Machine Learning + Deep Learning

La computación aproximada (Approximate Computing)  se basa en construir un hardware que no siempre responde al 100% de exactitud, pero que reduce su consumo de energía en varios órdenes de magnitud. Se trataría de un nuevo paradigma de diseño de computadores que podría ser la solución a la enorme cantidad de energía y CPU que consume un sistema de Inteligencia Artificial, ya que no siempre necesitados clasificar o predecir con 100% de exactitud. Pensad en los fotogramas de una imagen o en la percepción del sonido. Esto no es algo que vayas a tener disponible mañana en la tienda de la esquina, pero la cuestión es que para que la IA se pueda mezclar con el IoT tendremos que inventar algo ya que los computadores cuánticos (ya hablaremos otro día de ellos) no van a ser precisamente sencillos de producir en masa a corto-medio plazo. Tal vez en un futuro tengamos computadores con distintos tipos de arquitectura (clásica, red neuronal, aproximada, cuántica) cooperando entre sí e

Imagínate que estás en un juicio acusado de un crimen y el encargado de deducir si eres culpable o no es un computador con una fantástica capacidad de cálculo y programado con algoritmos de Deep Learning que usa redes neuronales de docenas de capas intermedias que analizan toda la información documental, las imágenes del crimen y las declaraciones de los testigos. Después de un concienzudo análisis la máquina contesta un escueto sí o no. ¿Sería eso aceptable ? No queremos solo hacer predicciones si no que muchas veces queremos la cadena de razonamiento que acompaña a una decisión. Los sistemas de redes neuronales guardan el conocimiento de un forma nada fácil de interpretar para un ser humano. Si piensas que el ejemplo del juicio no se te aplicará nunca piensa este otro: te encuentras perfectamente y vas a hacerte un análisis rutinario de sangre y, basándose en las pruebas, en tu historial médico y estudios estadísticos, un sistema de Inteligencia Artificial deduce que s

Según la International Data Corporation (IDC) , el negocio en Machine Learning, Deep Learning y otros servicios de Inteligencia Artificial va a crecer de manera global desde los 8 mil millones de dólares actuales hasta los 47 mil millones en 2020. De forma análoga con la llegada de Internet, la mayoría de las empresas y del público general no es consciente de los cambios que va a introducir en su día a día debido a la llegada de la Inteligencia Artificial. Por eso ahora , hay una oportunidad de oro para posicionarse y tomar ventaja en la revolución que está por llegar.

Para aclarar las diferencias entre Machine Learning y Deep Learning, diremos que Machine Learning consiste en un conjunto de algoritmos que parten de un conjunto de datos de entrada y tratan de clasificarlos automáticamente o bien de inferir nuevos datos. Entre estos algoritmos se encuentran la regresión lineal , la regresión logística o las redes neuronales . Son métodos de fuerza bruta que normalmente funcionarán tan bien como bueno y amplio sea el conjunto de datos de entrada. Ejemplos de aplicaciones de estas técnicas son: Reconocimiento de caracteres en una imagen En base a un elevado número de variables de entrada (nº de habitaciones, superficie, antigüedad, etc.) determinar el precio óptimo de una vivienda Clasificar noticias, artículos, películas, etc. por categoría y hacer recomendaciones personalizadas Detección del uso fraudulento de cuentas bancarias Detección de enfermedades en base a datos médicos del paciente Estos al