{"id":1591,"date":"2019-02-16T12:45:55","date_gmt":"2019-02-16T15:45:55","guid":{"rendered":"https:\/\/www.grid.cl\/blog\/?p=1591"},"modified":"2019-02-16T12:45:55","modified_gmt":"2019-02-16T15:45:55","slug":"las-tendencias-de-machine-learning-actualmente","status":"publish","type":"post","link":"https:\/\/www.grid.cl\/blog\/las-tendencias-de-machine-learning-actualmente\/","title":{"rendered":"Las tendencias de Machine Learning actualmente"},"content":{"rendered":"

El Machine Learning<\/strong> es el aprendizaje autom\u00e1tico o aprendizaje automatizado<\/strong>. Es una rama de la inteligencia artificial<\/strong>. Su objetivo es desarrollar t\u00e9cnicas<\/strong> que permitan que las computadoras aprendan.<\/p>\n

Actualmente empresas como Amazon, Apple, Facebook, Google, IBM y Microsoft<\/strong>. Est\u00e1n invirtiendo en investigaci\u00f3n y desarrollo de esta tecnolog\u00eda<\/strong>. Que beneficiar\u00e1 al ecosistema para la interacci\u00f3n de los consumidores<\/strong>.<\/p>\n

La tendencia del Machine Learning<\/strong> ha venido aumentando d\u00eda tras d\u00eda entre las prioridades de las marcas. Acercando el desarrollo de las tecnolog\u00edas<\/strong> relacionadas con Inteligencia Artificial (IA).<\/strong><\/p>\n

Las empresas<\/strong> se han interesado por la innovaci\u00f3n y por el desarrollo<\/strong>. Relacionados con Machine Learning<\/strong> para la obtenci\u00f3n de resultados comerciales.<\/strong> Segmentaci\u00f3n basada en intenci\u00f3n y gesti\u00f3n del ciclo de vida del cliente<\/strong>.<\/p>\n

Evoluci\u00f3n del Machine Learning<\/strong><\/h1>\n

El desarrollo de la tecnolog\u00eda<\/strong> ha permitido un aumento de chips habilitados para IA<\/strong>. A diferencia de otros programas la Inteligencia Artificial<\/strong>. Se basa en gran medida en procesadores especializados que complementan la CPU<\/strong>. Incluso la CPU m\u00e1s r\u00e1pida y avanzada puede no mejorar la velocidad de entrenamiento de un modelo de IA<\/strong>. Mientras se efect\u00faa la inferencia. El modelo necesita hardware adicional<\/strong> para efectuar c\u00e1lculos matem\u00e1ticos complejos. Y as\u00ed lograr acelerar actividades como la detecci\u00f3n de objetos y el reconocimiento facial.<\/strong><\/p>\n

Existen fabricantes de chips como Intel, NVIDIA, AMD, ARM y Qualcomm<\/strong>. Que enviar\u00e1n chips especializados<\/strong> que aceleran la ejecuci\u00f3n de aplicaciones habilitadas para IA<\/strong>.<\/p>\n

Los aspectos tecnol\u00f3gicos se perfeccionar\u00e1n para usos espec\u00edficos<\/strong>. Y para contextos relacionados con la visi\u00f3n por computadora<\/strong>. El procesamiento del lenguaje natural<\/strong> y el reconocimiento de voz<\/strong>.<\/p>\n

Muchas de las aplicaciones de futuras generaciones<\/strong> de la industria de la salud. Y de la industria de autom\u00f3viles depender\u00e1n de estos chips para entregar inteligencia a los consumidores finales.<\/strong><\/p>\n

Los chips<\/strong> siempre estar\u00e1n altamente optimizados para efectuar cargas de trabajo basadas en IA.<\/strong> Adem\u00e1s de computaci\u00f3n de alto rendimiento<\/strong>. Estos chips <\/strong>ayudar\u00e1n a las bases de datos de futuras generaciones<\/strong>. Logrando acelerar el procesamiento de consultas y el an\u00e1lisis predictivo.<\/strong><\/p>\n

Relaci\u00f3n entre la Inteligencia Artificial y el Internet de las cosas<\/strong><\/h1>\n

\"\"<\/p>\n

La Inteligencia Artificial (IA) se encuentra relacionado con el Internet de las Cosas (IoT).<\/strong> Ya que la mayor\u00eda de los modelos entrenados en la nube p\u00fablica se desplegar\u00e1n en el borde.<\/strong><\/p>\n

El IoT<\/strong> est\u00e1 listo para convertirse en el mayor propulsor de inteligencia artificial en la empresa<\/strong>. Los dispositivos<\/strong> estar\u00e1n equipados con chips de IA<\/strong> especiales basados \u200b\u200ben FPGA y ASIC. La IoT<\/strong> es el caso de uso superior para inteligencia artificial<\/strong>. Ya que puede realizar detecci\u00f3n at\u00edpica, an\u00e1lisis de causa ra\u00edz y mantenimiento predictivo del equipo<\/strong>.<\/p>\n

Los modelos m\u00e1s avanzados de ML<\/strong> basados \u200b\u200ben redes neuronales<\/strong> profundas. Se perfeccionar\u00e1n para ejecutarse en el borde. Ser\u00e1n capaces de contender con cuadros de videos, s\u00edntesis de voz, datos de series de tiempo<\/strong>. Con datos no estructurados generados por dispositivos como c\u00e1maras, micr\u00f3fonos y otros sensores<\/strong>.<\/p>\n

El funcionamiento interno entre redes neuronales <\/strong><\/h2>\n

Los desarrolladores de datos<\/strong> deben seleccionar la herramienta apropiada entre una gran cantidad de opciones. Incluyendo Caffe2, PyTorch, Apache MXNet, Microsoft Cognitive Toolkit y TensorFlow.<\/strong> Al momento que se implementa un modelo se debe evaluar<\/strong> en un marco espec\u00edfico. Es dif\u00edcil llevar el modelo entrenado a otro marco<\/strong>.<\/p>\n

La falta de relaci\u00f3n entre las herramientas de redes neuronales<\/strong> est\u00e1 impidiendo la adopci\u00f3n de la IA<\/strong>. Para lidiar con este reto AWS, Facebook y Microsoft <\/strong>han colaborado para construir Open Neural Network Exchange (ONNX).<\/strong> Lo que hace posible reutilizar los modelos de redes neuronales<\/strong> entrenadas en varios marcos.<\/p>\n

Ocupa posici\u00f3n el Machine Learning <\/strong><\/h2>\n

La tendencia del Machine Learning<\/strong> ha logrado cambiar el aspecto de las soluciones basadas en ML<\/strong> fundamentalmente es AutoML<\/strong>. Permitiendo a los analistas y desarrolladores de negocios<\/strong> desarrollar modelos de aprendizaje autom\u00e1tico<\/strong>. Poder \u00a0encontrar escenarios complejos sin pasar por el proceso t\u00edpico de entrenamiento de modelos de ML.<\/strong><\/p>\n

Cuando se trata con una plataforma AutoML<\/strong>, los analistas de negocios se centran en el problema del negocio. No se enfocan en el proceso ni en el flujo de trabajo<\/strong>.<\/p>\n

El aprendizaje automatizado y la IA<\/strong><\/h1>\n

Las aplicaciones <\/strong>y los fundamentos modernos fomentan datos de registro que se capturan para indexaci\u00f3n, b\u00fasqueda y an\u00e1lisis<\/strong>. Los conjuntos de datos masivos <\/strong>obtenidos del hardware, los sistemas operativos, el software del servidor<\/strong>. As\u00ed como el software<\/strong> de la<\/strong> aplicaci\u00f3n<\/strong> se pueden agregar y correlacionar para encontrar ideas y patrones.<\/p>\n

El aprendizaje autom\u00e1tico y la inteligencia artificial<\/strong> se convertir\u00e1n en las tendencias tecnol\u00f3gicas para las futuras generaciones<\/strong>. Desde las aplicaciones empresariales<\/strong> hasta el soporte de TI, la IA<\/strong> impactar\u00e1 significativamente en la industria.<\/p>\n

El poder de la Inteligencia Artificial<\/strong> se aplica a las operaciones. Para redefinir la forma en que se gestiona la infraestructura. La aplicaci\u00f3n de ML y IA<\/strong> en las operaciones de TI y DevOps entregar\u00e1 inteligencia a las organizaciones<\/strong>. Ayudando a los equipos de operaciones a realizar un an\u00e1lisis preciso de la causa ra\u00edz<\/strong>.<\/p>\n","protected":false},"excerpt":{"rendered":"

El Machine Learning es el aprendizaje autom\u00e1tico o aprendizaje automatizado. Es una rama de la inteligencia artificial. Su objetivo es desarrollar t\u00e9cnicas que permitan que las computadoras aprendan. Actualmente empresas como Amazon, Apple, Facebook, Google, IBM y Microsoft. Est\u00e1n invirtiendo en investigaci\u00f3n y desarrollo de esta tecnolog\u00eda. Que beneficiar\u00e1 al ecosistema para la interacci\u00f3n de […]<\/p>\n","protected":false},"author":2,"featured_media":1592,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[8,2],"tags":[],"class_list":["post-1591","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-desarrollo","category-marketing-digital"],"_links":{"self":[{"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/posts\/1591","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/comments?post=1591"}],"version-history":[{"count":2,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/posts\/1591\/revisions"}],"predecessor-version":[{"id":1595,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/posts\/1591\/revisions\/1595"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/media\/1592"}],"wp:attachment":[{"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/media?parent=1591"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/categories?post=1591"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.grid.cl\/blog\/wp-json\/wp\/v2\/tags?post=1591"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}