Términos del glosario

¿Qué es Análisis predictivo? El análisis predictivo es una técnica utilizada en la inteligencia artificial y el aprendizaje automático para predecir el resultado de un evento futuro. Esta técnica implica el uso de algoritmos de aprendizaje automático para analizar datos históricos y crear modelos que puedan predecir cómo se comportará una variable en el futuro. El análisis predictivo se utiliza comúnmente en una variedad de aplicaciones, como la detección de fraudes, la toma de decisiones empresariales, la optimización de procesos y la predicción de eventos futuros. Esta técnica puede ser útil en situaciones en las que se necesita tomar una decisión basada en datos sobre un evento futuro, pero no se dispone de información completa sobre el evento. Las técnicas utilizadas en el análisis predictivo incluyen el aprendizaje supervisado, que implica el uso de datos históricos etiquetados para entrenar un modelo de aprendizaje automático que pueda predecir futuros resultados, y el aprendizaje no supervisado, que implica el uso de técnicas de agrupamiento y asociación para identificar patrones en los datos y hacer predicciones basadas en esos patrones. El análisis predictivo también puede incluir el uso de modelos estadísticos para hacer predicciones y tomar decisiones basadas en los datos. Estos modelos pueden ser lineales o no lineales, y pueden incluir técnicas como regresión, análisis de series temporales y análisis de supervivencia.

¿Qué es Análisis prescriptivo? El análisis prescriptivo es una técnica utilizada en la inteligencia artificial y el aprendizaje automático para recomendar una acción o solución a un problema basado en los datos y la información disponible. A diferencia del análisis predictivo, que se enfoca en predecir eventos futuros, el análisis prescriptivo se enfoca en proporcionar recomendaciones para lograr un resultado específico. El análisis prescriptivo utiliza una combinación de técnicas de análisis de datos, incluyendo el análisis predictivo y el análisis descriptivo, junto con el conocimiento experto y las reglas de negocio para generar recomendaciones basadas en los objetivos específicos de la organización. Por ejemplo, en el ámbito de la toma de decisiones empresariales, el análisis prescriptivo puede ayudar a los gerentes a tomar decisiones informadas sobre la asignación de recursos, la planificación de la producción y la gestión de inventarios, entre otros temas. En el ámbito de la atención médica, el análisis prescriptivo puede utilizarse para identificar el mejor tratamiento para un paciente en función de sus características y antecedentes médicos. El análisis prescriptivo puede utilizar una variedad de técnicas de aprendizaje automático, como la optimización de recursos, el análisis de escenarios y la simulación de modelos para generar recomendaciones. Además, puede incluir herramientas de visualización y dashboards para presentar las recomendaciones de manera clara y fácilmente comprensible para los usuarios.

¿Qué es Aplicaciones digitales? Las aplicaciones digitales se refieren a cualquier software o programa que se ejecuta en dispositivos electrónicos, como computadoras, teléfonos móviles, tabletas, entre otros. Estas aplicaciones son creadas con el objetivo de realizar una tarea específica, como procesamiento de datos, almacenamiento y análisis de información, automatización de procesos, entre otros. En el contexto de la inteligencia artificial y el machine learning, las aplicaciones digitales pueden incluir sistemas de recomendación, asistentes virtuales, chatbots, análisis de datos, entre otros. Estas aplicaciones pueden utilizar algoritmos de aprendizaje automático y otras técnicas de inteligencia artificial para proporcionar funciones avanzadas, como la toma de decisiones automatizada, el análisis de sentimientos, la detección de fraudes, entre otras. Además, las aplicaciones digitales pueden ser desarrolladas para diversos fines, incluyendo el entretenimiento, el comercio electrónico, la salud, la educación, la industria, entre otros. Algunos ejemplos comunes de aplicaciones digitales son las redes sociales, las aplicaciones bancarias, las aplicaciones de transporte, los juegos, los sistemas de gestión empresarial, entre otros.

¿Qué es Application Programming Interface (API)? API es la sigla de «Application Programming Interface» o Interfaz de Programación de Aplicaciones en español. Es un conjunto de reglas, protocolos y herramientas para construir aplicaciones de software y permitir la comunicación y el intercambio de información entre diferentes sistemas. En el contexto de la inteligencia artificial y el machine learning, las APIs son herramientas importantes para permitir la integración de modelos y algoritmos de aprendizaje automático en diferentes aplicaciones y sistemas. Las APIs permiten que las aplicaciones se comuniquen con los servicios web que alojan los modelos de aprendizaje automático, y envíen datos para que los modelos realicen predicciones o tomen decisiones basadas en los datos. Por ejemplo, una empresa de comercio electrónico puede utilizar una API de recomendación para ofrecer productos recomendados a los usuarios en función de sus compras anteriores y datos de navegación en el sitio web. La API de recomendación utilizará un modelo de aprendizaje automático entrenado con datos históricos de transacciones y preferencias de usuario para hacer recomendaciones precisas y personalizadas. Las APIs de inteligencia artificial y machine learning también permiten a los desarrolladores crear aplicaciones que aprovechen las capacidades de los servicios de IA y ML sin tener que construir los modelos y algoritmos ellos mismos. Las empresas que ofrecen servicios de IA y ML a menudo proporcionan APIs que los desarrolladores pueden utilizar para construir aplicaciones que aprovechen estas capacidades.

¿Qué es Aprendizaje activo? El aprendizaje activo es una técnica de aprendizaje automático en la que un modelo de aprendizaje automático solicita a un usuario que etiquete manualmente una pequeña selección de datos de entrenamiento para mejorar su rendimiento. En lugar de esperar a que un gran conjunto de datos etiquetados esté disponible para el entrenamiento, el modelo de aprendizaje activo utiliza una estrategia de selección de muestras para elegir qué datos solicitar para su etiquetado. La selección de muestras se basa en el grado de incertidumbre del modelo sobre una muestra, lo que significa que el modelo elige muestras que cree que son más difíciles de clasificar. Después de que el usuario etiqueta estas muestras, el modelo se entrena con el conjunto de datos actualizado y repite el proceso. El aprendizaje activo es particularmente útil en situaciones en las que el etiquetado manual de datos puede ser costoso o difícil de obtener. Por ejemplo, en la clasificación de imágenes médicas, puede ser difícil obtener grandes cantidades de datos etiquetados, pero el aprendizaje activo puede ayudar a mejorar la precisión del modelo con una selección cuidadosa de muestras para su etiquetado.

¿Qué es Aprendizaje adaptativo? El aprendizaje adaptativo se refiere a un tipo de aprendizaje automático que se enfoca en adaptarse y ajustarse continuamente a los datos de entrada a medida que se obtienen nuevos datos. A diferencia del aprendizaje estático, en el que un modelo de aprendizaje automático se entrena una vez y se utiliza de manera estática, el aprendizaje adaptativo permite que el modelo se adapte y ajuste a medida que se recopilan más datos. En el aprendizaje adaptativo, el modelo se entrena continuamente con nuevos datos y utiliza la retroalimentación para actualizar sus parámetros y ajustar su comportamiento. Esto permite que el modelo se adapte a las condiciones cambiantes del entorno y mejore su precisión con el tiempo. El aprendizaje adaptativo se utiliza en muchas aplicaciones, como la predicción del tráfico, la predicción de la demanda de energía y la detección de fraudes financieros. En estas aplicaciones, el modelo de aprendizaje automático debe adaptarse a los cambios en las condiciones del entorno y ajustarse continuamente para mantener su precisión.

¿Qué es Aprendizaje automático – ML? El aprendizaje automático (ML, por sus siglas en inglés de «machine learning») es una rama de la inteligencia artificial que se enfoca en el desarrollo de algoritmos y modelos que permiten a las computadoras aprender a partir de datos y mejorar su rendimiento en tareas específicas sin ser programadas explícitamente para cada tarea en particular. En el aprendizaje automático, los modelos se entrenan utilizando conjuntos de datos de entrenamiento, y luego se utilizan para realizar predicciones o tomar decisiones basadas en nuevos datos. Los modelos de aprendizaje automático pueden ser supervisados o no supervisados, según si se proporciona o no información previa de la clase o etiqueta de los datos de entrenamiento. Muchos de los algoritmos desarrollados están basados en los sistemas nerviosos biológicos, que emulan el proceso biológico de reconocimiento, aprendizaje y generalización. Sin embargo, el Machine Learning no es un proceso simple. A medida que los algoritmos ingieren los datos de entrenamiento, es posible crear modelos más precisos basados en estos datos. Un modelo de Machine Learning es el resultado que se genera cuando se entrena un algoritmo de Aprendizaje Automático con datos. Por ejemplo, un algoritmo predictivo crea un modelo predictivo. Después del entrenamiento, cuando se le proporcionan datos de entrada a un modelo, se recibe un resultado de salida, que permite resolver el problema para el que se ha entrenado. Los modelos de aprendizaje automático se utilizan en una amplia variedad de aplicaciones, incluyendo el reconocimiento de patrones, el procesamiento de lenguaje natural, la visión por computadora, la detección de fraudes, la optimización de procesos y la toma de decisiones. El aprendizaje automático es una tecnología clave en el desarrollo de sistemas de inteligencia artificial y robots autónomos.

¿Qué es Aprendizaje basado en casos (CBL)? El aprendizaje basado en casos (CBL, por sus siglas en inglés) es un método de aprendizaje de máquina en el que un sistema aprende a partir de la resolución de casos previos similares a la tarea actual. En este método, el sistema utiliza una base de casos que contiene una serie de casos previamente resueltos que son similares a la tarea actual. El sistema utiliza esta información para buscar casos similares y aplicar la solución previa a la tarea actual. El proceso de CBL se compone de tres fases: la recuperación, la adaptación y la evaluación. En la fase de recuperación, el sistema busca casos similares en la base de datos. En la fase de adaptación, el sistema modifica la solución del caso anterior para adaptarse a la tarea actual. En la fase de evaluación, el sistema evalúa la solución propuesta y la compara con la solución óptima. El aprendizaje basado en casos es utilizado en diversas aplicaciones, como en la resolución de problemas de diagnóstico médico, el reconocimiento de patrones, la toma de decisiones, la planificación de tareas, entre otros.

¿Qué es Aprendizaje de cuantificación de vectores modificada MLVQ? Se trata de una evolución del algoritmo LVQ.   El algoritmo LVQ3 no abarca el caso en el que ambas neuronas a actualizar pertenezcan a una clase distinta que el vector x. MLVQ considera estas situaciones, de manera que: