disfruta el clip, y te veré al final del mismo. ¿Todo el mundo bien? Un montón de esclavos de mi colonia de robots. Dales un ambiente de humor para que encajemos mejor con esta unidad. Piensa que nos relaja. Un robot gigante y sarcástico. Qué gran idea. Tengo mucho que puedo usar cuando estoy bromeando, si quieres. Eso probablemente ayudaría. Sí, puedes usarlo para encontrar el camino de regreso a la nave después de que te saque la esclusa de aire ¿Cuál es tu ambiente de humor, Tarts? Eso es al 100%. Bajemos todo a 75, por favor. Oye, ¿Tarts? ¿Cuál es tu parámetro de honestidad? 90%. 90%. La honestidad absoluta no siempre la forma más diplomática ni la forma más segura de comunicación con los seres emocionales. Bien. Bueno, vuelve. Por lo que ese clip fue tomado de la película en testla estrenada en el año 2014 por el legendario director Christopher Nolan Ahora, para ser justos, hay tantos otros clips que podría haber elegido para introducir este módulo final. No obstante, elegí este clip en particular porque me pareció muy fascinante y también demuestra efectivamente el futuro de la inteligencia artificial. Ahora en el clip, tenemos el modelo de IA llamado TAS que está ayudando a los astronautas a lanzar su espacio a lanzar su nave espacial Y mientras están despegando, la modelo de Tar Air comienza a hacer algunas bromas. Entonces Cooper, el astronauta principal, le pregunta a Taz. Dice, ¿Cuáles son tus ajustes de humor?, y Taz responde. Oh, es al 100%. Y, claro, a Kuper no le gusta esto, y dice: Bien, bajemos eso al 75% Y más adelante en el clip, Kooper le pregunta a Taz ¿Cuál es tu parámetro de honestidad Y Tas responde que está al 90%. Y Cooper, por supuesto, pide 90%. Es decir, ¿por qué no está al 100%? Ahora, Tarz, el modelo de IA es muy, muy inteligente. Sabe que Kuper se pregunta, ¿por qué está al 90% ¿Por qué no al 100%? Y Tarz responde con bastante humor que, Oh, honestidad absoluta no es la forma más diplomática ni la forma más segura de comunicarse con seres emocionales Y pensé que eso era muy, muy gracioso porque es verdad. Piénsalo, ¿de acuerdo? Hay tantas veces en la vida cotidiana en las conversaciones cotidianas en las que que quieras decir algo que quizás quieras decirle a alguien cómo te sientes realmente por dentro, pero como te preocupa que puedan enojarse, puede que se ofendan con lo dices, aunque sea cierto, luego decides, Bien, voy a ir a lo seguro y no ser directo y no ser tan contundente en lo que digo Entonces solo pensé que era muy, muy fascinante que el modelo de IA Taz sepa que 100% Honestidad no es probablemente la mejor manera de comunicarse con los seres humanos Entonces otra cosa que observamos en este clip en particular es la capacidad de personalizar nuestros modelos de IA. Aquí tienes a Cooper siendo capaz de ajustar tanto los ajustes de humor como de honestidad para los alquitranes Y esto es algo que eventualmente sucederá en el futuro con nuestros modelos de IA. Podremos personalizarlos. Podrían comenzar a sonar como caballo, hablar con nuestros acentos, y así sucesivamente. Entonces eso es algo que eventualmente va a llegar. Personalización personal de modelos de IA. Entonces espero que hayan disfrutado este video introductorio a nuestro módulo final, el futuro de la IA. Empecemos ahora con el resto de las lecciones. 33. Tendencias actuales en el desarrollo de IA: Bienvenida de nuevo. Entonces comencemos un nuevo módulo hablando de las tendencias actuales en el desarrollo de IA. Y cuando miras a tu alrededor, independientemente de qué industria o campo pueda ser, ya hay cierta presencia de inteligencia artificial. Pero comencemos hablando de la IA en automatización y la transformación de la fuerza laboral. Ya tenemos el aumento en el uso de la automatización impulsada por IA en industrias como la manufactura, logística, el comercio minorista, etc. Y, por supuesto, el crecimiento de lo que llamamos automatización robótica de procesos, el RPA para manejar tareas repetitivas Esto lo encuentra en empresas, en negocios. Lo usan para chatbards, manejo de clientes y mucho más Y, por supuesto, chatbod de servicio al cliente impulsado por IA y asistente virtual, tu seri de Google y así sucesivamente Y luego el cambio hacia la colaboración de IA humana. Pero, ¿qué pasa con la IA en las industrias creativas? Entonces ahora tienes modelos de IA como Dali, M Jony, que son capaces generar imágenes de aspecto realista Tienes modelos de IA como Sra de Open AI, la misma compañía que desarrolló un JBT ja que son capaces de convertir texto en videos Y luego la IA generó música y clonación de voz. Nosotros también los tenemos. Y, por supuesto, tenemos algunas preocupaciones éticas con respecto a IA y las industrias creativas, especialmente cuando se trata del tema de FAC profundo Ya hemos tenido varios incidentes donde varios delincuentes pudieron usar Deep fake para engañar a sus víctimas. Y, por supuesto, tenemos IA en nuestra vida cotidiana y personalización Por ejemplo, tienes IA en uso para Netflix, para YouTube, Spotify, Disney plus, y así sucesivamente, y, por supuesto, IA en el comercio electrónico con el uso de chatbots Y por supuesto, personalizando nuestras experiencias de compra, y por supuesto, asistentes de voz y dispositivos inteligentes como tu Google Series, Alexa de Amazon, etc. Y, por supuesto, la IA en las redes sociales. Ahora también utilizamos la IA para generar contenido. Y, por supuesto, la IA en la salud y la biotecnología. Esto es realmente muy, muy fascinante porque ahora tenemos diagnósticos impulsados por IA, donde la IA se puede usar para detectar enfermedades a partir de rayos X, resonancia magnética, etc. Y luego la IA también se utiliza en el descubrimiento de fármacos, donde la IA se ha utilizado para acelerar nuestros propósitos de investigación y productos farmacéuticos como se ve en Dip minds alpha fold, que es capaz de predecir estructuras proteicas. No voy a fingir que sé qué es exactamente eso, pero tenemos cirugías asistidas por IA La IA se ha vuelto tan avanzada hoy en día que puede ayudar en la cirugía con poca o ninguna intervención humana, y por supuesto, la analítica predictiva en medicina. Ahora utilizamos la IA para predecir brotes de enfermedades y tendencias de salud del paciente Y claro, este curso no estará completo sin hablar del uso de la IA en las finanzas y, por supuesto, en la ciberseguridad Por lo tanto, tenemos IA que se utiliza en el comercio algorítmico donde se han desarrollado estrategias financieras impulsadas por IA que analizan las tendencias del mercado en tiempo real Y, por supuesto, para la ciberseguridad, podemos utilizar la IA para la detección de fraudes Y la IA parte de la ciberseguridad donde la IA se puede utilizar para la detección de amenazas, respuestas automatizadas, así como la evaluación de vulnerabilidades Al seguir adelante, cuál es el futuro de la integración de IA, tres puntos principales en la IA de borde, donde la IA ahora se ejecutará directamente en dispositivos móviles en lugar de depender de la computación en la nube. Y luego la IA impulsó IOT, el Internet de las cosas. Así que ahora usaremos la IA para alimentar nuestros hogares inteligentes, ciudades inteligentes, redes inteligentes, etc. Y, por supuesto, la democratización de la IA donde la IA será más accesible para quienes no tienen una formación técnica Entonces, aquí hay algunas claves para llevar. La IA, como saben, está transformando múltiples tipos de industrias, desde la salud hasta las finanzas y Hollywood. Y por supuesto, la combinación de IA y automatización está remodelando la Pero la colaboración con IA humana va a ser clave. Y finalmente, tenemos consideraciones éticas, regulaciones y desarrollo responsable de IA, que serán esenciales a medida que la IA se integre más en nuestra vida diaria. Entonces eso es gracias por ver el video. Te veré en la siguiente clase. 34. La próxima frontera: IA general vs. IA: Bienvenido de nuevo, así que ahora. Echemos un vistazo a un tema muy fascinante. Y aquí, estamos comparando la IA general con la IA estrecha. ¿Qué es la IA estrecha? Ahora, ya hemos hablado de esto anteriormente. Se trata de IA que sobresalen en la realización de un tipo específico de función. Y tenemos numerosos ejemplos de ello. Tienes tu exa de Amazon, seri de Google y así sucesivamente Y por supuesto, algoritmos de recomendación como YouTube, Spotify, Netflix, e incluso tus modelos de IA como tu Chi JPT, Claude, Dipsik Todos estos son ejemplos de IA estrecha. Pero sí tenemos algunas características clave por ejemplo, son altamente especializadas, lo que significa que pueden sobresalir en un tipo particular de tarea. Y luego por supuesto, son impulsados por los datos. Requieren cantidades masivas de datos. También les falta razonamiento. Son incapaces de entender conceptos más allá de su formación y, por supuesto, ninguna verdadera autonomía, es decir, que la IA modela la IA débil, pueden tomar decisiones basadas en reglas o simplemente en comportamientos aprendidos. Es decir, son muy, muy flexibles en la forma en que realizan sus tareas. Pero la cosa es que, a pesar de que hoy en día, cuando miras modelos como ChagPT y Siri y Deep Seek y así sucesivamente, todos parecen muy poderosos y bastante competentes en lo que es que hacen, pero aún se les considera una IA débil Y eso es porque sí tenemos la posibilidad teórica y posiblemente práctica de la IA general. Ahora, ¿qué es la IA general? Esto se refiere a la IA con nivel humano, habilidades cognitivas, capaz de comprender, razonar y aprender a través de múltiples dominios sin ningún entrenamiento previo sin ser entrenado explícitamente para ninguna de estas tareas. Entonces, en otras palabras, estamos hablando de inteligencia artificial que realmente puede igualar o tal vez incluso posiblemente superar la inteligencia humana Entonces, ¿qué podría hacer AGI? Bueno, AGI, IA General podremos entender y aprender cualquier tema, al igual que cualquier ser humano normal, resolver nuevos problemas desconocidos sin ningún entrenamiento previo Entonces, básicamente, podrá razonar y resolver nuevos problemas por sí solo, mostrar creatividad, así como razonamiento de sentido común, y luego adaptarse a diferentes entornos sin ninguna programación extra. Va a llegar a ser muy adaptable, muy flexible, y luego poseer autoconciencia y pensamiento independiente. Pero esto sigue siendo muy discutible. Hay quienes creen que, sí, eventualmente podríamos obtener inteligencia artificial que será tan inteligente, que será tan poderosa. Seré capaz de pensar de manera independiente, autoconciencia, mientras que muchos otros no piensan que esto nunca será alcanzable Entonces, ¿cuáles son los esfuerzos actuales de investigación de AGI? Tenemos empresas como Open AI, Deep Mind, y también antrópica Estas se encuentran entre las empresas que están trabajando para lograr la IA general. Modelos de IA como GPT versión cuatro. A pesar de que son extremadamente poderosos y se están volviendo más generales, todavía no son exactamente una IA realmente general. Y ahora, algunos investigadores, los que son muy optimistas, los que sí piensan que vamos a lograr AGI, ven el marco de tiempo 10-50 años Bueno, como dije antes, hay quienes no creen que alguna vez logremos AGI. Entonces, ¿cuáles son las características clave de AGI? Bueno, antes que nada, aprender de experiencia al igual que un ser humano, puede transferir conocimientos entre diferentes tareas. Entonces digamos, por ejemplo, le has dado la tarea uno a la IA general, ésta realiza esa tarea. Entonces le das tarea dos. Si hay algunas similitudes entre la tarea uno y la tarea dos, podría ser capaz de transferir el conocimiento que obtuvo al trabajar en la tarea uno a la tarea dos, nuevamente, igual que un ser humano normal, y luego mostrar razonamiento, resolución de problemas y adaptabilidad, y luego potencialmente autónomo en la toma de decisiones Es decir, ser capaz de pensar de manera independiente. Estas son las características clave de AGI. Sí tengo la tabla aquí en la que te he mostrado las diferencias clave entre IA general y, por supuesto, IA débil. Y, por supuesto, en la mayoría de estas características, IA general supera la IA estrecha Lo único, sin embargo, es que cuando se trata de la existencia actual, sí tenemos una IA estrecha. Ya es una verdadera delgada, mientras que la IA general sigue siendo teórica en este punto. Entonces, ¿cuáles son, de hecho, los desafíos para lograr AGI? ¿Cuál es el “hold up”? ¿Por qué los desarrolladores no están al aire libre y entonces, ¿por qué no nos han dado AGI todavía? Bueno, como se puede imaginar, sí tenemos los retos técnicos. Y si piensas que aprendizaje profundo requiere un poder competitivo masivo, eso no es nada comparado con el tipo de poder competitivo requerido para AGI Y luego la eficiencia de los datos, por supuesto, AGI requerirá enormes cantidades de datos, lo que sigue siendo un poco desafiante. Y luego el razonamiento del sentido común , la IA, como la conocemos hoy en día, todavía lucha a la hora de entender conceptos abstractos. Es incapaz de razonar y descifrar lo que son. Y luego memoria y adaptabilidad, AGI debería ser capaz de mostrar la capacidad de retener y aplicar el conocimiento a través de diferentes escenarios En otras palabras, el tipo de conocimiento e inteligencia que debe poseer AGI, es sumamente difícil alcanzarlos. También tenemos las preocupaciones éticas y de seguridad de AGI. ¿Y si AGI de hecho supera a la inteligencia humana? ¿Cómo lo controlamos, verdad? Esa es siempre la gran pregunta. Y, por supuesto, sesgo y equidad. Ahora, para ser justos, sin juego de palabras, este es un gran desafío en todos los tipos de IA y no solo en la IA general Y luego la alineación de la IA, cómo nos aseguramos de que los objetivos de las AGI se alineen con los valores humanos y por supuesto, con el riesgo potencial ¿Qué pasa si los malos, si los ciberdelincuentes tienen en sus manos la IA general? Las consecuencias podrían ser desastrosas. Y luego, por supuesto, las cuestiones filosóficas y teóricas. ¿La IA puede ser consciente? ¿Correcto? Imagínese eso. Los filósofos debaten si la AGI podría tener experiencias subjetivas ¿Qué tan demente sería eso? Casi estás en este punto hablando inteligencia artificial, de tener emociones. Quiero decir, eso está bastante cerca, ¿verdad? ¿Y entonces AGI reemplazará a los humanos? Dejará de existir la raza humana porque ahora tenemos AGI dirigiendo el mundo? Bueno, algunos temen que AGI pueda superar los humanos en todas las tareas que conducen al desplazamiento laboral o peor aún Y entonces quizás la pregunta más grande de todas, ¿deberíamos, de hecho, crear AGI? Sólo porque podemos, ¿ significa eso que debemos o que deberíamos? A lo mejor a veces es mejor simplemente decir, Oye, mira, IA estrecha que tenemos ahora en existencia, es lo suficientemente buena. Podemos mejorarlo. Pero en algún momento, tenemos que decir, Bien, esto se está volviendo demasiado avanzado. Esto se está volviendo demasiado inteligente. Tenemos que dar un paso atrás. Entonces estas son una especie de, como, las preguntas filosóficas muy interesantes que se han hecho. Entonces el camino a AGI, ¿dónde estamos ahora en 2025? Bueno, los sistemas de inteligencia artificial se están volviendo más poderosos, pero aún carecen de una verdadera comprensión. Ahora, algunos investigadores creen que la AGI requerirá avances fundamentales en neurociencia, ciencia cognitiva y aprendizaje automático también Y otros también proponen que el uso de modelos de hábito, aquellos que combinan el razonamiento simbólico con el aprendizaje profundo, esto podría acercarnos a AGI. Y luego las regulaciones y políticas de AGI son cada vez más importantes para guiar el desarrollo ético de AGI. Pero, ¿y si hacemos, de hecho, finalmente lograr AGI? ¿Cuáles son las posibles implicaciones futuras? Bueno, la inteligencia súper humana podría AGI superar la inteligencia humana y revolucionar cada campo Esa es una posibilidad. Y luego, por supuesto, los mercados de trabajo. El caso es que ni siquiera tenemos que ir tan lejos como AGI. Mira lo que ha pasado hoy. AI débil, Chagpt y sus cuerpos, ya están reemplazando a tanta gente Tantos empleos ya se han perdido debido a la introducción de la IA estrecha. Entonces ahora imagina lo que sucederá cuando ahora tengamos que introducir la IA general. Eso posiblemente va a desplazar a más gente aún. Como resultado se perderán aún más empleos. Y, por supuesto, el gobierno ético de la IA. ¿Cómo garantizamos que AGI siga siendo beneficioso y no se convierta en ddius No cae en manos equivocadas. Y ahora la colaboración con IA humana podría AGI, de hecho, trabajar junto a los humanos, mejorando nuestras capacidades en lugar de reemplazarnos. Estoy bastante seguro de que has visto películas como Terminator, y así sucesivamente En esas películas, AGI elige Se dice, ¿sabes qué? No voy a caminar con humanos. Los humanos son una amenaza para mi existencia. Sólo voy a destruir a toda la humanidad. Entonces eso es lo que pasa en las películas. Ojalá no suceda en la vida real. Así que solo algunas cosas clave para llevar. Networ AI está en todas partes hoy en día. AGI sigue siendo teórico en este punto. AGI, si de hecho lo hacemos, lograr AGI, será capaz de razonar la resolución de problemas y una adaptación, al igual que un ser humano, y lograr que Aga sí plantea preocupaciones o desafíos técnicos, éticos y de seguridad masivos . Y entonces el futuro de AGI podría remodelar la industria, la sociedad e incluso la propia humanidad Entonces, vamos a lograr AGI solo el tiempo lo dirá. Gracias por ver el video. Te veo en la siguiente clase. 35. La IA y la fuerza de trabajo: ¿reemplazará la IA los empleos?: Vuelve, así que echemos un vistazo a la siguiente lección. Y claro, esta es la pregunta del millón de dólares. ¿La IA reemplazará tu trabajo? Bueno, vamos a averiguarlo. En primer lugar, hablemos de los efectos actuales de la IA en la fuerza laboral. Ahora, la IA se ha utilizado para automatizar tareas muy repetitivas y aburridas La IA se ha utilizado para mejorar la eficiencia. Y, por supuesto, con la introducción de la IA, se han creado nuevos tipos de roles, nuevos tipos de portadores han creado nuevos tipos de portadores como resultado de la IA. Y debido a la introducción de la IA, los trabajadores van a necesitar aprender nuevos tipos de habilidades digitales para poder sobrevivir. Piénsalo bien. Imagínese hoy a un trabajador que no sabe usar Internet. Es casi imposible arreglárselas, ¿verdad? Así que eventualmente en algún momento, todos tendremos que aprender algunos conceptos básicos de la IA para poder ser empleables Entonces, ¿cuáles son los trabajos en su mayoría en riesgo de IA y automatización? Tienes aquellos en manufactura y logística donde ahora tenemos robots impulsados por IA que funcionan en las líneas de montaje. Reemplazaron a todos los humanos. Los tienes en retail y atención al cliente. Ahora tenemos chatbots impulsados por IA que pueden hacer el trabajo bien Tienes reglas sobre esa entrada y administración de datos. Por supuesto, la IA ahora puede manejar hojas de cálculo y, ya sabes, el análisis de documentos y así sucesivamente Y luego en el transporte y la entrega, aunque esto aún no ha tenido pleno efecto, pero eventualmente vamos a tener camiones autónomos e impuestos de autoconducción que puedan hacer el trabajo. Pero no todo es pesimismo y penumbra y la IA nos va a reemplazar a crearán nuevos tipos de roles como resultado de la IA, por ejemplo, ingenieros de IA y machine learning. Obviamente, vamos a estar creando nuevos tipos de modelos o reentrenando y mejorando los modelos de IA existentes. Y entonces los científicos y analistas de datos no olvidan que los datos son el elemento vital de la IA Así que también vamos a necesitar científicos de datos. Y por supuesto, expertos en ciberseguridad que utilizarán la IA para realizar sus tareas, y luego entrenadores de IA y especialistas en ética que asegurarán que los modelos de IA estén alineados con los estándares éticos, y por supuesto, los especialistas en colaboración de IA humana que gestionan los flujos de trabajo humanos de IA en la industria Entonces estos son algunos ejemplos del tipo de carreras que crecerán como resultado de la IA. Pero también tenemos algunas carreras que serán potenciadas por la IA. Por ejemplo, bajo el desarrollo de software, vamos a tener programadores que podrán usar IA para mejorar sus niveles de programación, asistencia de codificación AI Pow, etc. Y luego, bajo la atención médica, IA podrá ayudar a los médicos en diagnósticos, cirugía y atención al paciente también. E incluso en los campos creativos de la industria creativa, donde las herramientas de IA pueden ayudar a diseñadores, escritores, músicos a generar nuevas ideas. Y hay algunas otras profesiones donde la IA puede potenciarlas, también en ciberseguridad, así como yo mismo un especialista en ciberseguridad La IA se puede utilizar para detectar y disuadir ataques cibernéticos. Entonces, en última instancia, la pregunta en este momento es, ¿ IA reemplazará completamente los trabajadores humanos? ¿Qué opinas? En mi humilde opinión, sí creo que la IA inevitablemente reemplazará a muchos millones y millones de tipos de empleos se perderán como resultado de la IA. Si bien se crearán nuevos roles, se crearán nuevos empleos, se crearán nuevas oportunidades como resultado de la IA. No sé cuáles van a ser las implicaciones económicas porque no todos cuyo trabajo haya sido reemplazado por IA podrán conseguir un nuevo empleo. Entonces, ¿qué les pasa, verdad? No lo sé. Es algo en lo que pensar, pero ya veremos. Ya veremos qué va a pasar. Así que solo algunas cosas clave para llevar antes de redondear la lección La IA está automatizando algunos trabajos, pero también creando nuevas oportunidades Creo que la idea aquí es que solo debes posicionarte para aprovechar la introducción de la IA porque, te guste o no, la IA está aquí. Es el presente, y también va a ser el futuro también. Por lo tanto, los trabajos repetitivos poco calificados tienen un mayor riesgo de automatización La IA mejora en lugar de reemplazar roles en muchos campos creativos y analíticos. Y, por supuesto, adaptarse a los lugares de trabajo impulsados por la IA requerirá una mejora de las habilidades y el aprendizaje Como dije antes, debido a la IA, todos nos vamos a ver obligados a aprender algunos conceptos básicos de la IA. Y, por supuesto, el futuro es colaboración de IA humana, no la automatización total. Gracias por ver. Te veré en la siguiente clase. 36. IA y superinteligencia: exageración o realidad: Bueno, vuelve. Entonces, para redondear este módulo, echemos un vistazo a nuestra lección final. Y aquí, estamos discutiendo IA y súper inteligencia. Ahora bien, para ser honesto, no estaba seguro de si debía hacer esto una lección porque al menos en mi humilde opinión, es muy poco probable que alguna vez vayamos a lograr esto, pero sin embargo, es un tema fascinante. Entonces hablemos de ello. Ahora bien, ¿qué es exactamente la súper inteligencia ASI? Bueno, esto es básicamente IA que nos va a superar a los humanos en todos los aspectos, incluyendo la creatividad, razonamiento, la toma de decisiones, etc. Entonces básicamente, estamos hablando de inteligencia que se convertirá en nuestros amos. Ahora, a diferencia de la IA estrecha y general, ASI será autónoma automejorable potencialmente superando con creces las habilidades cognitivas humanas. Entonces, como ejemplo, si finalmente desarrollamos ASI, la propia superinteligencia podría diseñar mejores versiones de sí misma, acelerando rápidamente su inteligencia más allá del control humano Entonces esa vieja teoría de que la IA se apodera del mundo, se va a convertir en una posibilidad real si logramos la súper inteligencia. Entonces, ¿es realmente posible que C alguna vez lleguemos a este punto de superinteligencia en IA sí tenemos algunos factores que apuntan hacia ella y otros factores que dicen , no, no vamos a llegar ahí Entonces, ¿cuáles son los argumentos para que ASI se convierta en realidad? Bueno, antes que nada, el crecimiento del poder computacional. Ahora, obviamente, para alimentar modelos súper inteligentes va a requerir una tremenda cantidad de potencia informática. Pero dado el hecho de que potencia informática está aumentando exponencialmente, no cabe duda de que eventualmente algún momento en el futuro, tendremos suficiente potencia informática para alimentar tales modelos de IA Ahora, los avances en las redes neuronales también. Tienes modelos de aprendizaje profundo que cada día son cada vez más sofisticados. Tienes IA de autoaprendizaje donde tenemos IA ya capaz de superación personal como ejemplo, la Alfa cero. Este es un modelo de IA que aprende a jugar al ajedrez, y aprendió por sí mismo simplemente jugando juegos contra sí mismo. Así que los avances en AGI también. I AGI finalmente se logra IA general, entonces el siguiente paso después de la IA general va a ser la superinteligencia ASI Entonces algunos destacados investigadores de IA como Nick Bostrom, quien también es autor de superinteligencia, creen que la IA podría convertirse una posibilidad real en algún momento del Pero como dije, sí tenemos argumentos a favor de ASI, pero también tenemos argumentos en contra de ASI. En primer lugar, los límites de la computación, la inteligencia humana no se trata sólo de poder mundial competente La conciencia de Ons sigue siendo un problema sin resolver. Entonces esto sigue siendo un gran reto en cuanto al desarrollo de ASI y luego a la falta de verdadera inteligencia general. Antes de que podamos obtener súper inteligencia, necesitamos desarrollar IA general. Aún no hemos logrado la IA general. Algunas personas ya están hablando de súper inteligencia. Entonces tal vez deberíamos lograr primero la IA general antes de empezar a hablar de superinteligencia Y luego la creatividad humana y la emoción, IA siempre carecerá de curiosidad, emociones y la capacidad de experimentar el mundo. Este es uno de los mayores argumentos contra de la superinteligencia ahí No importa lo inteligente que va a ser, sigue siendo una máquina. Todavía no es capaz de desarrollar emociones, ¿verdad? Y luego barreras éticas y técnicas, ¿verdad? El mundo puede impedir intencionalmente que surja ASI debido a riesgos de seguridad. Entonces podría ser que hayamos obtenido la experiencia técnica. Tenemos la potencia de cómputos. Pero nuevamente, solo porque podamos desarrollar súper inteligencia, eso no significa necesariamente que debamos. Entonces tal vez eso podría ser lo que realmente nos impide poder lograr ASI. Entonces algunos escépticos como Gary Marcos argumentan que la IA carece verdadera comprensión y es poco probable alcance la súper Sigamos adelante. ¿Cuáles son los riesgos y preocupaciones éticas de ASI? Y como puedes ver en esta diapositiva, tienes un robot de aspecto muy aterrador que te sonríe. Eso obviamente no es una sonrisa agradable. Es una especie de sonrisa muy, ya sabes, de aspecto malvado. Eso es, por supuesto, el terminador. Si no has visto la película antes de terminator uno y dos, hola animaría a que la veas Es un momento divertido. En realidad Terminator two es mi película favorita de todos los tiempos. Es el número uno para mí. Entonces por si acaso te interesa alguna acción, Scify, definitivamente echa un vistazo a las películas, pero ¿por qué estoy usando esta imagen en particular del terminador Bueno, eso es porque en la película, tenías una súper inteligencia que se desarrolló. El modelo se llamaba Skynet, y finalmente Skynet decidió algún día eso, ¿sabes qué? Voy a destruir a la humanidad. Voy a destruir a la humanidad, y Skynet libró la guerra contra un Así que definitivamente échale un vistazo. Entonces, ¿cuáles son los riesgos y preocupaciones éticas de ASI? En primer lugar, la pérdida del control humano. Es posible que la inteligencia artificial llegue a ser tan poderosa, tan inteligente que nosotros como humanos ya no podremos controlarla. Y que el riesgo existencial si metas de ASI no se alinean con los valores humanos, podría ser peligroso De hecho, hasta podría ser desastroso. Así que la disrupción económica. Con IA estrecha, mucha gente pierde sus empleos. Si se introduce la IA general, se van a perder aún más empleos. Pero, ¿qué pasa ahora si ahora se introduce la súper inteligencia definitiva? Millones y millones de empleos quedarán obsoletos como resultado de este nuevo tipo de tecnología. Y entonces, claro, la toma de decisiones autónoma, ¿podría una IA decidir que los humanos son ineficientes o necesarios? Eso es algo así como lo que pasó en la película Terminator. Como ejemplo, quiero mostrarte , bueno, no te voy a mostrar. Puedes comprobarlo tú mismo. Puedes ir a YouTube. El nombre del canal se llama Isaac Autor Yo solo un experimento llamado el Clip de papel Maximizador En realidad fue un experimento que imaginaba una IA diseñada para crear clips de papel. Pero la IA se volvió tan avanzada y tan eficiente que decidió por sí sola que, Oye, voy a convertir toda la materia del mundo, incluidos los seres humanos en clips de papel. En realidad es un video muy, muy fascinante en YouTube. Creo que son unos 12 a 15 minutos. Definitivamente puedes echarle un vistazo. Nuevamente, el nombre del canal de YouTube es Isaac Ortho. Simplemente busca el video de Paper Clip Maximizer, si quieres verlo. Entonces, resguardando contra ASI incontrolada, ¿qué podemos hacer para asegurar que si se logra ASI, que esté bajo control Bueno, antes que nada, la investigación de alineación de IA, asegurando que la IA comprenda y respete los valores humanos. Eso esperamos. Y luego la supervisión regulatoria. Honestamente, soy alguien que no es necesariamente el mayor fanático de la supervisión y regulaciones gubernamentales. Pero en ciertos tipos de tecnologías como la IA o en este caso, ASI, estoy muy de acuerdo en que será necesaria alguna supervisión gubernamental. Y luego, por supuesto, los mecanismos de interruptor de apagado, ¿verdad? Imagínate si la superinteligencia ASI decide eso, ¿sabes qué? Voy a sacar a la humanidad. Voy a matar a todos los humanos. Deberíamos tener algunos mecanismos de interruptor de apagado para apagar esa IA de inmediato. Y esos kill switch es mejor trabajo, ¿verdad? Y luego, por supuesto, los marcos éticos de IA. La investigación de IA debe priorizar la seguridad, la transparencia y, por supuesto, la rendición Como ejemplo, la IA abierta y la mente profunda. Se trata de empresas. Están investigando activamente la seguridad de la IA para evitar un crecimiento incontrolado de la IA y, con suerte, tendrán éxito Entonces, ¿cuál es el avance de la moneda hacia ASI? Bueno, ninguna IA existente ha logrado AGI, y mucho menos ASI. Entonces, como dije antes, va a tomar mucho tiempo si finalmente llegamos a ASI. Así que los principales modelos de IA como su GPT, Dip Mine etc., todavía dependen de las aportaciones humanas Nuevamente, estamos lejos de poder llegar a la superinteligencia, y luego algunos modelos de IA, pueden automejorarse en tareas estrechas, pero no necesariamente de una manera más amplia o más general Y las discusiones y regulaciones éticas de IA están aumentando a nivel mundial. Por lo que cada vez más gobiernos todo el mundo comienzan a reconocer el impacto de la IA y buscan formas regular el uso de la IA a nivel mundial. Por lo que la predicción, la mayoría de los expertos creen que AGI, nivel humano, IA podría surgir dentro de 50 años. Pero ASI, que es, por supuesto, la máxima inteligencia súper inteligente, artificial, está mucho más lejos si es posible. Claves para llevar. Bueno, ASI se refiere a la IA que superará a la inteligencia humana Algunos expertos, por supuesto, sí creen que ASI es posible mientras que otros no creen que nunca lo lograremos. Los mayores riesgos de ASI incluyen la pérdida de control, las amenazas existenciales y, por supuesto, la disrupción económica masiva Las medidas de seguridad de IA y las regulaciones éticas son cruciales para, por supuesto, prevenir consecuencias no deseadas Y actualmente, ASI, al igual que AGI sigue siendo teórico, y el AGI aquí ni siquiera se ha logrado todavía. Entonces, honestamente, no creo que en nuestra vida alguna vez vayamos a llegar a los niveles de ASI. AGI, creo que eventualmente llegará ahí, posiblemente en otros 25 años o pero AS, no creo que en toda la vida, alguna vez vamos a llegar ahí. Entonces tal vez en el año 3,000 y algo, tal vez eventualmente los humanos, entonces podrían lograr ASI. Pero eso es todo por las lecciones gracias por verlas, veré en la siguiente clase. 37. Conclusión del curso de IA: Bueno, enhorabuena. Hemos llegado al final de este curso sobre inteligencia artificial. Y desde el fondo de mi corazón, permítame darle las gracias por terminar este curso, y sinceramente espero que haya encontrado las lecciones muy entretenidas, atractivas, pero lo más importante, informativas. Y si sientes que tienes el valor de tu dinero, si sientes que te gusta este curso, aprenderás bastante. Por favor considere dejar una reseña escrita. Las críticas me ayudarán mucho, y realmente ayudarán a impulsar este curso, también. Así que muchas gracias por su apoyo. Ahora bien si esta es la última vez que te voy a ver en alguno de mis cursos, déjame decirte, buena suerte. Espero que este curso te ayude en tu vida cotidiana. También te puedo dar ese impulso de carrera que has estado buscando. Y si te veo en otro de mis cursos, tal vez sea un curso de cybsecurity o un curso de desarrollo web o tal vez otro curso de IA, te veré ahí Eso va a ser increíble. No obstante, muchas gracias, una vez más, por tomar este curso, por terminar el curso. Todo lo mejor, y te veré la próxima vez. Ajedrez.