La inteligencia artificial incluye técnicas para reconocimiento, predicción y planificación. El aprendizaje automático extrae patrones de datos en vez de depender únicamente de reglas escritas explícitamente. La portada es un robot conceptual, no un diagrama de un modelo de IA ni un producto identificado.
Aprender de ejemplos
En el aprendizaje supervisado, los ejemplos incluyen etiquetas o resultados esperados. Durante el entrenamiento, un algoritmo ajusta el modelo para reducir errores medidos mediante un objetivo. Un clasificador de correo no deseado puede aprender de mensajes etiquetados.
Encontrar estructura sin etiquetas
El aprendizaje no supervisado busca estructura en datos sin etiquetar. Puede agrupar ejemplos similares o identificar relaciones. Esto difiere de aportar una etiqueta correcta para cada ejemplo; el enfoque útil depende de la pregunta y los datos disponibles.
Los patrones no son garantías
La Administración de Servicios Generales estadounidense explica que la IA combina datos y algoritmos. Importan las decisiones humanas al recopilar y preparar datos, y los resultados pueden seguir siendo sesgados. Hay que evaluar la salida según la tarea: un resultado convincente no demuestra por sí solo que sea correcto.




Comentarios