• Author / Uploaded
• Andres Murillo

Citation preview

Estudios científicos.

Modelos generativos aplicados a otros sectores.

Los modelos generativos se van a aplicar en muchísimos nuevos campos. Actualmente, la mayoría de las investigaciones se realizan en el campo de generación de imágenes y voz. Sin embargo, veremos cómo estos métodos se incorporan en herramientas que buscan modelizar sistemas complejos. Una de las áreas donde se verá más actividad es en la aplicación del aprendizaje profundo a modelos económicos. Grandes avances en autoaprendizaje en juegos.

Los juegos son un escenario perfecto para desarrollar la inteligencia. Tienen reglas concretas, suponen competitividad para encontrar una estrategia ganadora y los objetivos son claros, por lo que podemos medir la eficacia de las acciones. La capacidad de AlphaGo Zero y AlfaZero para “aprender de cero” ha supuesto un salto brutal en Inteligencia Artificial. Algunos opinan que está al mismo nivel de impacto que el descubrimiento del propio aprendizaje profundo. La capacidad para auto aprender a jugar es el primer paso en el camino de desarrollar verdadera IA. Es curioso, por cierto, que el equipo de DeepMind no tenga una palabra para esto, pero otro grupo de investigación lo llama “ExIt“. Como apuesta personal y que ya os avanzamos anteriormente, este año probablemente veamos a la IA ganando a los humanos en el juego Starcraft, pero también, no nos podemos olvidar, seguro que veremos la aplicación de esta capacidad en otros recursos muy dispares, más allá de los videojuegos. Nuevos entornos de aprendizaje profundo.

El camino hacia un desarrollo más previsible y controlado de los sistemas de aprendizaje profundo pasa por el desarrollo de nuevos entornos de aprendizaje.

Los sistemas biológicos aprenden de la interacción con el medio ambiente; no pueden aprender de forma aislada. Hemos estado desarrollando algoritmos de autoaprendizaje, como antes comentábamos, pero necesitamos entornos ricos de experiencias, donde las máquinas puedan aprender de verdad por interacción. El procedimiento de entrenamiento de aprendizaje profundo actual es uno de los métodos de enseñanza más brutos que uno pueda imaginar. Se basa en la presentación repetitiva y aleatoria de hechos sobre el mundo, con la esperanza de que el estudiante (es decir, la red neuronal) sea capaz de desenredar y crear suficientes abstracciones de ello. Ni los peores profesores nos han enseñado así.

La IA logra descubrimientos científicos explorando documentos antiguos.

Los investigadores utilizaron el ya conocido enfoque de “aprendizaje automático” de la IA que a lo largo del estudio y de un número elevado de iteraciones se va tornando paulatinamente en “aprendizaje profundo” y que puede producir ciertos contenidos que tienen sentido para el ser humano. Este proceso de la IA llamado “Machine Learning” (aprendizaje automático), que luego de se transforma en “Deep Learning” (aprendizaje profundo) es cada vez más utilizado en las esferas científicas con el objetivo de simplificar y acortar los tiempos de lectura y revisión de documentos del marco teórico. En este caso en particular, el algoritmo fue preparado para encontrar “conocimiento latente” o conexiones que podrían haberse perdido en un campo de investigación en particular aunque los datos estuvieron siempre presentes. Super ordenadores al servicio del paciente.

Aquí desarrollan algoritmos para analizar e interpretar imágenes, y trabajan en el aprendizaje de máquinas (machine learning) para extraer de las imágenes médicas información clínica útil. Así, la IA se aplica para entender mejor el desarrollo del cerebro, mejorar el diagnóstico de pacientes con demencia, que hayan sufrido un ictus o daños cerebrales, o bien realizar diagnósticos en personas con enfermedades cardiovasculares. "Hay muchas cosas que se pueden hacer de forma automática para ayudar al radiólogo", asegura. Pero también, añade, la IA es una herramienta para ofrecer diagnósticos en países en vías de desarrollo o zonas remotas donde no hay personal médico tan cualificado. Cuando la nano fotónica se encuentra con el Deep Learning para la obtención de metamateriales.

Los avances en el campo de la nano fotónica, es decir, cómo se comporta la luz a escala nanométrica, ha allanado el camino para la invención de los “metamateriales”, materiales hechos por el hombre que tienen enormes aplicaciones como la detección remota a nano escala o la recolección de energía. Pero su impacto en nuestra vida diaria se ha visto frenado por un proceso de fabricación complejo con grandes márgenes de error. Ahora, gracias al deep learning y a las redes neuronales se puede simplificar y mejorar todo el proceso logrando predecir, en fracciones de segundo, la geometría de una nanoestructura fabricada. El nuevo estudio, llevado a cabo por la Universidad de Tel Aviv (TAU) y publicado en la revista científica LIGHT: Science and Applications, demuestra de una manera racional el proceso de diseño y caracterización de elementos nano fotónicos básicos: metamateriales. El estudio fue dirigido por el Dr. Haim Suchowski de la Escuela de Física y Astronomía de TAU y el Profesor Lior Wolf de la Escuela de Ciencias de la Computación Blavatnik de TAU, y fue realizado por el científico investigador Dr. Michael Mrejen y los estudiantes de posgrado Itzik Mal Kiel, Achiya Nagler y Uri Arieli. Los investigadores de la Universidad de Tel Aviv apostaron por esta tecnología para realizar su estudio: “Nuestro nuevo enfoque depende casi completamente del Deep Learning, una red de computadoras inspiradas en la arquitectura jerárquica y en capas del cerebro humano”, explica el Prof. Wolf. “ Es una de las formas más avanzadas de aprendizaje automática, responsable de los principales avances en tecnología, incluido el reconocimiento de voz, la traducción y el procesamiento de imágenes.

Pensamos que será el enfoque adecuado para diseñar elementos metamateriales y nano fotónicos”. Los científicos alimentaron una red de neuronal de Deep Learning con 15.000 experimentos artificiales para enseñar a la red la compleja relación entre las formas de los nano elementos y sus respuestas electromagnéticas. “Demostramos que una red de Deep Learning ‘entrenada’ puede predecir, en una fracción de segundo, la geometría de una nanoestructura fabricada”, detalla el Dr. Suchowski. Los investigadores también demostraron que esta nueva aproximación produce con éxito novedosos diseños de nano elementos que pueden interactuar con sustancias químicas y proteínas específicas. En Google trabajan ingenieros, desarrolladores, pero también científicos y médicos. Son estos los que realizan las investigaciones en inteligencia artificial o aprendizaje profundo que han convertido a la empresa en líder de esta tecnología.

En su día fueron los chips informáticos, después los smartphones, y ahora le ha llegado el turno a la inteligencia artificial ( y todas sus aplicaciones).Esta tecnología es la protagonista de la carrera que a día de hoy protagonizan gigantes como Facebook, Microsoft o Apple y a la que quieren incorporarse otras empresas más recientes, por hacerse con las innovaciones más punteras y los mayores avances. Pero hay una que destaca por encima del resto: se trata de Google (o Alphabet), cuya inversión en inteligencia artificial no ha dejado de crecer, atrayendo talento especializado y adquiriendo startups enfocadas en esta tecnología, como DeepMind.

Una ventaja que está justificada, ya que la compañía lleva años apostando por la inteligencia artificial, cuando otras en cambio miraban más hacia otras tecnologías.

Ventajas de la Inteligencia Artificial 

   











Es uno de los temas más interesantes actualmente en cuanto a aprendizaje de máquinas, por lo que está impulsando la investigación y generando empleos en múltiples campos. Usando deep learning puedes resolver en pocas horas, una tarea que a investigadores les tomaba varios meses. Es muy sencillo de implementar, existen varias librerías que facilitan el trabajo. Minimizar casi por completo las posibilidades de error y obtener mayor precisión, al computar y comparar grandes cantidades de variables y datos. Adjudicar tareas complejas y peligrosas para los humanos como la exploración espacial o la minería. Estas máquinas pueden ser útiles para superar las limitaciones que los humanos tienen. Las máquinas con inteligencia artificial podrán reemplazar a los seres humanos en áreas de trabajo laboriosas o minuciosas. Con esto los seres humanos podrán centrarse en labores de mayor responsabilidad. Facilitarán nuestro día a día, conociendo y prediciendo nuestras necesidades, gustos e intereses, las como las aplicaciones de asistentes digitales y las predicciones de los teléfonos inteligentes que ya usamos hoy en día. Gestión y análisis de datos y registros en áreas tan sensibles como la actividad financiera permitiendo detectar anomalías y fraudes y organizar el capital de la mejor manera. Es por ello que un master de inteligencia artificial es una de las características más buscadas en los profesionales de la industria. La inteligencia artificial puede realizar tareas repetitivas y que requieren de gran cantidad de recursos y tiempo, aumentando la eficiencia en las mismas. Además, al carecer de emociones es posible el procesamiento y toma de decisiones de forma totalmente racional. Desarrollo de juegos y aplicaciones de inteligencia artificial que aprenden de los usuarios y retan la inteligencia humana. En 2011, ¡el superordenador de IBM derrotó a los campeones humanos del concurso estadounidense de preguntas y respuestas Jeopardy!, como ya había conseguido la empresa en IBM en 1996. En este caso lo logró con su programa informático Deep Blue, al campeón mundial de ajedrez Gary Kaspárov.



Avances en la medicina. Otra de las grandes aplicaciones de inteligencia artificial se encuentra en el desarrollo de algoritmos inteligentes. Estos permiten evaluar y diagnosticar pacientes, simular cirugías y funcionamientos cerebrales y aplicar radiocirugía en casos de riesgo donde la precisión es fundamental. Desventajas de la inteligencia artificial.









 





Las máquinas pueden no ser tan eficientes como los humanos para alterar sus respuestas dependiendo de las situaciones cambiantes. Al basar su aprendizaje y comportamiento en datos informáticos sus respuestas pueden no adaptarse a las necesidades reales. Un master de Inteligencia Artificial prepara a los profesionales para afrontar estos retos y mejorar las posibilidades de esta tecnología. El filósofo británico Nick Bostrom compara la revolución de la inteligencia artificial con la de los automóviles para los caballos. Estos animales, al convertirse en innecesarios con la llegada de los vehículos a motor fueron desapareciendo progresivamente. Para Bostrom, la IA supone un riesgo existencial comparable con el impacto de un gran asteroide o el holocausto nuclear. La sustitución del trabajo humano por máquinas llevará al desempleo de personas y a la pérdida de la creatividad. Esto es algo preocupante y que también afecta a terrenos como la Industria 4.0. Al fin y al cabo, el diseño y aplicación recae sobre la responsabilidad humana. Por lo tanto, de nosotros depende utilizarlas de la forma más beneficiosa y nunca de forma egoísta o malvada. Necesitas una GPU para realizar los entrenamientos, aunque se pueden hacer en CPU estos en data sets grandes demoran 100 veces más. a sea para clasificación, detección, segmentación o algún otro trabajo supervisado vas a necesitar etiquetar tus data sets manualmente y esto es un proceso tedioso y que consume mucho tiempo. La tecnología que soporta el aprendizaje profundo y las librerías que permiten implementar estas técnicas están evolucionando rápidamente, por lo que es necesario estar pendiente de la documentación y las versiones que se usan. El aprendizaje profundo es muy empírico, no existe una solución definitiva, de momento la red neuronal y los parámetros que mejor funcionan en el entrenamiento son escogidos a pulso. Y como todo problema es diferente, los mejores parámetros son los que mejor funcionen. No hay una metodología definida para elegirlos. Estas ventajas y desventajas dejan claro la necesidad de profesionales formados en las posibilidades y responsabilidades del uso Inteligencia

artificial. Para lograrlo, un Master de Inteligencia Artificial te proporcionará una formación completa en el empleo, gestión, diseño y toma de decisiones de las herramientas de inteligencia artificial desde una perspectiva amplia, considerando los aspectos éticos, y legales y las implicaciones económicas y sociales de la automatización de los procesos en los negocios.

impacto en la educación, el trabajo y la formación profesional.

Analizamos el nuevo contexto laboral y social que emerge velozmente y tendrá fuertes consecuencias para la vida profesional y el futuro de las organizaciones. Impacto, desafíos y posibles escenarios a los que deberemos adaptarnos. La responsabilidad central que tiene y tendrá la educación en la reconversión profesional de millones de personas, y la necesidad de reciclarse para auto gestionar la empleabilidad futura. Recursos, casos y el análisis de especialistas, para entender un fenómeno irreversible. La automatización está impactando transversalmente nuestras vidas, tanto en el ámbito social, como en la actividad laboral, en la atención médica, en la forma de comunicarnos, e incluso dentro de nuestras propias viviendas. Vivimos en un mundo donde la inteligencia artificial y los algoritmos forman una parte esencial de las acciones que desarrollamos diariamente en la interacción con las redes sociales, el consumo de entretenimiento, las compras online, el turismo, junto al resto de las aplicaciones vinculadas a la provisión de diversos servicios, y el trabajo.

La educación y la formación profesional no son ajenas a este fenómeno. Son protagonistas excluyentes, que nos permitirán gestionar lo que vendrá. Por un lado y partir del creciente uso de tecnologías para apoyar procesos de aprendizaje, surgen nuevos modos de distribuir el conocimiento, y de interpretar y resolver las necesidades de capacitación de las personas. Por otra parte, el impacto incremental de la inteligencia artificial en diversos sectores laborales, obliga a prepararnos para un futuro incierto, con profesiones y actividades laborales que aún no conocemos. Impacto de Deep Learning en la sociedad

Deep Learning supone un cambio en gran parte de la realidad que conocemos, uno de los ejemplos claros en los que actualmente se utiliza este tipo de técnicas, es en el reconocimiento de imágenes, donde la misma se brinda como entrada y cada pixel es enviado a una cantidad arbitraria de neuronas en las capas ocultas para su procesamiento y análisis, así al finalizar tener nuestro resultado según las especificaciones para lo que se diseñó la herramienta y los resultados no algorítmicos de las operaciones que se generaron entre los pesos ponderados de las conexiones entre las neuronas recorridas hasta llegar al resultado, un ejemplo claro es la forma en que Facebook logra identificar los rostros en las fotografías que se suben a la red, así como asociarlo a un perfil al cual se podría etiquetar.

La idea del reconocimiento facial adjudicado a nuevas tecnologías como el Internet de las cosas, donde cada dispositivo, cada cámara u objeto en el cual sea posible recabar información está conectado a la red y el respectivo análisis y almacenamiento de Big Data en la nube complementarían herramientas de reconocimiento a nivel mundial, en la cual se ubique todo sobre la faz de la tierra en cuestión de segundos, en el peor de los escenarios minutos con solo estar a la vista de algún dispositivo.

Deep Learning revolucionaria otros campos de la misma manera como la forma en que nos vemos inmersos en nuestra vida. ¿Cuántas veces hemos estado en un tráfico interminable? ¿Cuál sería el cambio si el mismo vehículo pudiera conducirse y tomar sus propias decisiones para llevarnos a nuestro destino deseado?

El tiempo se aprovecharía de mayor manera, la frustración que conlleva las horas y horas perdidas en el tráfico se solucionarían, pero a la vez gradualmente estaríamos dependiendo más de los artefactos de nuestro entorno, actualmente personajes reconocidos como Steve Wozniak en entrevistas recientes han declarado que tienen fe en tecnologías emergentes como las que se mencionaban anteriormente, el reconocimiento de voz y otras, actualmente nos encontramos en una transición que nos lleva a un mundo del cual solo tenemos la esencia inicial, uno que al momento de fallar la tecnología en la cual está basado podría significar un desastre debido a que las condiciones de vida no serían las conocidas por cada individuo.

Conclusiones:



La realidad que conocemos está definida por los ejes en los cuales se basa nuestra forma de vivir.



Deep Learning sugiere algún problema a gran escala en la sociedad, debido a la renuencia al impacto que generarían dichas tecnologías.



Conforme las necesidades del ser humano aumentan, es necesario tener un cambio que logre suplir dichas necesidades.



Actualmente nos encontramos en una transición que nos lleva a una sociedad desarrollada que logre optimizar factores como el tiempo.



Entre más nos trasladamos a un mundo virtualizado, más dependemos de dicha tecnología.



Un fallo de las bases de la sociedad provocaría un desastre debido a la falta de conocimiento de la forma de vida que esto implicaría.

Bibliografía https://puentesdigitales.com/2018/01/12/los-8-increibles-avances-en-inteligencia-artificial-paraeste-2018/ https://www.rcinet.ca/es/2019/07/13/inteligencia-artificial-laboratorio-algoritmos-documenosantiguos-ciencia/ https://lab.elmundo.es/inteligencia-artificial/salud.html https://smart-lighting.es/cuando-la-nanofotonica-se-encuentra-deep-learning-la-obtencionmetamateriales/ http://alianzacaoba.co/inicio/mas-noticias-big-data-y-data-analytics-en-colombia-y-elmundo/google-mayor-impulsor-inteligencia-artificial-del-mundo/ https://master-deeplearning.com/ventajas-desventajas-inteligencia-artificial/ç https://es.quora.com/Cu%C3%A1les-son-los-pros-y-contras-de-usar-aprendizaje-profundo http://www.americalearningmedia.com/edicion-052/583-tendencias/7686-machine-learninginteligencia-artificial https://revistaecys.github.io/13Edicion/03_ggiron.html