La inteligencia artificial (IA) se formó como un campo de la informática para comprender y construir entidades inteligentes desde la década de 1950. Como ocurre con la mayoría de las tecnologías, el concepto ha sufrido muchas transformaciones a lo largo del tiempo.En este artículo veremos como la AI aprende de Big Data
En particular, el campo de la IA ha experimentado varios ciclos de expectativas, compromisos y luego decepciones, a veces denominados inviernos de IA, donde el interés en la tecnología ha disminuido solo para volver a alcanzar su punto máximo en un momento posterior.
Algunos podrían argumentar que estos ciclos de conflicto han causado inconsistencias que han dificultado el avance en el campo de la IA. Sin embargo, las prácticas recientes de enfoques centrados en datos (por ejemplo, el aprendizaje automático y el razonamiento probabilístico) están comenzando a demostrar la verdadera capacidad de la IA para resolver problemas prácticos de toma de decisiones.
A menudo se piensa que el concepto de IA tiene dos dimensiones:
Una dimensión emula el proceso de pensamiento humano o simula el comportamiento inteligente (como la computación cognitiva y los sistemas inspirados en el cerebro).
La otra dimensión logra un desempeño humano o ideal (como la capacidad para responder preguntas y comprender el lenguaje natural.
Esta naturaleza dual de la IA desafía a las organizaciones sobre cómo abordar mejor las soluciones de modelado de IA. Los enfoques de IA convencionales a menudo abordan la adquisición de conocimientos y el razonamiento en términos de un conjunto de reglas ad hoc y pesos elaborados manualmente para la confianza informática. Como resultado, adquirir y mantener la coherencia de las reglas y mejorar la precisión del razonamiento puede ser un desafío cuando el tamaño de la base de conocimientos crece para resolver problemas del mundo real. Este cuello de botella de conocimiento para los sistemas expertos a menudo se percibe como un inhibidor para la construcción de soluciones industriales escalables.
Sin embargo, los enfoques de la IA siguen siendo fundamentales para la resolución inteligente de problemas. A diferencia de los problemas matemáticos definidos con precisión, donde se pueden aplicar algoritmos para calcular respuestas completas o aproximadas, muchos problemas del mundo real a menudo están subespecificados, son ambiguos o están definidos y comprendidos de manera incompleta.
Las técnicas de IA resultan ser efectivas para modelar el problema y construir soluciones prácticas.
Un aspecto importante de la IA moderna es que ahora adopta técnicas de aprendizaje automático para construir modelos estadísticos y hacer predicciones y razonamientos estadísticos. Los avances recientes en los enfoques estadísticos junto con la disponibilidad de una gran cantidad de datos (big data) han sido notables. Estos enfoques están impulsando mejoras para análisis de negocios de alto valor.
La inteligencia artificial y la analítica empresarial impulsan soluciones más inteligentes
El aprendizaje automático y el análisis estadístico o predictivo, en muchos casos, se reduce a la analítica empresarial, resultado cuando la AI aprende de Big Data.
Por lo tanto, la analítica empresarial es fundamental para las actividades relacionadas con la inteligencia artificial que construyen una solución más inteligente. Cuando aborde métodos para utilizar tecnologías de IA
Este articulo puede interesarle 2 tendencias en la nube que las empresas deben conocer.
