IA en los Negocios

1

Impacto de la Inteligencia Artificial en los negocios

2

Las 8 dimensiones para planificar una estrategia en la era de la IA

3

IA en la optimizaci贸n de procesos

4

IA en la generaci贸n de Productos y Servicios

5

IA en experiencia del cliente

Quiz: IA en los Negocios

Paso 1: Identificaci贸n

6

Identifica las 谩reas de oportunidad y valor generado por la IA

Paso 2: Consideraciones

7

Consideraciones previas de datos en un proyecto de IA

Quiz: Paso 2: Consideraciones

Paso 3: Seleccion de tecnologias y Herramientas

8

Elige las tecnolog铆as para tu proyecto de IA

9

Eval煤a las herramientas para tu proyecto de IA

10

Prompt en ChatGPT para seleccionar el modelo de IA en tu proyecto

Quiz: Paso 3: Seleccion de tecnologias y Herramientas

Paso 4: El equipo

11

Forma al equipo correcto para un proyecto de IA

Quiz: Paso 4: El equipo

Paso 5: C谩lculos de costos

12

Costos de setup en un proyecto de IA

13

Costos de desarrollo y ejecuci贸n en un proyecto de IA

Quiz: Paso 5: C谩lculos de costos

Paso 6: Mitigaci贸n de riesgos

14

Fundamentos Legales para implementar IA en tu proyecto

15

Propiedad intelectual en la era de IA

16

Debate: IA y Patentes

17

Define mecanismos de seguridad para evitar vulnerabilidades en un proyecto de IA

18

Nuevas soluciones, nuevos problemas

Quiz: Paso 6: Mitigaci贸n de riesgos

Paso 7: M茅tricas en proyecto de IA

19

M茅tricas con IA y para medir un proyecto de IA

20

Herramientas para la creaci贸n y seguimiento de m茅tricas con IA

Quiz: Paso 7: M茅tricas en proyecto de IA

Paso 8: Cultura

21

Crea una cultura de experimentaci贸n y aprendizaje continuo

22

驴C贸mo medir el progreso de una cultura de aprendizaje?

Quiz: Paso 8: Cultura

Reflexiones y consejos para proyectos de IA

23

Entrevista: Buenas pr谩cticas en la ejecuci贸n de un proyecto con IA

24

Entrevista: Reflexiones sobre la implementaci贸n de IA en el negocio

No tienes acceso a esta clase

隆Contin煤a aprendiendo! 脷nete y comienza a potenciar tu carrera

Elige las tecnolog铆as para tu proyecto de IA

8/24
Recursos

Las tecnolog铆as que vamos a repasar son: Sistemas expertos, Machine Learning, Deep Learning, Sistemas de Recomendaci贸n, Visi贸n Computacional e Inteligencia Artificial Generativa.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers.jpg

Los Sistemas Expertos

funcionan como un recetario de cocina para los sistemas donde le decimos exactamente qu茅 hacer a partir de una serie de 鈥渟i pasa esto, entonces eso鈥 que un experto humano codific贸 en el sistema. Por ejemplo, podr铆as tener un sistema de reglas para un chatbot de atenci贸n al cliente que indica: 鈥淪i el cliente menciona 鈥榙evoluci贸n鈥, entonces responde con las pol铆ticas de devoluci贸n鈥.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (1).jpg

El Aprendizaje Autom谩tico o Machine Learning

que seg煤n la forma en la que le proveemos los datos al modelo que usar谩 para resolver el problema planteado, podemos identificar 3 tipos de modelos de machine learning: Aprendizaje Supervisado, Aprendizaje No Supervisado y Aprendizaje por Refuerzo.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (3).jpg
C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (4).jpg

Deep Learning

Siguiendo con el Aprendizaje Profundo o Deep Learning, podemos remarcar que a diferencia del aprendizaje autom谩tico, este puede aprender caracter铆sticas importantes a partir de los datos por s铆 mismo, lo que lo hace particularmente efectivo para tareas con datos no estructurados.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers.png

VISI脫N COMPUTACIONAL

Pasemos a la Visi贸n Computacional que permite a las computadoras 鈥渧er鈥 e interpretar im谩genes y v铆deos para detectar y clasificar objetos, rastrear movimientos, reconstruir escenas 3D, entre otras cosas. Es la tecnolog铆a que permite que las c谩maras de seguridad detecten movimiento, que los autos aut贸nomos 鈥渧ean鈥 la calle, y que tu celular se desbloquee con tu cara. En la pr谩ctica se suele usar de forma conjunta con los modelos de Deep Learning para la detecci贸n o clasificaci贸n de objetos.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (5).jpg

Sistemas de Recomendaci贸n

Son los algoritmos que empresas como Amazon y Netflix usan para sugerirte productos o pel铆culas a diario. Analizan tu historial de comportamiento y el de otras personas parecidas a vos para predecir lo que podr铆as querer despu茅s.

Si tu objetivo es sugerir productos o servicios a tus usuarios bas谩ndote en su comportamiento o caracter铆sticas, deber铆as considerar un sistema de recomendaci贸n. Por ejemplo, sugerir art铆culos a los usuarios de tu ecommerce bas谩ndote en lo que han comprado en el pasado o hayan comprado clientes con caracter铆sticas similares.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (6).jpg

INTELIGENCIA ARTIFICIAL GENERATIVA

Para finalizar, vamos a entrar un poco en detalle en los los modelos de inteligencia artificial generativa que son particularmente 煤tiles cuando se necesita crear, simular o predecir informaci贸n y comportamientos que no existen actualmente. Esto incluye situaciones como la generaci贸n de im谩genes, la creaci贸n de nuevos dise帽os, la escritura de textos, la s铆ntesis de voz y la simulaci贸n de escenarios futuros.

C贸mo seleccionar los modelos de IA para tu proyecto _ AI for Managers (7).jpg

Aportes 33

Preguntas 0

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad?

o inicia sesi贸n.

  • Sistemas expertos
    • Generaci贸n de condicionales para preguntas especificas.
    • Cuando los resultados son previsibles y hay pasos espec铆ficos.
  • Machine Learning
    • Aprendizaje supervisado
      • Cuando tienes datos etiquetados.
      • Tipos
        • Clasificaci贸n
        • Regresi贸n
    • Aprendizaje no supervisado
      • Para descubrir patrones no conocidos.
    • Aprendizaje por refuerzo
      • Sistema de recompensas y castigos, dependiendo si se acerca o aleja al objetivo que le damos.
  • Deep learning
    • Puede aprender a caracter铆sticas importantes, a partir de los datos, por si mismo.
    • Ideal para gran cantidad de datos no estructurados.
  • Sistemas de Recomendaci贸n
    • Analizan historial de comportamientos para saber que puede querer el usuario.
  • Visi贸n Computacional
    • Detecci贸n de im谩genes.
  • Inteligencia Artificial Generativa
    • Crear, simular o predecir informaci贸n que no existe actualmente.
    • Usa NLP para generar nuevo contenido.

Al desconocer todo este detalle conceptual es f谩cil ver que no fue f谩cil optar en los 煤ltimos a帽os por estas tecnolog铆as, por su costo de implementaci贸n, por la cantidad y calidad de datos, y por la curva de aprendizaje requerida. Con los LMM de AI Generativo la cosa cambia aunque hay que recalcar que no es fiable ya que puede mostrar cosas que no son ciertas (aunque lo parezcan) y tambi茅n requieren cierto tipo de 茅tica y limites.

Esta clase est谩 genial 鉁旔煋濔煍

Gracias

\*\*\*Elige las tecnolog铆as para tu proyecto\*\*\* -Sistemas expertos (forma m谩s antigua de IA) 鈥i pasa esto, entonces esto 鈥 鈥asos de alta precisi贸n t茅cnica (legales, ingenier铆a, medicina) 鈥eglas o procesos que se aplican sin excepci贸n 鈥e aplican en contexto donde los resultados son predecibles dentro de un conjunto claro de normativas -Machine learning 鈥1)Aprendizaje supervisado: Clasificaci贸n y predicci贸n o regresi贸n / (datos etiquetados y resultado claro y predecible) 鈥2)Aprendizaje no supervisado: Descubrir patrones en los datos que no es f谩cil de predecir por el humano/ cuando tienes un gran cantidad de datos pero no sabes su relaci贸n 鈥3)Aprendizaje con refuerzo: funciona en un sistema de recompensas y castigos / se sabe cual es el objetivo final pero no como llegar a el / uso en sistemas de rob贸tica , navegaci贸n aut贸noma o video juegos -Deep learning: Puede aprender caracter铆sticas importantes de los datos por s铆 mismo / Es eficiente con datos no estructurados (im谩genes, audio y video tambi茅n aplica) -Sistema de recomendaci贸n: algoritmos como los de Netflix y Amazon atraves de an谩lisis de comportamiento (sugerencia de servicios o productos) -Visi贸n computacional: Es el que permite aplicar im谩genes / audio para detectar personas o cosas (tecnolog铆a de las c谩maras de seguridad, face id, carros aut贸nomos) -Inteligencia artificial generativa: crear, simular o predecir informaci贸n comportamiento que no existe actualmente: im谩genes, generaci贸n de texto, simulaci贸n de voz. (Todo caso que quieras generar contenido nuevo o generar una experiencia conversacional con mi producto)
Hola, soy medico, tengo conocimiento basico de html y js, me gustaria aprender a crear sistemas expertos para apoyar en mi trabajo en clinica. No se si hay alguna ruta de platzi o algun lenguaje de programacion que me recomienten para iniciar en esta area ?, gracias
**<u>Tecnolog铆as de IA y Sus Aplicaciones</u>** **Sistemas Expertos** Aplicaciones:Medicina, ingenier铆a y campos t茅cnicos. Descripci贸n:Funcionan como gu铆as expertos en 谩reas especializadas, ofreciendo respuestas precisas basadas en reglas predefinidas. **Machine Learning (Aprendizaje Autom谩tico)** * Aprendizaje Supervisado Aplicaciones:Clasificaci贸n y predicci贸n. Descripci贸n:Aprende de datos etiquetados para predecir resultados futuros o clasificar informaci贸n. * Aprendizaje No Supervisado Aplicaciones:Procesamiento de datos no estructurados. Descripci贸n:Identifica patrones y estructuras en datos sin etiquetar. * Aprendizaje por Refuerzo Aplicaciones:Rob贸tica, videojuegos, navegaci贸n aut贸noma. Descripci贸n:Aprende a trav茅s de recompensas y castigos para maximizar resultados en entornos espec铆ficos. **Deep Learning (Aprendizaje Profundo)** Aplicaciones:Procesamiento de datos no estructurados, reconocimiento de objetos, procesamiento de im谩genes y voz. Descripci贸n:Utilizado para tareas que involucran grandes vol煤menes de datos no estructurados y reconocimiento de patrones complejos. **Visi贸n Computacional** Aplicaciones:Detecci贸n de objetos, seguimiento de movimientos, reconstrucci贸n 3D. Descripci贸n:Permite a las computadoras ver e interpretar im谩genes y videos, habilitando aplicaciones como c谩maras de seguridad y veh铆culos aut贸nomos. **Sistemas de Recomendaci贸n** Aplicaciones:Personalizaci贸n de recomendaciones basadas en historial y preferencias del usuario. Descripci贸n:Utilizados por empresas como Amazon y Netflix para sugerir productos y contenido a los usuarios. **Inteligencia Artificial Generativa** Aplicaciones:Creaci贸n de contenido nuevo y original, generaci贸n de texto, im谩genes y asistentes virtuales. Descripci贸n:Utilizada para generar contenido simulando caracter铆sticas humanas y procesamiento de lenguaje natural.

驴Porqu茅 hay que auditar a la IA?

En un curso de Coursera se destaca que todas las IA inevitablemente presentar谩n sesgos. Por esta raz贸n, se recomienda realizar auditor铆as a las IA con el fin de reducir la posibilidad de que caigan en esos sesgos.

Es 煤til cuando se busca crear contenido nuevo o generar experiencias conversacionales con el producto. Es vers谩til y aplicable en situaciones donde, en un sistema de recomendaci贸n, los LLM generan contenido nuevo y coherente. Sin embargo, no es tan sencillo garantizar que dicho contenido sea real. Existe la posibilidad de que el sistema termine recomendando productos que no existen en nuestro modelo si no lo entrenamos correctamente.

Los LLM se fundamentan en el conocimiento previo de su modelo. Si la informaci贸n con la que entrenamos al modelo es incorrecta o desactualizada, esto puede resultar en sesgos.

La IA Generativa tiene la capacidad de generar contenido nuevo a partir de material antiguo y ya existente. Un ejemplo actual es el LLM (Modelo de Lenguaje Grande), que son modelos de procesamiento del lenguaje natural entrenados con vastas cantidades de texto disponibles en Internet.

Estrechamente vinculada con el Procesamiento del Lenguaje Natural o NLP. Esta tecnolog铆a capacita a los modelos para comprender el lenguaje humano.

IA Generativa: Resulta 煤til cuando se requiere crear, simular o predecir informaci贸n y comportamientos que en la actualidad no existen. Esto engloba la generaci贸n de im谩genes, dise帽os, s铆ntesis de voz, redacci贸n de textos y la simulaci贸n de escenarios futuros.

Sistemas de Recomendaci贸n: Algoritmos utilizados por plataformas como Amazon y Netflix para sugerir pel铆culas. Estos algoritmos analizan el historial de comportamiento del usuario y de personas con perfiles similares para anticipar sus preferencias futuras. Son 煤tiles cuando se busca recomendar productos o servicios a los usuarios bas谩ndose en su conducta o caracter铆sticas.

En la practica se usa en conjunto con el Deep Learning

Visi贸n computacional: Faculta a las computadoras para visualizar e interpretar im谩genes y videos, con la capacidad de detectar y clasificar objetos, rastrear movimientos y reconstruir escenas en 3D. Esta tecnolog铆a es empleada en aplicaciones como c谩maras de seguridad, veh铆culos aut贸nomos y sistemas de desbloqueo facial. En la pr谩ctica, se emplea en conjunto con el Aprendizaje Profundo para llevar a cabo la detecci贸n o clasificaci贸n de objetos.

Deep Learning o Aprendizaje Profundo: A diferencia del aprendizaje autom谩tico convencional, puede aprender caracter铆sticas significativas directamente de los datos. Resulta efectivo para tareas que involucran datos no estructurados. Es especialmente 煤til cuando se dispone de grandes vol煤menes de datos.

El Aprendizaje por Refuerzo resulta efectivo cuando el sistema debe llevar a cabo acciones espec铆ficas con el fin de maximizar una recompensa a lo largo del tiempo. Es com煤nmente empleado en 谩mbitos como la rob贸tica, la navegaci贸n aut贸noma y los videojuegos.

El Aprendizaje por Refuerzo es efectivo cuando el sistema debe realizar ciertas acciones

Aprendizaje por Refuerzo: Opera mediante un sistema de recompensas y castigos. Se le comunica al sistema cu谩l es el objetivo final, pero no se le indica c贸mo alcanzarlo. Cada vez que se aproxima al objetivo, se le otorga una recompensa, mientras que si se aleja se le impone un castigo. Con el tiempo, la computadora aprende a realizar acciones que la acercan al objetivo.

La Clustering (Closterizaci贸n) es un m茅todo de aprendizaje no supervisado en IA, que organiza datos en grupos o 鈥渃lusters鈥 basados en similitudes, sin etiquetas previas, revelando estructuras ocultas en los datos.

Aprendizaje No Supervisado: 脷til para describir patrones en los datos que no son f谩cilmente identificados por los humanos. Resulta beneficioso cuando se dispone de un conjunto amplio de datos pero no se conocen los patrones o conexiones que podr铆an estar presentes.

Esta opci贸n resulta 煤til cuando se cuentan con datos etiquetados y un resultado claro y predecible que puede ser inferido a partir de dichos datos.

Aprendizaje Supervisado: Predictivo. El modelo aprende a identificar patrones de datos etiquetados para hacer predicciones precisas sobre nuevos datos similares.

Aprendizaje Supervisado: Clasificaci贸n. En este enfoque, se proporcionan numerosos ejemplos y luego se le indica al modelo c贸mo diferenciarlos, permitiendo que aprenda a identificarlos. Esto habilita al modelo para clasificar futuras entradas de manera similar.

Machine Learning o Aprendizaje Automatico (ML o AA): Divididos en 3 tipos. Aprendizaje Supervizado, No Supervizado y Aprendizaje por refuerzo.

Cuando existe un conjunto de reglas que debe ser seguido sin excepci贸n, los sistemas de reglas resultan 煤tiles. Tambi茅n encuentran aplicaci贸n en contextos donde los resultados son predecibles y se basan en un conjunto claro de normativas.

Sistemas expertos: Operan de manera similar a un recetario de cocina, donde indicamos con precisi贸n qu茅 acciones tomar. Por ejemplo, en caso de que ocurra esto, realizar lo siguiente. Estos sistemas resultan valiosos en situaciones de alta complejidad t茅cnica, como en 谩mbitos legales, m茅dicos o de ingenier铆a. Su desempe帽o es equiparable al de un especialista en consultas espec铆ficas.

Importante tener conocimeinto general de las distintas IA que existen, para que sirven y en que casos te puede ayudar cada una.

  • Sistemas expertos (sistema de reglas para un chatbot)
  • Machine learning
    • Aprendizaje supervisado: Clasificaci贸n (emails para detectar spam), Regresi贸n (predicci贸n de valor de venta) Se utiliza cuando tenemos datos etiquetados y con esta cantidad y resultados claros y predecibles que se pueden deducir con los datos
    • Aprendizaje no supervisado: Si se tiene un gran conjunto de datos pero se desconoce que patrones o conexiones podr铆an existir dentro de esos datos esta es la mejor opci贸n. (Por ejemplo para segmentar clientes proceso que tambien se lo conoce como clusterizaci贸n)
    • Aprendizaje por refuerzo: Utilizada en rob贸tica, sistema de navegaci贸n aut贸noma.
  • Deep learning: Cuando se tiene una masiva cantidad de datos que no est茅n estructurados.
  • Visi贸n computacional: Es la tecnolog铆a que permite que las c谩maras identifiquen movimiento, los veh铆culos aut贸nomos vean el entorno.
  • Sistemas de recomendaci贸n: Analizan tu historial de comportamiento y el de perfiles similares al tuyo para predecir tus preferencias.
  • Inteligencia Artificial generativa: Para crear, simular o predecir datos que no existen actualmente
  • Sistemas expertos: le decimos exactamente que hacer con variables. Si dice esto le digo aquello. Son sistemas de reglas.
  • Machine Learning:
  1. Aprendizaje supervisado: datos automatizados
  2. Aprendizaje no supervisado: para descubrir patrones en un gran conjunto de datos. CLausterizaci贸n
    3.Refuerzo: Sistema de recompensa y castigos. Le decimos que queremos que haga pero no como. Rob贸tica, videojuego, navegaci贸n aut贸noma.
  • Deep Learning: aprendizaje profundo, aprende caracteristicas importantes. Si ten茅s grandes vol煤menes de datos
  • Sistemas de recomendaci贸n: analizan tu comportamiento para recomendarte otros nuevos.
  • Visi贸n computacional: detectan movimiento, que se desbloquee un m贸vil.
  • Inteligencia Artificial Generativa: crear, simular o predecir info que no tenemos actualmente. Generaci贸n de imagenes, textos, videos, etc. Al trabajar como cadenas de textos pueden ser utilizados para predecir lo que viene despu茅s. Puede crear contenido nuevo a partir de contenido viejo.

Al seleccionar las tecnolog铆as para tu proyecto de IA, considera cuidadosamente los objetivos, los datos disponibles y las necesidades espec铆ficas del problema que deseas abordar. Cada tecnolog铆a tiene sus propias fortalezas y limitaciones, por lo que es importante evaluar cu谩l se adapta mejor a tus requerimientos y recursos disponibles.

Al elegir las tecnolog铆as para tu proyecto de inteligencia artificial (IA), es importante considerar diversas opciones que se adapten a tus necesidades y objetivos. Es importante evaluar cuidadosamente las caracter铆sticas y capacidades de cada tecnolog铆a en funci贸n de los requisitos espec铆ficos de tu proyecto de IA. Adem谩s, estar al tanto de los avances y las actualizaciones en el campo de la IA te ayudar谩 a mantener tu proyecto actualizado y aprovechar las 煤ltimas innovaciones tecnol贸gicas.