Embedded Files
Curso:
Problemas:
Recomendación de contenidos:
Primero nos clasifican en grupos.
Luego nos hacen recomendaciones cada vez más específicas.
Las noticias que nos llegan son 'las que nos gustan'.
Las fake son las que nos podemos tragar...
Análisis de imagen:
Reversión: animación de personajes generados, Avatar... disfrazan al actor con imágenes sintéticas.
Dalee: mezcla de imágenes.
Problemas:
Imágenes y vídeos realistas pero falsos.
Hackeo control de acceso.
Fake news.
¿QUÉ ES Y QUÉ NO ES IA?
No hay una definición académica consensuada.
La ciencia ficción añade confusión a la definición.
Tareas sencillas para una persona son muy difíciles de implementar: llevamos miles de años de evolución y miles de horas de práctica desde la infancia para, por ejemplo, seleccionar y coger un objeto con la mano. La coordinación de la vista y el tacto para coger un objeto es muy difícil de reproducir.
Pasa lo contrario en otros temas: el ajedrez es muy sencillo de implementar porque el número de reglas y elementos son muy pequeños. Ideal para 'búsqueda exhaustiva': probar todas las opciones posibles. Así hay programas que nos avisan del jaquemate 540 movimientos antes del final de la partida.
IA tiene dos características básicas:
Autonomía: no necesita un supervisor.
Adaptabilidad: aprende de la experiencia para ser cada vez más eficiente.
Las aplicaciones de IA no son generales, sino limitadas o estrechas.
En resumen tiene IA un sistema autónomo y adaptable al entorno.
Otra definición: máquina que imita el comportamiento inteligente de los humanos.
Un programa capaz de sentir/actuar/razonar/tomar decisiones de forma autónoma y adaptable.
CAMPOS CONECTADOS:
Aprendizaje automático (machine learning): sistemas que mejoran la manera de ejecutar la tarea a medida que acumulan experiencia (datos).
Etapas: entrada caracterización (1 lo hace un humano) clasificación (red de nodos) respuesta.
1: lo que hacemos al entrenar los ejercicios de scratch y similares.
Aprendizaje profundo: Deep learning. Lo mismo pero en un sistema de clasificación con tantos nodos que hasta hace unos años no había ordenadores capaces de hacer todos los cálculos con agilidad.
Se aplica por ejemplo, en Dalee: transferencia de estilos.
Ahora la caracterización se hace a la vez que la clasificación y sin necesidad de elemento humano, con una red neuronal.
Robótica, pero aplicada a entornos complejos: necesita adaptabilidad y autonomía.
Se considera la cima de la IA al combinar:
Detección del entorno (visión +
Reconocimiento de la voz y procesamiento del habla.
Razonamiento con incerticumbre.
Computación afectiva (interacción con humanos).
Cobot: robot que colabora con humanos.
Problemas prácticos de IA:
¿Cómo ir de A hasta B?
Primera fase: determinar opciones y consecuencias ligadas a cada una.
Definir el resultado.
Busqueda de una ruta.
a) Pasar zorro, pollo y pienso al otro lado del río. Reglas: el robot siempre en la barca, Nunca todos en la barca, siempre se queda uno.
Análisis: 5 objetos, mejor 4: robot+barca, zorro
Objerivos
Estados.
Espacio de estados: todos los estados posibles.
Transiciones: movimeintos posibles entre dos estados a través de una única acción.
Ruta: secuencia de transiciones.
Costes: asociados a una transición.
Esta imagen está sacada de este curso traducido por la Uned.
El juego del pollo está aquí.
Algoritmo Minmax: para 3 en raya, damas, ajedrez...
Se analizan todas las situaciones de juego, se valoran las opciones de ganar y se optimiza la ruta óptima.
3 en raya:
Valor para cada tablero posible:
+1: si gana max.
-1: si gana min.
0: el resto.
Deep blue: cortaba parte de las ramas para no eternizar el análisis, con una función de evaluación heurística.
La búsqueda de todos los estados, exhaustiva, es la fuerza bruta.
La búsqueda inteligente intenta limitar las opciones de forma inteligente.
SITUACIONES CON INCERTIDUMBRE:
En la búsqueda de ruta en un coche automático está afectada por la incerticumbre:
Problemas metereológicos, tráfico...
La mejor solución es aplicar probabilidad.
Situación: probabilidad de sacar un doble 6 en el parchís.
Probabilidad de que el Euribor sube un 5% en 6 meses.
Para que la precisión de un cálculo de probabilidad sea buena es necesario tener muchas observaciones -datos.
Si la tenemos, podemos tomar decisiones inteligentes.
Medida de probabilidad mediante cuotas en lugar de porcentajes:
1:4 1 opción ganadora frente a 4 perdedoras, significa una de cada 5 jugadas: 20% de opciones ganadoras.
REGLA DE BAYES:
Compara la cuota de que algo ocurra a priori, antes del experimento, y después, a posteriori.
Con información extra que aporta algún experimento mejora mucho la verosimilitud del porcentaje calculado.
CLASIFICACIÓN BAYESIANA INGENUA: se utiliza para detectar el spam.
Sistemas expertos: basados en reglas. El humano las estudia y define. El problema es que surgen demasiadas reglas, dificultades para aplicarlas y excepciones.
TIPOS DE APRENDIZAJE AUTOMÁTICO:
Supervisado: clasificación con etiquetas. Predicción. Es el tipo más utilizado de los 3.
Hay que tomar ejemplos y entrenar el modelo.
Se aplica la regresión: definición de una curva o fórmula que se ajusta a los datos que tenemos.
El supervisor revisa las soluciones para descartar curvas con bajo ajuste o sobreajuste.
No supervisado: clasificación sin etiquetas. Grupos.
Se utiliza para buscar estructuras, patrones... dentro de los datos.
Una vez detectados los grupos el supervisador pone etiquetas a cada grupo.
Aprendizaje por refuerzo: memoria de acciones buenas y malas.
Ejemplo: un robot aplica una solución y compara el cambio en el entorno con su objetivo. Si ha habido memoria, aplica un valor positivo -o recompensa- a la acción, y negativa si pasa lo contrario.
Es necesario reservar datos para los test, no utilizar todos en el entrenamiento.
VECINO MÁS CERCANO:
Se aplica en recomendaciones: se comparan las selecciones de todos los clientes, y se le recomienda al cliente lo mismo que han comprado los clientes con secuencias de compra más parecidas.
REGRESIÓN
Consiste en buscar los pesos de los coeficientes de la fórmula que va a representar con mayor precisión la muestra de datos que tenemos. Este sistema aplicado en otros problemas es el que utiliza una matriz para calcular los coeficientes.
REDES NEURONALES:
Las redes neuronales artificiales son una ampliación del sistema anterior: para cada neurona se calcula una regresión. Pero al haber muchas conexiones entre ellas, el problema se vuelve muy complejo. Esta es la base del Deep learning.
Preguntas de los test:
Page updated
Google Sites
Report abuse