Red neuronal artificial (RNA)
Un algoritmo que intenta imitar al cerebro humano, con capas de “neuronas” conectadas que se envían información entre sí.

Algoritmos de caja negra

Cuando el proceso de toma de decisiones o la salida de un algoritmo no puede ser fácilmente explicado por el ordenador o el investigador detrás de él.

Computer vision
El campo de la I.A. se ocupa de enseñar a las máquinas a interpretar el mundo visual, es decir, a ver.

Aprendizaje profundo (Deep Learning)
RNAs que tienen múltiples capas de neuronas conectadas. Esto hace que el proceso sea más profundo en comparación con las redes anteriores, más superficiales.

Embodied I.A.
Una forma elegante de decir “robots con capacidad de inteligencia artificial”.

Few-shot learning
La mayoría de las veces, los sistemas de visión artificial necesitan ver cientos o miles (o incluso millones) de ejemplos para descubrir cómo hacer algo.

El aprendizaje de una sola vez y de pocas veces trata de crear un sistema que puede ser enseñado a hacer algo con mucho menos entrenamiento. Es similar a cómo los niños pequeños pueden aprender un nuevo concepto o una nueva tarea.

Redes generativas adversarias
También llamadas GANs, son dos redes neuronales que se entrenan con el mismo conjunto de datos de fotos, videos o sonidos.

Luego, uno crea un contenido similar mientras que el otro intenta determinar si el nuevo ejemplo es parte del conjunto de datos original, forzando al primero a mejorar sus esfuerzos.

Este enfoque puede crear medios realistas, incluyendo obras de arte.

Aprendizaje automático (Machine Learning)
Sistemas que aprenden de los conjuntos de datos para realizar y mejorar una tarea específica. Es el área actual de I.A. que está experimentando el mayor auge de la investigación.

Procesamiento del lenguaje natural
La disciplina dentro de la I.A. que trata con el lenguaje escrito y hablado.

Aprendizaje de refuerzo
Un proceso en el que las máquinas aprenden a realizar una nueva tarea como lo hacen los humanos – a través de un sistema de recompensas y castigos – comenzando como un novato y mejorando con la práctica y la retroalimentación.

Aprendizaje supervisado
Una técnica que enseña un algoritmo de aprendizaje de máquina para resolver una tarea específica utilizando datos que han sido cuidadosamente etiquetados por un humano.

Los ejemplos cotidianos incluyen la mayoría de las predicciones meteorológicas y la detección de spam.

Aprendizaje de transferencia
Este método intenta tomar los datos de entrenamiento utilizados para una cosa y reutilizarlos para un nuevo conjunto de tareas, sin tener que volver a entrenar el sistema desde cero.

Aprendizaje sin supervisión
Un enfoque que proporciona datos de I.A. sin etiquetar y tiene que darle sentido sin ninguna instrucción. En esencia, es cuando las máquinas “se enseñan a sí mismas”.

I.A. explicable (X.A.I.)
A.I. que puede decir o mostrar a sus operadores humanos cómo llegó a sus conclusiones.

I.A. débil.
Nuestro nivel actual de I.A., que puede hacer sólo una cosa a la vez, como jugar al ajedrez o reconocer razas de gatos.

Lo contrario sería una I.A. fuerte, también conocida como inteligencia general artificial (I.G.A.), que tendría la capacidad de hacer cualquier cosa que la mayoría de los humanos puedan hacer.

Visto en TodoBI.com