La inteligencia artificial y su acercamiento al raciocinio humano.

Jefferson Álvarez Álvarez

Inteligencia de Negocios

201413925

La inteligencia artificial y su acercamiento al raciocinio humano

Machine Learning, un término fuertemente asociado a la inteligencia artificial, ha dado mucho de qué hablar en los últimos años, ya que es una tecnología prometedora en cuanto al aprendizaje de la máquina mediante diferentes tipos de algoritmos que facilitan el procesamiento y entendimiento de la información para un sistema. De todas las vertientes y campos de acción que tiene Machine Learning, existe un método en particular, en la que la máquina tiene que aprender por si sola patrones que se den dentro de un contexto impuesto, y este se denomina el aprendizaje no supervisado.

El aprendizaje no supervisado comprende una enseñanza con un modelo es ajustado a unas observaciones, donde un conjunto de datos de entrada es tratado. Así, este tipo de aprendizaje, trata la información de entrada como un conjunto de variables, siendo construido un modelo de densidad para el conjunto de datos. Este aprendizaje trae consigo un conjunto de métodos para que la máquina pueda aprender a reconocer patrones; el que evaluaremos aquí es el denominado Análisis de Componentes Principales (del inglés Principal Analysis Components “PCA”).

El método de Análisis de componentes principales es una técnica ampliamente usada en la estadística para reducir la dimensionalidad de un conjunto de datos. Este método construye una relación lineal cuyo objetivo es la obtención de las varianzas en el conjunto de datos, y dependiendo de estas, se eligen unos ejes denominados componentes principales. Donde se obtenga la mayor varianza, se procede a crear un eje, denominado como el componente principal, y de esta manera se pueden obtener más ejes o componentes dependiendo el tamaño de estas varianzas de manera sucesiva (Figura 1).

[pic 1]

Figura 1. Se interponen los ejes en las relaciones lineales donde haya más varianza

Desde el punto de vista técnico, el Análisis de Componentes Principales busca la proyección según la cual los datos queden mejor representados mediante la utilización de mínimos cuadrados. Este, consecuentemente convierte estas relaciones lineales en posibles ejes de componentes principales dependiendo de la varianza. Dependiendo de los datos aleatorios, que refiriéndonos al equivalente en Machine Learning como el set de aprendizaje, utilizamos la fórmula mostrada en la Figura 2, dónde  es una matriz de covarianzas de todos los puntos relacionados entre sí en dicho set.[pic 2]

[pic 3]

Figura 2. Fórmula para hallar los componentes principales tomando en cuenta una matriz de covarianzas

Actualmente, el análisis de componentes principales puede aplicarse en la reducción de volumen de datos, conservando la máxima cantidad de información, reducción del ruido en imágenes (Figura 3) o señales de radiofrecuencia, en detección de cambios mediante anomalías en el set de datos que cambien repentinamente los componentes principales de la muestra, análisis de mapas geográficos para determinar la densidad poblaciones de un territorio en particular, como también la fusión de imágenes mediante los componentes principales de estas respectivamente.

[pic 4]

Figura 3. Ejemplo en la que se puede apreciar un gran componente de ruido en la Imagen

Ahora bien, ya explicado el método de componentes principales desde el punto de vista conceptual, técnico y práctico, podemos empezar con el objetivo principal de este ensayo, el cual es demostrar hasta qué punto la inteligencia artificial podría alcanzar al ser humano tanto en su aspecto cognoscitivo, como en su parte trascendente. Por esta razón se eligió el aprendizaje no supervisado, y particularmente el método de componentes principales, ya que si una máquina, con este proceso estadístico es capaz de hallar patrones en un entorno predeterminado, entonces es capaz de hallar el objetivo a seguir en una sociedad en particular.

Desde pequeños se nos ha infundado el hecho de que tenemos que estudiar y trabajar para luego sobrevivir en un contexto extremadamente competitivo, por lo cual identificamos aquí, un objetivo y un patrón en especial que siguen todas las personas. Por ello, si recalcamos el hecho de que una máquina puede comprender patrones y seguirlos, entonces en un futuro cercano o lejano, dependiendo de los avances de la informática en este aspecto, afirmar del hecho de que la máquina podrá de forma similar, asemejarse a la capacidad de razonar de un humano, y desde luego, desde el punto de vista de la rama de Inteligencia de Negocios, poder analizar de forma más eficaz la información que tenemos del conocimiento de sí mismo, mediante la hallazgo de similitudes entre el humano y la máquina.

...