homefinance blog
En esta serie de blogs, explicamos la inteligencia artificial en términos que cualquiera puede entender. El propósito de la serie es explicar la inteligencia artificial de una manera que incluso los lectores no técnicos puedan entender. Cubrimos preguntas como: ¿Qué es la inteligencia artificial (IA)? ¿Como funciona? ¿Cuáles son los límites que tienes? Y, igual de importante, ¿cómo podemos prepararnos para usted en nuestra organización? Todos están emocionados (y un poco asustados) por la revolución actual de la inteligencia artificial (IA). Nuestro mundo está a punto de pasar por cambios masivos. Los médicos virtuales podrán analizar nuestras imágenes X -Ray, los robots vivirán en nuestros hogares y los autos autónomos pronto nos llevarán a las calles.
Sí, todo esto viene a nosotros. Sin embargo, aún no hemos llegado allí y, para comprender mejor por qué, ver algunas de las limitaciones que evitan la inteligencia artificial y la costosa verdad detrás de su implementación.
Puede obtener una consulta gratuita para comprender cómo el procesamiento del lenguaje natural y la ciencia de datos pueden ayudarlo a estimular su negocio. Póngase en contacto con el equipo CreateNeminds hoy cminds.ai >>
La verdad detrás de la inteligencia artificial La diferencia entre la inteligencia humana y la inteligencia artificial
En realidad, detrás de la inteligencia artificial moderna no existe una verdadera” inteligencia “. Nuestras computadoras no comenzarán a “pensar” demasiado pronto.
Pero si las computadoras no piensan, ¿qué hacen? La respuesta sigue siendo “informática”, pero con la inteligencia artificial que mejora el poder informático de manera increíble que no había visto antes. La inteligencia artificial es en un punto en el que es capaz de reconocer las mismas conclusiones que las personas hacen al mirar datos, imágenes y escritura, pero en un ritmo exponencial más rápido. Cada vez más a menudo, encontramos que va más allá de las personas de varias maneras. Sin embargo, todos estos provienen de cálculos que han involucrado álgebra lineal, cálculo y otros términos de matemáticas que muchos de nosotros preferirían no pensar. Demos un ejemplo rápido: una oración de 13 palabras puede tener fácilmente más de 3 billones de significados diferentes. interpretado. Las personas nunca podrían entender la mayoría de estos significados, simplemente porque nuestro cerebro ignora el 99,99999999999% de las posibilidades. En cambio, nos centramos solo en unos pocos sobre el contexto de nuestras situaciones para determinar rápidamente lo que realmente significa nuestro compañero de conversación. Por el contrario, una computadora debe superar las 3 billones de posibilidades para evaluar qué es decir, mejor se adapta a la intención del hablante. Ayudamos al software a hacer esto correctamente, proporcionando estadísticas y orientación adicionales sobre palabras y expresiones. Pero nuestro software realmente no tiene idea de lo que significa la palabra “nube” y por qué la usamos para discusiones sobre los sistemas climáticos e informáticos.
¿Qué es el aprendizaje automático?
La tendencia más fuerte en la inteligencia artificial es el aprendizaje automático y la subsección, el aprendizaje profundo. Ambos usan matemáticas, estadísticas, geometría y otros medios para crear un “modelo” con el que analizamos los datos. Por ejemplo, los automóviles autónomos y los asistentes personales como Alexa están impulsados por el aprendizaje automático y el aprendizaje profundo. ¿Entonces, cómo funciona? Supongamos que tenemos dos categorías de noticias: deportes y música. Con el aprendizaje automático, podemos clasificar con precisión los artículos que caen en la categoría que parecen, sin la ayuda de la intervención humana. Esto se realiza a través de programas de “enseñanza” para buscar en cada artículo palabras como baloncesto, tenis o fútbol y luego clasificar Esos artículos como un deporte. Si el artículo contiene palabras como guitarra, melodía o piano, clasificarán los artículos como música. Entiendes la idea. El aprendizaje automático y el aprendizaje profundo hacen esto exactamente, pero en un método completamente diferente, aunque sofisticado y flexible. Lo que hace el aprendizaje automático es contar palabras, frases y otros modelos aplicando modelos basados en matemáticas, geometría, estadísticas y otros para determinar el significado deseado del texto.
El “automóvil” en el aprendizaje automático, por lo que vi cómo la inteligencia artificial (IA) es impulsada principalmente por modelos de aprendizaje automático y profundo, haciendo cálculos a través de los datos comprados. Para comprender mejor el aspecto de la “máquina” del aprendizaje automático, piense en crear un modelo para el aprendizaje automático, como lo haría para construir características en cualquier máquina física. Debe construir (o programar) piezas específicas para cada tarea. Como un automóvil construido para producir tornillos no hará frascos, la inteligencia artificial (IA) diseñada para analizar los animales en las imágenes no puede determinar qué figura aparece en la imagen, tendrá que ser entrenada para esta tarea específica. El cerebro del coche
Para resaltar cómo es diferente de nuestra inteligencia humana, piense en cómo las personas aprenden de una base de información y luego deducen más conocimiento por su cuenta. Cuando los niños aprenden a distinguir perros gatos, también aprenden que diferentes criaturas similares a la piel también son diferentes especies de animales.
Entonces, cuando esos niños ven una ardilla por primera vez, debido a su inteligencia real, lo más probable es que clasifiquen la ardilla como un nuevo animal y asignen significados adicionales detrás de esta clasificación.
En comparación, la IA todavía está muy por detrás de las personas en términos de “aprendizaje”. El aprendizaje automático no aprende cuando era niño, porque solo sabe cómo reconocer palabras, frases y asociaciones para las cuales fue creado especialmente para analizarlas. Puede reconocer a un gato de un perro, pero si no se aprende lo contrario, las ardillas aparecerán como ratas, ranas o autobuses escolares, para la inteligencia artificial (IA). Él solo ve lo que aprendió a ver. Cuando consideramos cómo el conocimiento sobre el aprendizaje automático se construye en esta pieza por pieza, la mitad del término
La verdad detrás de la inteligencia artificial La diferencia entre la inteligencia humana y la inteligencia artificial
En realidad, detrás de la inteligencia artificial moderna no existe una verdadera” inteligencia “. Nuestras computadoras no comenzarán a “pensar” demasiado pronto.Pero si las computadoras no piensan, ¿qué hacen? La respuesta sigue siendo “informática”, pero con la inteligencia artificial que mejora el poder informático de manera increíble que no había visto antes. La inteligencia artificial es en un punto en el que es capaz de reconocer las mismas conclusiones que las personas hacen al mirar datos, imágenes y escritura, pero en un ritmo exponencial más rápido. Cada vez más a menudo, encontramos que va más allá de las personas de varias maneras. Sin embargo, todos estos provienen de cálculos que han involucrado álgebra lineal, cálculo y otros términos de matemáticas que muchos de nosotros preferirían no pensar. Demos un ejemplo rápido: una oración de 13 palabras puede tener fácilmente más de 3 billones de significados diferentes. interpretado. Las personas nunca podrían entender la mayoría de estos significados, simplemente porque nuestro cerebro ignora el 99,99999999999% de las posibilidades. En cambio, nos centramos solo en unos pocos sobre el contexto de nuestras situaciones para determinar rápidamente lo que realmente significa nuestro compañero de conversación. Por el contrario, una computadora debe superar las 3 billones de posibilidades para evaluar qué es decir, mejor se adapta a la intención del hablante. Ayudamos al software a hacer esto correctamente, proporcionando estadísticas y orientación adicionales sobre palabras y expresiones. Pero nuestro software realmente no tiene idea de lo que significa la palabra “nube” y por qué la usamos para discusiones sobre los sistemas climáticos e informáticos.
¿Qué es el aprendizaje automático?
La tendencia más fuerte en la inteligencia artificial es el aprendizaje automático y la subsección, el aprendizaje profundo. Ambos usan matemáticas, estadísticas, geometría y otros medios para crear un “modelo” con el que analizamos los datos. Por ejemplo, los automóviles autónomos y los asistentes personales como Alexa están impulsados por el aprendizaje automático y el aprendizaje profundo. ¿Entonces, cómo funciona? Supongamos que tenemos dos categorías de noticias: deportes y música. Con el aprendizaje automático, podemos clasificar con precisión los artículos que caen en la categoría que parecen, sin la ayuda de la intervención humana. Esto se realiza a través de programas de “enseñanza” para buscar en cada artículo palabras como baloncesto, tenis o fútbol y luego clasificar Esos artículos como un deporte. Si el artículo contiene palabras como guitarra, melodía o piano, clasificarán los artículos como música. Entiendes la idea. El aprendizaje automático y el aprendizaje profundo hacen esto exactamente, pero en un método completamente diferente, aunque sofisticado y flexible. Lo que hace el aprendizaje automático es contar palabras, frases y otros modelos aplicando modelos basados en matemáticas, geometría, estadísticas y otros para determinar el significado deseado del texto.El “automóvil” en el aprendizaje automático, por lo que vi cómo la inteligencia artificial (IA) es impulsada principalmente por modelos de aprendizaje automático y profundo, haciendo cálculos a través de los datos comprados. Para comprender mejor el aspecto de la “máquina” del aprendizaje automático, piense en crear un modelo para el aprendizaje automático, como lo haría para construir características en cualquier máquina física. Debe construir (o programar) piezas específicas para cada tarea. Como un automóvil construido para producir tornillos no hará frascos, la inteligencia artificial (IA) diseñada para analizar los animales en las imágenes no puede determinar qué figura aparece en la imagen, tendrá que ser entrenada para esta tarea específica. El cerebro del coche
Para resaltar cómo es diferente de nuestra inteligencia humana, piense en cómo las personas aprenden de una base de información y luego deducen más conocimiento por su cuenta. Cuando los niños aprenden a distinguir perros gatos, también aprenden que diferentes criaturas similares a la piel también son diferentes especies de animales.Entonces, cuando esos niños ven una ardilla por primera vez, debido a su inteligencia real, lo más probable es que clasifiquen la ardilla como un nuevo animal y asignen significados adicionales detrás de esta clasificación.
En comparación, la IA todavía está muy por detrás de las personas en términos de “aprendizaje”. El aprendizaje automático no aprende cuando era niño, porque solo sabe cómo reconocer palabras, frases y asociaciones para las cuales fue creado especialmente para analizarlas. Puede reconocer a un gato de un perro, pero si no se aprende lo contrario, las ardillas aparecerán como ratas, ranas o autobuses escolares, para la inteligencia artificial (IA). Él solo ve lo que aprendió a ver. Cuando consideramos cómo el conocimiento sobre el aprendizaje automático se construye en esta pieza por pieza, la mitad del término
La terminología es el estudio de los términos y su uso. Los términos son las palabras y las palabras compuestas a las que, en contextos específicos, se les dan significados específicos, significados que se pueden desviar del significado que las mismas palabras tienen en otros contextos y en el diario (…)
Más detalles
“> El término se vuelve bastante adecuado.
¿Cómo funcionan las redes neuronales
Las redes neuronales son los grupos de algoritmos más avanzados en el campo de la inteligencia artificial. El nombre incluso sugiere que imitan el cerebro humano, pero no es así. Las redes neuronales se basan en datos etiquetados, como ejemplos de imágenes proporcionadas al sistema, donde aprende a identificar partes específicas de imágenes como números. A continuación, convertimos las imágenes en una matriz numérica (números en lugar de píxeles). A través de una serie de operaciones matemáticas, transformamos las matrices de muchas imágenes etiquetadas en una matriz final que se convierte en el modelo. Ahora podemos usar la matriz modelo para multiplicarla en imágenes nuevas y previamente invisibles, y para encontrar las similitudes que estamos buscando. Esto, por supuesto, no se parece a la inteligencia humana. Todos entendemos que no hay una matriz de álgebra lineal que funcione en nuestro cerebro. Un ejemplo muy simplificado de lo que sucede en las matrices de la red neuronal con la multiplicación de los dígitos 1 y 7, utilizando solo 3 imágenes para cada una. Puede ver fácilmente en el gráfico a continuación que indica “neuronas” específicas y diferentes. 
Es sorprendente cómo Matrix 7 sabe cómo ignorar todas las partes inferiores de los datos y centrarse en el punto 7 “Curva” con el puntaje 16,200 y 14,973. De aquí en adelante, la red neuronal utilizará el área de la curva para distinguir otras 7 cifras. Cuando considera que se ha alcanzado el nivel de precisión después de solo 3 imágenes, esto demuestra una tasa de aprendizaje impresionante. 
identificación de la figura “1” basada en tres imágenes
La inteligencia artificial no puede generalizarse entendiendo que las redes neuronales son solo números, vea cómo un sistema de inteligencia artificial (usted) aprendió a marcar la diferencia entre los gatos y los perros no puede aprender a reconocer nada más. Esta es, de hecho, la principal limitación de usted: como en el caso de los autos físicos, debemos crear nuevas partes para cada problema que queramos resolver. Esto significa que:
La inteligencia artificial es costosa. En la mayoría de los otros campos, podemos generalizar o reutilizar los componentes desarrollados para ahorrar costos. Con inteligencia artificial, somos muy limitados, y los componentes hechos anteriormente son, la mayoría de las veces, inútiles.
La inteligencia artificial es sensible a los cambios de datos. Si las personas deciden cambiar la forma en que dibujan las cifras, el modelo de la red neuronal mencionada no reconocerá las formas, una tarea con la que la mayoría de las personas no tendrían problemas. Por ejemplo, escriba las figuras árabes a continuación. Fueron los primeros aquí, y la mayoría de las personas pueden usarlos fácilmente e intuitivamente, incluso si no los han visto antes. Las redes neuronales, por otro lado, deben reinstificarse con un nuevo modelo para discernir que esos símbolos son cualquier cosa.
¿Cómo pueden los creativeminds ayudar a los creativeminds de la ciencia de datos tienen expertos en análisis de datos y procesamiento del lenguaje natural? Puede obtener una consulta gratuita para comprender cómo el procesamiento del lenguaje natural y la ciencia de datos pueden ayudarlo a estimular su negocio. Póngase en contacto con el equipo CreateNeminds hoy cminds.ai >>
Servimos a empresas pequeñas y medianas y exploramos los datos y oportunidades de sus productos juntos. Luego diseñamos la solución correcta para sus necesidades y las implementamos utilizando un software personalizado con el uso de las API incluidas a través de las mejores prácticas de la industria.
Copyright statement: Unless otherwise noted, this article is Collected from the Internet, please keep the source of the article when reprinting.
“> El término se vuelve bastante adecuado.
¿Cómo funcionan las redes neuronales
Las redes neuronales son los grupos de algoritmos más avanzados en el campo de la inteligencia artificial. El nombre incluso sugiere que imitan el cerebro humano, pero no es así. Las redes neuronales se basan en datos etiquetados, como ejemplos de imágenes proporcionadas al sistema, donde aprende a identificar partes específicas de imágenes como números. A continuación, convertimos las imágenes en una matriz numérica (números en lugar de píxeles). A través de una serie de operaciones matemáticas, transformamos las matrices de muchas imágenes etiquetadas en una matriz final que se convierte en el modelo. Ahora podemos usar la matriz modelo para multiplicarla en imágenes nuevas y previamente invisibles, y para encontrar las similitudes que estamos buscando. Esto, por supuesto, no se parece a la inteligencia humana. Todos entendemos que no hay una matriz de álgebra lineal que funcione en nuestro cerebro. Un ejemplo muy simplificado de lo que sucede en las matrices de la red neuronal con la multiplicación de los dígitos 1 y 7, utilizando solo 3 imágenes para cada una. Puede ver fácilmente en el gráfico a continuación que indica “neuronas” específicas y diferentes. Es sorprendente cómo Matrix 7 sabe cómo ignorar todas las partes inferiores de los datos y centrarse en el punto 7 “Curva” con el puntaje 16,200 y 14,973. De aquí en adelante, la red neuronal utilizará el área de la curva para distinguir otras 7 cifras. Cuando considera que se ha alcanzado el nivel de precisión después de solo 3 imágenes, esto demuestra una tasa de aprendizaje impresionante. identificación de la figura “1” basada en tres imágenesLa inteligencia artificial no puede generalizarse entendiendo que las redes neuronales son solo números, vea cómo un sistema de inteligencia artificial (usted) aprendió a marcar la diferencia entre los gatos y los perros no puede aprender a reconocer nada más. Esta es, de hecho, la principal limitación de usted: como en el caso de los autos físicos, debemos crear nuevas partes para cada problema que queramos resolver. Esto significa que:
La inteligencia artificial es costosa. En la mayoría de los otros campos, podemos generalizar o reutilizar los componentes desarrollados para ahorrar costos. Con inteligencia artificial, somos muy limitados, y los componentes hechos anteriormente son, la mayoría de las veces, inútiles.
La inteligencia artificial es sensible a los cambios de datos. Si las personas deciden cambiar la forma en que dibujan las cifras, el modelo de la red neuronal mencionada no reconocerá las formas, una tarea con la que la mayoría de las personas no tendrían problemas. Por ejemplo, escriba las figuras árabes a continuación. Fueron los primeros aquí, y la mayoría de las personas pueden usarlos fácilmente e intuitivamente, incluso si no los han visto antes. Las redes neuronales, por otro lado, deben reinstificarse con un nuevo modelo para discernir que esos símbolos son cualquier cosa.
¿Cómo pueden los creativeminds ayudar a los creativeminds de la ciencia de datos tienen expertos en análisis de datos y procesamiento del lenguaje natural? Puede obtener una consulta gratuita para comprender cómo el procesamiento del lenguaje natural y la ciencia de datos pueden ayudarlo a estimular su negocio. Póngase en contacto con el equipo CreateNeminds hoy cminds.ai >>Servimos a empresas pequeñas y medianas y exploramos los datos y oportunidades de sus productos juntos. Luego diseñamos la solución correcta para sus necesidades y las implementamos utilizando un software personalizado con el uso de las API incluidas a través de las mejores prácticas de la industria.
Tags Aprendizaje automático aprendizaje profundo e inteligencia humana contra la inteligencia artificial
