Saltar al contenido
Volver a Principios de la IA

Principios de la IA · Capítulo 1 de 8

Qué es la IA y qué no es

La mayoría de los sistemas de IA que se usan hoy aprenden patrones a partir de ejemplos y los usan para inferir un resultado para algo nuevo. Un sistema así no es una mente, ni una base de datos, ni un buscador, y sus ejemplos dan forma a cada respuesta.

12 minutos0 de 4 objetivos hechos

Objetivos

  • Coloca ejemplos de dos tipos y deja que el clasificador los aprenda.Pendiente
  • Prueba una fruta nueva y mira qué ejemplos deciden.Pendiente
  • Agrega un lote sesgado de ejemplos y mira cómo se mueve la frontera.Pendiente
  • Supera la comprobación.Pendiente

Paso 1 de 4: La lectura

Aprender de ejemplos

La mayoría de los sistemas de IA que se usan hoy son programas que aprenden patrones a partir de ejemplos y luego usan esos patrones para producir un resultado para algo nuevo. Los ejemplos se llaman datos. El resultado puede ser una etiqueta como “spam”, un número como las ventas de la próxima semana o la siguiente palabra de una oración.

Obtener un resultado de esta manera se llama inferencia: la respuesta sale de los patrones, no de buscarla en algún lugar.

Entrenamiento, luego uso

Un sistema así tiene dos fases. En el entrenamiento, se le muestran muchos ejemplos y se ajusta para encajar con ellos. En el uso, aplica lo que aprendió a entradas que nunca ha visto. Usarlo no cambia lo que aprendió; para eso hace falta otra ronda de entrenamiento.

Lo que no es

No es una mente: calcula resultados a partir de patrones y no quiere nada. No es una base de datos: una base de datos devuelve solo lo que se guardó, mientras que un sistema de IA responde para entradas que nadie guardó, y puede equivocarse. No es un buscador: no trae páginas, aunque algunas herramientas lo conectan a uno.

Los ejemplos deciden

Un sistema aprende solo de sus ejemplos, así que estos dan forma a cada respuesta. Si los ejemplos están sesgados, es decir, si un tipo o una fuente tiene muchos más que el resto, las respuestas se inclinan hacia el mismo lado. Un sistema que aprendió sobre todo de fotos tomadas en un país suele funcionar peor con fotos de otros lugares.

En la visualización

Entrenas un clasificador, un programa que separa cosas por tipos, para distinguir limones de naranjas por su tamaño y su color. Cada fruta es un punto en un mapa. Para juzgar una fruta nueva, busca los 3 ejemplos más cercanos a ella en el mapa, sus vecinos más cercanos, y responde con el tipo al que pertenece la mayoría de ellos. La línea donde su respuesta cambia de un tipo al otro es su frontera.

Para este clasificador sencillo, entrenar significa guardar los ejemplos. Los modelos grandes, en cambio, ajustan una enorme cantidad de valores internos mientras se entrenan, y guardan esos valores en lugar de los ejemplos.

Paso 2 de 4: Pruébalo: Enseña a un clasificador diminuto

Enseña a un clasificador diminuto

Coloca limones y naranjas en el mapa, prueba una fruta que no ha visto y luego agrega un lote sesgado y mira cómo se mueve la frontera.

Cargando la visualización…

Modo:RealReal: el clasificador se ejecuta en esta página y aprende solo de las frutas del mapa. En el último paso, la página coloca el limón nuevo y el lote, y pone el lote donde cambia la respuesta para ese limón.

Paso 3 de 4: Comprobación

Comprobación

Pregunta 1 de 3Un sistema se entrenó con miles de fotos etiquetadas como “gato” o “perro”. Ahora etiqueta una foto que nunca ha visto. ¿Qué está haciendo?

Siguiente: Pregunta 2 de 3

Pregunta 2 de 3Una herramienta que clasifica la bandeja de entrada de soporte aprendió de muchos mensajes de facturación y solo unos pocos de entregas. Llega un mensaje nuevo poco claro: podría ser de cualquiera de los dos. ¿Cuál es el resultado probable?
Pregunta 3 de 3En la visualización, ¿por qué el clasificador empezó a llamar naranja a un limón típico?

Paso 4 de 4: Lo que ya puedes hacer

Lo que ya puedes hacer

  • Explicar con palabras sencillas que un sistema de IA infiere resultados a partir de patrones en sus ejemplos.
  • Distinguir el entrenamiento (cuando un sistema aprende de sus ejemplos) del uso (cuando aplica lo que aprendió).
  • Decir por qué un sistema de IA no es una mente, ni una base de datos, ni un buscador.
  • Explicar por qué ejemplos sesgados llevan a respuestas sesgadas.