Recursos > machine learning

    sortFiltrar Ordenar
    5 resultados

    Página Web

    /

    Publicado el 2.1.2019 por Equipo GNOSS

    Inteligencia Artificial: distinguiendo la moda de la realidad - Datanami

    Se trata de un interesante artículo de Alex Woodie, Editor in Chief de Datanami, en el que se pone en cuestión los límites y naturaleza de la actual moda (hype) de la Inteligencia Artificial.

    Por una parte, tenemos increibles avances en machine learning, gracias a las redes neuronales que usan GPUs (Graphics Processing Unit) muy rápidas y que están entrenadas con grandes cantidades de datos. Esta forma de IA ha impulsado enormemente los sistemas de visión artificial y de reconocimiento del habla, a menudo por encima de la capacidad de los humanos.

    Por otra, estamos lejos de comenzar a ver los tipos de automatización que muchos esperan de la IA. A pesar de que se empujan las fronteras de lo que es posible hacer con estas máquinas y algoritmos, ya hemos llegado a algunos límites de lo que estas tecnologías pueden conseguir.

    Los vehículos autónomos son una prueba evidente. A pesar de los enormes progresos, hay casos, como el padecido por la empresa DarwinAI, que exponen los problemas de estos sistemas en el mundo real al salirse de los casos previstos. El sistema de DarwinAI decidía desviarse a la izquierda sin razón aparente, hasta que descubrieron que se debía a una mala interpretación del color del cielo.

    Otro ejemplo curioso es el experimento llevado a cabo por investigadores de Carnegie Mellon, que fueron capaces de confundir tanto a un sistema de reconocimiento facial como para que identificara a uno de ellos como la actriz Milla Jovovich, a pesar de ser claramente un hombre (el estudiante de doctorado Mahmood Sharif), por el simple método de usar una montura de gafas diseñada para provocar el error.

    Esto, que podría parecer una anécdota, expone unos problemas de seguridad preocupantes, además de diluir los límites en lo que podríamos llegar a percibir como real o irreal.

    Es decir, las aplicaciones de IA actuales basadas en machine learning funcionan muy bien o excepcionalmente bien en ámbitos muy "estrechos", pero bastante peor cuando intentan pasar de un ámbito a otro o simplemente ejecutarse en el poco previsible mundo real. Eso sí, hay un consenso en que aún no hemos llegado a la cúspide de lo que se podría conseguir con las tecnologías actuales de IA, que el autor llama "estadística con esteroides" y otros han denominado como "estadística glorificada" (John Alexis Guerra).

    Hace unos 70 años que la inteligencia artificial forma parte del imaginario tecnológico colectivo. Desde entonces, ha tenido periodos innovadores prometedores con otros en los que las innovaciones parecían estancarse. Algunos investigadores de IA han llamado a estos periodos veranos e inviernos de la inteligencia artificial. Parecemos estar en un verano muy soleado, ¿cuándo dejará el calor actual paso a la realidad?

    ...

    Página Web

    /

    Publicado el 2.1.2019 por Equipo GNOSS

    La siguiente Inteligencia Artificial - DARPA - AI Next Campaign

    Durante más de 5 décadas, DARPA (Defense Advanced Research Projects Agency) ha liderado la investigación y desarrollo que ha posibilitado el avance y aplicación de tecnologías de Inteligencia Artificial basadas en reglas y aprendizaje estadístico. Propone ahora el desarrollo y aplicación de una "tercera ola" de tecnologías de inteligencia artificial, con el programa "AI Next", en el que invertirá 2.000 millones de dólares.

    Las áreas claves del programa serán la automatización de procesos de negocio críticos del Departamento de Defensa de los Estados Unidos de América; mejora de la robustez y fiabilidad de los sistemas de IA; mejoras en la seguridad y resistencia de las tecnologías de machine learning; reducción del consumo energético y de las ineficiencias de rendimiento; y ser pioneros en la siguiente generación de algoritmos y aplicaciones de inteligencia artificial, como la "explicabilidad" y el razonamiento de sentido común.

    Las áreas específicas de la campaña AI Next son: 

    • Nuevas capacidades. Automatizar procesos críticos de negocio, como la acreditación de nuevos sistemas de software.
    • IA Robusta. Analizar los fallos de las tecnologías de IA, actualmente poco comprendidos, para obtener un rendimiento fiable.
    • IA Adversarial. Mejorar la robustez de los sistemas. Si bien es la herramienta más potente de la IA actual, machine learning se ha demostrado como fácilmente engañable con pequeños cambios en los inputs que nunca confundirían a un humano (ver Inteligencia Artificial: distinguiendo la moda de la realidad). Los datos usados para entrenar al sistema podrían ser incorrectos y hacer que el sistema fuese vulnerable a un ciberataque.
    • IA de alto rendimiento. Mejorar el rendimiento conteniendo y/o reduciendo el gasto energético, mediante el rediseño de algoritmos y hardware.
    • IA de siguiente generación. Añadir a los sistemas la capacidad de explicar sus resultados y dotarlos de razonamiento con conocimiento de sentido común.

     

    ...

    Página Web

    /

    Publicado el 18.4.2018 por Equipo GNOSS

    eXplainable Artificial Intelligence (XAI) / FAT ML (Fairness, Accountability, and Transparency in Machine Learning)

    Explainable AI (XAI) or Transparent AI es una inteligencia artificial (IA) cuyas acciones pueden ser fácilmente comprendidas por humanos, en contrase con las IAs tipo "caja negra" que emplean algoritmos complejos y opacos, en las que ni siquiera sus diseñadores pueden explicar porque la IA ha llegado a una decisión concreta.

    XAI es uno de los elementos del modelo FAT ML (Fairness, Accountability and Transparency in Machine Learning) y pueden usarse para desarrollar el derecho social a la explicación.

    En cualquier caso, esta transparencia no suele ser gratis. A menudo hay inconvenientes en cuanto a lo inteligente y transparente que puede ser una IA, y es posible que estos inconvenientes aumenten con el aumento de la complejidad interna de los sistemas. El desafío tecnológico de explicar las decisiones de una IA se conoce como "problema de interpretabilidad".

    ...

    Página Web

    /

    Publicado el 26.1.2017 por Equipo GNOSS

    Machine Learning and Statistical Algorithms: Training With Everything We’ve Got (article from Dataversity)

    "Machine Learning and other statistical algorithms are like muscles. How you train a statistical algorithm makes all the difference in how well it performs the task for which it was constructed. You could say training an algorithm is a bit like conditioning your muscles in a gym. It can only be considered fit for the specific function for which its been trained. Typically its strength in a particular function—such as classifying customers for target marketing or predicting whether they will accept your offer—does not carry over to other tasks for which you might wish to repurpose it. For other uses, the algorithm, if not rejiggered and retrained, may be entirely useless." 

    Read more...

    ...

    Página Web

    /

    Publicado el 17.10.2009 por Equipo GNOSS

    Dorthy.com: a semantic search engine for dreams

    Dorthy.com es un motor de búsqueda semántico capaz de aprender de nuestros gustos e intereses, y en base a ellos, puede mostrar o descartar información, esto es, personalizar los resultados que nos va a ofrecer.

    Este nuevo motor de búsqueda, además, nos ofrece la posibilidad de crear una página donde personalizar nuestros intereses y acceder, sobre la base de esta información, a las de otros usuarios con objetivos y gustos similares al nuestro, pudiendo disponer de todo tipo de información (vídeos, artículos, enlaces, comentarios....) que estos hayan dejado. Esto es lo sorprendente de este buscador; es como si permitiéramos que este nos conociera y nos presentara cosas que de verdad nos van a interesar.

    De esta manera al buscar información sobre un viaje a Nueva York, gracias a nuestra página y antecedentes de búsqueda, Dorthy.com será capaz de saber, por ejemplo, de nuestra pasión por el arte moderno, que nos gusta correr maratones o que tenemos interés en la tecnología, para de esta manera, filtrar los resultados que se adapten mejor a nuestros intereses ofreciendo una forma diferente de organizarlos y personalizarlos que pretende dar más sentido y relevancia a los mismos que la que ofrece un buscador tradicional.

    Dorthy.com salió en fase alpha privada a finales de julio y desde el 31 de agosto se encuentra en fase alpha pública.

    Así es como se presentan ellos.
     

    ...