INTRODUCCIÓN
La inteligencia artificial trata de la creación de máquinas que pueden imitar comportamientos inteligentes.
Se utiliza para automatizar procesos repetitivos y analizar grande volúmenes de datos permitiendo aumentar nuestra eficiencia y tomar decisiones informadas con mayor rapidez.
La evolución de la IA puede dividirse en varias etapas clave:
| Década | Eventos clave |
|---|---|
| 1950 | Turín introduce sutest para evaluar la inteligencia de una máquina. En 1956 se utiliza por primera el termino inteligencia artificial. |
| 1960 y 1970 | en 1965 se crea ELIZA, uno de los primeros programas de procesamiento de lenguaje natural (PNL). |
| 1980 | se realizan investigaciones en redes neuronales que estaban inspiradas en el funcionamiento del cerebro humano. |
| 1990 | La IA se populariza con en éxito de Deep Blue en programa de ajedrez que es capaz de vencer al campeón del mundo de ajedrez en 1997. |
| Siglo XXI | Se producen avances en Aprendizaje automático. que es un campo de la inteligencia artificial que busca como dotar a las maquinas de capacidad de aprender. Un tipo de aprendizaje automático es el Aprendizaje profundo (Deep Learning) que se usa en redes neuronales. |
Turing
APLICACIONES
- Salud
- Diagnóstico médico. Para analizar radiografías, resonancias magnéticas y detectar enfermedades
- Medicina personalizada para desarrollar tratamientos personalizados basados en el análisis de datos médicos y genéticos.
- FINANZAS
- Análisis de riesgo. Evaluación del riesgo crediticio de los solicitantes de un préstamo.
- Trading (compraventa de activos financieros cotizados como acciones, divisas…). Desarrollo de algoritmos que realizan operaciones bursátiles de manera automática basándose en el análisis de grandes volúmenes de datos del mercado.
- EDUCACIÓN
- sistemas de tutoría inteligente. Apoyo personalizado a los estudiantes .
- Creación de contenido educativo. generación de materiales de estudio personalizados.
ENLACES
TIPOS DE INTELIGENCIA ARTIFICIAL
Aprendizaje automático
se dedica al desarrollo de algoritmos que permiten a las máquinas aprender de los datos y mejorar su rendimiento. Usado para predecir precios de viviendas . Clasificar clientes por su solvencia, identificar objetivos en imágenes
Aprendizaje profundo
se dedica al desarrollo de algoritmos que permiten a las máquinas aprender de los datos y mejorar su rendimiento. Usado para predecir precios de viviendas . Clasificar clientes por su solvencia, identificar objetivos en imágenes
PLN
se dedica al desarrollo de algoritmos que permiten a las máquinas aprender de los datos y mejorar su rendimiento. Usado para predecir precios de viviendas . Clasificar clientes por su solvencia, identificar objetivos en imágenes
