Академический Документы
Профессиональный Документы
Культура Документы
■ Introducción
■ Transición de IA
■ IA un auge en el pasado
■ Machine Learning evoluciona
■ Que aun Machine Learning no puede hacer
■ Cosas que dividen a una máquina y un ser humano
■ IA y Deep Learning
■ La Inteligencia Artificial (IA) es una palabra que se puede empezar a ver más a
menudo estos días.
■ La IA se ha vuelto un tema candente no solo en la sociedad académica, sino
también en el campo de los negocios.
■ De cada posible patrón que se pueda imaginar, buscar el camino más eficiente
y hacer la mejor elección posible entre ellos dentro de un marco de tiempo
realista. Al hacer esto, usted debe obtener la mejor respuesta cada vez.
Veamos cómo una máquina juega al ajedrez con más detalle. Digamos que una
máquina hace el primer movimiento como "blanco", y hay 20 movimientos posibles
para ambos "blanco" y "negro" para el siguiente movimiento. Desde la parte
superior del árbol al comienzo del juego, hay 20 ramas debajo de la siguiente
jugada posible. Bajo una de estas 20 ramas, hay otras 20 ramas debajo como el
próximo movimiento posible del negro, y así sucesivamente. En este caso, el árbol
tiene 20 x 20 = 400 ramas para el negro, dependiendo de cómo se mueve el
blanco, 400 x 20 = 8.000 ramas para el blanco, 8.000 x 20 = 160.000 ramas de
nuevo para el negro.
■ Una máquina genera este árbol y evalúa cada posición posible de la tabla de
estas ramas, decidiendo la mejor disposición en un segundo.
■ El movimiento de cada pieza también debe ser considerado e incorporado en
un programa, por lo que el programa de ajedrez no es tan simple como se
pensaba anteriormente.
Una máquina no puede tomar estas decisiones inconscientes como los humanos.
Si creamos una máquina que pueda considerar apropiadamente un fenómeno que
ocurre en el mundo real, podemos asumir dos posibilidades:
1. Una máquina intenta llevar a cabo su tarea o propósito sin tener en cuenta
incidentes secundarios y posibilidades
2. Una máquina intenta llevar a cabo su tarea o propósito sin tener en cuenta
incidentes irrelevantes y posibilidades
■ La primera vez que apareció el aprendizaje profundo fue hace bastante tiempo,
en 2006. El profesor Hinton de la Universidad de Toronto en Canadá, y otros,
publicaron un artículo. En este trabajo, se presentó un método llamado redes de
creencias profundas (DBN), que es una expansión de redes neuronales, un
método de aprendizaje automático. DBN se probó utilizando la base de datos
MNIST, la base de datos estándar para comparar la precisión de cada método
de reconocimiento de imágenes.
■ Hay otro gran evento que difunde el aprendizaje profundo en todo el mundo.
Ese evento ocurrió en 2012, cuando Google anunció que una máquina podría
detectar automáticamente un gato usando videos de YouTube como datos de
aprendizaje del algoritmo de aprendizaje profundo que Google propuso.
■ Este algoritmo extrajo 10 millones de imágenes de los vídeos de YouTube y las
usó como datos de entrada.
■ Tras el desarrollo del método que puede reconocer a un gato, Google llevó a
cabo otro experimento para una máquina para dibujar un cuadro utilizando el
aprendizaje profundo. Este método se llama Inceptionism.
■ El aprendizaje profundo logró hacer una red de múltiples capas, es decir, hacer
una red "profunda", la clave del éxito fue hacer que cada capa pueda aprender
en etapas. El algoritmo anterior trató a toda la red de múltiples capas como una
gigantesca red neuronal y lo hizo aprender como uno, lo que causó los
problemas mencionados anteriormente.
■ Por lo tanto, el aprendizaje profundo tomó el enfoque de hacer que cada capa
aprenda con antelación. Esto se conoce literalmente como pre-entrenamiento.
En el pre-entrenamiento, el aprendizaje comienza en la capa inferior en orden.
■ El aprendizaje profundo es sólo el primer paso para que una máquina obtenga
conocimiento humano. Nadie sabe qué tipo de innovación va a pasar en el futuro.
Sin embargo, podemos predecir hasta qué punto el rendimiento de una
computadora será mejorado en el futuro.
■ Para predecir esto, la ley de Moore es usada. El rendimiento de un circuito
integrado que soporta el progreso de un ordenador está indicado por el número de
transistores cargado. La ley de Moore muestra el número, y se dice que el número
de transistores duplica cada año y medio.
■ Basado en la ley de Moore, más adelante en el futuro en 2045, se dice que
llegaremos a un punto crítico llamado Singularidad Técnica donde los humanos
podrán hacer predicciones tecnológicas. En ese momento, se espera que una
máquina sea capaz de producir inteligencia auto-recursiva.
■ "El desarrollo de la plena inteligencia artificial podría significar el fin de la raza humana".