UP9: Inteligencia Conectada

​"Rama de la informática que se enfoca en la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento del habla, la toma de decisiones o el aprendizaje."

​No todas las IAs son capaces de aprender, aunque la capacidad de aprendizaje es clave para adaptarse a situaciones cambiantes y complejas.

​"Programas informáticos a los que se les proporciona gran cantidad de información sobre un tema concreto y son capaces de contestar preguntas y resolver problemas relacionados con esa información."

• Utilizan:

  • Bases de datos para guardar los datos

  • Árboles de decisión para resolver problemas

​Un ejemplo puede ser una base de datos de un sistema médico, que ayuda al diagnóstico de enfermedades.

​"Campo de estudio dentro de la IA que intenta dotar a los sistemas informáticos de la capacidad de aprender sin ser explícitamente programados."

• Se construye un modelo.

• Ese modelo toma decisiones posteriormente

1. Datos: Se recopilan datos, se etiquetan y se separan algunos para validar el modelo después.

2. Modelo: Se elige un modelo y estrategia de aprendizaje.

3. Entrenamiento: Se dan los datos al modelo, que ajusta sus parámetros.

4. Validación: Se validan los resultados con los datos separados.

5. Implementación: Listo para usar en el sistema real

6. Predicción: Se usa la IA

​"Modelo de IA basado en neuronas interconectadas en capas, con gran capacidad dentro del campo de la IA."

• Cada neurona contiene un parámetro que se ajusta en el entrenamiento.

• Se unen formando capas: entrada, ocultas y salida

• Cuando tienen muchas capas se llama Aprendizaje Profundo (Deep Learning)

​"Forma en que un modelo de IA es capaz de aprender, habitualmente una red neuronal."

1. Aprendizaje Supervisado: Se le dan datos etiquetados, y ella observa y aprende a etiquetar nuevos datos.

2. Aprendizaje Supervisado: Se le dan datos sin etiquetar, y ella los estudia y los clasifica según sus características

3. Aprendizaje Por Refuerzo: No se le dan datos, solo se le da un objetivo, y se le permite interactuar con el mundo (real o virtual) y lo intenta muchas veces recibiendo recompensas o castigos según vaya consiguiéndolo.

1. Aprendizaje Supervisado: Reconocimiento de voz, clasificación de imágenes, reconocimiento de texto.

2. Aprendizaje No Supervisado: Agrupar datos, estudio de patrones de compra, detección de fraude

3. Aprendizaje por Refuerzo: Videojuegos, robótica, industria

1. Aprendizaje Supervisado

   • Ventaja: Muy preciso

   • Desventaja: Necesita muchos datos etiquetados

2. Aprendizaje No Supervisado

   1. Ventaja: Puede recibir datos en bruto

   2. Desventaja: Puede dar resultados inesperados

3. Aprendizaje por Refuerzo

   1. Ventaja: Se adapta al entorno

   2. Desventaja: Puede tardar muuucho en aprender o dar resultados extraños para nosotros

​"Gran volumen de datos recopilados de diferentes formas que se pueden utilizar para alimentar la IA"

• Se identifican por las 5 Vs

  • Volumen

  • Variedad

  • Velocidad de crecimiento

  • Veracidad

  • Valor para una aplicación característica

​"Red de dispositivos que pueden comunicarse entre ellos y con el mundo digital"

• Dispositivos IoT: Hardware

  • Sensores, Actuadores y Comunicadores

• Plataforma IoT: Procesa y almacena datos

  • Habitualmente en la nube

• Protocolos IoT: Lenguaje común de todos los dispositivos

  • BLE/ZigBee/MQTT/...

• Hogar

  • Electrodomésticos conectados

  • Extraer patrones de comportamiento

• Ciudades

  • Control de tráfico

  • Seguridad ciudadana

• Industria

  • Reducción del impacto ambiental

  • Monitorización de máquinas

• Privacidad: Pueden robarte la información directamente, y a veces las empresas cruzan datos unos con otros y permiten saber cosas de ti que tú no has compartido explícitamente

• Precisión: Las IAs también fallan a veces, y pueden generar problemas inesperados e incontrolables.

• Discriminación: Por ejemplo, si se entrena un reconocedor facial solo con datos de blancos, podría no identificar a personas de otro color de piel como humanos.

• Desempleo: Si aprenden a hacer de todo, nos quitarán los trabajos. ¿Es eso malo? ¿Hay que controlarlo? ¿O ajustar el sistema económico?

• Dependencia tecnológica: Es cada vez mayor, hasta el punto de depender de la IA para tomar decisiones (sistemas de recomendación de noticias, Instagram, ...). Esto limita la diversidad de pensamiento.

​Las "cámaras de eco" son esferas virtuales, como la TL de Twitter, en las que solo se repite lo que uno quiere oír, un eco de nuestros pensamientos, aumentando la polarización política y el conformismo social.