Addictware | Noticias de Tecnología - Cinco tendencias de Inteligencia Artificial en 2020

La automatización robótica de procesos , el procesamiento de lenguaje natural, el aprendizaje de refuerzo, Edge computing y los ambientes de trabajo de IA de código abierto, son algunas de los usos que serán impactados por la IA.

 

logo UdemyActualmente existen múltiples usos y proyectos de Inteligencia Artificial (IA), pudiendo ser complicado mantenerse al día en estos. Para ayudar a las empresas a conocer las tendencias a seguir, Udemy comparte las cinco que marcarán este 2020 y la siguiente década.

1.   Automatización robótica de procesos (RPA, por sus siglas en inglés). Es un tipo de robot software ideal para realizar tareas repetitivas y de gran volumen que involucren el uso de una computadora.

Algunos ejemplos de aplicaciones son: facturación, procesos de nómina, extracción y agregación de datos, programación, seguimiento de envíos.

2.     Procesamiento de lenguaje natural (PNL, por sus siglas en inglés). Esta tecnología aplica modelos de aprendizaje automático para enseñar a las computadoras cómo entender lo que se dice en lenguaje escrito y hablado. Debido a sus aplicaciones en crecimiento, es quizá una de las principales ramas de la IA con un valor económico tangible.

Se está volviendo especialmente popular a medida que los consumidores adoptan tecnología de interfaz de voz como Google Home o Amazon Alexa. En lugar de escribir o interactuar con gráficos en una pantalla, hablamos con dispositivos que pueden entender nuestro lenguaje informal.

PNL se puede dividir en dos sub-aplicaciones:

a.     Comprensión del lenguaje natural, que consiste en una máquina que revisa un texto e interpreta con precisión su significado.

b.     Generación de lenguaje natural, donde un sistema genera una respuesta lógica a un texto o entrada. 

Algunos ejemplos de aplicaciones son: análisis de opinión, chatbots, traducción automática, resumen automático, subtitulado automático de video.

3.     Aprendizaje de refuerzo. Es un sistema que se entrena a sí mismo a través de prueba y error para alcanzar un objetivo determinado, soportado por un método de recompensas para reforzar sus decisiones. Entonces, una IA toma como entrada algunos datos y devuelve como salida una acción, cuando hace esto correctamente, recibe un premio. Cuanto mejor realiza su tarea, más recompensas se le otorgan al sistema y viceversa.

Algunos ejemplos de aplicaciones son: recomendaciones personalizadas, optimización del presupuesto publicitario y del contenido publicitario.

4.   Edge computing. Con el auge de dispositivos inteligentes habilitados para el Internet de las cosas, existe una gran cantidad de datos “volando”; procesarlos es complejo ya que requiere el envío de información a servidores ubicados a cientos o incluso miles de kilómetros de distancia.

El Edge Computing, acerca los servidores y el almacenamiento de datos necesarios a los dispositivos para disminuir la latencia y lograr un procesamiento de información en tiempo real. Si el cómputo en la nube es Big Data, el Edge computing es información instantánea.

Otro tipo de Edge Computing se realiza en nodos, que sirven como mini servidores cercano a un proveedor local de telecomunicaciones. El uso de un nodo crea un puente entre la nube y las opciones informáticas locales; esta técnica da como resultado menores costos y menos tiempo dedicado al procesamiento de datos, lo que hace que el consumidor tenga una mejor experiencia.

Algunos ejemplos de aplicaciones son: interconexión de más dispositivos, crecimiento de la tecnología de Internet de las cosas.

5.     Entorno de trabajo de IA de código abierto. El mundo de la programación se basa en bibliotecas y entornos de trabajo que eliminan redundancias del trabajo diario de codificación.

Del mismo modo, los entornos de programación de inteligencia artificial de código abierto están permitiendo que el desarrollo de esta tecnología se expanda rápidamente a un mayor número de personas.

Algunos ejemplos de aplicaciones son: prototipado y entrenamiento de algoritmos complejos para IA, construir pipelines para definir, optimizar y evaluar un modelo de IA, automatizar la capacitación de un módulo de aprendizaje de refuerzo, o construcción de redes neuronales con solo unas pocas líneas de código.