1.0 Conceptos Fundamentales de IA y Aprendizaje Automático (ML)
Los siguientes términos son los pilares conceptuales sobre los que se construye cualquier solución de IA y Aprendizaje Automático.
1.1 Términos Generales
Estos conceptos están relacionados jerárquicamente: el Aprendizaje Automático es un subconjunto de la Inteligencia Artificial, y el Aprendizaje Profundo es un subconjunto especializado del Aprendizaje Automático.
Inteligencia Artificial (IA)
Es un campo de la informática centrado en la creación de sistemas capaces de realizar tareas inteligentes que imitan la inteligencia humana. Estas tareas incluyen comprender el contexto del lenguaje natural humano, reconocer patrones y eventos de información, resolver desafíos y decisiones complejas y tener conciencia de su entorno.
Aprendizaje Automático (Machine Learning - ML)
Como subconjunto de la IA, el aprendizaje automático se enfoca en enseñar a las computadoras a aprender de los datos. Esto les permite mejorar su rendimiento con el tiempo sin necesidad de ser programadas explícitamente para cada tarea.
Aprendizaje Profundo (Deep Learning - DL)
Es un subconjunto especializado del ML que utiliza Redes Neuronales Artificiales (RNA) con múltiples capas ("profundas"). Este enfoque permite a un modelo aprender patrones y representaciones complejas a partir de grandes conjuntos de datos, como imágenes o texto.
Red Neuronal (Neural Network)
Un modelo computacional inspirado en la estructura del cerebro humano. Consiste en unidades interconectadas (neuronas o nodos) organizadas en capas que trabajan juntas para procesar y aprender de los datos.
1.2 Conceptos de Modelado
Sobreajuste y Subajuste (Overfitting and Underfitting)
Estos términos describen problemas de rendimiento en un modelo de ML. El sobreajuste ocurre cuando un modelo memoriza los datos de entrenamiento y funciona mal con datos nuevos, mientras que el subajuste ocurre cuando el modelo es demasiado simple para capturar los patrones subyacentes en los datos, resultando en un bajo rendimiento general.
Sesgo y Varianza (Bias and Variance)
Estos son dos tipos de errores en el aprendizaje supervisado:
- Sesgo (Bias): La diferencia entre la predicción promedio de un modelo y el valor real que intenta predecir; un sesgo alto significa que el modelo hace suposiciones incorrectas sobre los datos
- Varianza (Variance): Mide la inconsistencia de las predicciones del modelo al entrenarse en diferentes conjuntos de datos; una varianza alta significa que el modelo es muy sensible a los datos de entrenamiento específicos
Es crucial entender que un modelo con alto sesgo a menudo sufre de subajuste, ya que sus suposiciones son demasiado simples. Por otro lado, un modelo con alta varianza es propenso al sobreajuste, ya que es demasiado sensible a los datos de entrenamiento específicos.
1.3 Dominios Clave en IA
Visión por Computadora (Computer Vision)
Permite a las máquinas identificar personas, lugares y objetos en imágenes con una precisión igual o superior a la humana, operando a velocidades y eficiencia considerablemente mayores.
Procesamiento del Lenguaje Natural (Natural Language Processing - NLP)
La rama de la inteligencia artificial dedicada a permitir que las computadoras comprendan, interpreten e interactúen con el lenguaje humano.
Estos conceptos fundamentales son la base sobre la que se construyen campos más avanzados, como la IA Generativa, que tiene la capacidad única de crear contenido nuevo.
2.0 Conceptos Clave de IA Generativa
Esta sección se centra en la IA Generativa, el subcampo de la IA que permite la creación de contenido nuevo y original, como texto, imágenes y audio.
2.1 Términos Fundamentales de IA Generativa
IA Generativa (Generative AI)
Un subconjunto del aprendizaje profundo que se enfoca en producir nuevos datos en diversos formatos, como texto, audio, imágenes y datos sintéticos, con una calidad similar a la creada por humanos.
Modelos de Lenguaje Grandes (Large Language Models - LLMs)
Son modelos de aprendizaje profundo que utilizan una arquitectura de red neuronal de tipo transformer. Entrenados con grandes volúmenes de datos de texto, aprenden de forma autónoma sin supervisión continua para realizar tareas como la generación de texto, la traducción y la respuesta a preguntas.
Modelos de Fundación (Foundation Models)
Modelos de aprendizaje profundo a gran escala entrenados en conjuntos de datos diversos y generalizados. Están diseñados para realizar una amplia variedad de tareas generales, como la conversación en lenguaje natural, la generación de texto e imágenes y la interpretación de lenguajes.
Generación Aumentada por Recuperación (Retrieval Augmented Generation - RAG)
Una técnica que optimiza la salida de un modelo de lenguaje grande (LLM). Lo hace haciendo referencia a una base de conocimientos externa para proporcionar respuestas más precisas, actualizadas y contextualizadas, reduciendo así la dependencia exclusiva de sus datos de entrenamiento preexistentes.
2.2 Técnicas de Personalización de Modelos
Para adaptar un modelo preentrenado a tareas específicas, se aplican dos técnicas principales con propósitos distintos:
| Término | Propósito Principal |
|---|---|
| Ajuste Fino (Fine-tuning) | Adapta un modelo preentrenado a un conjunto de datos específico para mejorar su rendimiento en una tarea concreta. Esta técnica, conocida como aprendizaje por transferencia, permite crear modelos fiables con menos datos y tiempo de entrenamiento. |
| Ingeniería de Prompts (Prompt Engineering) | Guiar a un modelo de IA generativa para que produzca los resultados deseados. Esto se logra mediante la creación de entradas (prompts) claras y específicas que dirigen al modelo para que proporcione respuestas precisas y adecuadas para la tarea o instrucción dada. |
El conocimiento de estos conceptos de IA Generativa es fundamental para aprovechar los servicios que AWS ofrece para construir, implementar y escalar estas tecnologías de vanguardia.
3.0 Servicios Clave de IA de AWS
AWS proporciona un conjunto de servicios gestionados diseñados para simplificar y acelerar la implementación de soluciones de IA, abstraendo la complejidad de la infraestructura subyacente.
3.1 Servicios para IA Generativa y ML
Amazon Bedrock
Es un servicio totalmente gestionado que proporciona acceso a modelos de fundación de alto rendimiento de diversas compañías de IA a través de una única API. Su principal beneficio es que facilita la creación y escalado de aplicaciones de IA generativa de forma segura, permitiendo a los usuarios experimentar y personalizar modelos sin gestionar la infraestructura subyacente.
Amazon SageMaker
Es un servicio integral para construir, entrenar y desplegar modelos de aprendizaje automático a cualquier escala. Para un nuevo usuario, su beneficio clave es que unifica todas las herramientas necesarias para el ciclo de vida del ML, incluyendo SageMaker Jumpstart para acceder a modelos preentrenados y soluciones, y SageMaker Data Wrangler para simplificar la preparación de datos.
3.2 Servicios de IA por Dominio
Amazon Rekognition
Un servicio de visión por computadora para analizar imágenes y videos, permitiendo detectar objetos, personas, texto y actividades.
Amazon Comprehend
Un servicio de Procesamiento del Lenguaje Natural (NLP) que utiliza el aprendizaje automático para encontrar información y relaciones en el texto.
Amazon Lex
Un servicio para construir interfaces conversacionales (chatbots) para aplicaciones utilizando voz y texto.
Amazon Polly
Un servicio que convierte texto en voz con un sonido natural, permitiendo crear aplicaciones que hablan.
Amazon Transcribe
Un servicio de reconocimiento automático de voz (ASR) que facilita la adición de capacidades de voz a texto en las aplicaciones.
Amazon Translate
Un servicio de traducción automática neuronal que ofrece traducciones de idiomas rápidas, de alta calidad y asequibles.
Amazon Fraud Detector
Un servicio totalmente gestionado que facilita la identificación de actividades en línea potencialmente fraudulentas, como el fraude en pagos y la creación de cuentas falsas.
Top comments (0)