Inteligencia Artificial

Image

"Sistemas HW/SW diseñados por las personas que, dado un objetivo complejo, actúan en una dimensión física o digital mediante la percepción del entorno gracias a la adquisición de datos, la interpretación de datos estructurados o desestructurados recopilados, el razonamiento sobre el conocimiento o el procesado de la información, derivados de estos datos, y la toma de decisiones para conseguir el objetivo. Los sistemas de AI pueden utilizar reglas simbólicas o aprender un modelo numérico, y también se pueden adaptar su comportamiento analizando la forma en la que sus acciones previas afectan al entorno”.

Machine Learning o aprendizaje máquina

Disciplina científica de la inteligencia artificial que crea sistemas que aprenden de forma automática. Los algoritmos de Machine Learning son capaces de analizar datos, aprender de ellos y realizar diferentes tareas. Pueden clasificarse en dos grupos en función del tipo de aprendizaje: algoritmos supervisados y no supervisados. Los algoritmos supervisados utilizan un conjunto de datos de entrenamiento (training dataset) para realizar predicciones. Dichos datos incluyen datos de entrada y valores anotados de respuesta. A partir de dichos datos, el algoritmo trata de construir un modelo que predice los valores para un nuevo conjunto de datos. Por otro lado, los algoritmos no supervisados infieren relaciones entre los datos de entrada. Los algoritmos de clustering (clustering algorithms) son el principal método, que agrupa elementos homogéneos en un conjunto de datos o clústeres, de modo que el grado de asociación es alto entre los miembros de un mismo clúster y bajo entre miembros de diferentes clústeres.

grafico

Deep Learning o aprendizaje profundo

Image
Deep Learning icon

El Deep Learning es una evolución de las tecnologías de Machine Learning que trata de replicar la forma de trabajar del cerebro humano. Por ello, sus modelos basados en redes neuronales son capaces de trabajar con datos de alta dimensionalidad y realizar tareas complejas de una forma precisa mediante el uso de unidades de procesamiento gráfico (GPU).

Natural Language Processing o procesado de lenguaje natural (NLP)

Image
natural language icon

El procesamiento del lenguaje natural (NLP) es el campo de la IA que permite que las máquinas sean capaces de leer, comprender y obtener un significado a partir del lenguaje de las personas. De forma sencilla, se puede afirmar que el NLP representa la gestión automática del lenguaje oral y textual de las personas. En relación al lenguaje textual, la minería de textos (Text Mining) permite analizar grandes cantidades de datos textuales de distintas fuentes y plataformas de medios sociales con el objetivo de identificar patrones y tendencias en relación a la afinidad con la marca, preferencias de producto o patrones de consumo. Dentro de la minería de texto, una de las líneas de investigación más activa es el análisis de sentimiento, que permite cuantificar el tipo e intensidad de la emoción expresada en el texto. Estas tecnologías pueden resultar muy útiles para descubrir la opinión real de los consumidores. Otra área de interés es la modelización basada en características (feature/topic modelling), que permita identificar las opiniones sobre atributos concretos de un producto.

Natural Language Generation o generación de lenguaje natural (NLG)

La generación de lenguaje natural (NLG) permite responder a la demanda de textos coherentes y naturales generados automáticamente por las máquinas. Esta subdisciplina de la IA y la lingüística computacional se basa en la generación de textos entendibles, correctos desde el punto de vista gramatical y ortográfico, y coherentes semánticamente en diferentes idiomas. Tradicionalmente, NLG se ha basado en la generación texto-texto, como la generación de resúmenes, la simplificación de textos o la generación automática de preguntas. Sin embargo, los nuevos algoritmos han permitido implementar sistemas capaces de contar historias adaptadas en su estilo, tono y estructura a diversos perfiles de usuario, como base para los interfaces conversacionales, mejorando la interacción entre los dispositivos y las personas.

Analítica predictiva y prescriptiva

Las analíticas hacen referencia a las habilidades, tecnologías, aplicaciones y prácticas para una exploración e investigación iterativa de los datos con el objetivo de obtener conocimiento y planificar las actividades empresariales.

Image

Las analíticas incluyen dos áreas principales: inteligencia de negocio (Business Intelligence BI) y analíticas avanzadas (Advanced Analytics). Las tecnologías de Business Intelligence (BI) se han centrado tradicionalmente en el uso de un conjunto consistente de métricas para medir el comportamiento pasado y ayudar en la planificación empresarial. Se trata de realizar consultas, informar, procesar y obtener respuestas sobre lo que ha pasado y su frecuencia. Las analíticas de datos avanzadas utilizan técnicas de modelización complejas para predecir eventos futuros o descubrir patrones que no se detectan de otra forma. Estas técnicas pueden dar respuesta a cuestiones como la razón de un evento, lo que ocurrirá si no se modifica la tendencia, lo que ocurrirá o lo mejor que puede ocurrir. Existen tres niveles para las analíticas. En primer lugar, las analíticas descriptivas simplemente proporcionan formas para visualizar y explorar los datos como tales. En segundo lugar, las analíticas predictivas permiten obtener pistas sobre lo que puede ocurrir en función de las tendencias históricas. Finalmente, las analíticas prescriptivas incluyen técnicas de optimización basadas en grandes volúmenes de datos, reglas de negocio y modelos matemáticos para recomendar el mejor tipo de acción.

Image
Analitica grafico transparente 2

Sistemas de recomendación

Image
recomend icon

Un sistema de recomendación sugiere productos, servicios o información a los usuarios a partir de un análisis de datos como la historia del usuario o el comportamiento de usuarios similares. Para ello, el aspecto crítico del proceso es la recopilación e integración de la información, que puede provenir de fuentes explícitas como la actividad previa, ratings y comentarios, información sociodemográfica; o bien de fuentes implícitas como el dispositivo de acceso, los clicks en un link, la localización o la fecha. Los sistemas de recomendación pueden clasificarse en tres grupos: (i) algoritmos de filtrado basado en el contenido (content-based filtering) realizan recomendaciones a partir de patrones definidos sobre los metadatos obtenidos del historial e interacciones del usuario; (ii) filtrado colaborativo (collaborative filtering) recopila información sobre las interacciones de otros usuarios con intereses o contextos similares para realizar recomendaciones para el usuario; (iii) Sistemas basados en el conocimiento (knowledge-based system) definen las recomendaciones en función de su influencia en las necesidades del usuario y se basan en el grado de conocimiento y experiencia en el dominio.

Sistemas basados en evidencia

Image
Salud icon

Este concepto surge del mundo médico para establecer correlaciones médicas mediante el desarrollo de asociaciones y patrones a partir de bases de conocimiento. En la actualidad, la gran cantidad de información científica impide que los profesionales de la salud se mantengan al día de los diferentes estudios y avances. Por ello, la aplicación de la Inteligencia Artificial integra la última investigación clínica disponible con la experiencia del personal para considerar la mejor opción para el tratamiento de un paciente.