Archivo

Posts Tagged ‘Aprendizaje Automático’

Aprendizaje Profundo (Deep Learning) vs. Aprendizaje Automático (Machine Learning): una explicación simple

12 de abril de 2019 Deja un comentario

¿Cuál es la diferencia entre Deep Learning vs Machine Learning? ¿Cómo son similares o diferentes entre sí? ¿Cómo benefician a los negocios? ¡Vamos a averiguarlo!

El Aprendizaje Automático y el Aprendizaje Profundo son dos subconjuntos de la Inteligencia Artificial que han atraído mucha atención en los últimos dos años. Si está buscando entender los términos de la manera más sencilla posible, no hay un mejor lugar para estar.

En primer lugar, echemos un vistazo a algunos datos y estadísticas interesantes sobre el Aprendizaje Profundo y el Aprendizaje Automático:

— Un especialista en Inteligencia Artificial de su personal le costará un salario neto equivalente a un Roll-Royce Ghost Series II del 2017, o incluso más. Los especialistas en IA pueden obtener una compensación alrededor de $ 300,000 a $ 500,000. (The New York Times).

— ¿Podría perder su trabajo por Inteligencia Artificial? Según un informe reciente de PwC, tal vez. Para la década de 2030, predicen que aproximadamente el 38% de todos los empleos en los Estados Unidos podrían ser sustituidos por tecnologías de Inteligencia Artificial y automatización.

 Heliograf, el escritor de Inteligencia Artificial de The Washington Post, creó aproximadamente 850 historias en el año 2016 durante los Juegos Olímpicos de Río y la elección presidencial de 2016. (The Washington Post).

— Para el año 2020, el 57% de los compradores de negocios dependerán únicamente de las empresas para saber qué necesitan antes de poder pedir algo. Significa que tener capacidades de predicción sólidas con Inteligencia Artificial será la clave para mantener a sus clientes. (Salesforce).

— El primer programa de Inteligencia Artificial, “The Logic Theorist”, fue creado en 1955 por Newell & Simon. (World Information Organization).

Los investigadores también predicen que para 2020, el 85% de las interacciones con los clientes se manejarán sin un humano. Eso es solo un año y algunos se van. (Gartner).

— El 80% de los ejecutivos cree que la Inteligencia Artificial aumenta la productividad. (The Motley Fool).

— El mercado de la Inteligencia Artificial o el Aprendizaje Automático crecerá a una industria de $ 5,05 mil millones para el año 2020. (The Motley Fool)

Espero que le gusten estas estadísticas. Ahora, si se queda conmigo por un tiempo, intentaré explicar cuál es realmente la diferencia entre el Aprendizaje Profundo frente al Aprendizaje Automático, y cómo puede aprovechar estos dos subconjuntos de la Inteligencia Artificial para nuevas y emocionantes oportunidades comerciales.

—————————————————————————————————————–

Aprendizaje Profundo vs Aprendizaje Automático

—————————————————————————————————————–

Antes de comenzar, espero que esté familiarizado con una comprensión básica de lo que significan los términos Aprendizaje Profundo (Deep Learning) y Aprendizaje Automático (Machine Learning). Si no es así, aquí hay un par de definiciones simples de Aprendizaje Profundo y Aprendizaje Automático para tontos, con perdón:

Aprendizaje automático para los principiantes:

Un subconjunto de la Inteligencia Artificial involucrado con la creación de algoritmos que pueden modificarse a sí mismos sin intervención humana para producir el resultado deseado, alimentándose a través de datos estructurados.

Aprendizaje Profundo para los principiantes:

Un subconjunto del Aprendizaje Automático en el que los algoritmos se crean y funcionan de manera similar a los del Aprendizaje Automático, pero existen numerosos niveles de estos algoritmos, cada uno de los cuales brinda una interpretación diferente de los datos de los que se alimenta. Dicha red de algoritmos se denomina redes neuronales artificiales, que se denominan de modo que su funcionamiento sea una inspiración, o se puede decir; un intento de imitar la función de las redes neuronales humanas presentes en el cerebro.

Traté de poner esas definiciones de la manera más simple posible, pero incluso si no le ayudó a distinguir las diferencias, aquí hay un ejemplo que lo hará.

Eche un vistazo a la imagen de arriba. Lo que verá es una colección de fotos de gatos y perros. Ahora, digamos que desea identificar las imágenes de perros y gatos por separado con la ayuda de los algoritmos del Aprendizaje Automático y las redes del Aprendizaje Profundo.

En matemáticas, lógica, ciencias de la computación y disciplinas relacionadas, un algoritmo ​ es un conjunto prescrito de instrucciones o reglas bien definidas, ordenadas y finitas que permiten llevar a cabo una actividad mediante pasos sucesivos que no generen dudas a quien deba hacer dicha actividad.​

Cabe mencionar por último que los algoritmos son muy importantes en la informática ya que permiten representar datos como secuencias de bits. Un programa es un algoritmo que indica a la computadora qué pasos específicos debe seguir para desarrollar una tarea.

Conceptos básicos del Aprendizaje Profundo frente al Aprendizaje Automático: cuando este problema se resuelve mediante el aprendizaje automático:

Para ayudar a que el algoritmo ML (Machine Learning) clasifique las imágenes de la colección de acuerdo con las dos categorías de perros y gatos, deberá presentar estas imágenes de manera colectiva. Pero, ¿cómo sabe el algoritmo cuál es cuál?

La respuesta a esta pregunta, como en la definición anterior de Aprendizaje Automático para principiantes, es información estructurada. Simplemente etiquete las imágenes de perros y gatos de una manera que definirá las características específicas de ambos animales. Estos datos serán suficientes para que el algoritmo del Aprendizaje Automático aprenda, y luego continuará trabajando en función de las etiquetas que entendió, y clasificará millones de otras imágenes de ambos animales según las características que aprendió a través de dichas etiquetas.

Aprendizaje Profundo frente a Aprendizaje Automático: cuando el problema se resuelve a través del Aprendizaje Profundo:

Las redes de Aprendizaje Profundo adoptarían un enfoque diferente para resolver este problema. La principal ventaja de las redes de Aprendizaje Profundo es que no necesariamente necesitan datos estructurados / etiquetados de las imágenes para clasificar a los dos animales. Las redes neuronales artificiales que usan el Aprendizaje Profundo envían la entrada (los datos de las imágenes) a través de diferentes capas de la red, y cada red define jerárquicamente las características específicas de las imágenes.

Esto es, de una manera similar a cómo nuestro cerebro humano trabaja para resolver problemas, pasando las consultas a través de varias jerarquías de conceptos y preguntas relacionadas para encontrar una respuesta.

Una vez que los datos se procesan a través de capas dentro de redes neuronales profundas, el sistema encuentra los identificadores adecuados para clasificar a los animales de sus imágenes.

Nota: Este es solo un ejemplo para ayudarle a comprender las diferencias en la forma en que funcionan los conceptos básicos del Aprendizaje Automático y las redes del Aprendizaje Profundo. Tanto el Aprendizaje Profundo como el Aprendizaje Automático no se aplican simultáneamente en la mayoría de los casos, incluido este. La razón de lo mismo se explicará más adelante a medida que lea.

En el Machine Learning hay que guiar a la máquina en cada una de las fases del proceso para que aprenda, a través de la práctica, a identificar lo que queremos de manera automática.

Entonces, en ese ejemplo, vimos que un algoritmo de Aprendizaje Automático requería datos etiquetados / estructurados para comprender las diferencias entre imágenes de perros y gatos, para aprender la clasificación y luego producir resultados.

Por otro lado, una red de Aprendizaje Profundo fue capaz de clasificar imágenes de ambos animales a través de los datos procesados ​​dentro de las capas de la red. No requirió ningún tipo de datos etiquetados / estructurados, ya que se basó en las diferentes salidas procesadas por cada capa que se amalgamaron para formar una forma unificada de clasificar las imágenes.

En el Deep Learning la máquina aprende por sí sola con cada nuevo input de información que recibe. Si en alguna ocasión emplea un dato equivocado, aprende del error.

————————————————————–

Que hemos aprendido aquí

————————————————————–

    1. La diferencia clave entre el Aprendizaje Profundo (Deep Learning) frente al Aprendizaje Automático (Machine Learning) se debe a la forma en que los datos se presentan al sistema. Los algoritmos del Aprendizaje Automático casi siempre requieren datos estructurados, mientras que las redes de Aprendizaje Profundo dependen de las capas de las redes neuronales artificiales (ANN).
    2. Los algoritmos de Aprendizaje Automático están diseñados para ‘aprender’ a hacer cosas mediante la comprensión de los datos etiquetados, y luego se utilizan para producir resultados adicionales con más conjuntos de datos. Sin embargo, deben volver a formarse a través de la intervención humana cuando la salida real no es la deseada.
    3. Las redes del Aprendizaje Profundo no requieren intervención humana ya que las capas anidadas en las redes neuronales colocan los datos a través de jerarquías de diferentes conceptos, que eventualmente aprenden a través de sus propios errores. Sin embargo, incluso estos están sujetos a resultados defectuosos si la calidad de los datos no es lo suficientemente buena.
    4. Los datos son el gobernador aquí. Es la calidad de los datos la que determina en última instancia la calidad del resultado, de ahí el valor del Big Data.

——————————————————————————————————————–

Lo que no vimos en el ejemplo, pero son puntos importantes a tener en cuenta:

——————————————————————————————————————–

      1. Dado que los algoritmos del Aprendizaje Automático requieren datos etiquetados, no son adecuados para resolver consultas complejas que involucran una gran cantidad de datos.
      2. Aunque en este caso, vimos la aplicación de redes del Aprendizaje Profundo para resolver una consulta menor como esta. La aplicación real de las redes neuronales del Aprendizaje Profundo está en una escala mucho mayor. De hecho, teniendo en cuenta la cantidad de capas, jerarquías y conceptos que procesan estas redes, solo son adecuadas para realizar cálculos complejos en lugar de simples.
      3. Ambos subconjuntos de la IA giran en torno a los datos para entregar realmente cualquier forma de ‘inteligencia’. Sin embargo, lo que se debe saber es que el Aprendizaje Profundo requiere muchos más datos que un algoritmo de Aprendizaje Automático tradicional. La razón de esto es que solo es capaz de identificar aristas (conceptos, diferencias) dentro de las capas de redes neuronales cuando se expone a más de un millón de puntos de datos. Los algoritmos del Aprendizaje Automático, por otro lado, pueden aprender a través de criterios definidos preprogramados.

Entonces, con el anterior ejemplo y la explicación posterior de los conceptos básicos del Aprendizaje Profundo frente al Aprendizaje Automático, espero que hayan entendido las diferencias entre ambos. Dado que estas son explicaciones simples, hago todo lo posible para no introducir términos técnicos que son en su mayoría incomprensibles para aquellos que buscan aprovechar las soluciones de la Inteligencia Artificial y el Aprendizaje Automático para su negocio.

Ahora es el momento de martillar el clavo final. ¿Cuándo debería utilizar realmente el Aprendizaje Profundo o el Aprendizaje Automático en su empresa?

¿Cuándo usar el Aprendizaje Profundo?

      • Si es una empresa con grandes cantidades de datos para derivar interpretaciones.
      • Si tiene que resolver problemas demasiado complejos para el Aprendizaje Automático.
      • Si puede gastar una gran cantidad de recursos y gastos computacionales para impulsar el hardware y el software para capacitar a las redes del Aprendizaje Profundo.

¿Cuándo utilizará el desarrollo del Aprendizaje Automático para su negocio?

      • Si tiene datos que se pueden estructurar y utilizar para entrenar algoritmos de Aprendizaje Automático.
      • Si está buscando aprovechar los beneficios de la IA para aumentar su ventaja frente a la competencia.
      • Las mejores soluciones de Aprendizaje Automático pueden ayudar en la automatización de varias operaciones comerciales, incluida la verificación de identidad, publicidad, mercadeo y recopilación de información, y ayudar a aprovechar grandes oportunidades para el futuro.

Terminando:

Espero que le guste este blog. Este blog definitivamente le ayudará a despejar todas sus dudas relacionadas con el Aprendizaje Profundo y el Aprendizaje Automático, además de otras cuestiones que tengan que ver con las nuevas tecnologías. Con el aumento de las diferentes tecnologías, las empresas hoy en día están buscando empresas de consultoría tecnológica para encontrar lo que es mejor para su negocio.

Puede pensar en el Aprendizaje Profundo (Deep Learning), el Aprendizaje Automático (Machine Learning) y la Inteligencia Artificial como un conjunto de muñecas rusas (MATRIOSKAS) anidadas una dentro de la otra, comenzando con las más pequeñas y ejercitándose. El Aprendizaje Profundo es un subconjunto del Aprendizaje Automático, y el Aprendizaje Automático es un subconjunto de la IA, que es un término general para cualquier programa de computadora que hace algo inteligente. En otras palabras, todo Aprendizaje Automático es IA, pero no toda IA es Aprendizaje Automático, etc.

El aumento de la Inteligencia Artificial también dará lugar a un aumento en los servicios de desarrollo de software inteligente, el desarrollo de aplicaciones IoT y los servicios de desarrollo de blockchain (ya hablaremos de este concepto más adelante). Hoy en día, los desarrolladores de software personalizados están aprendiendo nuevas formas de programación que están más inclinadas al Aprendizaje Profundo y al Aprendizaje Automático.

Si desea agregar algo en el artículo, mencione en el cuadro de comentarios y no olvide “aplaudir” o “criticar” y compartir el artículo si lo considera interesante. Esto me motivará a escribir más artículos informativos.

Artículos relacionados:

Las 10 mejores tendencias de Inteligencia Artificial en 2019

Cómo se conectan la Inteligencia Artificial y el Big Data

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

Productos y Servicios de Alibaba Cloud

Blockchain e IoT: una fusión que garantiza transacciones válidas y seguras

Infografía – Inteligencia Artificial y Aprendizaje Automático (Machine Learning) en la empresa

Anuncios

Infografía – Inteligencia Artificial y Aprendizaje Automático (Machine Learning) en la empresa

11 de abril de 2019 Deja un comentario

La Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning) tienen un potencial notable para acelerar, simplificar y mejorar muchos aspectos de nuestra vida cotidiana. Los primeros resultados han creado simultáneamente una emoción colosal y han demostrado su gran potencial. En las siguientes infografías, analizamos el interés en desarrollo en Inteligencia Artificial (IA) y el Aprendizaje Automático en las organizaciones. Los datos se han recopilado formulando diferentes preguntas a los profesionales de TI de varios niveles.

El resultado es el siguiente:

 

La Inteligencia Artificial (IA) y el Aprendizaje Automático (Machine Learning)

 

Artículos relacionados:

Las 10 mejores tendencias de Inteligencia Artificial en 2019

Cómo se conectan la Inteligencia Artificial y el Big Data

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

Productos y Servicios de Alibaba Cloud

Blockchain e IoT: una fusión que garantiza transacciones válidas y seguras

 

Las 10 mejores tendencias de Inteligencia Artificial en 2019

5 de abril de 2019 Deja un comentario

Introducción

 

La Inteligencia Artificial utiliza la ciencia de los datos y los algoritmos para automatizar, optimizar y encontrar el valor oculto al ojo humano. Según una estimación, la Inteligencia Artificial generará un valor comercial de casi $ 2 billones en todo el mundo solo en 2019. Por lo tanto, ese es un excelente incentivo para obtener una porción de la recompensa de IA. Además, la fortuna favorece a aquellos que comienzan temprano. Por lo tanto, los rezagados podrían no ser tan afortunados.

La Inteligencia Artificial (IA) está de moda ahora, pero como todas las cosas tecnológicas, está en un estado continuo de evolución. Así es como se espera que se desarrolle la Inteligencia Artificial en 2019.

 

Tendencias

 

1. Automatización de DevOps para lograr AIOps.

 

Se ha prestado mucha atención en los últimos años sobre cómo la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML-Machine Learning). Además, DevOps tiene que ver con la automatización de tareas. Se enfoca en la automatización y el monitoreo de los pasos en el proceso de entrega del software, asegurando que el trabajo se realice rápidamente. La IA y el ML son perfectos para una cultura DevOps. Además, pueden procesar grandes cantidades de información y ayudar a realizar tareas importantes. Pueden aprender patrones, anticipar problemas y sugerir soluciones. Si el objetivo de DevOps es unificar el desarrollo y las operaciones, la IA y el ML pueden suavizar algunas de las tensiones que separan las dos disciplinas en el pasado.

Además, uno de los principios clave de DevOps es el uso de bucles de retroalimentación continua en cada etapa del proceso. Esto incluye el uso de herramientas de monitoreo para proporcionar comentarios sobre el rendimiento operativo de las aplicaciones en ejecución. Además, esta es un área de hoy en la que el ML ya está afectando a DevOps. Además, al utilizar la tecnología de automatización, los chatbots y otros sistemas de Inteligencia Artificial, estos canales de comunicación pueden volverse más eficientes y proactivos. Además, en el futuro, podemos ver la aplicación de IA / ML en otras etapas del ciclo de vida del desarrollo de software. Esto proporcionará mejoras a la metodología o enfoque de DevOps.

Además, un área donde esto podría suceder podría ser en el área de pruebas de software. Las pruebas unitarias, las pruebas de regresión y otras pruebas producen grandes cantidades de datos en forma de resultados de pruebas. La aplicación de la IA a los resultados de estas pruebas podría identificar patrones de códigos deficientes que resulten en errores detectados por las pruebas.

 

AIOps se refiere a las plataformas de tecnología de múltiples capas que automatizan y mejoran las operaciones de TI al 1) usar analíticas y el Aprendizaje Automático para analizar grandes volúmenes de datos de varias herramientas y dispositivos de operaciones de TI, con el fin de 2) detectar y reaccionar automáticamente a los problemas en tiempo real.

2. La aparición de más plataformas de Aprendizaje Automático.

 

La gente aún no ha terminado de entender el Aprendizaje Automático, y ahora está surgiendo un nuevo término avanzado en el mercado para el Aprendizaje Automático, y es decir, el ‘Aprendizaje Automático Automatizado‘. El Aprendizaje Automático Automatizado (AutoML) es un concepto más directo, y hace las cosas más fáciles. Más fácil para desarrolladores y profesionales. Además, el AutoML es un cambio de la programación tradicional basada en reglas a un formulario de automatización donde las máquinas pueden aprender las reglas. Además, en el Aprendizaje Automático de máquinas, ofrecemos un conjunto relevante y diverso de datos confiables para, al principio, ayudar a automatizar el proceso de toma de decisiones. Los ingenieros ya no tendrán que dedicar tiempo a tareas repetitivas, gracias al AutoML. El crecimiento en la demanda de profesionales de Aprendizaje Automático obtendrá un impulso masivo con el aumento del AutoML.

Estamos en una época dorada en la que todos los mega-proveedores de plataformas que proporcionan infraestructura móvil están implementando herramientas accesibles para dispositivos móviles para desarrolladores móviles. Por ejemplo:

  1. Apple CoreML
  2. Amazon Machine Learning for Android & iOS
  3. Google ML Kit for Firebase
  4. Microsoft Custom Vision export to CoreML
  5. IBM Watson Services for CoreML

Todas estas son excelentes ofertas.

 

3. Realidad aumentada

 

Imagine un mundo en el que pueda sentarse al lado de sus clientes y tener una conversación individual acerca de sus expectativas de su marca con cada interacción y cumplir con sus expectativas cada vez. A medida que avanzamos en la era digital, esta podría ser la realidad de las marcas, donde las empresas tienen la oportunidad de ganarse el corazón de sus clientes con cada interacción. La Inteligencia Artificial y la Realidad Aumentada (AR) son dos de estas tecnologías, que mostrarán el mayor potencial para conectarse con los consumidores en 2019 y controlarán el panorama tecnológico. La razón clave detrás de esta tendencia es que, en comparación con la Realidad Virtual, que necesita un dispositivo de hardware como Oculus Rift, es bastante simple de implementar la Realidad Aumentada (Augmented Reality). Sólo necesita un teléfono inteligente y una aplicación.

Debido a que la barrera de entrada es baja, los consumidores de la tecnología de hoy en día no tienen miedo de experimentar con la tecnología, y para las empresas, solo requiere una aplicación basada en AR pensada. Además, con los gigantes tecnológicos como Apple, Google y Facebook que facilitan a los desarrolladores la creación de aplicaciones basadas en AR para sus plataformas, se ha vuelto más fácil, incluso para las empresas más pequeñas, para invertir en Realidad Aumentada. Además, las industrias como el comercio minorista, la salud, los viajes, etc. ya han creado muchos casos de uso emocionantes con AR. Con los gigantes tecnológicos Apple, Google, Facebook, etc. que ofrecen herramientas para facilitar el desarrollo de aplicaciones basadas en AR, 2019 verá un aumento en la cantidad de aplicaciones de AR que se lanzarán.

 

4. Simulaciones basadas en agentes

 

El Modelado Basado en Agentes (ABM) es una poderosa técnica de modelado de simulación que ha visto varias aplicaciones en los últimos años, incluidas las aplicaciones para los problemas empresariales del mundo real. Además, en el Modelo Basado en Agentes (ABM), un sistema se modela como una colección de entidades autónomas de toma de decisiones llamadas agentes. Cada agente evalúa individualmente su situación y toma decisiones sobre la base de un conjunto de reglas. Los agentes pueden ejecutar diversos comportamientos apropiados para el sistema que representan, por ejemplo, producir, consumir o vender.

Los beneficios de ABM sobre otras técnicas de modelado se pueden capturar en tres declaraciones: (i) ABM captura fenómenos emergentes; (ii) ABM proporciona una descripción natural de un sistema; y (iii) ABM es flexible. Sin embargo, está claro que la capacidad de ABM para lidiar con los fenómenos emergentes es lo que impulsa los otros beneficios.

Además, ABM utiliza un enfoque ‘de abajo hacia arriba’, creando comportamientos emergentes de un sistema inteligente a través de ‘actores’ en lugar de ‘factores’. Sin embargo, los factores de nivel macro tienen un impacto directo en los comportamientos macro del sistema. Macy y Willer (2002) sugieren que traer de vuelta esos factores de nivel macro hará que el Modelado Basado en Agentes sea más efectivo, especialmente en sistemas inteligentes como las organizaciones sociales.

 

5. IoT

 

El Internet de las Cosas está cambiando la vida tal como la conocemos desde el hogar hasta la oficina y más allá. Los productos de IoT nos otorgan un control extendido sobre los electrodomésticos, las luces y las cerraduras de las puertas. También ayudan a agilizar los procesos de negocio; y nos conecta más a fondo con las personas, los sistemas y los entornos que dan forma a nuestras vidas. El IoT y los datos permanecen intrínsecamente vinculados entre sí. Los datos consumidos y producidos siguen creciendo a un ritmo cada vez mayor. Esta afluencia de datos está impulsando la adopción generalizada del IoT, ya que habrá cerca de 30,73 mil millones de dispositivos conectados al IoT para 2020.

El análisis de datos tiene un papel importante que desempeñar en el crecimiento y el éxito de las aplicaciones e inversiones del IoT. Las herramientas de análisis permitirán a las unidades de negocios hacer un uso efectivo de sus conjuntos de datos como se explica en los puntos que se enumeran a continuación.

  • Volumen: Hay enormes grupos de conjuntos de datos que utilizan las aplicaciones de IoT. Las organizaciones empresariales necesitan gestionar estos grandes volúmenes de datos y deben analizar los mismos para extraer patrones relevantes. Estos conjuntos de datos junto con los datos en tiempo real se pueden analizar de manera fácil y eficiente con el software de análisis de datos.
  • Estructura: Las aplicaciones del IoT implican conjuntos de datos que pueden tener una estructura variada como conjuntos de datos no estructurados, semiestructurados y estructurados. También puede haber una diferencia significativa en los formatos y tipos de datos. El análisis de datos permitirá que el ejecutivo de negocios analice todos estos conjuntos de datos variables mediante herramientas y software automatizados.
  • Ingresos de conducción: El uso del análisis de datos en las inversiones en IoT permitirá a las unidades de negocio conocer las preferencias y opciones de los clientes. Esto llevaría al desarrollo de servicios y ofertas según las demandas y expectativas del cliente. Esto, a su vez, mejorará los ingresos y ganancias obtenidos por las organizaciones.

 

6. Hardware optimizado para la IA

 

La demanda de la Inteligencia Artificial aumentará enormemente en los próximos dos años, y no es de extrañar teniendo en cuenta el hecho de que está afectando básicamente a todas las principales industrias. Sin embargo, a medida que estos sistemas realizan tareas cada vez más complejas, exigen más poder de computación del hardware. Los algoritmos del Aprendizaje Automático también están presentes localmente en una variedad de dispositivos de borde para reducir la latencia, lo cual es crítico para drones y vehículos autónomos. La implementación local también reduce el intercambio de información con la nube, lo que reduce en gran medida los costos de red para dispositivos del IoT.

Sin embargo, el hardware actual es grande y consume mucha energía, lo que limita los tipos de dispositivos que pueden ejecutar estos algoritmos localmente. Pero al ser los seres humanos inteligentes que somos, están trabajando en muchas otras arquitecturas de chips optimizadas para el Aprendizaje Automático que son más potentes, eficientes en el consumo de energía y más pequeñas.

Hay un montón de empresas que trabajan en hardware específico de la IA

  • Las Unidades de Procesamiento de Tensor de Google (TPU), que ofrecen en la nube y cuestan solo una cuarta parte en comparación con la capacitación de un modelo similar en AWS.

El Aprendizaje Automático ha permitido hacer avances importantes en diferentes problemas empresariales y de investigación: desde reforzar la seguridad de la red hasta mejorar la precisión del diagnóstico médico. Dado que preparar y ejecutar modelos de aprendizaje profundo puede llegar a exigir muchos recursos informáticos, Google ha creado las Unidades de Procesamiento de Tensor (TPU). Se trata de circuitos ASIC diseñados desde cero para el Aprendizaje Automático que utilizan varios de sus productos más destacados, como el Traductor, Fotos, la Búsqueda, el Asistente y Gmail. La tecnología de aceleración de las TPU de Cloud permite que empresas de todo el mundo agilicen sus cargas de trabajo de Aprendizaje Automático en Google Cloud.

  • Microsoft está invirtiendo en matrices de puertas reprogramables (FGPA) de Intel para la capacitación e inferencia de modelos de IA. Los FGPAs son altamente configurables, por lo que pueden configurarse y optimizarse fácilmente para nuevos algoritmos de la AI.

Las FPGAs son unos dispositivos que nos permiten describir un circuito digital usando un lenguaje específico (los dos más comunes son VHDL y Verilog) y que tras cargarlo en el integrado, es creado físicamente en el chip. Su nombre es un acrónimo inglés que significa matriz de puertas reprogramable o Field Programmable Gate Array.

  • Intel tiene un montón de hardware para algoritmos específicos para la IA como los de la CNN. También adquirieron Nervana, una nueva empresa que trabaja en chips para la IA, con una suite de software decente para desarrolladores.
  • IBM está haciendo una gran cantidad de investigación en computación analógica y memoria de cambio de fase para la IA.
  • Los Nvidia dominaron el espacio del hardware de Machine Learning debido a sus excelentes GPU (Unidad de Procesamiento Gráfico), y ahora los están mejorando aún más para las aplicaciones de Inteligencia Artificial, por ejemplo, con sus GPU Tesla V100.

 

7. Generación del Lenguaje Natural (NLG)

 

El tamaño del mercado de Generación del Lenguaje Natural global aumentará desde USD 322.1 millones en 2018 a USD 825.3 millones para 2023. La necesidad de comprender el comportamiento de los clientes ha llevado a un aumento en la mejor experiencia del cliente en diferentes sectores verticales de la industria. Este factor está impulsando a las organizaciones a construir relaciones personalizadas basadas en las actividades o interacciones de los clientes. Además, los grandes datos crearon un interés entre las organizaciones para obtener información de los datos recopilados para tomar decisiones mejores y en tiempo real. Por lo tanto, las soluciones de NLG han ganado importancia al extraer información sobre lenguajes similares a los humanos que son fáciles de entender. Sin embargo, la falta de una fuerza laboral calificada para implementar soluciones de NLG es un factor importante que frena el crecimiento del mercado.

 

8. Plataformas de Transmisión de Datos

 

Las Plataformas de Transmisión de Datos se combinan no solo para el análisis de información de baja latencia. Pero, el aspecto importante radica en la capacidad de integrar datos entre diferentes fuentes. Además, hay un aumento en la importancia de las organizaciones basadas en datos y el enfoque en la toma de decisiones de baja latencia. Por lo tanto, la velocidad de los análisis aumentó casi tan rápidamente como la capacidad de recopilar información. Aquí es donde el mundo de las Plataformas de Transmisión de Datos entra en juego. Estas plataformas modernas de administración de datos brindan la capacidad de integrar información de sistemas operativos en tiempo real o casi en tiempo real.

A través del Streaming Analytics, la información en tiempo real se puede recopilar y analizar desde y en la nube. La información es capturada por dispositivos y sensores que están conectados a Internet. Algunos ejemplos de estas plataformas de transmisión: pueden ser

  1. Apache Flink
  2. Kafka
  3. Spark Streaming/Structured Streaming
  4. Azure Streaming services

 

9. Vehículos sin conductor

 

Los fabricantes de automóviles esperan que la tecnología de conducción autónoma impulse una revolución entre los consumidores, que encienda las ventas y vuelva a posicionar a los EE. UU. como el líder en la industria automotriz. Compañías como General Motors y Ford están alejando los recursos de las líneas de productos tradicionales y, junto con las compañías de tecnología como Waymo de Google, están invirtiendo miles de millones en el desarrollo de automóviles de conducción automática. Mientras tanto, la industria está presionando al Congreso de EE.UU. para que promueva un marco regulatorio que brinde a los fabricantes de automóviles la confianza para construir tales vehículos sin preocuparse de que cumplan con las regulaciones aún no especificadas que podrían impedirles acceder a las carreteras de la nación.

Los partidarios dicen que la tecnología tiene una promesa inmensa para reducir las muertes causadas por el tráfico y para que las personas mayores y otros grupos de la población tengan acceso a alternativas seguras y asequibles para conducir. Sin embargo, lograr esos beneficios vendrá con compensaciones.

 

10. BI conversacional y analítica

 

Estamos viendo dos cambios importantes en todo el espacio de BI / Analytics y la IA. En primer lugar, las capacidades analíticas se están moviendo hacia la analítica aumentada, que es capaz de dar más información a las empresas y tiene menos dependencia de los expertos en dominios. En segundo lugar, lo que estamos viendo es la convergencia de las plataformas de conversación con estas capacidades mejoradas en torno al análisis aumentado. Esperamos que estas capacidades y su adopción proliferen rápidamente en todas las organizaciones, especialmente en aquellas organizaciones que ya tienen alguna forma de BI (Business Intelligence) implementada.

 

Se denomina inteligencia empresarial, inteligencia de negocios o BI (del inglés business intelligence), al conjunto de estrategias, aplicaciones, datos, productos, tecnologías y arquitectura técnicas, los cuales están enfocados a la administración y creación de conocimiento sobre el medio, a través del análisis de los datos existentes en una organización o empresa.

Resumen

 

Muchos expertos en tecnología postulan que el futuro de la IA y el Aprendizaje Automático es seguro. Es hacia donde se dirige el mundo. En 2019 y más allá, estas tecnologías van a apuntalar el soporte a medida que más empresas se den cuenta de los beneficios. Sin embargo, las preocupaciones que rodean la confiabilidad y la ciberseguridad continuarán siendo muy debatidas. Las tendencias de la Inteligencia Artificial y las tendencias del Aprendizaje Automático para 2019 y más allá tienen la promesa de amplificar el crecimiento del negocio y reducir drásticamente los riesgos. Entonces, ¿está listo para llevar su negocio al siguiente nivel con las tendencias de la Inteligencia Artificial?

Artículos relacionados:

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

Cómo se conectan la Inteligencia Artificial y el Big Data

 

Cómo se conectan la Inteligencia Artificial y el Big Data

4 de abril de 2019 Deja un comentario

El Big Data y la Inteligencia Artificial (IA) son dos de las tecnologías más populares y útiles en la actualidad. La Inteligencia Artificial existe desde hace más de una década, mientras que el Big Data surgió hace solo unos años. Las computadoras se pueden usar para almacenar millones de registros y datos, pero el Big Data proporciona el poder para analizar estos datos.

Podemos decir que juntos el Big Data y la IA son el conjunto de dos tecnologías modernas increíbles que permiten el aprendizaje automático, reiteran y actualizan continuamente los bancos de datos, y toman la ayuda de la intervención humana y los experimentos recursivos para el mismo. Hoy, lo hemos traído en este blog para proporcionar el uso informativo de la IA y el Big Data para resolver todos los problemas posibles relacionados con los datos.

 

El Big Data y la IA

 

El Big Data y la IA son considerados dos gigantes mecánicos por los científicos de datos u otras grandes corporaciones. Muchas organizaciones consideran que IA traerá la revolución en sus datos organizativos. El aprendizaje automático se considera como una versión avanzada de la IA a través de la cual varias máquinas pueden enviar o recibir datos y aprender nuevos conceptos al analizarlos. El Big Data ayuda a las organizaciones a analizar sus datos existentes y a obtener información significativa de ellos.

Aquí, por ejemplo, podemos considerar a un fabricante de prendas de cuero que exporta sus prendas a EEUU y no tenemos ninguna idea acerca de los intereses del cliente solo mediante la recopilación de datos del mercado y su análisis a través de varios algoritmos, el comerciante por lo tanto puede identificar al cliente. Los comportamientos e intereses. Según sus intereses, pueden proporcionar los productos. Para esto, los algoritmos pueden ayudar a encontrar información y también información precisa.

 

Cómo ayuda el Big Data en los experimentos de la IA

 

Como se sabe, la IA reducirá en general la intervención y los trabajos humanos, por lo que la gente considera que la IA tiene todas las capacidades de aprendizaje automático y creará robots que se harán cargo de los trabajos humanos. El rol humano se reducirá debido a la expansión de la IA y este pensamiento se ha roto y cambiado por la participación del Big Data. Como las máquinas pueden tomar decisiones basándose en hechos, pero no pueden involucrar interacción emocional, pero debido a los grandes datos, los científicos de datos pueden involucrar a su inteligencia emocional y tomar las decisiones correctas de la manera correcta.

Para un científico de datos de cualquier organización farmacéutica, no solo puede analizar las necesidades de los clientes, sino también inhibir las normas y regulaciones locales del mercado en particular de esa región. Dependiendo de las sales utilizadas en cualquier medicamento, pueden sugerir las mejores opciones para ese mercado, mientras que en caso de aprendizaje automático puede que no sea posible.

Por lo tanto, está claro que la fusión de la IA y el Big Data no solo puede involucrar al talento y el aprendizaje simultáneamente, sino que también da lugar a muchos nuevos conceptos y opciones para cualquier nueva marca y organización. Una combinación de la IA y el Big Data puede ayudar a las organizaciones a conocer el interés del cliente de la mejor manera. Al utilizar conceptos de aprendizaje automático, las organizaciones pueden identificar los intereses del cliente en el mínimo tiempo posible.

 

¿Cómo puede ayudar el Big Data en la diversificación global?

 

Con cada día que pasa, las nuevas tecnologías y las herramientas se introducen en el mercado, por lo que el costo de las herramientas de aprendizaje automático (Machine Learning) y la IA también se reducen significativamente. Como resultado de una caída de precios, la tecnología será adoptada por varias organizaciones. Incluso en una región global con diversidad cultural, idioma, religión, la tecnología y las herramientas se adoptarán con el mismo entusiasmo. Al mismo tiempo, el proveedor deberá proporcionar las soluciones equivalentes al mercado según las necesidades del cliente.

La tecnología y las herramientas de Big Data ayudarán a las organizaciones a proporcionar las soluciones relevantes a los clientes según su región e idioma, mientras que, al mismo tiempo, el aprendizaje automático les ayudará a proporcionar las soluciones a las organizaciones de manera que los sentimientos de los clientes no lo hagan. obtener un corazon de IA igual que para cualquier producto orientado a las mujeres, la forma de comercializar el producto será completamente diferente para los mercados de Sri Lanka e Irán, ya que los sentimientos de las mujeres de ambas regiones pueden ser completamente diferentes.

 

El Big Data y la IA para impulsar el análisis del mercado.

 

En este momento, el mercado del Big Data y la Inteligencia Artificial están en su estado novato y los proveedores de servicios no tienen idea dónde están exactamente sus clientes y cuáles son sus necesidades. Con el tiempo, se darán cuenta de los requisitos exactos del cliente y planificarán las ofertas y las funcionalidades del producto en consecuencia. Con el tiempo, las organizaciones se darán cuenta de cuáles son las necesidades exactas de los requisitos de sus clientes. Incluso las soluciones basadas en Inteligencia Artificial pueden necesitar cambios enormes, ya que los requisitos de los clientes pueden variar.

 

Tecnologías de IA que se están utilizando con Big Data

 

Existen varias tecnologías de Inteligencia Artificial que se utilizan con Big Data y algunas de ellas se enumeran a continuación:

Detección de anomalías

Para cualquier conjunto de datos, si no se detecta una anomalía, se pueden utilizar los análisis de Big Data. Aquí, la detección de fallas, la red de sensores y el estado del sistema de distribución de ecosistemas se pueden detectar con las tecnologías de Big Data.

Teorema de Bayes

El teorema de Bayes se usa para identificar la probabilidad de un evento basado en las condiciones pre-conocidas. Incluso el futuro de cualquier evento también se puede predecir sobre la base del evento anterior. Para el análisis de Big Data, este teorema es de mejor uso y puede proporcionar una probabilidad de interés de cualquier cliente en el producto utilizando el patrón de datos históricos o pasados.

Reconocimiento de patrones

El reconocimiento de patrones es una técnica de aprendizaje automático y se utiliza para identificar los patrones en una cierta cantidad de datos. Con la ayuda de los datos de entrenamiento, los patrones se pueden identificar y se conocen como aprendizaje supervisado.

Teoría de grafos

La teoría de gráficos se basa en el estudio de gráficos que utiliza varios vértices y bordes. A través de las relaciones de nodo, el patrón de datos y la relación pueden ser identificados. Este patrón puede ser útil y ayudar a los analistas de Big Data en la identificación de patrones. Este estudio puede ser importante y útil para cualquier negocio.

 

Resumen

 

Se puede decir claramente que la IA y el Big Data son dos de las tecnologías emergentes que las organizaciones utilizan ampliamente. Incluso las tecnologías son utilizadas por ellos para proporcionar una mejor experiencia al cliente de una manera organizada e inteligente. Las tecnologías se pueden combinar para proporcionar una experiencia perfecta a los clientes.

La IA y el Big Data utilizan muchos métodos y técnicas, pero se pueden usar de manera integrada y proporcionan un resultado que las organizaciones pueden utilizar para analizar los intereses de los clientes y ofrecerles los mejores servicios optimizados.

Dije que un diferenciador importante es que el Big Data es el insumo en bruto que debe limpiarse, estructurarse e integrarse antes de que sea útil, mientras que la Inteligencia Artificial es la salida, la inteligencia que resulta de los datos procesados. Eso hace que los dos sean inherentemente diferentes.

La Inteligencia Artificial es una forma de computación que permite a las máquinas realizar funciones cognitivas, como actuar o reaccionar a una entrada, de manera similar a como lo hacen los humanos. Las aplicaciones informáticas tradicionales también reaccionan a los datos, pero las reacciones y las respuestas deben codificarse a mano. Si se lanza cualquier tipo de bola curva, como un resultado inesperado, la aplicación no puede reaccionar. Por lo tanto, los sistemas de IA están cambiando constantemente su comportamiento para adaptarse a los cambios en los hallazgos y modificar sus reacciones.

Una máquina habilitada para IA está diseñada para analizar e interpretar datos y luego resolver el problema o abordar el problema según esas interpretaciones. Con el aprendizaje automático, la computadora aprende una vez cómo actuar o reaccionar ante un resultado determinado y sabe en el futuro que debe actuar de la misma manera.

El Big Data es una computación de estilo antiguo. No actúa sobre los resultados, simplemente los busca. Define conjuntos muy grandes de datos, pero también datos que pueden ser extremadamente variados. En los conjuntos del Big Data, puede haber datos estructurados, como datos transaccionales en una base de datos relacional, y datos menos estructurados o no estructurados, como imágenes, datos de correo electrónico, datos de sensores, etc.

Artículos relacionados:

Big Data Significa Grandes Innovaciones

El Camino de un Data Scientist

El Futuro del Cloud Computing

¿Qué es Big Data?

¿Qué es la Inteligencia Artificial?

 

¿Qué es la Inteligencia Artificial?

14 de junio de 2018 1 comentario

Hay una montaña de exageraciones alrededor de los grandes datos, la Inteligencia Artificial (IA) y el Aprendizaje Automático. Es como besarse en el patio de la escuela, todo el mundo está hablando de eso, pero pocos lo están haciendo realmente, y nadie lo está haciendo bien (les leí a unos amigos en Cloudera por esa frase). Sin duda existe un amplio consenso de que las organizaciones deben monetizar sus datos. Pero con todo el ruido en torno a estas nuevas tecnologías, creo que a muchos líderes empresariales se les está rascando la cabeza sobre lo que significa todo esto.

Dada la gran diversidad de aplicaciones y opiniones sobre este tema, puede ser una locura, pero me gustaría intentar proporcionar una definición práctica y útil de la Inteligencia Artificial. Si bien mi definición probablemente no gane ningún reconocimiento por la precisión teórica, creo que proporcionará un marco útil para hablar sobre las acciones específicas que una organización debe tomar para aprovechar al máximo sus datos.

“Todo lo que amamos de la civilización es un producto de inteligencia, por lo que amplificar nuestra inteligencia humana con inteligencia artificial tiene el potencial de ayudar a que la civilización florezca como nunca antes, siempre y cuando logremos mantener la tecnología en beneficio”.

 

La definición teórica

 

Si le preguntas a un científico informático (o Antonio Banderas), la IA es lo que obtienes cuando creas una computadora que es capaz de pensar por sí misma. Es en Odisea en el Espacio en  el 2001: Una odisea del espacio. Los datos de Star Trek: La próxima generación (dos de las mejores obras maestras de todos los tiempos). Estas computadoras son conscientes de sí mismas: máquinas pensantes e independientes que (desafortunadamente) son muy propensas a dominar el mundo.

Si bien esa definición puede ser estrictamente precisa desde una torre de marfil, no es particularmente práctica. Ningún científico creó tal cosa, y ningún negocio realmente está considerando utilizar dicha entidad en su modelo comercial.

El término ‘IA‘ se utiliza tan a menudo hoy en día que tenemos una comprensión básica de lo que significa: la capacidad de una computadora para realizar tareas tales como la percepción visual, reconocimiento de voz, toma de decisiones y traducción de idiomas. La IA ha progresado rápidamente en los últimos años, pero todavía no coincide con las enormes dimensiones de la inteligencia humana. Los humanos hacen un uso rápido de todos los datos a su alrededor y pueden usar lo que han almacenado en sus mentes para tomar decisiones. Sin embargo, la IA aún no cuenta con tales habilidades, en cambio, usa grandes cantidades de datos para aclarar sus objetivos. En última instancia, esto significa que la IA podría requerir grandes cantidades de datos para hacer algo tan simple como editar texto.

Dejando a un lado esa definición, entonces, veamos algo mucho más práctico que pueda hacer avanzar la conversación en los negocios.

 

La IA no es un Aprendizaje Automático

 

Hay dos conceptos principales, de acuerdo con mis definiciones, que son importantes. La IA es una, y lo definiré en breve. El Aprendizaje Automático es el segundo. Existe tanta confusión sobre la definición de Aprendizaje Automático como acerca de la IA, y creo que es importante señalar que no son lo mismo.

El Aprendizaje Automático se conoce con otros nombres. Harvard Business Review lo llamó Ciencia de Datos (Data Science), y lo llamó el trabajo más sexy del siglo XXI, lo cual es una afirmación bastante audaz, dado que quedan muchos años hasta el siglo XXII. Hace años, se llamaban ‘estadísticas’ o ‘modelos predictivos’ (acuérdese del hombre del tiempo).

Como quiera que lo llame, el Aprendizaje Automático es un método de usar datos históricos para hacer predicciones sobre el futuro. La máquina aprende de esos ejemplos históricos para construir un modelo que luego se puede usar para hacer predicciones sobre los nuevos datos.

Por ejemplo, las compañías de tarjetas de crédito deben detectar transacciones fraudulentas en tiempo real para que puedan bloquearlas. Perder dinero por fraude es un gran problema para los proveedores de tarjetas, y detectar el fraude es un problema ideal de Aprendizaje Automático. Los proveedores de tarjetas de crédito tienen una montaña de transacciones históricas, algunas de las cuales se marcaron como fraudulentas. Usando el Aprendizaje Automático, las transacciones históricas se pueden usar para entrenar un modelo. Ese modelo es básicamente una máquina que analiza una transacción y juzga la probabilidad de que sea un fraude.

Otro ejemplo común en el espacio sanitario es predecir los resultados de los pacientes. Supongamos que un paciente va a la sala de emergencias y termina teniendo una infección mientras está en el hospital. Ese es un mal resultado para el paciente (obviamente), pero también para el hospital y las compañías de seguros, etc. Es en interés de todos tratar de evitar este tipo de incidentes.

Los médicos de atención médica con frecuencia usan datos pasados ​​de pacientes (incluida la información sobre pacientes que tuvieron y no tuvieron un mal resultado) con el fin de construir modelos que puedan predecir si un paciente en particular es probable que tenga un mal resultado en el futuro.

Los modelos de Aprendizaje Automático están definidos muy estrechamente. Predicen un evento o un número. ¿El paciente va a ponerse más enfermo? ¿Cuánto gastará mi equipo de ventas el próximo trimestre? ¿Este cliente potencial responderá a mi mensaje de marketing? Los modelos están diseñados para responder a una pregunta muy específica al hacer una predicción muy específica y, a su vez, convertirse en entradas importantes para las soluciones de inteligencia artificial.

 

La Inteligencia Artificial combina datos, lógica de negocios y predicciones

 

Tener un modelo de Aprendizaje Automático (Machine Learning) es como tener una superpotencia o una bola de cristal. Puedo alimentarlo con datos y hará predicciones sobre el futuro. Estos modelos pueden identificar préstamos potencialmente malos antes de que fallen. Pueden pronosticar los ingresos en el futuro. Pueden destacar lugares donde es probable que se cometan crímenes. El sistema de datos en la IA es cómo los pones en práctica.

Volvamos al ejemplo del fraude con tarjeta de crédito. Supongamos que puedo decirle por medio de un modelo de Aprendizaje Automático si es probable que una transacción sea fraudulenta o no. ¿Qué haría? Incluso pensarlo por un minuto hace que sea obvio que hay mucho más trabajo por hacer antes de que pueda comenzar a obtener valor de ese modelo.

Aquí hay algunas preguntas que debe considerar en este ejemplo:

  1. ¿Qué datos hay disponibles para mí en el momento de la transacción?
  2. ¿Cuánto tiempo tengo para procesar los datos y rechazar la transacción?
  3. ¿Qué regulaciones limitan mi capacidad de bloquear las transacciones potencialmente fraudulentas?
  4. A nadie le gusta tener legítimas transacciones bloqueadas. ¿Qué preocupaciones de experiencia de cliente necesito en esta dirección?
  5. ¿Con qué tasas de falsos positivos y falsos negativos me siento cómodo?
  6. …y así

Hay muchas más preguntas que un proveedor de tarjeta de crédito debería considerar antes de implementar un sistema para bloquear transacciones potencialmente fraudulentas.

Ese sistema, sin embargo, es lo que yo llamo IA. Es la combinación de toda la lógica comercial, todos los datos y todas las predicciones que necesito para automatizar una decisión o un proceso.

 

  • Lógica Comercial: La lógica comercial es probablemente el aspecto más importante para poner en práctica un sistema de IA. Esto cerca la experiencia de usuario, las cuestiones legales de conformidad, varios umbrales y banderas que puedo necesitar, etcétera. Esto es básicamente el pegamento que mantiene el proceso entero unido.

 

  • Datos: Los sistemas de IA extienden la mano para los datos. Ellos podrían tener que agregar datos de cliente, resumir transacciones, coleccionar una medida de un sensor, etcétera. Sin tener en cuenta de donde esto viene, los datos conducen el sistema de la IA; sin ello, el sistema viene hablando alto.

 

  • Predicciones: No todos los sistemas de Inteligencia Artificial usan datos, pero sí todos los buenos lo hacen. Cualquiera que haya llamado a su proveedor de cable ha tenido que lidiar con el sistema telefónico automatizado sin fin. Están tratando de automatizar un proceso, pero no están siendo inteligentes al respecto. La Smart AI podría hacer predicciones sobre por qué estaba llamando. Hay muchos recursos para las organizaciones que intentan comenzar con la IA. DataRobot ofrece programas educativos que pueden ayudar a cualquier persona a ponerse rápidamente al día. Existen muchas organizaciones que pueden ayudar a acelerar el proceso.

 

Empiece hoy mismo

 

Hay muchos recursos para las organizaciones que intentan comenzar con la IA. DataRobot ofrece programas educativos que pueden ayudar a cualquier persona a ponerse rápidamente al día. Existen muchas organizaciones que pueden ayudar a acelerar el proceso.

Recuerde, sin embargo, que no se trata de encontrar el caso de uso perfecto con la información perfecta. Se trata de asumir tantos proyectos pequeños como pueda para generar valor rápidamente. Puede obtener algunas ganancias que acumulará un impulso sustancial y hará posible que itere y amplíe su monetización de sus datos.

 

Artículos relacionados:

 

 

hostgator2

Web Hosting HostGator

A %d blogueros les gusta esto: