▷ Sabiduría semanal que puedes leer en pocos minutos. Añade nuestra revista gratuita a tu bandeja de entrada. Lee gratis nuestras revistas de Derecho empresarial, Emprender, Carreras, Liderazgo, Dinero, Startups, Políticas, Ecología, Ciencias sociales, Humanidades, Marketing digital, Ensayos, y Sectores e industrias.

Inteligencia Artificial

Redes Neuronales Artificiales

por

Los clasificadores polinómicos pueden modelar superficies de decisión de cualquier forma; sin embargo, su utilidad práctica es limitada debido a la facilidad con la que superan a los ruidosos datos de entrenamiento y al número a veces poco práctico de parámetros entrenables. Mucho más populares son las redes neuronales artificiales, en las que muchas unidades simples, denominadas neuronas, están interconectadas por enlaces ponderados en estructuras más grandes de notable rendimiento. El campo de las redes neuronales es muy rico, y aquí nos centraremos en dos tipos populares: los perceptrones multicapa y las redes de función de base radial. En el texto se describe cómo cada una de ellas clasifica los ejemplos, y luego se describen algunos mecanismos elementales para inducirlas a partir de los datos de formación.

Inteligencia Artificial Operativa

por

Este texto se ocupa de la inteligencia artificial operativa. Este texto también describe cómo hacer que la IA se amplíe o escale. Una conclusión es que no intente cambiar todo a la vez, pero empiece por algo importante. La mayoría de las empresas se esfuerzan por aprovechar el potencial de la inteligencia artificial para transformar por completo su forma de hacer negocios. El problema es que suelen aplicar la IA en una larga lista de usos discretos, un enfoque que no produce un cambio consecuente. Sin embargo, tratar de reformar toda la organización con IA de una vez es simplemente demasiado complicado para ser práctico. ¿Cuál es la solución? Utilizar la IA para reimaginar todo un proceso, un viaje o una función de la empresa de principio a fin. Esto permite que cada esfuerzo de IA se base en el anterior, por ejemplo, reutilizando datos o mejorando las capacidades para un conjunto común de partes interesadas. La ampliación o escala de la IA implica cuatro pasos: (1) Identificar un área en la que la IA marcará una gran diferencia con razonable rapidez y en la que existen múltiples actividades interconectadas y oportunidades para compartir tecnología. (2) Dotar al equipo de las personas adecuadas y eliminar los obstáculos para su éxito. (3) Reimaginar el negocio como de costumbre, trabajando a partir de un objetivo clave y luego explorando en detalle cómo lograrlo. (4) Apoyar los nuevos procesos basados en la IA con cambios organizativos, como la colaboración interdisciplinar y la mentalidad ágil. Habrá una inversión inicial para el primer modelo o dos creados, pero con el tiempo los nuevos proyectos pueden basarse en los anteriores, reduciendo drásticamente el tiempo y el coste de desarrollo. Los equipos deben considerar el impacto potencial que las iniciativas de IA tendrán en los procesos anteriores y posteriores y aplicar medidas para solucionarlo.

Aprendizaje No Supervisado

por

El texto describe algunas técnicas prácticas para el aprendizaje no supervisado, explicando los algoritmos básicos, sus comportamientos en circunstancias prácticas y los beneficios que ofrecen. Mientras que el aprendizaje supervisado se centra en la inducción de los clasificadores, el aprendizaje no supervisado está interesado en descubrir propiedades útiles de los datos disponibles. Tal vez la tarea más popular sea la de buscar grupos (llamados clusters) de ejemplos similares. Los centroides de estos grupos pueden ser utilizados como centros gausianos para los clasificadores Bayesianos o RBF, como predictores de valores de atributos desconocidos, e incluso como herramientas de visualización de datos multidimensionales. Por último, pero no menos importante, las técnicas utilizadas en el aprendizaje no supervisado pueden utilizarse para crear atributos de nivel superior a partir de los ya existentes.

Asistentes de Voz

por

Cabe preguntar lo que Amazon realmente gana con la existencia de Alexa. ¿Qué hacen los consumidores con estos dispositivos que ayude a Amazon? ¿Qué beneficio estratégico fundamental obtiene? Amazon ha colocado un dispositivo en decenas de millones de hogares: ¿qué hace con él? En el ordenador de sobremesa, había límites bastante estrechos en lo que un navegador web podía hacer para controlar los modelos económicos y los modelos de interacción de los sitios web. En un smartphone, la gestión de todo, desde los permisos del sistema hasta las aplicaciones por defecto, pasando por las notificaciones y los modelos de interacción (por no hablar de las compras dentro de la aplicación), significa que Apple y Android tienen un control mucho más directo de lo que pueden hacer las empresas que utilizan estos dispositivos para llegar a los clientes. Aquí es donde Amazon quiere entrar.

Árbol de Decisión

por

El árbol de decisión es la herramienta más poderosa y popular para la clasificación y predicción. (Tal vez sea de interés más investigación sobre el concepto). Un árbol de decisión es un diagrama de flujo como una estructura de árbol, donde cada nodo interno denota una prueba sobre un atributo, cada rama representa un resultado de la prueba, y cada nodo de hoja (nodo terminal) tiene una etiqueta de clase. Un árbol puede “aprenderse” dividiendo el conjunto de fuentes en subconjuntos basándose en una prueba de valor de atributo. Este proceso se repite en cada subconjunto derivado de una manera recursiva llamada partición recursiva. La recursión se completa cuando el subconjunto de un nodo tiene el mismo valor de la variable objetivo, o cuando la división ya no añade valor a las predicciones. La construcción del clasificador de árbol de decisión no requiere ningún conocimiento de dominio o parametrización, y por lo tanto es apropiado para el descubrimiento de conocimiento exploratorio. Los árboles de decisión pueden manejar (gestionar) datos de gran tamaño. En general, el clasificador de árboles de decisión tiene una buena precisión. (Tal vez sea de interés más investigación sobre el concepto). La inducción de árboles de decisión es un enfoque inductivo típico para aprender conocimientos sobre clasificación. (Tal vez sea de interés más investigación sobre el concepto). Los árboles de decisión clasifican las instancias clasificándolas desde la raíz del árbol hasta algún nodo de hoja, lo que proporciona la clasificación de la instancia. Una instancia se clasifica comenzando en el nodo raíz del árbol, probando el atributo especificado por este nodo, luego bajando por la rama del árbol correspondiente al valor del atributo como se muestra en la figura de arriba, este proceso se repite para el subárbol arraigado en el nuevo nodo.

▷ Recibe gratis nuestras revistas de Derecho empresarial, Emprender, Carreras, Dinero, Políticas, Ecología, Liderazgo, Marketing digital, Startups, Ensayos, Ciencias sociales, Derecho global, Humanidades, y Sectores económicos, en Substack. Cancela cuando quieras.