Cuando piensas en IA, puedes pensar en ChatGPT, arte generado por IA o tal vez algo como Terminator. Pero demos un paso atrás y hagamos la pregunta básica: “¿Qué es la IA?“
AI es corto para inteligencia artificial – lo cual puede no decirnos mucho porque una de estas palabras es problemática.
La primera palabra, artificial, no es el problema. Simplemente significa algo hecho por humanos.
Sin embargo, la segunda palabra, inteligenciano está bien definido (incluso entre los investigadores de IA [1]). Sin embargo, una definición que me gusta usar y que es más relevante en un contexto empresarial es inteligencia = la capacidad de resolver problemas y tomar decisiones.
Por lo tanto, con esta definición operativa de inteligencia, AI es simple la capacidad de una computadora para resolver problemas y tomar decisiones.
Para tener una mejor idea de lo que entendemos por inteligencia, veámosla en acción.
Suponga que está tratando de decidir si pasar el sábado junto a la piscina o adentro viendo esa nueva serie de Netflix. Si miras por la ventana y ves la escena en la imagen a continuación, es posible que decidas quedarte adentro. Esto se debe a que el cielo oscuro y nublado es un buen indicador de que el clima no será bueno hoy.
Como otro ejemplo, considere el gráfico a continuación, donde los datos de ventas suben y bajan pero luego alcanzan su punto máximo en noviembre. Si se le pregunta, “¿Qué causó el pico?“Podríamos decir razonablemente que se debe al Black Friday, uno de los días de mayor venta minorista de todo el año.
Para ver un ejemplo final, veamos la conversación de texto a continuación. Si estamos en la posición del que envía el mensaje de texto azul, ¿realmente creemos que la otra persona está bien? Según su elección de palabras, probablemente no.
Esto podría llevarnos a intentar resolver la tensión diciendo “Es posible que haya entendido mal la situación, ¿pueden ayudarme a comprenderla mejor?” O “Me importa cómo te sientes y quiero asegurarme de que ambos estemos de acuerdo con la decisión final.“
Cada uno de los escenarios anteriores nos hizo usar nuestra inteligencia de alguna manera para resolver un problema o tomar una decisión. Si bien cada uno era muy diferente de los demás, había una cosa que todos tenían en común: conocimiento requerido de cómo funciona el mundo.
En otras palabras, necesitábamos saber cosas como que las nubes oscuras preceden al mal tiempo, que la gente compra mucho en noviembre y que no siempre lo admite cuando está molesta. Sabemos estas cosas a través de nuestra modelos del mundo.
Dado que el mundo es grande y complicado, tenemos que darle sentido a través de modelos. A modelo es una simplificación de algo del mundo real que cabe en nuestras cabezas.
Una característica crítica de los modelos es que permítanos hacer predicciones. Por ejemplo, cuando vimos las nubes oscuras, esa información fue procesada por nuestro modelo mental de cómo funciona el clima y nos permitió predecir que lloverá más tarde.
Por supuesto, los modelos no se limitan a los que tenemos en la cabeza. También podemos programar modelos en computadoras (En realidad, Básicamente, todos los pronósticos meteorológicos se generan utilizando modelos informáticos.).
2 tipos de modelos
Una pregunta natural sobre los modelos (mentales o informáticos) es: ¿de dónde vienen? Para ello, me gusta dividir los modelos en dos categorías: Impulsado por principios y Basado en datos.
Modelos basados en principios son basado en un conjunto de reglas. Podrías leer estas cosas en un libro de texto o aprender de tu abuela. Por ejemplo, “Si hay nubes oscuras, lloverá más tarde.“
Modelos basados en datospor otra parte, son basado en observaciones pasadas. Esto funciona comparando qué tan similar es una nueva información con lo que ha visto en el pasado, por ejemplo, “La última vez que el cielo se vio así, llovió.“
Una vez más, estos modelos no se limitan a vivir en nuestras cabezas. También podemos programarlos en computadoras.
Para Impulsado por principios En los modelos, le decimos a la computadora exactamente cómo tomar entradas (por ejemplo, nubes oscuras) y convertirlas en salidas (por ejemplo, lluvia). Sin embargo, para situaciones en las que carecemos de un conjunto de reglas, podemos recurrir a técnicas para generar Basado en datos modelos: ingrese al aprendizaje automático.
Si bien el aprendizaje automático puede tener cierta mística hoy en día, es una idea simple. Aprendizaje automático (ML) es La capacidad de una computadora para aprender con el ejemplo. [3].
La forma en que funciona es en lugar de decirle explícitamente a una computadora cómo asignar entradas a salidas. La computadora puede aprender esta relación viendo muchos ejemplos.
Esta es una técnica poderosa porque Nos permite desarrollar modelos incluso si carecemos de una comprensión teórica. de lo subyacente, que es útil en muchos contextos, como ventas, marketing, finanzas, clima, comportamiento del consumidor y más.
El aprendizaje automático se puede dividir en 2 pasos. En el primer paso, pasamos pares de entrada y salida (es decir, predictores y objetivos) a un algoritmo de ML para obtener un modelo de ML. Luego, con un modelo en mano, podemos pasarle nuevos datos para generar una predicción. Esto se ilustra en la imagen a continuación.