Fundamentos de la inteligencia artificial
La inteligencia artificial moderna se basa en una base de ciencia de datos y aprendizaje automático. El objetivo principal de la inteligencia artificial es usar máquinas para funcionalidades que normalmente están asociadas a los seres humanos. Veamos que los conceptos de ciencia de datos admiten la base de la inteligencia artificial.
¿Qué es la ciencia de datos?
La ciencia de datos es un campo interdisciplinar cuyo objetivo es lograr la inteligencia artificial. Principalmente usa técnicas de aprendizaje automático y estadísticas. En la mayoría de los casos, los científicos de datos son los expertos encargados de resolver problemas de inteligencia artificial.
¿Qué es el aprendizaje automático?
El aprendizaje automático es una técnica en la que una máquina examina una gran cantidad de datos para buscar patrones. Esta técnica se usa con frecuencia para la inteligencia artificial. Usa algoritmos que entrenan a una máquina para que aprenda patrones en función de características distintivas sobre los datos. Cuanto mayor sea el número de datos de entrenamiento, más precisas serán las predicciones.
Estos son algunos ejemplos:
- Detección de correo no deseado: el aprendizaje automático podría buscar patrones en los que el correo electrónico contenga palabras como "gratis" o "garantía", el dominio de la dirección de correo electrónico esté en una lista bloqueada o un vínculo que aparezca en el texto no coincida con la dirección URL subyacente.
- Detección de fraudes con tarjetas de crédito: el aprendizaje automático podría buscar patrones como el gasto en un código postal que el propietario no suele visitar, la compra de un artículo muy caro o un aumento repentino de las compras.
¿Qué es el aprendizaje profundo?
El aprendizaje profundo es un subconjunto del aprendizaje automático. El aprendizaje profundo imita cómo el cerebro humano procesa la información, como una red neuronal artificial conectada. A diferencia del aprendizaje automático, el aprendizaje profundo puede detectar patrones complejos y diferenciar características distintivas sobre los datos por sí solo. Normalmente, funciona con datos no estructurados como imágenes, texto y audio. Requiere enormes cantidades de datos para un mejor análisis y potencia informática masiva para la velocidad.
Por ejemplo, el aprendizaje profundo se puede usar para detectar células cancerígenas en imágenes médicas. El aprendizaje profundo explora cada píxel de la imagen como entrada para los nodos neuronales. Los nodos analizan cada píxel para filtrar las características que parecen cancerígenas. Cada capa de nodos envía sus hallazgos de posibles células cancerígenas a la siguiente capa de nodos para repetir el proceso y, en última instancia, agregar todo lo que ha encontrado para clasificar la imagen. Por ejemplo, la imagen puede clasificarse como una imagen sana o una imagen con características cancerígenas.
A continuación, vamos a explorar cuatro categorías de herramientas de Microsoft que puede usar para agregar inteligencia artificial a su empresa.