Las tendencias empresariales tienden a provocar una sensación de «me siento abandonado» o de «hay demasiada publicidad, me voy a centrar en otra cosa». Creo que estas opiniones captan gran parte de las reacciones a la IA.
Pero, ¿por qué es desconcertante en primer lugar? Muchos términos técnicos mezclados con jerga. Y como toda tendencia de moda, la expansión del término hacia áreas a las que no pertenece. Empezaremos por describir qué es la IA y las tres categorías de alto nivel en las que se incluye. La realidad es que es casi seguro que su empresa esté haciendo algo de esto. Luego definiremos algunos de los términos comunes que a veces se usan indistintamente pero que no deberían usarse.
Este artículo desmitificará parte de la retórica, aclarará qué es (y qué no es) la Inteligencia Artificial y preparará a un líder empresarial para aventurarse por el camino «con los ojos abiertos», capaz de separar lo que es real de lo que se promociona y con una comprensión conceptual de lo que la IA podría hacer por su negocio.
El término «inteligencia artificial» se atribuyó a la idea de que las computadoras imitaran la inteligencia humana en 1956 en una conferencia en Dartmouth. La promesa siempre estuvo muy por delante de las aplicaciones prácticas hasta hace unos 20 años, cuando empezaron a converger distintos caminos que permitían una tracción significativa de la IA.
Dado que la terminología complica el panorama de estas discusiones, ayuda a diferenciar qué es la IA de las técnicas y plataformas que se utilizan para hacerlo. Desde un punto de vista práctico, la IA puede dividirse en tres grandes categorías:
· IA estrecha o «funcional» — con un propósito específico, diseñado para resolver un problema definido mediante la predicción de algo, la optimización de un escenario, el reconocimiento de patrones específicos, etc. Cosas como un filtro de spam, la detección de fraudes, el mantenimiento predictivo y muchos otros son ejemplos de IA limitada. Es muy probable que su organización ya esté haciendo algunas de estas cosas.
· IA generativa — últimamente se ha prestado mucha atención a esto con cosas como La última versión de ChatGPT, y la integración de las capacidades generativas en los motores de búsqueda. Utiliza un marco de aprendizaje profundo para comprender el contenido de las entradas de un usuario y puede generar respuestas relevantes. Hay muchas aplicaciones prácticas, como el chat interactivo, la generación de contenido, las interfaces de los motores de búsqueda o la redacción de un trabajo final para su hijo.
· IA general — la capacidad de realizar cualquier tarea que pueda realizar un ser humano. Un robot en casa que puede prepararte una bebida, debatir la diferencia entre la revolución estadounidense y la francesa y decirte cómo arreglar el lavavajillas. Esto no existe... todavía.
¿Cómo se «hace» la IA? El panorama de la terminología en este ámbito también puede resultar confuso. Estamos empezando a escuchar términos como aprendizaje automático (ML) que se utilizan indistintamente con inteligencia artificial, que son cosas relacionadas pero no son lo mismo.
La generación de valor empresarial a partir de la IA requiere un ecosistema que defina los objetivos e incluya un entorno que permita la implementación de estas soluciones. Al pensar en cómo hacer que todo esto sea operativo, necesitamos analizar la terminología que lo define.
Hay un conjunto de términos que describen resultados — como la propia IA. Esta lista no es en absoluto exhaustiva, pero las relevantes en la mayoría de los contextos empresariales son:
Los términos utilizados para describir los resultados deben ser distintos de la descripción de los enfoques para lograr estas cosas. El conjunto principal de enfoques para lograr resultados centrados en la IA es el aprendizaje automático, pero existen otros, como los sistemas basados en reglas, los sistemas expertos, los árboles de decisión y los algoritmos evolutivos (genéticos).
El aprendizaje profundo es un subconjunto importante del aprendizaje automático que implica múltiples capas de redes neuronales para representar relaciones de datos muy complejas.
Por último, hay técnicas específicas que se implementan, por ejemplo, en el enfoque de aprendizaje automático. Técnicas como la regresión, la agrupación en clústeres de medias K y el análisis de componentes principales (PCA) se pueden utilizar para el análisis básico o como parte de un marco de aprendizaje automático. Con más frecuencia, en el aprendizaje automático se utilizan otras técnicas, como las redes neuronales (las redes neuronales son algoritmos informáticos basados en el proceso de pensamiento humano).
El siguiente diagrama representa estos tres tipos de terminología y cómo interactúan y se superponen. Considera el espacio que se encuentra justo fuera del círculo de la IA tal como se define básicamente la analítica.
Dado que el aprendizaje automático desempeña un papel tan dominante en el debate sobre la IA, especialmente en el caso de las aplicaciones empresariales, vale la pena dedicar unos momentos a los tres enfoques básicos. El término en sí mismo describe los algoritmos informáticos que pueden mejorar a través de la experiencia. El aprendizaje automático es un subconjunto de la IA (pero no toda la IA es aprendizaje automático). Los tipos específicos de algoritmos que pueden incluir una solución de aprendizaje automático varían y pueden incluir enfoques básicos como la regresión (lineal, logística, etc.), pero más a menudo implican enfoques más complejos, como las redes neuronales.
Independientemente del tipo específico de algoritmo, existen tres enfoques generales dentro del aprendizaje automático, cada uno con su propio conjunto de casos de uso óptimos.
El contexto básico de este enfoque suele ser la predicción de algún resultado o la clasificación de algo con una verdad objetiva. Se usa cuando sabes la respuesta y le das al algoritmo muchos ejemplos (datos de entrenamiento). Luego, el algoritmo asigna las entradas a las salidas en función de todos los datos que le proporciones.
¿Esta imagen incluye un gato? ¿Responderá este cliente a mi oferta? ¿Nuestro logotipo apareció ayer en alguna red social?
Cuando se enfrentan a la complejidad, a los humanos les gusta categorizar las cosas. Nos ayuda a simplificar y organizar nuestro pensamiento y es un proceso cognitivo natural para hacer frente a la complejidad. El aprendizaje no supervisado es un algoritmo y un enfoque para identificar patrones y relaciones no detectados en los datos.
La salida puede ser cosas como clústeres o agrupaciones. Las aplicaciones prácticas incluyen la segmentación de clientes, el análisis de la cesta de la compra o la agrupación de las opiniones de los clientes en temas o temas.
Los algoritmos de aprendizaje por refuerzo son enfoques orientados a objetivos que aprenden a maximizar algún tipo de señal de recompensa, aprenden de sus propias acciones (y pueden «fallar rápidamente»).
Las aplicaciones prácticas incluyen la optimización de los asuntos de los correos electrónicos, las recomendaciones de productos o la optimización de las estrategias de búsqueda mediante la segmentación y las ofertas.
No todos los análisis son IA, ni deberían serlo. La analítica implica el uso de métodos estadísticos o matemáticos para analizar datos y obtener información. El análisis de regresión, el modelado predictivo, las pruebas de hipótesis y la visualización de datos son algunas de las herramientas tradicionales que se pueden utilizar para generar información analítica. Lo han sido durante años y lo seguirán siendo.
Un enfoque analítico podría convertirse en IA cuando evolucione para incluir el uso de algoritmos de aprendizaje coincidentes para analizar datos y hacer predicciones o decisiones basadas en esos datos. El uso de modelos predictivos y análisis de regresión para identificar a los posibles respondedores se consideraría un enfoque analítico. El uso de algoritmos de aprendizaje automático para hacer esas mismas predicciones en función del comportamiento de los clientes, la demografía y otros factores en tiempo real en un entorno de autoaprendizaje automático se consideraría un enfoque de inteligencia artificial. La diferencia entre ambos puede ser subjetiva.
Para resolver un problema empresarial complejo, se pueden combinar varios enfoques impulsados por la IA para crear una solución. Por ejemplo, si el objetivo es crear una estrategia eficaz de segmentación de clientes potenciales, puedes:
Las discusiones sobre temas complejos pueden ir en cualquier dirección, pero a veces pueden comenzar en el mismo lugar. Aclarar la terminología utilizada para describir un tema complejo permite que estas discusiones sean más productivas. Esto es lo que hemos intentado hacer con este artículo: establecer un lenguaje común con ejemplos reales y con la menor jerga posible. Si esto ayuda a alguien a superarlo, diga: «Me siento abandonado» o «¡Hay demasiada publicidad!» , entonces ha hecho su trabajo.
Para continuar la conversación, contacta con nosotros.
Blend360 crea conjuntamente soluciones de ciencia de datos con los clientes para lograr sus objetivos comerciales. Los clientes son los héroes de nuestra historia y les proporcionamos las herramientas y la experiencia necesarias para tener éxito. Usamos análisis avanzados, aprendizaje automático e inteligencia artificial para tomar decisiones basadas en datos que impulsen el crecimiento y la innovación. Como líderes del sector de la ciencia de datos, colaboramos con empresas de todos los tamaños para crear soluciones innovadoras que marquen la diferencia.
Las tendencias empresariales tienden a provocar una sensación de «me siento abandonado» o de «hay demasiada publicidad, me voy a centrar en otra cosa». Creo que estas opiniones captan gran parte de las reacciones a la IA.
Pero, ¿por qué es desconcertante en primer lugar? Muchos términos técnicos mezclados con jerga. Y como toda tendencia de moda, la expansión del término hacia áreas a las que no pertenece. Empezaremos por describir qué es la IA y las tres categorías de alto nivel en las que se incluye. La realidad es que es casi seguro que su empresa esté haciendo algo de esto. Luego definiremos algunos de los términos comunes que a veces se usan indistintamente pero que no deberían usarse.
Este artículo desmitificará parte de la retórica, aclarará qué es (y qué no es) la Inteligencia Artificial y preparará a un líder empresarial para aventurarse por el camino «con los ojos abiertos», capaz de separar lo que es real de lo que se promociona y con una comprensión conceptual de lo que la IA podría hacer por su negocio.
El término «inteligencia artificial» se atribuyó a la idea de que las computadoras imitaran la inteligencia humana en 1956 en una conferencia en Dartmouth. La promesa siempre estuvo muy por delante de las aplicaciones prácticas hasta hace unos 20 años, cuando empezaron a converger distintos caminos que permitían una tracción significativa de la IA.
Dado que la terminología complica el panorama de estas discusiones, ayuda a diferenciar qué es la IA de las técnicas y plataformas que se utilizan para hacerlo. Desde un punto de vista práctico, la IA puede dividirse en tres grandes categorías:
· IA estrecha o «funcional» — con un propósito específico, diseñado para resolver un problema definido mediante la predicción de algo, la optimización de un escenario, el reconocimiento de patrones específicos, etc. Cosas como un filtro de spam, la detección de fraudes, el mantenimiento predictivo y muchos otros son ejemplos de IA limitada. Es muy probable que su organización ya esté haciendo algunas de estas cosas.
· IA generativa — últimamente se ha prestado mucha atención a esto con cosas como La última versión de ChatGPT, y la integración de las capacidades generativas en los motores de búsqueda. Utiliza un marco de aprendizaje profundo para comprender el contenido de las entradas de un usuario y puede generar respuestas relevantes. Hay muchas aplicaciones prácticas, como el chat interactivo, la generación de contenido, las interfaces de los motores de búsqueda o la redacción de un trabajo final para su hijo.
· IA general — la capacidad de realizar cualquier tarea que pueda realizar un ser humano. Un robot en casa que puede prepararte una bebida, debatir la diferencia entre la revolución estadounidense y la francesa y decirte cómo arreglar el lavavajillas. Esto no existe... todavía.
¿Cómo se «hace» la IA? El panorama de la terminología en este ámbito también puede resultar confuso. Estamos empezando a escuchar términos como aprendizaje automático (ML) que se utilizan indistintamente con inteligencia artificial, que son cosas relacionadas pero no son lo mismo.
La generación de valor empresarial a partir de la IA requiere un ecosistema que defina los objetivos e incluya un entorno que permita la implementación de estas soluciones. Al pensar en cómo hacer que todo esto sea operativo, necesitamos analizar la terminología que lo define.
Hay un conjunto de términos que describen resultados — como la propia IA. Esta lista no es en absoluto exhaustiva, pero las relevantes en la mayoría de los contextos empresariales son:
Los términos utilizados para describir los resultados deben ser distintos de la descripción de los enfoques para lograr estas cosas. El conjunto principal de enfoques para lograr resultados centrados en la IA es el aprendizaje automático, pero existen otros, como los sistemas basados en reglas, los sistemas expertos, los árboles de decisión y los algoritmos evolutivos (genéticos).
El aprendizaje profundo es un subconjunto importante del aprendizaje automático que implica múltiples capas de redes neuronales para representar relaciones de datos muy complejas.
Por último, hay técnicas específicas que se implementan, por ejemplo, en el enfoque de aprendizaje automático. Técnicas como la regresión, la agrupación en clústeres de medias K y el análisis de componentes principales (PCA) se pueden utilizar para el análisis básico o como parte de un marco de aprendizaje automático. Con más frecuencia, en el aprendizaje automático se utilizan otras técnicas, como las redes neuronales (las redes neuronales son algoritmos informáticos basados en el proceso de pensamiento humano).
El siguiente diagrama representa estos tres tipos de terminología y cómo interactúan y se superponen. Considera el espacio que se encuentra justo fuera del círculo de la IA tal como se define básicamente la analítica.
Dado que el aprendizaje automático desempeña un papel tan dominante en el debate sobre la IA, especialmente en el caso de las aplicaciones empresariales, vale la pena dedicar unos momentos a los tres enfoques básicos. El término en sí mismo describe los algoritmos informáticos que pueden mejorar a través de la experiencia. El aprendizaje automático es un subconjunto de la IA (pero no toda la IA es aprendizaje automático). Los tipos específicos de algoritmos que pueden incluir una solución de aprendizaje automático varían y pueden incluir enfoques básicos como la regresión (lineal, logística, etc.), pero más a menudo implican enfoques más complejos, como las redes neuronales.
Independientemente del tipo específico de algoritmo, existen tres enfoques generales dentro del aprendizaje automático, cada uno con su propio conjunto de casos de uso óptimos.
El contexto básico de este enfoque suele ser la predicción de algún resultado o la clasificación de algo con una verdad objetiva. Se usa cuando sabes la respuesta y le das al algoritmo muchos ejemplos (datos de entrenamiento). Luego, el algoritmo asigna las entradas a las salidas en función de todos los datos que le proporciones.
¿Esta imagen incluye un gato? ¿Responderá este cliente a mi oferta? ¿Nuestro logotipo apareció ayer en alguna red social?
Cuando se enfrentan a la complejidad, a los humanos les gusta categorizar las cosas. Nos ayuda a simplificar y organizar nuestro pensamiento y es un proceso cognitivo natural para hacer frente a la complejidad. El aprendizaje no supervisado es un algoritmo y un enfoque para identificar patrones y relaciones no detectados en los datos.
La salida puede ser cosas como clústeres o agrupaciones. Las aplicaciones prácticas incluyen la segmentación de clientes, el análisis de la cesta de la compra o la agrupación de las opiniones de los clientes en temas o temas.
Los algoritmos de aprendizaje por refuerzo son enfoques orientados a objetivos que aprenden a maximizar algún tipo de señal de recompensa, aprenden de sus propias acciones (y pueden «fallar rápidamente»).
Las aplicaciones prácticas incluyen la optimización de los asuntos de los correos electrónicos, las recomendaciones de productos o la optimización de las estrategias de búsqueda mediante la segmentación y las ofertas.
No todos los análisis son IA, ni deberían serlo. La analítica implica el uso de métodos estadísticos o matemáticos para analizar datos y obtener información. El análisis de regresión, el modelado predictivo, las pruebas de hipótesis y la visualización de datos son algunas de las herramientas tradicionales que se pueden utilizar para generar información analítica. Lo han sido durante años y lo seguirán siendo.
Un enfoque analítico podría convertirse en IA cuando evolucione para incluir el uso de algoritmos de aprendizaje coincidentes para analizar datos y hacer predicciones o decisiones basadas en esos datos. El uso de modelos predictivos y análisis de regresión para identificar a los posibles respondedores se consideraría un enfoque analítico. El uso de algoritmos de aprendizaje automático para hacer esas mismas predicciones en función del comportamiento de los clientes, la demografía y otros factores en tiempo real en un entorno de autoaprendizaje automático se consideraría un enfoque de inteligencia artificial. La diferencia entre ambos puede ser subjetiva.
Para resolver un problema empresarial complejo, se pueden combinar varios enfoques impulsados por la IA para crear una solución. Por ejemplo, si el objetivo es crear una estrategia eficaz de segmentación de clientes potenciales, puedes:
Las discusiones sobre temas complejos pueden ir en cualquier dirección, pero a veces pueden comenzar en el mismo lugar. Aclarar la terminología utilizada para describir un tema complejo permite que estas discusiones sean más productivas. Esto es lo que hemos intentado hacer con este artículo: establecer un lenguaje común con ejemplos reales y con la menor jerga posible. Si esto ayuda a alguien a superarlo, diga: «Me siento abandonado» o «¡Hay demasiada publicidad!» , entonces ha hecho su trabajo.
Para continuar la conversación, contacta con nosotros.
Blend360 crea conjuntamente soluciones de ciencia de datos con los clientes para lograr sus objetivos comerciales. Los clientes son los héroes de nuestra historia y les proporcionamos las herramientas y la experiencia necesarias para tener éxito. Usamos análisis avanzados, aprendizaje automático e inteligencia artificial para tomar decisiones basadas en datos que impulsen el crecimiento y la innovación. Como líderes del sector de la ciencia de datos, colaboramos con empresas de todos los tamaños para crear soluciones innovadoras que marquen la diferencia.
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.png)
Lorem ipsum dolor sit amet consectetur. Sit sit vel eu sed proin. Arcu bibendum in mauris urna erat magna volutpat eget. Lectus commodo consectetur egestas quis ut lobortis nunc.
.png)
.jpeg)
