ESTADO: Es para que el estudiante lleve control personal.
Lista general con nombres de actividad:
SEMANA 13 - INTELIGENCIA ARTIFICIAL - Ramas / Desarrollar una tabla comparativa con los elementos y características de al menos tres ramas de la inteligencia artificial (Realizar una pequeña exposición usando una herramienta TIC Online) y hace un video de max 5 min. exponiendolo; el cual sube a Youtube y lo comparte en su blogger o google site de clase - En grupos
SEMANA 14 - CIBERNETICA E INTELIGENCIA ARTIFICIAL / - El estudiante realizará la participación en el foro II a partir de la lectura del articulo allí propuesto. - Individual - El estudiante desarrollará un mapa mental para representar los conceptos de cibernética e inteligencia artificial. - Individual
SEMANA 15 - INTELIGENCIA ARTIFICIAL APLICADA / El estudiante desarrolla el componente del modelo icónico que implica el concepto de inteligencia artifical en la misma presentación del proyecto que ha venido desarrollando y hace un video de max 5 min. exponiendolo; el cual sube a Youtube y lo comparte en su blogger o google site de clase - En grupos
SEMANA 16 - EXAMEN FINAL Y AUTOEVALUACION / - El estudiante realiza la evaluacion final en linea - Individual - El estudiante realiza la autoevaluación en linea - Individual
La pregunta del título es
bastante sugestiva y seguramente genera muchas expectativas por lo que
me deja un guante difícil de levantar. Muchos conceptos complejos, aún
fuera de nuestro completo conocimiento, y provenientes de muy diferentes
disciplinas están en juego para intentar abordar una respuesta (Física,
Biología, Medicina, Psicología, Psiquiatría, Filosofía, Teología,
etc.). Mi formación original proviene de la ingeniería biomédica,
especializado luego en temas de procesamiento de señales bioinspirado e
inteligencia computacional, por lo que voy a tratar de responder cuando
pueda desde ese lugar, esperando no caer en ningún ejercicio ilegal de
la filosofía (o de cualquier otra disciplina diferente a la propia). Por
supuesto que para comenzar lo primero que uno pensaría es en introducir
algunas definiciones importantes desde las neurociencias, como por
ejemplo que se entiende por mente, consciencia, inteligencia, etc. Sin
embargo, en muchos casos no existe consenso dentro de la comunidad
científica acerca de estas definiciones. Por ejemplo, la consciencia
no puede definirse operativamente de una manera fácil, ya que es un
fenómeno subjetivo y, por lo tanto, no se puede observar directamente.
Se asocia este fenómeno complejo con la experiencia en primera persona,
la interioridad, la subjetividad, la autopercepción, etc. De acuerdo con
mi experiencia reciente como editor asociado en una revista del área, a
pesar de que se han publicado más de 20.000 artículos científicos
relacionados con la consciencia, todavía hay colegas que consideran este
concepto como “no científico”, “motivado religiosamente” o “idea
equivocada de la realidad”. Así que me remitiré sólo a una breve
introducción de los términos principales sin entrar en detalles ni
discusión. Además, esta charla se da en el marco de una discusión más
amplia donde ya se han tocado muchos de estos temas y se tiene una serie
de lecturas sugeridas como material de consulta adicional.
Se
puede definir a la “mente” como el fenómeno responsable del
entendimiento, el raciocinio, la percepción, la emoción, la memoria, la
imaginación, la voluntad, la consciencia y otras habilidades cognitivas,
muchas de las cuales son características esenciales del ser humano. El
concepto de mente ha sido concebido en diferentes formas o categorías a
lo largo de la historia: como una sustancia distinta del cuerpo, una
parte, un proceso, o una propiedad. Las concepciones materialistas
dominantes actuales engloban este concepto en la teoría de la identidad
mente-cerebro y el funcionalismo. Es en este último sentido que la
dualidad mente-cerebro se ha asociado más fuertemente con los conceptos
«equivalentes» de software-hardware provenientes del ámbito de las
ciencias de la computación. Sobre el uso de analogías de este tipo en la
ciencia y en el contexto particular que nos ocupa, sus “peligros”,
ventajas, alcances y limitaciones ya discutió mi colega (ver charla de
Francisco Soler).
La Inteligencia Artificial (AI)
surge como disciplina hace más de medio siglo, cuando las Ciencias de
la Computación eran todavía incipientes. Tampoco ha existido una
definición única y uniforme para la Inteligencia Artificial a lo largo
del tiempo. Esto se debe a que lo que consideramos como comportamientos
inteligentes para una máquina también ha ido cambiando. Por ejemplo, en
algún momento se suponía que si se creaba una máquina que pudiera
realizar rápidamente cálculos matemáticos complejos eso podría
considerarse como signo de inteligencia. John McCarthy definió la AI
como: “La ciencia e ingeniería de hacer máquinas inteligentes” (1956).
Más recientemente Bernstein y Curtis dan una definición más moderna: “El
estudio y diseño de agentes inteligentes, donde un agente inteligente
es un sistema que percibe su entorno y toma acciones que maximizan sus
posibilidades de éxito” (2008).
Dentro de la AI surgieron también
varios campos de investigación, tales como los Sistemas Expertos (ES),
el Aprendizaje de Máquinas (ML) y las Redes Neuronales Artificiales
(ANN). Estos últimos han cobrado mucha popularidad por su impacto en el
desarrollo de tecnologías para nuestra vida cotidiana que hacen que
nuestros dispositivos parezcan realmente inteligentes. Un hito decisivo
en esta evolución es la reciente aparición de las técnicas de
Aprendizaje Profundo que han hecho posible la implementación, entre
otras cosas, de sistemas prácticos de AI “General” (o de propósito
general, GAI). Pero repasemos brevemente como llegamos a este punto y si
es verdad que esta evolución puede culminar en la provisión de una
mente real (con todas sus facultades) para nuestras computadoras. Esto
es lo que parecen augurar varios profetas modernos de la AI que hablan
de que estamos muy cerca de una “singularidad” tecnológica de
consecuencias enormes.
Para comenzar, el ecosistema de la Inteligencia Artificial (IA)
actualmente se encuentra en un flujo constante de aprendizaje, cambios y
crecimiento. Existen diferentes ramas de la Inteligencia Artificial que
se usan en elementos cotidianos del día a día para mejorar y
automatizar procesos.
Una encuesta realizada en 2018 por Economist Intelligence Unit
reveló que Seniors Executives de todo el mundo esperan que la IA mejore
el crecimiento, la productividad, la innovación y la creación de nuevos
empleos en sus respectivos países e industrias.
¿Cuáles son las 10 principales ramas de la Inteligencia Artificial y sus usos más frecuentes?
Machine Learning (ML).
Deep Learning.
Neural Networks.
Computer vision.
Natural Language Processing (NLP).
Natural Language Generation (NLG).
Chatbot.
Virtual Digital Assistants.
Recommender Systems.
Predictive Analysis.
Qué es la IA?
La IA es una rama de las ciencias computacionales que se encarga del
diseño y construcción de sistemas capaces de realizar tareas asociadas
con la inteligencia humana.
Normalmente, un sistema de IA permite procesar grandes cantidades de datos (Big Data),
identificar patrones y tendencias de forma automatizada, y generar
predicciones con precisión. El fin de dicho proceso es la
automatización, generación de resultados precisos y mejora de la
experiencia humana.
Conoce más sobre la relación entre Big Data y compra programática.
La IA, es una ciencia muy amplia que puede ser aplicada en una infinidad de áreas de aprendizaje. Sin embargo, buscamos ser más precisos a la hora de hablar de Inteligencia Artificial.
Conoce cuáles son las 10 ramas de la Inteligencia Artificial que tienen usos más comunes en tu día a día.
Machine Learning (ML):
Es una rama de computación de la IA que se basa en el entrenamiento de
algoritmos de aprendizaje automático a través de datos anteriores. Luego
de determinado tiempo de aprendizaje, dichos algoritmos mejoran su performance y logran alcanzar su objetivo de optimización de procesos. La mayoría de las tecnologías de IA se basan en Machine Learning.
Deep Learning:
Es una rama compleja de ML. Busca construir y entrenar redes
neuronales con múltiples capas. El objetivo de dichas redes es ordenar,
clasificar datos y encontrar anomalías en sus patrones.
Neural Networks:
Las redes neuronales son algoritmos de Machine Learning
y modelos computacionales diseñados para funcionar como las neuronas en
el cerebro humano. Están entrenadas con un conjunto específico de datos
que utilizan para adivinar respuestas a una consulta. Si se producen
errores, las redes neuronales ajustan su proceso y lo repiten hasta que
los niveles de error disminuyan. Es similar a la regresión estadística.
Computer vision:
La visión computacional es la rama de la IA que se encarga de
interpretar y extraer el significado de elementos visuales en el mundo
real, por ejemplo caracteres impresos, caras y objetos. Es la base de
muchas prometedoras innovaciones como los automóviles sin conductor y las tiendas sin cajero.
Natural Language Processing (NLP):
El procesamiento del lenguaje natural es una rama de la IA que hace
referencia a la capacidad de máquinas para entender palabras habladas e
impresas en lenguaje humano, a diferencia de una computadora la cual
entiende lenguajes de programación. Esta tecnología es utilizada en
Chatbots, asistentes virtuales digitales y en motores de búsqueda para
filtrar Spam.
Natural Language Generation (NLG):
La generación de lenguaje natural hace alusión a la capacidad de toma
de decisión de una computadora sobre cómo comprender un concepto
específico y plasmarlo en palabras. Dicha tecnología es muy utilizada en
la automatización de procesos manuales para el análisis de datos.
Chatbot:
Es un programa de computadora que utiliza un conjunto de reglas para
conducir una conversación con un humano a través de una interfaz en
línea. Los Chatbots están cada vez más impulsados por la IA y usan NLP y
NLG para imitar una conversación humana.
Virtual Digital Assistants:
Los asistentes digitales virtuales son una versión más sofisticada de
Chatbots. Pueden organizar, almacenar y generar información según la
ubicación del usuario y pueden responder consultas basadas en voz o
texto. Algunos ejemplos son Siri de Apple, el Asistente de Google, Alexa
de Amazon y Cortana de Microsoft.
Recommender Systems:
Los sistemas de recomendación están impulsados por tecnologías de IA.
Son sistemas de filtrado de información que pueden predecir
automáticamente las preferencias del usuario y generar respuestas a
consultas basadas en el comportamiento pasado. Algunos ejemplos son el
algoritmo de Amazon “Frequently Bought Together”, el algoritmo de CineMatch de Netflix y algoritmos utilizados por redes sociales para encontrar conexiones entre personas y datos.
Predictive Analysis:
El análisis predictivo es un programa que utiliza una combinación de
técnicas de ciencia de datos, estadística e IA para analizar conjuntos
de datos no estructurados, descubrir patrones y relaciones, y usarlos
para hacer predicciones sobre probables resultados futuros.
¿Cómo trabajar con IA?
Está claro que existen muchas variantes para la aplicación de dicha
tecnología. Sus campos de actuación pueden atravesar desde el Marketing
Digital, la ciencia, medicina, medio ambiente, hasta en disciplinas
sociales como la antropología y sociología. A medida que avance y se
genere mayor conocimiento científico, más grandes serán las
oportunidades de uso que brindará la Inteligencia Artificial.
Fuente:
Braze.Artificial Intelligence Trends 2019 Roundup. New York, 2019.
Agencia Digital Full Service: https://ovrmind.com
ACTIVIDAD:
Desarrollar una tabla comparativa con los elementos y
características de al menos tres ramas de la inteligencia artificial.
Condiciones de la Actividad:
Realizar el ejercicio de manera Grupal.
Aplicar los pasos de la actividad.
El trabajo deberá ser realizado usando una herramienta TIC Online - Gamificación.
Deberá cumplir con la estructura de desarrollo.
Subir todo el material en la carperta correspondiente del Drive y del Classroom.
Pasos de la Actividad:
Como
tarea desarrollar una tabla comparativa con los elementos y
características de al menos tres ramas de la inteligencia artificial.
Realizar una pequeña exposición usando una herramienta TIC Online
Realizar un juego Online.
Subir todo el material al Drive y al Clasroom.
Rubrica de Evaluación:
Realiza el ejercicio de manera grupal.
Contiene todos los pasos de la actividad.
Desarrolla el ejercicio con herramientas Online.
Aplica la gamificación.
Subir
todo el material en la carperta correspondiente del Drive y en el Classroom asignar como entrega un enlace a la carpeta respectiva del Drive.
Esta valoración es solicitada por el docente de manera
personal para hacer seguimento a su trabajo y es un material aparte a la evaluación que posteriormente registrará
la Institución en su plataforma SICAU, la cual también deberá desarrollar en su momento
el estudiante de manera consiente y analítica.
Realiza un modelo Iconico del sistema a desarrollar teniendo en cuenta el materia de apoyo.
Estructura de desarrollo:
Pantalla de contenido o Diapositiva 1: Portada (Imágen ilustratíva, Titulo, Autor, Docente, Asignatura y Año)
Pantallas de contenido o Diapositivas 2: Introducción y Objetivos (General y Especificos).
Pantallas de contenido o Diapositivas 3:Definición de las 3 lineas de trabajo, las 3 problematicas detectadas, las 3 soluciones de software pensadas y la opción elegida.
Pantallas de contenido o Diapositivas 4: Desarrollo del modelo (Icónico) Nota: Debes dejar las 2 diapositivas siguientes a ésta (Diapositiva 5 y 6) vacias para una actividad posterior que te indicará el docente.
Pantalla de contenido o Diapositiva 7: Conclusión.
Pantalla de contenido o Diapositiva 8: Bibliografías de acuerdo a la norma APA.
