Inteligencia Artificial

AI entrenada y enfocada para realizar tareas específicas

No puede razonar ni solucionar problemas

Unicamente "parecen" inteligentes, no poseen inteligencia real

Forma de AI en la que una máquina tendría una inteligencia igual o mayor a la humana.

Es autoconsciente y tiene la capacidad de resolver problemas, aprender y planificar el futuro

Teórica y sin ejemplos prácticos actualmente

Sub áreas de la AI

Entrenamiento de algoritmos de aprendizaje automático a través de datos

Busca construir y entrenar redes neuronales con múltiples capas con el objetivo de ordenar, clasificar datos y encontrar anomalías.

Modelos computacionales diseñados para funcionar como las neuronas en el cerebro humano

Capacidad de máquinas para entender palabras habladas e impresas en lenguaje humano

Capacidad de toma de decisión de una computadora sobre cómo comprender un concepto específico y plasmarlo en palabras

Sistemas de filtrado de información que pueden predecir automáticamente las preferencias del usuario y generar respuestas a consultas basadas en el comportamiento pasado

Extrae, recopila y analiza gran cantidad de información de una base de datos. Descubre tendencias, patrones y reglas útiles de comportamiento de los clientes.

Interpretar y extraer el significado de elementos visuales en el mundo real

Analiza conjuntos de datos no estructurados, descubrir patrones y relaciones, y usarlos para hacer predicciones sobre probables resultados futuros

Pueden predecir la probabilidad de un paciente a tener una enfermedad en fases extremadamente tempranas

Asistencia médica personalizada remotamente

Recopilación de información de sensores en pacientes y el procesamiento de estos datos

Análisis de información para la mejora de operaciones basadas en el mercado

Software para la gestión de riesgos, prevención de fraude, bancas personalizadas y automatización de procesos

Predicciones estadísticas, por ejemplo en crecimiento o caída de tipos de cambio o monedas

Automatización generalizada de procesos y producción.

La AI puede ser usada para el control y monitorización de desgastes y mecanismos de producción

Dar seguimiento al desarollo de plantaciones y parametros como humedad, presencia de fertilizantes y cuidado general

Detección de malas hierbas, o identificación de plagas o enfermedades en plantas basandose en imagenes

Predicción y análisis para el correcto suministro de químicos y la selección artificial para mejorar los resultados

Control de circulación de vehículos en grandes ciudades y autopistas

Análisis de información de semáforos e intensidad del tráfico para conmutar los semáforos de manera óptima

"Hogares inteligentes"

Asistentes inteligentes

Recomendaciones personalizadas en consumo de contenido multimedia o compras

Swift AI es una biblioteca de alto rendimiento de DeepLearning para el lenguaje de programación Swift

Conjunto de proyectos destinados a soportar todas las necesidades de una aplicación de aprendizaje profundo basada en JVM

Plataforma de Inteligencia Artificial para negocios. Colección de servicios y habilidades que incluyen Machine Learning, razonamiento y decisiones tecnológicas; así como lenguaje, habla y visión tecnológica

Solución de Machine Learning desarrollada por Microsoft que permite construir, probar y desplegar análisis predictivos sobre datos. Además, es una solución basada en la nube, por lo que todas las operaciones se procesan en ella

Biblioteca de código abierto para aprendizaje automático a través de un rango de tareas, y desarrollado por Google para satisfacer sus necesidades de sistemas capaces de construir y entrenar redes neuronales para detectar y descifrar patrones y correlaciones

Servidor de búsqueda basado en Lucene. Provee un motor de búsqueda de texto completo, distribuido y con capacidad de multitenencia con una interfaz web RESTful y con documentos JSON

Biblioteca de Redes Neuronales de Código Abierto escrita en Python. Está especialmente diseñada para posibilitar la experimentación en poco tiempo con redes de Aprendizaje Profundo

1763

Thomas Bayes desarrolló un marco para razonar sobre la probabilidad de los acontecimientos, enfoque importante para el desarollo del machine learning

1842

Ada Lovelace & Charles Babbage publican el primer algoritmo, Lovelace vio oportunidades más allá de las matemáticas. Imaginó un ordenador que no sólo pudiese procesar números, sino también resolver problemas de cualquier complejidad

1943

Warren S. McCulloch y Walter Pitts publican "A Logical Calculus of the Ideas Immanent in Nervous Activity, hablaban de redes de "neuronas" artificiales idealizadas y simplificadas y de cómo podrían realizar funciones lógicas sencillas, se convertirá en la inspiración de las "redes neuronales"

1949

Edmund Berkeley publica "Giant Brains: Or Machines That Think"

Ciencia técnica que estudia y desarrolla teorías, métodos, técnicas y sistemas de aplicación para simular y ampliar la inteligencia humana.

Desde el enfoque

Humano

Sistemas que piensan como humanos

Sistemas que actúan como humanos

Ideal

Sistemas que piensan racionalmente

Sistemas que actúan racionalmente

1950

1956

1967

1980

Las redes neuronales que utilizan un algoritmo de retropropagación para entrenarse se convierten en algo muy utilizado en aplicaciones de IA.

1990

1995

Richard Wallace desarrolla el chatbot A.L.I.C.E que incluye la recogida de datos de muestras de lenguaje natural a una escala sin precedentes, posibilitada por la llegada de la Web

Brooks argumentó que el enfoque descendente de preprogramar un ordenador con las reglas del comportamiento inteligente era erróneo. Contribuyó a impulsar el resurgimiento del enfoque ascendente de la IA

Frank Rosenblatt construye el Perceptrón Mark 1, el primer ordenador basado en una red neuronal que "aprende" mediante ensayo y error

Marvin Minsky y Seymour Papert publican un libro titulado Perceptrones, que se convierte en la obra de referencia sobre las redes neuronales

John McCarthy acuña el termino "Inteligencia Artificial"

J.C Shaw & Herbert Simon crean el "Logic Theorist", el primer programa de IA

Alan Turing introduce "El test de turing"

1997

Deep Blue de IBM vence al campeón mundial de ajedrez Garry Kasparov, en una partida de ajedrez

2008

2009

Fei-Fei Li publicó ImageNet, una base de datos gratuita de 14 millones de imágenes que habían sido etiquetadas por decenas de miles de trabajadores de Amazon Mechanical Turk. Los investigadores de IA empezaron a utilizar ImageNet para entrenar redes neuronales para catalogar fotos e identificar objetos

Apareció una nueva función, una aplicación de Google con reconocimiento de voz.

2011

2015

2016

AlphaGo de DeepMind, impulsado por una red neuronal profunda, vence a Lee Sodol, el campeón mundial de Go

2017

Taryn Southern, una artista pop trabaja con varias plataformas de IA para coproducir su álbum de debut "I AM AI". Su single de 2017 "Break Free" es una colaboración entre humanos y IA.

2018

Alibaba desarrolló un modelo de IA que obtuvo mejores resultados que los humanos en una prueba de lectura y comprensión de la Universidad de Stanford

2020

OpenAI GPT-3, modelo de lenguaje que genera texto natural adoptando algoritmos que están preentrenados.

El superordenador Minwa de Baidu utiliza redes neuronales convolucionales para identificar y categorizar imágenes.

IBM Watson vence a los campeones Ken Jennings y Brad Rutter en Jeopardy