Enfoques de la inteligencia artificial
Red neuronal artificial
Algunos relatos populares utilizan el término «inteligencia artificial» para describir las máquinas que imitan las funciones «cognitivas» que los humanos asocian con la mente humana, como el «aprendizaje» y la «resolución de problemas», sin embargo, esta definición es rechazada por los principales investigadores de la IA[b].
A medida que las máquinas son cada vez más capaces, las tareas que se consideran que requieren «inteligencia» se eliminan a menudo de la definición de IA, un fenómeno conocido como efecto IA[3]. Por ejemplo, el reconocimiento óptico de caracteres se excluye con frecuencia de las cosas que se consideran IA,[4] al haberse convertido en una tecnología rutinaria[5].
La inteligencia artificial se fundó como disciplina académica en 1956, y en los años posteriores ha experimentado varias oleadas de optimismo,[6][7] seguidas de decepción y pérdida de financiación (lo que se conoce como «invierno de la IA»),[8][9] seguidas de nuevos enfoques, éxito y financiación renovada.[7][10] La investigación en IA ha probado y descartado muchos enfoques diferentes desde su fundación, incluyendo la simulación del cerebro, la modelización de la resolución de problemas humanos, la lógica formal, las grandes bases de datos de conocimiento y la imitación del comportamiento animal. En las primeras décadas del siglo XXI, el aprendizaje automático estadístico altamente matemático ha dominado el campo, y esta técnica ha demostrado ser muy exitosa, ayudando a resolver muchos problemas desafiantes en la industria y el mundo académico[11][10].
Aplicaciones de la inteligencia artificial
La inteligencia artificial (IA) ha recibido una enorme atención por parte del mundo académico, la industria y el público en general en los últimos años. La integración de la geografía y la IA, o GeoAI, proporciona enfoques novedosos para abordar una variedad de problemas en el entorno natural y nuestra sociedad humana. Esta entrada repasa brevemente el desarrollo reciente de la IA, centrándose en los enfoques de aprendizaje automático y aprendizaje profundo. Discutimos la integración de la IA con la geografía y, en particular, con la ciencia de la información geográfica, y presentamos una serie de aplicaciones de la GeoAI y posibles direcciones futuras.
Aprendizaje automático: subcampo de la IA que se basa en métodos estadísticos o técnicas de optimización numérica para derivar modelos a partir de datos sin programar explícitamente cada parámetro del modelo o paso de cálculo.
Aprendizaje profundo: un tipo especial de aprendizaje automático que aprovecha múltiples capas de unidades de procesamiento no lineal, o neuronas, para aprender representaciones a partir de datos brutos con el fin de lograr el objetivo de aprendizaje automático para completar diversas tareas de IA.
Enfoques de la inteligencia artificial ppt
Algunos relatos populares utilizan el término «inteligencia artificial» para describir las máquinas que imitan las funciones «cognitivas» que los humanos asocian con la mente humana, como el «aprendizaje» y la «resolución de problemas», sin embargo, esta definición es rechazada por los principales investigadores de la IA[b].
A medida que las máquinas son cada vez más capaces, las tareas que se consideran que requieren «inteligencia» se eliminan a menudo de la definición de IA, un fenómeno conocido como efecto IA[3]. Por ejemplo, el reconocimiento óptico de caracteres se excluye con frecuencia de las cosas que se consideran IA,[4] al haberse convertido en una tecnología rutinaria[5].
La inteligencia artificial se fundó como disciplina académica en 1956, y en los años posteriores ha experimentado varias oleadas de optimismo,[6][7] seguidas de decepción y pérdida de financiación (lo que se conoce como «invierno de la IA»),[8][9] seguidas de nuevos enfoques, éxito y financiación renovada.[7][10] La investigación en IA ha probado y descartado muchos enfoques diferentes desde su fundación, incluyendo la simulación del cerebro, la modelización de la resolución de problemas humanos, la lógica formal, las grandes bases de datos de conocimiento y la imitación del comportamiento animal. En las primeras décadas del siglo XXI, el aprendizaje automático estadístico altamente matemático ha dominado el campo, y esta técnica ha demostrado ser muy exitosa, ayudando a resolver muchos problemas desafiantes en la industria y el mundo académico[11][10].
Cuatro enfoques de la inteligencia artificial
Algunos relatos populares utilizan el término «inteligencia artificial» para describir las máquinas que imitan las funciones «cognitivas» que los humanos asocian con la mente humana, como el «aprendizaje» y la «resolución de problemas»; sin embargo, esta definición es rechazada por los principales investigadores de la IA[b].
A medida que las máquinas son cada vez más capaces, las tareas que se consideran que requieren «inteligencia» se eliminan a menudo de la definición de IA, un fenómeno conocido como efecto IA[3]. Por ejemplo, el reconocimiento óptico de caracteres se excluye con frecuencia de las cosas que se consideran IA,[4] al haberse convertido en una tecnología rutinaria[5].
La inteligencia artificial se fundó como disciplina académica en 1956, y en los años posteriores ha experimentado varias oleadas de optimismo,[6][7] seguidas de decepción y pérdida de financiación (lo que se conoce como «invierno de la IA»),[8][9] seguidas de nuevos enfoques, éxito y financiación renovada.[7][10] La investigación en IA ha probado y descartado muchos enfoques diferentes desde su fundación, incluyendo la simulación del cerebro, la modelización de la resolución de problemas humanos, la lógica formal, las grandes bases de datos de conocimiento y la imitación del comportamiento animal. En las primeras décadas del siglo XXI, el aprendizaje automático estadístico altamente matemático ha dominado el campo, y esta técnica ha demostrado ser muy exitosa, ayudando a resolver muchos problemas desafiantes en la industria y el mundo académico[11][10].
