Introducció Intel·Ligència Artificial
“Anem a veure i a entendre els conceptes més importants i coneguts de la intel·ligència artificial (IA)”
Recomano primer llegir aquestes definicions molt bàsiques, però que permeten entendre una mica millor aquests 4 conceptes per, posteriorment, anar veient aquests apartats amb explicacions de Carlos Santana @DotCSV a Youtube
Que millor que començar preguntant al model de NLP més conegut i gratuït com l’omnipresent ChatGPT perquè m’ajudi a estructurar aquesta introducció..
INTEL·LIGÈNCIA ARTIFICIAL
La intel·ligència artificial (IA) és una branca de la informàtica que s’ocupa de desenvolupar algoritmes i sistemes que poden fer tasques que normalment requereixen intel·ligència humana, com el reconeixement de patrons, aprenentatge automàtic, i presa de decisions, inclosa la capacitat de veure, comprendre i traduir llenguatge parlat i escrit, analitzar dades, fer recomanacions i molt més.
Introduccíó intel·ligència artificial i les seves branquesAPRENENTATGE AUTOMÀTIC (Machine Learning)
L’aprenentatge automàtic, també conegut com Machine Learning és la branca de la intel·ligència artificial que s’enfoca a desenvolupar algoritmes i tècniques que permeten als ordinadors aprendre i millorar el seu rendiment en una tasca específica sense ser programades explícitament.
Existeixen diversos tipus d’aprenentatge automàtic, però n’hi ha 3 de principals: aprenentatge supervisat i aprenentatge no supervisat i aprenentatge per reforç.
– Aprenentatge supervisat:
L’aprenentatge supervisat és una tècnica d’aprenentatge automàtic en la qual a un ordinador li és lliurat un conjunt de dades etiquetades, és a dir, dades que ja venen amb una classificació o categoria assignada. L’objectiu és que l’ordinador aprengui a reconèixer patrons i relacions d’aquestes dades i apliqui aquest aprenentatge per a classificar noves dades.
Un exemple seria el d’un nen que vol aprendre a reconèixer animals. El nen té un llibre amb imatges de diferents animals i el seu nom escrit sota cada imatge. El nen estudia les imatges i aprèn a reconèixer les característiques de cada animal i el seu nom corresponent.
En l’àmbit de la intel·ligència artificial, l’aprenentatge supervisat s’utilitza per a tasques com la classificació d’imatges, el processament del llenguatge natural i la predicció de valors numèrics.
– Aprenentatge no supervisat:
L’aprenentatge no supervisat és una tècnica d’aprenentatge automàtic en la qual a un ordinador li és lliurat un conjunt de dades no etiquetades i s’espera que l’ordinador descobreixi patrons i relacions en aquestes dades per si mateix. En comparació amb l’aprenentatge supervisat, en el qual les dades ja venen etiquetatges, en l’aprenentatge no supervisat, l’algoritme ha de trobar patrons i estructures en les dades sense ajuda externa.
Un exemple seria el d’un nen que vol aprendre a ordenar la seva col·lecció de cromos. El nen té una caixa plena de cromos sense ordre ni classificació, i ha de trobar patrons i relacions entre ells per a organitzar-los de manera lògica.
En l’àmbit de la intel·ligència artificial, l’aprenentatge no supervisat s’utilitza per a tasques com l’agrupació de dades, la reducció de dimensionalitat i la detecció d’anomalies..
– Aprenentatge per reforç:
L’aprenentatge per reforç és una tècnica d’aprenentatge automàtic en la qual un agent (com un ordinador o un robot) rep una recompensa o un càstig per cada acció que realitza en un entorn específic. L’objectiu de l’agent és maximitzar la recompensa total al llarg del temps.
Un exemple senzill és el d’un nen que vol aprendre a jugar un joc. El nen s’enfronta a diferents desafiaments i rep una recompensa (com a llaminadures) quan gana i un càstig (com un regany) quan perd. A mesura que el nen juga més, aprèn a prendre millors decisions i guanya més recompenses.
En el cas de la IA, l’aprenentatge per reforç s’utilitza per a entrenar a fer tasques complexes en entorns incerts. L’agent rep informació sobre l’estat de l’entorn i presa decisions per a maximitzar una recompensa.
Aprenentatge Supervisat i No SupervisatXARXES NEURONAL
Una xarxa neuronal és un tipus específic de model de Machine Learning que s’inspira en l’estructura i funcionament del cervell humà. Es compon de moltes “neurones” connectades entre si que treballen juntes per a fer tasques complexes.
Per a entendre-ho d’una manera senzilla, imagina que cada neurona és com una petita caixa negra on hi ha unes entrades amb uns valors i la neurona realitzarà un càlcul intern i generarà un valor de sortida que serà enviada a la següent neurona (total, no deixa de ser una funció matemàtica), aquestes entrades poden tenir diferents pesos, depenen de les sortides de l’anterior neurona. En una xarxa neuronal tindrem les capes d’entrada, les de sortida, i les del mig les anomenarem capes ocultes. Juntes, les neurones poden fer tasques complexes com a reconeixement d’imatges, processament del llenguatge natural a partir de l’aprenentatge automàtic.Un exemple seria el d’una xarxa neuronal que s’entrena per a reconèixer números escrits a mà. La xarxa neuronal se li dona un gran conjunt d’imatges de números escrits a mà, juntament amb la informació de quin número és cada imatge. La xarxa neuronal aprèn a reconèixer patrons i característiques en les imatges i és capaç de reconèixer números escrits a mà nous que no havia vist abans.
¿Qué es una Red Neuronal?DEEP LEARNING
L’aprenentatge profund (Deep Learning) és una tècnica d’intel·ligència artificial que utilitza xarxes neuronals amb diverses capes per a aprendre a partir de dades. En resum, l’aprenentatge profund és una tècnica d’aprenentatge automàtic (machine learning) que utilitza xarxes neuronals amb diverses capes per a aprendre de les dades de manera similar a com ho fa el cervell humà per a tasques molt complexes.
BIG DATA
L’aprenentatge profund requereix grans quantitats de dades per a entrenar les xarxes neuronals i millorar la seva precisió, el terme Big Data es refereix a grans volums de dades, tant estructurats com no estructurats, que es generen a una velocitat molt ràpida. Aquestes dades poden ser recol·lectades de diferents fonts, com a dispositius mòbils, sensors, xarxes socials, entre altres. Les dades del Big Data són essencials per a l’aprenentatge profund ja que proporcionen un gran conjunt d’informació per a entrenar les xarxes neuronals i millorar la seva precisió.
