Elige las tecnologías para tu proyecto de IA

• Sistemas expertos
  • Generación de condicionales para preguntas especificas.
  • Cuando los resultados son previsibles y hay pasos específicos.
• Machine Learning
  • Aprendizaje supervisado
    • Cuando tienes datos etiquetados.
    • Tipos
      • Clasificación
      • Regresión
  • 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 características importantes, a partir de los datos, por si mismo.
  • Ideal para gran cantidad de datos no estructurados.
• Sistemas de Recomendación
  • Analizan historial de comportamientos para saber que puede querer el usuario.
• Visión Computacional
  • Detección de imágenes.
• Inteligencia Artificial Generativa
  • Crear, simular o predecir información que no existe actualmente.
  • Usa NLP para generar nuevo contenido.

Al desconocer todo este detalle conceptual es fácil ver que no fue fácil optar en los últimos años por estas tecnologías, por su costo de implementación, 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 también requieren cierto tipo de ética y limites.

Esta clase está genial ✔📝🔥

Gracias

¿Porqué hay que auditar a la IA?

En un curso de Coursera se destaca que todas las IA inevitablemente presentarán sesgos. Por esta razón, se recomienda realizar auditorías a las IA con el fin de reducir la posibilidad de que caigan en esos sesgos.

Es útil cuando se busca crear contenido nuevo o generar experiencias conversacionales con el producto. Es versátil y aplicable en situaciones donde, en un sistema de recomendación, 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 información 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 tecnología capacita a los modelos para comprender el lenguaje humano.

IA Generativa: Resulta útil cuando se requiere crear, simular o predecir información y comportamientos que en la actualidad no existen. Esto engloba la generación de imágenes, diseños, síntesis de voz, redacción de textos y la simulación de escenarios futuros.

Sistemas de Recomendación: Algoritmos utilizados por plataformas como Amazon y Netflix para sugerir películas. Estos algoritmos analizan el historial de comportamiento del usuario y de personas con perfiles similares para anticipar sus preferencias futuras. Son útiles cuando se busca recomendar productos o servicios a los usuarios basándose en su conducta o características.

En la practica se usa en conjunto con el Deep Learning

Visión computacional: Faculta a las computadoras para visualizar e interpretar imágenes y videos, con la capacidad de detectar y clasificar objetos, rastrear movimientos y reconstruir escenas en 3D. Esta tecnología es empleada en aplicaciones como cámaras de seguridad, vehículos autónomos y sistemas de desbloqueo facial. En la práctica, se emplea en conjunto con el Aprendizaje Profundo para llevar a cabo la detección o clasificación de objetos.

Deep Learning o Aprendizaje Profundo: A diferencia del aprendizaje automático convencional, puede aprender características significativas directamente de los datos. Resulta efectivo para tareas que involucran datos no estructurados. Es especialmente útil cuando se dispone de grandes volúmenes de datos.

El Aprendizaje por Refuerzo resulta efectivo cuando el sistema debe llevar a cabo acciones específicas con el fin de maximizar una recompensa a lo largo del tiempo. Es comúnmente empleado en ámbitos como la robótica, la navegación autónoma 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 cuál es el objetivo final, pero no se le indica cómo 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 (Closterización) es un método de aprendizaje no supervisado en IA, que organiza datos en grupos o “clusters” basados en similitudes, sin etiquetas previas, revelando estructuras ocultas en los datos.

Aprendizaje No Supervisado: Útil para describir patrones en los datos que no son fácilmente identificados por los humanos. Resulta beneficioso cuando se dispone de un conjunto amplio de datos pero no se conocen los patrones o conexiones que podrían estar presentes.

Esta opción resulta útil 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: Clasificación. En este enfoque, se proporcionan numerosos ejemplos y luego se le indica al modelo cómo 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 excepción, los sistemas de reglas resultan útiles. También encuentran aplicación 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 precisión qué acciones tomar. Por ejemplo, en caso de que ocurra esto, realizar lo siguiente. Estos sistemas resultan valiosos en situaciones de alta complejidad técnica, como en ámbitos legales, médicos o de ingeniería. Su desempeño es equiparable al de un especialista en consultas específicas.

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: Clasificación (emails para detectar spam), Regresión (predicción 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 podrían existir dentro de esos datos esta es la mejor opción. (Por ejemplo para segmentar clientes proceso que tambien se lo conoce como clusterización)
  • Aprendizaje por refuerzo: Utilizada en robótica, sistema de navegación autónoma.
• Deep learning: Cuando se tiene una masiva cantidad de datos que no estén estructurados.
• Visión computacional: Es la tecnología que permite que las cámaras identifiquen movimiento, los vehículos autónomos vean el entorno.
• Sistemas de recomendación: 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. CLausterización
   3.Refuerzo: Sistema de recompensa y castigos. Le decimos que queremos que haga pero no como. Robótica, videojuego, navegación autónoma.

• Deep Learning: aprendizaje profundo, aprende caracteristicas importantes. Si tenés grandes volúmenes de datos
• Sistemas de recomendación: analizan tu comportamiento para recomendarte otros nuevos.
• Visión computacional: detectan movimiento, que se desbloquee un móvil.
• Inteligencia Artificial Generativa: crear, simular o predecir info que no tenemos actualmente. Generación de imagenes, textos, videos, etc. Al trabajar como cadenas de textos pueden ser utilizados para predecir lo que viene después. Puede crear contenido nuevo a partir de contenido viejo.

Al seleccionar las tecnologías para tu proyecto de IA, considera cuidadosamente los objetivos, los datos disponibles y las necesidades específicas del problema que deseas abordar. Cada tecnología tiene sus propias fortalezas y limitaciones, por lo que es importante evaluar cuál se adapta mejor a tus requerimientos y recursos disponibles.

Al elegir las tecnologías 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 características y capacidades de cada tecnología en función de los requisitos específicos de tu proyecto de IA. Además, estar al tanto de los avances y las actualizaciones en el campo de la IA te ayudará a mantener tu proyecto actualizado y aprovechar las últimas innovaciones tecnológicas.