Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 4 vistas

    IA Débil o Estrecha

    Cargado por

    ken kaneki
    caracteristicas

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    IA Débil o Estrecha

    Cargado por

    ken kaneki
    4 vistas2 páginas
    caracteristicas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    caracteristicas

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    4 vistas2 páginas

    IA Débil o Estrecha

    Cargado por

    ken kaneki
    caracteristicas

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 2

    IA Débil o Estrecha (Narrow AI):

    Concepto: Se especializa en realizar una tarea específica.

    Ejemplo: Asistentes virtuales como Siri de Apple, Google Assistant, y chatbots de servicio
    al cliente.

    Procesamiento del Lenguaje Natural (Natural Language Processing, NLP):

    Concepto: Se centra en la interacción entre las computadoras y el lenguaje humano.

    Ejemplo: Análisis de sentimientos en redes sociales, traducción automática con Google


    Translate, chatbots como Google's Duplex.

    IA Fuerte o General (Strong AI o AGI):

    Concepto: Capaz de realizar cualquier tarea intelectual que un ser humano pueda hacer.

    Ejemplo: Aún en desarrollo y no totalmente alcanzada. Se aspira a crear una IA con


    conciencia y habilidades cognitivas generales.

    Aprendizaje Supervisado:

    Se proporciona al algoritmo un conjunto de ejemplos de entrada y las respuestas


    correctas correspondientes. El modelo utiliza estos datos para aprender la relación entre
    las entradas y las salidas, y luego puede hacer predicciones sobre nuevas instancias
    basadas en esa relación aprendida

    Ejemplos:

    Clasificación de correo electrónico, Reconocimiento de dígitos escritos a mano….

    Aprendizaje no Supervisado:

    El algoritmo se enfrenta a datos que no tienen etiquetas o categorías predefinidas. El


    objetivo principal es explorar la estructura inherente en los datos, encontrar patrones
    ocultos o características relevantes, y organizarlos de alguna manera significativa sin la
    ayuda de respuestas conocidas.

    Ejemplos: Segmentación de mercado, Agrupamiento de documentos, Recomendación de


    contenido

    Aprendizaje Por refuerzo:

    En el aprendizaje por refuerzo, el agente toma decisiones secuenciales en un entorno


    dinámico con el objetivo de maximizar una señal de recompensa a largo plazo,
    recibiendo retroalimentación en forma de recompensas o castigos por sus acciones.

    Ejemplos: Aprendizaje de máquina en juegos de video, Juegos de mesa

    Aprendizaje Automático (Machine Learning):

    Concepto: Permite a las computadoras aprender a realizar tareas específicas o hacer


    predicciones sin ser programadas de manera explícita para cada tarea. Se basa en
    algoritmos que pueden aprender de datos históricos, identificar patrones y tomar
    decisiones con el objetivo de mejorar el rendimiento con la experiencia.

    Ejemplo: Algoritmos de recomendación de Netflix o Amazon, reconocimiento de voz en


    aplicaciones como Siri y Google Assistant, recomendación de productos

    Redes Neuronales Artificiales (ANN):

    Concepto: Inspiradas en la estructura y funcionamiento del cerebro humano, estas redes


    están diseñadas para reconocer patrones.

    Se le asigna una entrada, la procesan y envían una salida. Estas neuronas están
    organizadas en capas, y cada capa tiene una función diferente, como identificar bordes,
    formas o características más complejas. Cuando les das a estas cajas una tarea, como
    decir si una imagen contiene un gato o no, trabajan juntas para aprender a reconocer
    patrones y hacer predicciones.

    Ejemplo: Reconocimiento de imágenes en aplicaciones como Facebook (para etiquetar


    personas en fotos), diagnóstico médico basado en imágenes.

    VENTAJAS Y DESVENTAJAS:

     automatizar tareas repetitivas y tediosas


     analizar grandes volúmenes de datos y identificar
     la IA puede mejorar la eficiencia y la seguridad al realizar tareas peligrosas
     pueden analizar imágenes médicas y datos de pacientes para ayudar en el
    diagnóstico temprano

    o La automatización impulsada por la IA puede llevar a la pérdida de empleos en


    ciertos sectores
    o La recopilación y el análisis masivo de datos por parte de sistemas de IA
    o Puede hacer que las sociedades sean más vulnerables a fallos técnicos o
    ciberataques.
    o interacciones sociales y profesionales, disminuyendo la empatía y la conexión
    interpersonal.

    También podría gustarte