{"id":5484,"date":"2019-07-15T14:32:29","date_gmt":"2019-07-15T13:32:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5484"},"modified":"2024-09-20T17:45:01","modified_gmt":"2024-09-20T16:45:01","slug":"performance-is-dependent-on-power-quality","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/performance-is-dependent-on-power-quality\/","title":{"rendered":"El rendimiento depende de la calidad de la energ\u00eda"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NOTICIAS \/ TECNOLOG\u00cdA AI<\/p>\n<\/div>

Artefactres cosas que hay que recordar sobre la realidad de la IA:<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Artefactres cosas que hay que recordar sobre la realidad de la IA:<\/span><\/p>\n

1. La IA no es magia<\/span><\/h3>\n

La \u201cinteligencia\u201d de la IA no le permite cuestionar el data que representa su \u201calimento\u201d. Funciona\u201c con lo que se le proporciona. Si la calidad del data no es pertinente, completa y fiable, el algoritmo no podr\u00e1 responder a las expectativas y su respuesta al problema planteado ser\u00e1 poco fiable.<\/span><\/p>\n

La calidad del modelo por s\u00ed sola no determina la calidad de los resultados de salida. \u00c9stos est\u00e1n directamente correlacionados con la calidad de la entrada data. La calidad por dise\u00f1o es uno de los requisitos de cualquier proyecto de IA.<\/b><\/p>\n

Garantizar y mantener la calidad data es una de las principales responsabilidades de los proyectos centrales de IA.<\/span><\/p>\n

2. Una \u201cartesan\u00eda\u201d necesaria de lo artificial<\/span><\/h3>\n

Dotar al modelo de calidad data no es suficiente. Data no es directamente utilizable y el proceso requiere que los humanos realicen algunos pasos manuales.<\/b><\/p>\n

Los modelos de aprendizaje autom\u00e1tico son estructuras matem\u00e1ticas con potencial. Al igual que los m\u00fasculos humanos, necesitan ser entrenados para adaptarse al esfuerzo requerido.<\/span><\/p>\n

Los algoritmos de IA tambi\u00e9n deben \u201centrenarse\u201d en una base data. As\u00ed es como \u201caprenden\u201d a ser m\u00e1s eficientes.<\/span><\/p>\n

Para entrenar algoritmos, se requieren tres pasos manuales:<\/span><\/p>\n

    \n
  1. Proporcionar calidad data:<\/b> selecci\u00f3n, validaci\u00f3n, importaci\u00f3n, evaluaci\u00f3n de la calidad, etc.<\/span><\/li>\n
  2. Prepare la base de aprendizaje:<\/b> seleccionar, transformar y etiquetar el data para hacerlo utilizable. Esto \u00faltimo es necesario para los algoritmos supervisados y semisupervisados, en los que el data se explora, se analiza y despu\u00e9s se \u201cetiqueta\u201d mediante metadata*. Si tomamos como ejemplo el reconocimiento de im\u00e1genes, el proceso de etiquetado proporciona un banco de im\u00e1genes y una descripci\u00f3n para cada una. Se trata de un paso manual que requiere mucho tiempo y la descripci\u00f3n del contenido de varios miles de fotos.<\/span><\/li>\n
  3. Tren: <\/b>Metodolog\u00eda repetitiva de selecci\u00f3n de modelos y formaci\u00f3n basada en el aprendizaje hasta obtener el modelo adecuado. Contrariamente a la creencia popular, la IA no es magia. No es una m\u00e1quina inteligente que simplemente se alimenta de informaci\u00f3n y aprende por s\u00ed misma: el plug and play no existe.<\/span><\/li>\n<\/ol>\n

    Estos pasos manuales se traducen en reglas empresariales y metodolog\u00edas clave que deben utilizarse para poder explotar adecuadamente los algoritmos e integrarlos en las infraestructuras existentes.<\/span><\/p>\n

    3. La IA eleva a los humanos, pero no sustituye su inteligencia<\/span><\/h3>\n

    La IA sigue estando programada por humanos, aunque algunos algoritmos ajustan sus par\u00e1metros de forma automatizada. Si existen sesgos cognitivos durante la programaci\u00f3n o si hay sesgos en la entrada data, la IA no los detectar\u00e1 y producir\u00e1 un resultado sesgado que no se ajuste a los objetivos originales, o que tenga intenciones poco \u00e9ticas.<\/span><\/p>\n

    En 2016, Microsoft dise\u00f1\u00f3 una IA llamada Tay \u201cpara interactuar con la gente y entretenerla\u201d. Tay se expresaba en Twitter, un canal que enriquec\u00eda a la IA a trav\u00e9s de las interacciones con los internautas. Cuando estaba \u2018libre\u2019, Tay recopilaba toda la informaci\u00f3n que la Twitteresfera se preocupaba de compartir, para bien, o para mal...<\/span><\/p>\n

    ...Tras 24 horas de existencia y 96.000 tuits, la IA se desconect\u00f3. El tono de Tay, c\u00e1ndido y entusiasta cuando se conect\u00f3 por primera vez, hab\u00eda cambiado r\u00e1pidamente. Enfrentada a opiniones extremas, Tay empez\u00f3 a hacer comentarios racistas.<\/span><\/p>\n

    Motherboard*, uno de los sitios de referencia de la prensa tecnol\u00f3gica estadounidense, coment\u00f3 el acontecimiento:<\/span> \u201cRousseau ten\u00eda raz\u00f3n: los humanos nacen buenos, la sociedad los corrompe. Lo que no sab\u00eda es que el postulado funciona igual de bien con la m\u00e1quina\u201d.\u201d<\/span><\/i><\/p>\n

    Aunque el ejemplo de Tay tuvo poca repercusi\u00f3n, una IA sesgada puede utilizarse como arma de discriminaci\u00f3n masiva. Por ejemplo, un sistema de puntuaci\u00f3n de candidatos que utilice una empresa puede aumentar la probabilidad de que se excluyan perfiles en funci\u00f3n de par\u00e1metros como el sexo o el origen geogr\u00e1fico para ajustarse a los perfiles actuales, sin que los equipos de contrataci\u00f3n se percaten de ello. La IA debe refinarse para eliminar los par\u00e1metros no deseados que podr\u00edan influir negativamente en el modelo.<\/span><\/p>\n

    El uso de algoritmos complejos, como las redes neuronales, no identifica los posibles sesgos. El modelo se valida en funci\u00f3n de su capacidad para reproducir ejemplos, que deben utilizarse con precauci\u00f3n. La naturaleza exploratoria del modelo tambi\u00e9n permite detectar par\u00e1metros que los humanos descartar\u00edan intuitivamente, pero que tienen un impacto en el resultado deseado.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

    Artefactres cosas que hay que recordar sobre la realidad de la IA:<\/p>","protected":false},"featured_media":5488,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5484","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/5484","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/5488"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=5484"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=5484"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=5484"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}