¿Qué es la inteligencia artificial?
La IA es una caja de herramientas de métodos que ayudan a las computadoras a resolver tareas.
lo que aprenderás
- Explique: la IA no es un tipo de modelo
- Aplica la idea en un ejemplo: ¿Qué es la inteligencia artificial?
- Reconocer las limitaciones y verificar el resultado del ejercicio.
La IA es una caja de herramientas de métodos que ayudan a las computadoras a resolver tareas. En Luna Workshop queremos elegir la herramienta adecuada antes de elegir un modelo.
Puedes seguir este curso sin cuenta ni programación. Los ejemplos utilizan datos sintéticos y es necesario comprobar los resultados de la IA.
Cómo funciona, paso a paso
La IA no es un tipo de modelo
La inteligencia artificial es una familia de métodos de reconocimiento, predicción, planificación y generación. Un sistema basado en reglas sigue instrucciones escritas por personas. El aprendizaje automático aprende relaciones a partir de ejemplos; El aprendizaje profundo utiliza redes con muchas capas. La IA generativa produce contenido nuevo. Un LLM trabaja con el lenguaje, pero las recomendaciones de productos o la detección de defectos pueden utilizar otros modelos. Piense en una caja de herramientas: elija una herramienta para el problema. Un algoritmo simple puede ser más adecuado que un agente para una regla fija.
Cómo el aprendizaje cambia un modelo
Los datos de entrenamiento son el conjunto de ejemplos utilizados para ajustar los parámetros del modelo. El aprendizaje supervisado incluye un objetivo, como "spam". El aprendizaje no supervisado encuentra estructuras, como grupos de clientes. El aprendizaje autosupervisado crea objetivos a partir de datos, por ejemplo, predecir el siguiente texto. La validación ayuda a elegir la configuración; el conjunto de prueba permanece separado hasta la evaluación final. Un modelo que memoriza ejemplos y falla con datos nuevos está sobreajustado. Una división adecuada evita que la información del conjunto de prueba se filtre en el entrenamiento.
De los tokens a la respuesta
Un token es una unidad de texto: a veces una palabra, a veces un fragmento de palabra o puntuación. El modelo procesa tokens de contexto y estima una distribución sobre el siguiente token. La selección se repite hasta detenerse. El mecanismo de atención de los Transformers combina información sobre las relaciones entre tokens; no es atención humana. El entrenamiento cambia los parámetros, mientras que la inferencia utiliza el modelo entrenado. Una respuesta puede parecer coherente sin ser cierta: generar texto no verifica los hechos de forma independiente.
El esquema explicativo
Siga las flechas sólidas para el flujo principal. Las flechas azules discontinuas proporcionan datos o contexto; Las flechas discontinuas de color rosa muestran comentarios o resultados devueltos. Colores y formas distinguen modelos, tiendas, decisiones y resultados. En pantallas pequeñas, desplázate horizontalmente para seguir todo el esquema.
Un ejemplo completo
Una calculadora suma precios usando reglas. Un filtro de spam aprende de los ejemplos. Un LLM escribe descripciones. La visión detecta defectos; un recomendador clasifica los productos. Un robot combina percepción y acción.
Pruébalo tú mismo
- Agrupe estos ejemplos: calculadora, filtro de spam, chatbot, OCR, recomendaciones, robot, previsión y traducción.
- Registre la entrada, la fuente y el resultado esperado antes de ejecutar el experimento. Utilice únicamente los datos ficticios del ejemplo.
- Siga las etapas del diagrama. En cada paso registre qué información se recibe y se produce; No confunda el resultado intermedio con el resultado final.
- Repita después de eliminar la información necesaria o hacer que la entrada sea ambigua. Compruebe si el sistema aclara, detiene o inventa una respuesta.
- Comparar con la solución explicada. Conserve la configuración, fecha, resultado y una explicación de las diferencias. Cambie una cosa y vuelva a probar.
Una solución explicada
La aritmética fija utiliza reglas; la clasificación aprende; la escritura genera. No todos necesitan un LLM o un agente. Un ejercicio exitoso le permite mostrar la conexión entre los aportes, las etapas y el resultado. Cuando falta información, una respuesta cautelosa es más útil que detalles inventados. Compare más que estilo: compruebe también las condiciones, las fuentes y las operaciones.
Cuándo resulta útil y cuáles son sus límites
Una interfaz de chat no identifica la tecnología detrás de ella. Elija este enfoque cuando mejore una necesidad medida. Mantenga una línea de base simple y compare los resultados utilizando insumos idénticos. Un ejemplo exitoso no establece confiabilidad en todas las situaciones.
Comprueba lo que has aprendido
¿Toda automatización es IA?
No. Una regla fija puede automatizar algo sin aprendizaje ni razonamiento flexible.
¿Por qué no evaluar sólo los datos de entrenamiento?
Queremos desempeño en situaciones nuevas, no prueba de memorización.
¿Qué resultado debería producir este ejercicio?
La aritmética fija utiliza reglas; la clasificación aprende; la escritura genera. No todos necesitan un LLM o un agente.
Términos que conviene recordar
- AI: Una familia de métodos, no sinónimo de chatbot.
- Sobreajuste: El modelo se ajusta demasiado a los ejemplos que ha visto.
- Token: Unidad utilizada por el modelo para límites de texto y contexto.
Fuentes y su próximo paso
Para prepararse: no se requieren cursos previos.
Continuar con: F02 - ¿Cómo aprende una máquina? · F06 — Chatbot, asistente, agente y sistema de agencia