Dada la relevancia de la inteligencia artificial en la actualidad, es
importante aclarar y definir la terminología relacionada con este campo. Por lo
tanto, existe una necesidad urgente de desarrollar un entendimiento común entre
los expertos que se enfrentan a estos desafíos.
Algoritmo genético (Genetic Algorithm - GA)
Trata de replicar el modelo de selección natural que propuso Darwin.
Este modelo básicamente dice que, dentro de una población, los individuos que
sobreviven son aquellos que están más adaptados al medio. Se utilizan para
resolver problemas de búsqueda y optimización pues se basan en hacer
evolucionar poblaciones de soluciones hacia valores óptimos del problema.
Aprendizaje
automático (Machine Learning – ML)
El aprendizaje automático es un subcampo de la informática que
evolucionó a partir del estudio del reconocimiento de patrones y la teoría del
aprendizaje computacional en Inteligencia Artificial. En 1959, Arthur Samuel
definió el aprendizaje automático como un "campo de estudio que brinda a
las computadoras la capacidad de aprender sin ser programadas
explícitamente".
Aprendizaje de
pocos disparos (Few-shot learning – FSL)
El aprendizaje de pocos disparos (FSL) es una serie de técnicas y
algoritmos utilizados para desarrollar un modelo de IA con una pequeña cantidad
de datos de entrenamiento. Permite que un modelo de IA clasifique y reconozca
nuevos datos después de exponerlos a algunas instancias de entrenamiento. El
entrenamiento de pocos disparos no se parece en nada a los métodos
tradicionales del modo de entrenamiento de aprendizaje automático que utiliza
una gran cantidad de datos de entrenamiento.
Aprendizaje no
supervisado (Unsupervised Learning)
El aprendizaje no supervisado es un tipo de aprendizaje automático en el
que un algoritmo resuelve todo tipo de problemas de reconocimiento de
patrones/modelos sobre la base de muestras de entrenamiento cuyas categorías
son desconocidas (no etiquetadas).
Aprendizaje
por transferencia (Transfer learning)
El aprendizaje por transferencia es un método de aprendizaje automático
que reutiliza un modelo previamente entrenado para otra tarea, generalmente
relacionada de alguna manera. Es una técnica útil para reducir la carga de
etiquetar nuevos datos de entrenamiento.
Aprendizaje
profundo (Deep Learning)
Es una técnica de aprendizaje automático que copia la manera en que
funciona el cerebro humano para crear conexiones (redes neuronales) entre
distintos conjuntos de datos, crear patrones y tomar decisiones.
Aprendizaje
supervisado (Supervised Learning)
Con el aprendizaje supervisado, los algoritmos se entrenan a base de
ejemplos, de manera similar a cómo un maestro educa a una clase de estudiantes.
Con el aprendizaje supervisado, los datos de entrenamiento se clasifican y
etiquetan, y se proporciona el resultado esperado. Los algoritmos están
entrenados para buscar en los datos patrones que logren los resultados
esperados.
Computación
basada en humanos (Human-Computation o Human-based Computation - HBC)
La computación humana consiste en usar humanos para resolver problemas o
realizar tareas que son difíciles de realizar para los ordenadores.
Computación
cognitiva (Cognitive Computing)
Se enfoca principalmente en la capacidad del ordenador para pensar,
aprender y tomar decisiones al igual que los humanos. La computación cognitiva
se refiere a los ordenadores que están programados para aprender de forma
independiente y resolver problemas de manera inteligente.
IA incorporada
(Embodied AI)
La “IA incorporada” se define como inteligencia artificial para robots
virtuales. El concepto se basa en el campo de estudio de los robots virtuales
con la capacidad de moverse, ver, hablar e interactuar dentro de su espacio
virtual con otros robots virtuales existentes. Estas simulaciones de robots
pueden luego ser transferidas a robots reales con cuerpos físicos.
Informática
autónoma (Autonomic Computing)
Machine Learning
es una tecnología en la que los sistemas de información se administran
automáticamente y mantienen su confiabilidad.
Inteligencia
emocional artificial (Affective Computing)
Definición: la computación afectiva es el estudio y desarrollo de sistemas y
dispositivos que pueden reconocer, interpretar, procesar y simular las
emociones humanas.
Razonamiento
abductivo (Abductive reasoning)
Es un tipo de razonamiento que a partir de la descripción de un hecho o
fenómeno ofrece o llega a una hipótesis. Este proceso, a diferencia del
razonamiento deductivo, consiste en explicar una conclusión mediante una
premisa considerando a esta última como una hipótesis explicativa.
Razonamiento
analógico (Analogical Reasoning)
Es un tipo de razonamiento de carácter inductivo en el cual se
relacionan dos situaciones distintas pero que responden a la misma lógica
amparados en un proceso determinado.
Razonamiento
basado en casos (Case-Based Reasoning – CBR)
Es un método general para resolver nuevos problemas basado en las
soluciones de problemas anteriores similares..
Red neuronal
artificial (Artificial Neural Network – ANN)
Es una serie de algoritmos que buscan relaciones en un conjunto de
datos. Consta de nodos interconectados que le dan la apariencia de una red
neuronal biológica y de la que toma su nombre.
Comentarios
Publicar un comentario
¡Si tienes cualquier pregunta, puedes ponerte en contacto con nosotros!