INTELIGENCIA ARTIFICIAL

La inteligencia artificial (IA) es el campo de la ciencia informática dedicado

a la resolución de problemas cognitivos asociados comúnmente con la
inteligencia humana, como el aprendizaje, la resolución de problemas y el
reconocimiento de patrones. La inteligencia artificial, que normalmente se
abrevia IA, puede evocar escenas futuristas o robóticas, pero va mucho más
allá de los automatones de la ciencia ficción, llegando a la ciencia
informática avanzada de hoy en día. El profesor Pedro Domingos,
investigador destacado en este campo, describe "cinco tribus" del
aprendizaje virtual, compuestas por simbolistas, provenientes de la lógica y
la filosofía; conexionistas, procedentes de la neurociencia; evolutivos;
relacionados con la biología evolutiva; bayesianos, interesados en la
estadística y la probabilidad; y analogistas, procedentes de la psicología.
Recientemente, los avances en la eficacia de la computación estadística
han permitido a los bayesianos ampliar en campo en varias áreas,
englobadas bajo el nombre "aprendizaje automático". Del mismo modo, los
avances en la computación de red han llevado a los conexionistas a crear
un subcampo denominado "aprendizaje profundo". El aprendizaje automático
(ML) y el aprendizaje profundo (DL) son ambos campos de la ciencia
informática derivados de la disciplina de la inteligencia artificial.

En rasgos generales, estas técnicas se dividen en técnicas de aprendizaje

"supervisadas" y "no supervisadas". Las técnicas "supervisadas" utilizan
datos de entrenamiento que incluyen la salida deseada, mientras que las
"no supervisadas" utilizan datos de entrenamiento sin la salida deseada.

La IA se vuelve "más inteligente" y aprende más rápido cuantos más datos

posee y, cada día, las empresas están generando este combustible que
pone en marcha las soluciones de aprendizaje automático y aprendizaje
profundo, tanto recopilándolos y extrayéndolos de un almacén de datos
como Amazon Redshift, recopilándolos en el terreno mediante el poder de
"la multitud" con Mechanical Ruk o extrayéndolos dinámicamente a través
de Kinesis Streams. Además, con el auge del IoT, la tecnología de los
sensores añade cada vez más datos a la cantidad por analizar, datos de
fuentes, lugares, objetos y eventos que antes prácticamente se ignoraban.

Aprendizaje automático
Aprendizaje automático es el nombre que se aplica comúnmente a varias
técnicas bayesianas de reconocimiento y aprendizaje de patrones. En
esencia, el aprendizaje automático es un conjunto de algoritmos que pueden
aprender de datos registrados y realizar predicciones a partir de ellos,
optimizar una función de utilidad determinada bajo certeza, extraer
estructuras ocultas de datos y clasificar los datos en descripciones
concisas. El aprendizaje automático se suele utilizar cuando la
programación explícita resulta demasiado rígida o poco práctica. A
diferencia del código informático desarrollado por los desarrolladores de
software para intentar generar una salida específica al código el programa a
partir de una entrada determinada, el aprendizaje automático utiliza los
datos para generar código estadístico (un modelo ML), que producirá la
"salida adecuada" basado en un patrón reconocido a partir de ejemplos
anteriores de entrada (y salida, en caso de técnicas supervisadas). La
precisión de un modelo ML depende principalmente de la calidad y cantidad
de los datos históricos.

Con los datos adecuados, un modelo ML puede analizar problemas de gran

dimensión con miles de millones de ejemplos para analizar la función óptima
capaz de predecir una salida con una entrada determinada. Los modelos ML
suelen poder proporcionar la confianza estadística en las predicciones, así
como en el desempeño general. Estas puntuaciones de evaluación son
importantes a la hora de decidir si utilizar un modelo ML o una predicción
individual.

¿Cómo usamos el aprendizaje automático en Amazon?

Amazon.com está basando gran parte de su negocio en sistemas de
aprendizaje automático. Sin el aprendizaje automático, Amazon.com no
podría ampliar su negocio, mejorar la experiencia y selección de los
clientes, y optimizar su velocidad y calidad logística. Amazon.com creó AWS
para permitir a otras empresas disfrutar de la misma infraestructura de TI,
con agilidad y beneficios de costos, y ahora sigue democratizando las
tecnologías ML poniéndolas al alcance de todas las empresas.

La estructura de los equipos de desarrollo de Amazon.com y el enfoque en

el aprendizaje automático para resolver problemas empresariales
pragmáticos complicados llevan a Amazon.com y a AWS a desarrollar
herramientas y dispositivos ML potentes y sencillos de usar. Estas
herramientas se prueban primero en la escala y entorno crítico de
Amazon.com, antes de proporcionarse como servicios de AWS para que los
usen otras empresas, del mismo modo que otros servicios de TI.

Implementación del aprendizaje automático en su

empresa
El aprendizaje automático se utiliza a menudo para predecir resultados
futuros a partir de datos históricos. Por ejemplo, las empresas utilizan el
aprendizaje automático para predecir cuántos de sus productos se venderán
en trimestres fiscales posteriores a partir de una demográfica particular, o
estimar qué perfil de cliente tiene más probabilidades de no quedar
satisfecho o de ser más leal a la marca. Estas predicciones permiten tomar
mejores decisiones empresariales, proporcionar experiencias mejores a los
usuarios y llegar a reducir los costos de retención de clientes. Como
complemento de la inteligencia empresarial (BI), que se centra en informar
de datos empresariales antiguos, el aprendizaje automático predice los
resultados a partir de tendencias y transacciones anteriores.

Existen varios pasos para implementar con éxito el aprendizaje automático

en una empresa. En primer lugar, identificar el problema adecuado, es decir,
identificar la predicción que, si se cumple, beneficiaría a la empresa. A
continuación, deben recopilarse los datos, a partir de métricas
empresariales históricas (transacciones, ventas, retención, etc.). Una vez
agregados los datos, se puede crear un modelo ML a partir de ellos. El
modelo ML se ejecuta y la salida de la predicción se aplica al sistema
empresarial para tomar decisiones más fundamentadas.

Las compañías optan cada vez más por la nube para implementar
sus aplicaciones y analizar datos.  No es ninguna sorpresa que
estas compañías contraten trabajadores que puedan ayudarlos a
desarrollar y gestionar una arquitectura en la nube.

Las carreras en la nube pueden ser divertidas y gratificantes.

Pero, ¿qué hace realmente una persona que trabaja en estos
campos? Con una gran variedad de trabajos y compañías que usan
la nube, no hay una única respuesta a esta pregunta. Explore los
videos y los recursos que aparecen a continuación para conocer
algunas de las personas y clientes que están solucionando
grandes problemas de manera innovadora y creativa.