Inteligencia artificial que aprende

Inteligencia artificial que aprende

inteligencia general artificial

Los ponentes describieron enfoques vanguardistas -algunos ya establecidos, otros nuevos- para crear un flujo bidireccional de conocimientos entre la investigación sobre la inteligencia humana y la basada en las máquinas, con el fin de lograr una potente aplicación. He aquí algunas de sus principales conclusiones.
Matthew Botvinick, director de investigación en neurociencia de DeepMind, ofreció un amplio panorama de los avances de la empresa de IA impulsados por la investigación de aplicaciones de IA que utilizan el aprendizaje profundo de refuerzo (entrenamiento mediante recompensas) y otros conceptos de neurociencia/psicología.
En 2015, por ejemplo, DeepMind entrenó a máquinas para jugar a juegos clásicos de Atari a niveles sobrehumanos, y luego amplió este enfoque a juegos más complicados como StarCraft y Go y, más recientemente, a juegos multiagente como Capture the Flag.
Esto ha dado lugar a ideas y prácticas innovadoras que utilizan conceptos de todo tipo, desde la psicología del desarrollo hasta el comportamiento animal. Por ejemplo, DeepMind está entrenando actualmente redes neuronales de IA utilizando conocimientos de vanguardia sobre el aprendizaje de refuerzo basado en la dopamina en los seres humanos. «Estamos ayudando a los sistemas de IA a hacer mejores predicciones basándonos en lo que hemos aprendido sobre el cerebro», dice Botvinick.

python

Saltar al contenido Una pequeña figura de palo con una cabeza en forma de cuña se arrastra por la pantalla. Se mueve medio agachado, arrastrando una rodilla por el suelo. Está caminando. Más o menos.    Pero Rui Wang está encantado.  «Todos los días entro en mi oficina y abro el ordenador, y no sé qué esperar», dice.    Investigador de inteligencia artificial en Uber, a Wang le gusta dejar el Paired Open-Ended Trailblazer, una pieza de software que ayudó a desarrollar, funcionando en su portátil durante la noche. POET es una especie de dojo de entrenamiento para robots virtuales. Hasta ahora, no están aprendiendo a hacer mucho. Estos agentes de la IA no juegan al Go, ni detectan signos de cáncer, ni doblan proteínas, sino que intentan navegar por un tosco paisaje de dibujos animados con vallas y barrancos sin caerse.

sistema experto

El aprendizaje automático (AM) es el estudio de los algoritmos informáticos que pueden mejorar automáticamente a través de la experiencia y el uso de datos[1] Se considera una parte de la inteligencia artificial. Los algoritmos de aprendizaje automático construyen un modelo basado en datos de muestra, conocidos como «datos de entrenamiento», con el fin de hacer predicciones o tomar decisiones sin estar explícitamente programados para ello[2]. Los algoritmos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, como en medicina, filtrado de correo electrónico, reconocimiento del habla y visión por ordenador, donde es difícil o inviable desarrollar algoritmos convencionales para realizar las tareas necesarias[3].
Un subconjunto del aprendizaje automático está estrechamente relacionado con la estadística computacional, que se centra en la realización de predicciones mediante ordenadores; pero no todo el aprendizaje automático es aprendizaje estadístico. El estudio de la optimización matemática aporta métodos, teoría y dominios de aplicación al campo del aprendizaje automático. La minería de datos es un campo de estudio relacionado, que se centra en el análisis exploratorio de datos a través del aprendizaje no supervisado[5][6] Algunas implementaciones del aprendizaje automático utilizan datos y redes neuronales de una manera que imita el funcionamiento de un cerebro biológico[7][8] En su aplicación a los problemas empresariales, el aprendizaje automático también se conoce como análisis predictivo.

superintell… caminos, peligros…

La inteligencia artificial (IA) hace posible que las máquinas aprendan de la experiencia, se ajusten a nuevas entradas y realicen tareas similares a las humanas. La mayoría de los ejemplos de IA de los que se oye hablar hoy en día -desde ordenadores que juegan al ajedrez hasta coches que se conducen solos- se basan en gran medida en el aprendizaje profundo y el procesamiento del lenguaje natural. Gracias a estas tecnologías, se puede entrenar a los ordenadores para que realicen tareas específicas procesando grandes cantidades de datos y reconociendo patrones en ellos.
Las primeras investigaciones sobre IA en la década de 1950 exploraron temas como la resolución de problemas y los métodos simbólicos. En los años 60, el Departamento de Defensa de EE.UU. se interesó por este tipo de trabajo y comenzó a entrenar a los ordenadores para que imitaran el razonamiento humano básico. Por ejemplo, la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) llevó a cabo proyectos de cartografía de calles en la década de 1970. Y DARPA produjo asistentes personales inteligentes en 2003, mucho antes de que Siri, Alexa o Cortana fueran nombres conocidos.
Estos primeros trabajos prepararon el camino para la automatización y el razonamiento formal que vemos hoy en día en los ordenadores, incluidos los sistemas de apoyo a la toma de decisiones y los sistemas de búsqueda inteligente que pueden diseñarse para complementar y aumentar las capacidades humanas.

Usamos cookies para asegurar que le damos la mejor experiencia en nuestra web. Si continúa usando este sitio, asumiremos que está de acuerdo con ello. Nuestros socios (incluye a Google) podrán compartir, almacenar y gestionar sus datos para ofrecerle anuncios personalizados    Más información
Privacidad