Inteligencia Artificial (IA)

Inteligencia Artificial (IA)

1. - Es una rama de la Informática - Es una disciplina, como la física - Tiene que ver con la teoría y los métodos para construir máquinas que piensen y actúen como los humanos - Se ocupa de la creación de agentes inteligentes, sistemas capaces de razonar, aprender y actuar con autonomía

2. Aprendizaje automático

   • - Subcampo de la IA - Es un programa o sistema que entrena modelos con datos de entrada - Este modelo entrenado puede hacer predicciones útiles a partir de datos nuevos o desconocidos extraídos de los mismos que se usaron para entrenarlo - Le da a la computadora la capacidad de aprender sin una programación explícita
   • Modelo de Aprendizaje automático sin supervisión
     • - Se relacionan con el descubrimiento, la observación de datos sin procesar y ver si se pueden agrupar naturalmente en grupos - Contiene datos sin etiquetar
   • Modelo de Aprendizaje automático con supervisión
     • - Funcionan con datos etiquetados (nombre, un tipo o un número) - Aprende de ejemplos anteriores para predecir valores futuros - Se introducen valores de datos de prueba, genera una predicción y la compara con los datos de entrenamiento que se usaron para entrenar el modelo. Si los valores de los datos de prueba predichos y los de entrenamiento están muy separados, se considera un error. Entonces intenta reducir este error hasta que los valores predichos y los reales estén más cerca
   • En el proceso de aprendizaje tradicional, clásico, supervisado y no supervisado, se toman datos de código y etiquetas de entrenamiento para crear un modelo. Según el caso de uso o problema, el modelo puede darte una predicción. Puede clasificar algo o agruparlo. En la programación tradicional, teníamos que codificar las reglas para distinguir a un gato: tipo, animal; patas, cuatro; orejas, dos; pelaje, sí; les gusta la lana y la hierba gatera.

3. Aprendizaje profundo

   • IA Generativa
     • - Sub conjunto del Aprendizaje Profundo - Es un tipo de tecnología de inteligencia artificial - Utiliza Redes Neuronales Artificiales - Pueden procesar datos etiquetados o no etiquetados mediante datos supervisados, no supervisados y semisupervisados - Puede producir varios tipos de contenido, incluidos texto, imágenes, audio y datos sintéticos - No es IA generativa cuando la salida o etiqueta es un número o una clase, por ejemplo, spam o no spam, o una probabilidad - Es IA generativa si el resultado es de lenguaje natural, como voz o texto, una imagen o un audio
     • El proceso de IA generativa puede tomar código de entrenamiento y datos etiquetados y sin etiquetar, de todo tipo, y construir un modelo de base. Entonces, el modelo de base genera nuevo contenido, como texto, código, imágenes, audio, video, etcétera. Hemos avanzado mucho desde la programación tradicional hasta las redes neuronales y los modelos generativos.
     • Se trata de un tipo de inteligencia artificial que crea contenido nuevo según lo que aprende a partir de contenido existente
     • - Un modelo de lenguaje generativo puede tomar lo que aprendió de los ejemplos que se le mostraron y crear algo completamente nuevo basado en esa información - Los modelos de lenguaje extensos son un tipo de IA generativa, pues generan combinaciones originales de texto en forma de lenguaje sonoro natural - Un modelo generativo de imágenes toma una imagen como entrada y genera texto, otra imagen o video de salida.
     • Por ejemplo, con una salida de texto, puedes obtener una respuesta visual a una pregunta, y con una salida de imagen, se genera una imagen. Con una salida de video, se genera una animación. Un modelo de lenguaje generativo toma texto como entrada y puede generar más texto, una imagen, un audio o decisiones. Por ejemplo, en la salida de texto, se genera una respuesta a una pregunta. Y en la salida de imagen, se genera un video.
     • Sabemos que los modelos generativos de lenguaje aprenden sobre patrones y lenguaje con datos de entrenamiento y, a partir de un texto, predicen lo que viene a continuación. Por lo tanto, estos modelos son sistemas de coincidencia de patrones. Aprenden patrones según los datos que les proporciones. Según lo que ha aprendido de sus datos de entrenamiento, ofrece predicciones para completar esta oración.
   • Redes neuronales artificiales
     • - Se inspiran en el cerebro humano - Pueden usar datos etiquetados y sin etiquetar - Tienen muchas capas de neuronas que les permiten aprender patrones más complejos frente a modelos de aprendizaje automático tradicionales - Los datos etiquetados ayudan a la red neuronal a aprender los conceptos básicos de la tarea y los datos sin etiquetar le permiten generalizar el conocimiento hacia nuevos ejemplos - Se componen de muchos nodos o neuronas interconectados que pueden aprender a realizar tareas procesando datos o haciendo predicciones
     • - Una red neuronal se entrena con una pequeña cantidad de datos etiquetados y una cantidad grande de datos sin etiquetar - Los modelos de lenguaje extensos también son un subconjunto de este aprendizaje - Es un tipo de aprendizaje automático que utiliza redes neuronales artificiales, lo que permite procesar patrones más complejos que con el aprendizaje automático - Esto se conoce como aprendizaje semisupervisado
     • En la era de las redes neuronales, podíamos entregarle a la red imágenes de gatos y perros y preguntarle si era un gato, y predeciría que era un gato. En la era generativa, como usuarios, podemos generar nuestro propio contenido, ya sea texto, imágenes, audio, video, etcétera. Por ejemplo, los modelos como PaLM, Pathways Language Model, o LaMDA, Language Model for Dialogue Applications, transfieren muchísimos datos de múltiples fuentes de Internet y construyen modelos de lenguaje bases que podemos usar con solo hacer una pregunta, ya sea escribiéndola en un mensaje o formulándola verbalmente. Entonces, si le preguntas qué es un gato, te proporciona todo lo que ha aprendido sobre los gatos.

4. Los modelos de aprendizaje profundo o aprendizaje automático en general se pueden dividir en dos tipos: generativos y discriminativos

   • Un modelo discriminativo es un tipo de modelo que se usa para clasificar o predecir etiquetas para los datos - Se entrenan con conjuntos de datos etiquetados y aprenden la relación entre los atributos de los datos y las etiquetas - Cuando se entrena un modelo discriminativo, puede usarse para predecir la etiqueta de los datos nuevos - Discriminan entre diferentes tipos de instancias de datos
   • Un modelo generativo genera instancias de datos nuevas en función de una distribución de probabilidad aprendida de datos existentes - Por ende, los modelos generativos generan nuevo contenido - generan instancias de datos nuevas y los modelos

5. El proceso de aprendizaje a partir de contenido existente se llama entrenamiento y lleva a la creación de un modelo estadístico. Cuando se le proporciona un mensaje, la IA usa el modelo para predecir cuál podría ser la respuesta esperada y esto genera nuevo contenido. En esencia, aprende la estructura subyacente de los datos y, luego, genera nuevas muestras similares a los datos con los que se entrenó