Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Aprendizaje profundo

El aprendizaje profundo es un tipo de aprendizaje automático basado en redes neuronales de múltiples capas. Estos sistemas pueden aprender patrones complejos en imágenes, texto, audio y vídeo. El aprendizaje profundo está detrás de muchos avances modernos en inteligencia artificial, como el reconocimiento de voz, la generación de imágenes, la traducción y los grandes modelos lingüísticos. A menudo requiere grandes cantidades de datos y potencia de cálculo.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Modelo de difusión

Un modelo de difusión es un tipo de IA generativa que se utiliza a menudo para crear imágenes. Aprende a generar datos partiendo del ruido y refinándolo gradualmente hasta obtener una imagen o un resultado coherente. Muchas herramientas modernas de generación de imágenes utilizan técnicas de difusión. El resultado puede ser muy realista o artístico, dependiendo de la indicación y del modelo.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Gemelo digital

Un gemelo digital es un modelo virtual de un objeto, sistema o proceso del mundo real. Por ejemplo, una fábrica podría tener un gemelo digital que simule las máquinas, el consumo energético y el flujo de producción. La IA puede potenciar los gemelos digitales al predecir problemas y probar cambios antes de que se produzcan en el mundo real. Los gemelos digitales se utilizan en ingeniería, sanidad, transporte y ciudades inteligentes.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Modelo discriminativo

Un modelo discriminativo aprende a distinguir entre categorías. Por ejemplo, podría decidir si un correo electrónico es spam o no, o si la imagen de un tumor parece benigna o maligna. Los modelos discriminativos se diferencian de los modelos generativos, que crean contenido nuevo. En términos sencillos, los modelos discriminativos clasifican; los modelos generativos producen.


Créditos: Imagen facilitada; Autor: Stephen Whitelaw;
Destilación

La destilación de IA consiste en entrenar un modelo de IA pequeño y rápido para que copie el conocimiento y el comportamiento de un modelo de IA grande e inteligente. Piensa en ello como si un maestro cocinero (el modelo grande) enseñara a un aprendiz (el modelo pequeño) todas sus recetas y técnicas secretas para que el aprendiz pueda cocinar platos de la misma calidad, pero mucho más rápido y con menos utensilios de cocina.Por qué se utiliza: Ahorra espacio: reduce los sistemas de IA masivos para que quepan en un smartphone o un portátil. Ahorra dinero: se necesita mucha menos potencia de cálculo para ejecutar el modelo más pequeño. Ahorra tiempo: el modelo más pequeño ofrece respuestas mucho más rápido que el gigante.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Adaptación de dominio

La adaptación de dominio es el proceso de hacer que un modelo de IA funcione bien en un entorno nuevo pero relacionado. Por ejemplo, un modelo entrenado con datos hospitalarios de un país puede no funcionar igual de bien en otro país debido a diferencias en el equipamiento, los pacientes o los procedimientos. La adaptación de dominio ayuda a los modelos a transferir conocimientos al tiempo que se ajustan a las condiciones locales.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

IA específica de un ámbito

La IA específica de un ámbito es aquella diseñada para un campo concreto, como la sanidad, el derecho, las finanzas, la educación, la agricultura o la industria manufacturera. Estos sistemas pueden ser más precisos y útiles que las herramientas generales, ya que se basan en conocimientos y flujos de trabajo especializados. Sin embargo, la IA específica de un ámbito requiere la supervisión de expertos, ya que los errores pueden acarrear graves consecuencias.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Desviación

La deriva se produce cuando el rendimiento de un modelo de IA cambia con el tiempo debido a los cambios en el mundo real. Por ejemplo, el comportamiento de los clientes, las tácticas de fraude, la práctica médica o el uso del lenguaje pueden evolucionar. Un modelo que funcionaba bien el año pasado puede resultar menos fiable hoy en día. La supervisión de la deriva es esencial en cualquier sistema de IA que se utilice a lo largo del tiempo.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Dropout

El «dropout» es una técnica de entrenamiento utilizada en redes neuronales para reducir el sobreajuste. Durante el entrenamiento, se ignoran aleatoriamente algunas conexiones, lo que obliga al modelo a no depender excesivamente de ninguna ruta concreta. Esto ayuda al modelo a generalizar mejor ante nuevos datos. Es similar a entrenar a un equipo para que todo el grupo rinda bien, en lugar de depender de un solo jugador estrella.

Créditos: Imagen facilitada; Autor: Stephen Whitelaw;

Doble uso

El doble uso significa que una tecnología puede utilizarse tanto con fines útiles como perjudiciales. La IA es una tecnología clásica de doble uso. La misma herramienta que ayuda a redactar material educativo también podría servir para escribir correos electrónicos de phishing. El mismo sistema de generación de imágenes que ayuda a los artistas podría crear pruebas falsas. Una IA responsable requiere tener en cuenta tanto el uso indebido como el uso previsto.

Establece The Portugal News como tu fuente preferida de noticias en Google

GoogleAñadir como fuente preferida en Google