<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=360133424683380&amp;ev=PageView&amp;noscript=1">

Introducción a la Inteligencia Artificial

 Palabras de Paul Reilly, ingeniero de la IA, fundador de flashbitch.com, un sitio web de reseñas de casinos generado en gran parte por la IA, entusiasta de la tecnología y orador 

Tras una carrera de SEO que duró dos décadas, Paul se centró en los usos prácticos de la inteligencia artificial, lo que le llevó a formar parte regularmente del equipo de investigación de la IA de la universidad, a la vez que exploraba nuevas formas de darse a conocer como afiliado de un casino.  

La Inteligencia Artificial es un campo tan amplio que avanza a un ritmo tan rápido que la enorme montaña de información en torno al tema puede ser bastante abrumadora. 

En los próximos meses, compartiré una visión general introductoria de la inteligencia artificial, conceptos, enfoques, aplicaciones prácticas de mis propias experiencias, recursos de aprendizaje, herramientas, conjuntos de datos. Desglosaré muchos de los conceptos detrás de muchos de los algoritmos usados para aproximar las funciones del cerebro humano. Elegí esas palabras "aproximar las funciones del cerebro humano" con cuidado porque es un concepto fundamental importante. 

Así que ya sea que estemos prediciendo el valor del jugador o detectando el fraude, ya sea que estemos automatizando la generación de contenido o etiquetando las imágenes. En el centro de la inteligencia artificial hay un modelo entrenado que mapea las entradas a las salidas como una "función" matemática.

En lenguaje matemático simple, una función puede ser considerada como tal: "una máquina con una entrada y una salida y la salida está relacionada con la entrada" - se escribe en notación matemática como f(x). Se dice que la función es pura, cuando cualquier entrada o entradas dadas siempre devolverán la misma salida.  

Entrenamos tales máquinas (modelos) y medimos su rendimiento en términos de minimizar el error en la capacidad de predecir con precisión cuando hay nuevos datos de entrada, que el modelo nunca ha visto anteriormente.

Motivación para el aprendizaje automático: Una analogía musical

Como con el aprendizaje de cualquier nueva disciplina, el aprendizaje de la máquina lleva tiempo, y es un proceso continuo. Si has aprendido un instrumento musical usemos la guitarra como analogía, habrás practicado el punteo, los acordes, las escalas, los arpegios... 

La motivación para poner en práctica no viene de la alegría de practicar escalas o arpegios. Viene del deseo de tocar una canción favorita de principio a fin sin equivocarse. 

Tengan esto en cuenta al acercarse al aprendizaje automático. Hay algunos conceptos matemáticos para entender, cálculo, probabilidad, álgebra, estadística. Han pasado muchos años desde que estudié matemáticas en la universidad y lo último que quería era volver a la clase de matemáticas. Descubrí que, al igual que el aprendizaje de un instrumento musical, la motivación era en gran medida impulsada por la curiosidad y mi motivación para resolver un problema de negocios específico.

Como con cualquier esfuerzo de aprendizaje Siempre es sabio encontrar un mentor..

Al igual que con el aprendizaje de un instrumento musical, empieza por decidir qué problema quieres resolver y rompe esa comprensión de la naturaleza del problema en detalle. A menudo se da el caso de que los problemas que son fáciles de resolver para los humanos son más difíciles de resolver para los ordenadores. Sin embargo la IA ha recorrido un largo camino y hay una plétora de algoritmos de aprendizaje de máquinas y ejemplos de códigos en línea para permitir incluso a un ingeniero novato explorar.  Mientras que hay muchos recursos en línea para el aprendizaje del ML, te animo a que encuentres un mentor. Como en cualquier esfuerzo de aprendizaje, un mentor es valioso especialmente para superar las dudas, así como para ayudarte a comprender los conceptos a medida que te vas encontrando con ellos. 

¿Qué problema quieres resolver? ¿Quizás sea un caso de negocios? 

Problema #1 

How AI is Changing the Way SEO is DoneTEl primer problema que necesitaba resolver estaba relacionado con mi trabajo con el SEO, específicamente la ampliación del alcance de los enlaces. Habiendo ya optimizado gran parte de la difusión, me encontraría con desafíos con un gran alcance de enlaces para los deportes de EE.UU. Necesitaba una forma programática para distinguir de forma fiable entre el fútbol (EE.UU.) y el fútbol (internacional). 

Mirando hacia atrás, este era un problema trivial de resolver, pero en ese momento me proporcionó la motivación para explorar la máquina lo suficiente para aprender a resolver el problema. Una vez que aprendí el proceso de extremo a extremo para preparar los datos de entrenamiento, entrenar el modelo y medir la precisión. Pronto estuve trabajando en la resolución de un nuevo problema, equipado con la suficiente teoría para entender los conceptos y las suficientes habilidades de codificación para implementar una solución funcional. 

Problema #2 

El siguiente problema que quise resolver usando el aprendizaje automático se relacionaba con otro problema común de SEO/construcción de enlaces encontrado por una agencia que entrega proyectos de construcción de enlaces a escala:- Cómo medir la relevancia entre una página que contiene un enlace y la página objetivo.

Esto siempre fue una visión subjetiva, basada en opiniones. Cualquiera que haya trabajado en la construcción de enlaces para SEO sabrá que la relevancia puede ser bastante arbitraria dependiendo en gran medida de la opinión personal. 

Dado que este es un paso tan importante para asegurar la calidad, la solución debe ser robusta. Lo ideal sería mejorar la precisión de un humano que realiza la misma tarea. La solución de aprendizaje automático para este problema fue realmente muy convincente ya que elimina por completo la subjetividad humana. 

La solución me obligó a aprender una serie de conceptos, incluyendo representaciones matemáticas de la distancia.

Problem #3 

A medida que desarrollas tu repertorio de conceptos de aprendizaje de máquinas, empezarás a considerar métodos más complejos para aproximar funciones como el "Aprendizaje profundo" con TensorFlow de Google. El aprendizaje profundo no es un tema que tocaré en esta entrada introductoria, pero lo cubriré junto con un ejemplo práctico en las próximas semanas.

An Introduction to Convolutional Neural Networks and Deep Learning with  Caffe - ContentLabMi siguiente objetivo era producir automáticamente un texto coherente capaz de clasificar en Google sin ser identificado como duplicado para 883 casinos. Para resolver este problema, tuve que explorar las redes neuronales, y el aprendizaje profundo con la popular biblioteca de aprendizaje profundo de Google, TensorFlow.

Resolver este fascinante problema para un sitio web afiliado a un casino, me obligó una vez más a salir de mi anterior zona de confort y a una curva de aprendizaje más pronunciada. No sólo me obligó a explorar nuevos conceptos, sino también a desarrollar una familiaridad con las nuevas tecnologías.

Entonces, ¿qué aprendimos?

Creo que es importante centrarse en el objetivo, el caso de negocios o incluso el desafío de la diversión. 

Mantenerme centrado en el "Por qué" en lugar del "Cómo" es posiblemente la lección más valiosa que aprendí en los últimos seis años mientras exploraba el aprendizaje de las máquinas. En las próximas semanas voy a desglosar en detalle los pasos que se han dado para resolver los problemas de aprendizaje de máquinas mencionados anteriormente, así como compartir algunos de los errores que cometí en el camino para que puedas evitarlos.

Es importante para cualquiera que esté buscando explorar la inteligencia artificial o quizás considerando implementar la inteligencia artificial, considerar la implementación en curso como una serie de optimizaciones incrementales de procesos de negocios. Encuentra y aísla las potenciales ganancias rápidas como las tareas humanas repetitivas. Considerar qué puede automatizarse fácilmente, qué datos están disponibles y cuáles son los criterios específicos / acción(es) que se están encargando actualmente, para evaluar los riesgos y comprender cómo se mide el éxito. 

Nunca se sabe, explorar la IA en su negocio puede incluso acercar a los analistas de negocio, directores de proyecto e ingenieros de software y vivir felices para siempre.

Paul AGS

SiGMA Agenda:

La Cumbre Digital de las Américas del Grupo SiGMA se celebrará del 22 al 24 de septiembre, y reunirá a caras conocidas del sector de los juegos y la tecnología de América Latina en una serie de paneles de debate en profundidad, con contenidos ofrecidos en español, portugués e inglés.

La 7ª edición de SiGMA Europa trasladará su evento de noviembre al 16 de febrero al 18 de 2021.

Artículo relacionado

La (r)evolución sigue avanzando

La innovación y progreso en los sitemas de pago Artículo de JP Fabri, un economista aplicado con experiencia local e internacional. Fabri formó ...