Inteligencia Artificial y Redes Neuronales

[pic 1][pic 2]

INTELIGENCIA ARTIFICIAL Y REDES NEURONALES

González Flores Ricardo1 

1Universidad De La Salle Bajío, León, Gto., México.

rgf72492@udelasalle.edu.mx*

RESUMEN

En este artículo, se presenta una investigación documentada respecto a la inteligencia artificial, así como las redes neuronales. Se mostrarán los más importantes avances en la tecnología, su proceso de mejora al pasar de los años y cual es su proyección en un futuro no muy lejano. El respectivo artículo contiene una serie de ejemplos de como se presenta la tecnología en nuestro día a día y en el cómo los algoritmos evolucionan tanto que permiten la generación de resolver problemas de manera autónoma y la adaptación a su entorno.

PALABRAS CLAVE: IA, redes neuronales, avances, tecnología, algoritmos.

ABSTRACT

This article presents documented research regarding artificial intelligence as well as neural networks. The most important advances in technology will be shown, its improvement process over the years and its projection in the not-too-distant future. The respective article contains a series of examples of how technology is presented in our day-to-day life and how algorithms evolve so much that they allow the generation to solve problems and adapt to their environment.

KEYWORDS: AI, neural networks, advances, technology, algorithms.

1. INTRODUCCIÓN

La innovación en inteligencia artificial continúa a buen ritmo, con un crecimiento explosivo en prácticamente todas las industrias. [1]
El año 2020 fue un gran desafío para los ciudadanos, las empresas y los gobiernos de todo el mundo. A medida que el covid-19 se extendió, requiriendo restricciones de salud y seguridad de gran alcance, las aplicaciones de inteligencia artificial (IA) jugaron un papel crucial para salvar vidas y fomentar la resiliencia económica. La investigación y el desarrollo (I + D) para mejorar las capacidades centrales de la IA, desde la conducción autónoma y el procesamiento del lenguaje natural hasta la computación cuántica, continuaron sin cesar. [3]

Así mismo las redes neuronales evolucionaron gracias al avance sin fin que ha tenido la inteligencia artificial. Las redes neuronales reflejan el comportamiento del cerebro humano, lo que permite que los programas informáticos reconozcan patrones y resuelvan problemas comunes en los campos de la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo.   [2].

 Las redes neuronales artificiales (ANN) se componen de capas de un nodo, que contienen una capa de entrada, una o más capas ocultas y una capa de salida. Cada nodo, o neurona artificial, se conecta a otro y tiene un peso y un umbral asociados. Si la salida de cualquier nodo individual está por encima del valor de umbral especificado, ese nodo se activa y envía datos a la siguiente capa de la red. De lo contrario, no se transmiten datos a la siguiente capa de la red. [2]

[pic 3]

FIG 1. Red neuronal profunda.

1. [pic 4]5 tendencias de IA en 2021

MLOps

MLOps ("Operaciones de aprendizaje automático", la práctica de aprendizaje automático de producción) ha existido durante algún tiempo. Sin embargo, durante 2020, COVID-19 trajo una nueva apreciación de la necesidad de monitorear y administrar instancias de aprendizaje automático de producción. El cambio masivo en los flujos de trabajo operativos, la gestión de inventario, los patrones de tráfico, etc. provocó que muchas IA se comportaran de forma inesperada. Esto se conoce en el mundo MLOps como Drift, cuando los datos entrantes no coinciden con lo que la IA fue entrenada para esperar. [1]

La comunidad MLOps, la Operational ML Conference, que comenzó en 2019, también vio un crecimiento significativo de ideas, experiencias y una amplia participación en 2020. [1][pic 5]

FIG 2. Funcionamiento de MLOps.

      Low Code/No Code

[pic 6]AutoML (aprendizaje automático automático) existe desde hace algún tiempo. AutoML se ha centrado tradicionalmente en la selección algorítmica y en encontrar la mejor solución de aprendizaje automático o aprendizaje profundo para un conjunto de datos en particular. El año pasado vio un crecimiento en el movimiento Low-Code / No-Code en todos los ámbitos, desde aplicaciones hasta soluciones de inteligencia artificial vertical específicas para empresas. [1].

Si bien AutoML permitió la creación de modelos de IA de alta calidad sin un conocimiento profundo de la ciencia de datos, las plataformas modernas Low-Code / No-Code permiten la creación de aplicaciones completas impulsadas por IA de grado de producción sin un conocimiento profundo de programación. [1].

FIG 3. Representación gráfica de NO-CODE/LOW-CODE .

      Modelos de lenguaje avanzados previamente entrenados

Los últimos años han traído avances sustanciales al espacio del procesamiento del lenguaje natural, el mayor de los cuales puede ser Transformers y Attention, una aplicación común de los cuales es BERT (Representaciones de codificador bidireccional con transformadores). Estos modelos son extremadamente poderosos y han revolucionado la traducción, comprensión, resumen y más de idiomas. [1].

Sin embargo, estos modelos son extremadamente costosos y su entrenamiento requiere mucho tiempo. La buena noticia es que los modelos previamente entrenados (y algunas veces las API que permiten el acceso directo a ellos) pueden generar una nueva generación de servicios de IA efectivos y extremadamente fáciles de construir [1].

Uno de los ejemplos más grandes de un modelo avanzado accesible a través de API es GPT-3, que se ha demostrado para casos de uso que van desde escribir código hasta escribir poesía. [1].

FIG 4. Parámetros posibles en modelos de inteligencias artificiales.

[pic 7]

FIG 5. Capacidad de GPT-3 para realizar más tareas con menos “disparos”.

Generación de contenido sintético (y su primo, el Deep Fake)

La PNL no es la única área de IA que ha experimentado una innovación algorítmica sustancial. Las redes generativas de confrontación (GAN) también han experimentado innovación, demostrando hazañas notables en la creación de arte e imágenes falsas. [1]

[pic 8]

FIG 6. Generación de video falso a partir de generación de contenido sintético.

...