¿Qué redes neuronales, inteligencia artificial y Machine Learning realmente hacen?

por calpee

Cuando una aplicación dice estar alimentada por “inteligencia artificial” se siente como si estuviera en el futuro. ¿Qué es lo que realmente orinan, sin embargo? Estamos echando un vistazo a lo que las palabras de moda como la IA, el aprendizaje automático, y las redes neuronales realmente orinan y si realmente ayudan a mejorar sus aplicaciones.

Hace poco, Google plus y Microsoft añadieron la red neuronal aprendiendo a sus aplicaciones de traducción. Google plus dijo que está usando machine learning para sugerir listas de reproducción. Todoist dice que está usando IA para sugerir cuándo debes terminar una tarea. Any.do afirma que su bot basado en IA hace algunas tareas para usted. Todo eso es solo de la semana pasada. Parte de ello es la comercialización de pelusas para hacer que las nuevas características sean impresionantes, pero a veces los cambios son legítimamente útiles. “Inteligencia artificial”, “machine learning” y “redes neuronales” todas las formas de detalla para que las computadoras hagan tareas más avanzadas y aprendan de su entorno. Aunque pueden escucharlos utilizados indistintamente por los desarrolladores de aplicaciones, son muy diferentes en la práctica.

Las redes neuronales analizan datos complejos simulando el cerebro humano

Las redes neuronales artificiales (ANN o simplemente “redes neuronales” para abreviar) se refieren a un tipo específico de modelo de aprendizaje que emula la forma en que las sinapsis funcionan en su cerebro. La informática tradicional proporciona una serie de sentencias lógicas para realizar una tarea. Las redes neuronales, por otro lado, utilizan una red de nodos (que actúan como neuronas) y bordes (que actúan como sinapsis) para procesar datos. Las entradas se ejecutan a continuación a través del sistema y se generan una serie de salidas.

Learn to Code Part III: Arrays and Logic Statements

You \ has mastered the basics of cambiantes and made it half way through our course, but are you up …

Read more

Esa salida se compara con los datos conocidos. Por ejemplo, decir que quieres entrenar una computadora para reconocer una imagen de un . Correrías millones de fotos de un a través de la red para ver qué imágenes decidió que parecían s. Un humano entonces confirmaría qué imágenes son realmente s. El sistema entonces favorece las vías a través de la red neuronal que llevó a la respuesta correcta. Con el tiempo y millones de iteraciones, la red finalmente mejorará la precisión de sus resultados.

G/O bien Media puede obtener una comisiónDyson V7 Allergy Cordless VacuumBuy por $180 de Newegg

Para ver cómo funciona esto en la acción, tú puedes probar el experimento Quick, Draw! de Google plus aquí. En este caso, Google plus está entrenando una red para reconocer los doodles. Compara el doodle que dibujan a ejemplos dibujados por otras personas. A la red se le dice qué son los doodles y luego entrenados para reconocer futuros doodles basados en cómo se ven los pasados. Incluso si sus habilidades de dibujo succionan (como la mía), la red es bastante buena para reconocer formas básicas como submarinos, plantas de casas y patos.

Las redes neuronales no son la solución correcta para todo, pero sobresalen en el tratamiento de datos complejos. Google plus y Microsoft usando redes neuronales para alimentar sus aplicaciones de traducción es legítimamente emocionante porque traducir idiomas es difícil. Todos hemos visto traducciones rotas, pero el aprendizaje de red neuronal podría dejar que el sistema aprenda de las traducciones correctas para mejorar con el tiempo. Hemos visto pasar una cosa semejante con transcripción de voz. Después de introducir el aprendizaje de red neuronal a Google plus Voice, los errores de transcripción se redujeron un 49%. Es posible que no lo notes de inmediato y no será perfecto, pero este tipo de aprendizaje realmente hace que el análisis de datos complejos sea mejor que el lleve a características más naturales en sus aplicaciones.

Traducción de la herramienta de traducción: Google plus Translate vs. Microsoft Translator

Ya sea que seas un trotamundos, estudiante de idioma, o dueño de negocio, herramientas como Google plus Translate y

Leer más

Machine Learning Teaches Computadoras para mejorar con la práctica

El aprendizaje automático es un término amplio que abarca cualquier cosa en la que enseñes a una máquina a mejorar en una tarea por su cuenta. Más específicamente, se refiere a cualquier sistema en el que el rendimiento de una máquina al completar una tarea se mejore únicamente a través de más experiencia realizando esa tarea. Las redes neuronales son un ejemplo de aprendizaje automático, pero no son la única forma en que un aprende.

Por ejemplo, un método alternativo de aprendizaje automático se llama aprendizaje de refuerzo. En este método, un sistema realiza una tarea y luego se clasifica en el resultado. El vídeo por encima de Android Authority emplees un juego de ajedrez como ejemplo. Una computadora juega un juego completo de ajedrez y luego gana o pierde. Si gana, entonces asigna un valor ganador a la serie de movimientos que utilizó durante ese juego. Después de jugar millones de juegos, el sistema determina qué movimientos son más propensos a ganar en función de los resultados de esos juegos.

Si bien las redes neuronales son buenas para cosas como el reconocimiento de patrones en imágenes, otros tipos de aprendizaje automático pueden ser más útiles para diferentes tareas como determinar qué tipo de música te gusta. A saber, Google plus dice que su aplicación musical te encontrará la música que quieras cuando la quieras. Esto lo hace seleccionando listas de reproducción para usted basándose en su comportamiento pasado. Si ignora sus sugerencias, sería (presumiblemente) etiquetada como una anomalía. Sin embargo, si elige una de las sugerencias, el proceso que utilizó para dar esa sugerencia está etiquetado como un éxito, por lo que refuerza el proceso que llevó a esa sugerencia.

En casos como este, es posible que no obtenga el beneficio completo del aprendizaje automático si no utiliza mucho la función. La primera vez que abras la aplicación de música de Google plus, tus recomendaciones probablemente serán bastante escattershot. Cuanto más lo uses, mejor serán las sugerencias. En teoría, de todos modos. El aprendizaje automático no es una bala de plata, por lo que todavía podría obtener recomendaciones de basura. Sin embargo, definitivamente obtendrá recomendaciones de basura si sólo abre la aplicación de música una vez cada seis meses. Sin un uso regular para ayudarle a aprender, las sugerencias de aprendizaje automático no son mucho mejores que las sugerencias “inteligentes” regulares. Como una palabra de moda, “machine learning” es vaguer que las redes neuronales, pero todavía implica que el programa que está usando utilizará su retroalimentación para mejorar su rendimiento.

Inteligencia Artificial sólo significa cualquier cosa que sea “inteligente”

Al igual que las redes neuronales son una forma de aprendizaje automático, el aprendizaje automático es una forma de inteligencia artificial. Sin embargo, la categoría de lo que más cuenta como “inteligencia artificial” está tan mal definida que casi carece de sentido. Si bien conjura la imagen mental del sci-fi futurista, en realidad, ya hemos alcanzado hitos que antes se consideraban el reino de la IA futura. Por ejemplo, el reconocimiento óptico de caracteres fue considerado una vez demasiado complejo para una máquina, pero ahora una aplicación en sus documentos de de teléfono escaneado y convertirlos en texto. Describir una tarea tan básica como la IA haría que suene más impresionante de lo que es.

Cinco mejores documentos móviles Scanning Aplicaciones

Escanear recibos mientras viajas, apuntes en una pizarra, o bocetos en un de sobre ser fácil ….

Leer más

La razón por la que las tareas telefónicas básicas se consideran IA es porque en realidad hay dos categorías muy diferentes de inteligencia artificial. IA débil o estrecha describe cualquier sistema diseñado para una tarea o equipo estrecho de tareas. Por ejemplo, Google plus Assistant y Siri-mientras que potentes-están diseñados para hacer un equipo muy estrecho de tareas. A saber, tomar series específicas de comandos de voz y devolver respuestas o lanzar aplicaciones. La investigación sobre la inteligencia artificial potencia esas características, pero aún se considera “débil”.

En contraste, fuerte IA-conocido de otra manera como inteligencia general artificial o “full aI”-es un sistema que realiza cualquier tarea que un humano. Tampoco existe. Si usted estaba esperando que su lista de tareas aplicación sería impulsado por un robot lindo expresado por Alan Tudyk, eso está muy lejos. Ya que prácticamente cualquier IA que realmente usarías se considera una IA débil, la frase “inteligencia artificial” en una descripción de aplicación realmente solo significa “es una aplicación inteligente”. Es posible que obtenga algunas sugerencias geniales, pero no espere que contraponga la inteligencia de un ser humano.

Aunque la semántica puede ser embarrada, la investigación práctica en los campos de IA es tan útil que probablemente ya lo haya incorporado a su vida diaria. Cada vez que su teléfono se acuerda automáticamente donde usted estacionó, reconoce las caras en sus fotos, obtener sugerencias de búsqueda, o automáticamente agrupa todas sus fotos de vacaciones juntos, usted está beneficiando ya sea directa o indirectamente de la investigación de la IA. Hasta cierto punto, la “inteligencia artificial” realmente sólo significa que las aplicaciones son más inteligentes, que es lo que usted esperaría de todos modos. Sin embargo, el aprendizaje automático y las redes neuronales son las únicas adecuadas para mejorar ciertos tipos de tareas. Si una aplicación acaba de decir que está usando “IA” es menos significativo que cualquier tipo de aprendizaje automático.

También vale la pena señalar que las redes neuronales y el aprendizaje automático no son todos creados iguales. Decir que una máquina de aplicación emplees aprendiendo a hacer algo mejor es un poco como decir que una cámara es mejor porque es “digital”. Sí, las cámaras digitales hacen algunas cosas que largo cámaras ‘t, pero eso no orinan que cada fotografía digital sea mejor que cada fotografía de largometraje. Todo está en cómo lo usas. Algunas empresas podrán desarrollar poderosas redes neuronales que realmente complican cosas que hacen que tu vida sea mejor. Otros van a bofetear una etiqueta de aprendizaje automático en una característica que ya ofrecía sugerencias “inteligentes” y lo ignorarás solo lo mismo.

Desde un punto de vista detrás de las escenas, el aprendizaje automático y las redes neuronales son muy emocionantes. Sin embargo, si estás leyendo una descripción de aplicación que emplaste estas frases, tú simplemente lo lee como “Esta característica es ligeramente más inteligente, probablemente” y sigue haciendo lo que siempre has hecho: juzgar las aplicaciones por lo útiles que son para ti.

Ilustración de Sam Woolley.

You may also like

Leave a Comment