Escolar Documentos
Profissional Documentos
Cultura Documentos
Semestre: Octavo
Grupo: 8ISC21
Desde la llegada de la inteligencia artificial llamada Siri que fue diseada por la empresa
Apple, se convirti en el primer asistente virtual que funcionaba mediante ordenes
introducidas por voz, para mediados del 2015 Siri ya estaba manejando una cantidad de
peticiones que se calcula eran ms de 1.000 millones de solicitudes semanales por
medio de la voz. Luego de Apple, la empresa Amazon puso a Alexa en el mercado, el
asistente llamado Alexa se considera el segundo de los asistentes virtuales controlados
por voz, seguido por Microsoft con Cortana, y en la actualidad Google esta desarrollando
a dos asistentes ms que son Now y Assistant.
Las empresas de la actualidad estn transformando sus estrategias hacia las nuevas
tecnologas que les ayuden a tener ms alcance al pblico y estn incorporando tcnicas
de Machine Learning en sus procesos, productos y servicios para obtener ventajas
competitivas sobre la competencia.
El desarrollo de esta rea ha tomado una importancia tan significativa que los
desarrolladores estn tomando su tiempo en analizar el comportamiento del cerebro
humana para as poder disear un algoritmo que pueda responder correctamente a
situaciones que el desarrollador ponga como prueba al asistente as tener la certeza que
la inteligencia est bien desarrollada y que puede aprender de una manera fluida.
1
Gonzlez, Andrs, (2014). Qu es Machine Learning? http://cleverdata.io/que-es-machine-learning-big-data/.
Consultado en lnea el 20 de septiembre del 2017.
2
McCaffrey, James, (2014), Machine Learning Using C# Succinctly; Syncfusion, p.50
Se ve que el aprendizaje automtico utiliza esos datos para detectar patrones en los
datos y ajustar las acciones del programa en consecuencia3. A medida del desarrollo de
plataformas en donde se puede emplear la inteligencia artificial por una ayuda para las
labores del ser humana hay que resaltar que esto conlleva que dicha inteligencia aprenda
de tal manera que sola pueda actuar de la manera ms correcta que se pueda ente
cualquier objetivo que tenga.
Dentro del mbito de la inteligencia artificial hay que recalcar sus caractersticas, el
aprendizaje es para garantizar la informacin que el sistema tiene que analizar; la
integridad de las decisiones que la ML tiene que tomar durante la utilizacin del sistema.
3
Margaret, Rouse, (2017), Aprendizaje automtico (machine learning);
http://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-automatico-machine-learning, Consultado en
lnea el 20 de septiembre del 2017.
4
iiemd.com;(2006); Polticas de seguridad informtica; https://iiemd.com/machine-learning/que-es-machine-
learning, lnea el 20 de septiembre del 2017.
Planteamiento de Problema
Internet es una herramienta muy til, pero hace falta ser un gur de los datos para poder
determinar que la informacin que este aprendiendo el sistema sea errnea que pueda
dar un resultado malo.
Por esta razn se necesita desarrollar un algoritmo que cumpla las expectativos de los
usuarios, puliendo la mayor parte de las fallas que puede hacer la ML puede desarrollar
un comportamiento agresivo ante la persona que est utilizando el asistente, el problema
surge a raz de que la mala utilizacin del sistema, no obstante, el ML puede llegar a
presentar un mal funcionamiento a causa del aprendizaje que obtuvo a tener contacto
con un ser humano.
Las empresas que desarrollan aplicaciones de este tipo deben tener en cuenta la buena
identificacin de los datos que la aplicacin tendr que analizar durante el desarrollo se
debe tener claro cul es problema a solucionar, la evaluacin de la repuesta del usuario
de be ser clara y precisa y eliminar cualquier tipo de fallo o ciclos que pueda daar o
alterar la respuesta del sistema.
Por lo tanto; despus de una fase de aprendizaje, tendremos un sistema experto que
dada una determinada entrada y nos proporcionara una salida puede ser que nos d una
prediccin como resultado de haber aplicado una funcin de clasificacin que pueda
analizar la orden que se le introduzca y as aprender.
Objetivo General
Identificar las diferentes tcnicas que existen en el diseo de un asistente controlado de
voz partir de una buena definicin de los requerimientos, analizando los sntomas del
paciente.
Objetivos especficos
Identificar los posibles fallos del asistente.
Investigar los diferentes Data Preparation.
Explorar los diferentes tipos de aprendizaje de una ML.
Realizar entrevistas a empresas desarrollen esta tecnologa.
Hiptesis
Ante ms claro sea el objetivo del asistente y su alcance que tendr mayor ser
su utilidad en el rea que se desea utilizar, mejorando asi el aprendizaje del
sistema experto.
Metodologa de investigacin
Los mtodos de investigacin emprica con lleva toda una serie de procedimientos
prcticos con el objeto y los medios de investigacin que permiten revelar las
caractersticas fundamentales y relaciones esenciales del objeto; que son
accesibles a la contemplacin sensorial.
Tcnica de investigacin documental.
ndice preliminar
Captulo 1 Machine Learning (ML) .......................................................... Error! Bookmark not defined.
Historia de Machine Learming ....................................................................... Error! Bookmark not defined.
Machine Learning supervisado y no supervisado ......................................... Error! Bookmark not defined.
Big Data ......................................................................................................... Error! Bookmark not defined.
Analisis de teorico de la inteligencia artificial ............................................... Error! Bookmark not defined.
Business Understanding................................................................................. Error! Bookmark not defined.
Utilidades de un sistema experto .................................................................. Error! Bookmark not defined.
Captulo 2 Big Data .................................................................................... Error! Bookmark not defined.
Descripcion .................................................................................................... Error! Bookmark not defined.
Tecnologia ..................................................................................................... Error! Bookmark not defined.
Avances de la AI ........................................................................................... Error! Bookmark not defined.
Captulo 3 Diseo ...................................................................................... Error! Bookmark not defined.
Desarrollo ....................................................................................................... Error! Bookmark not defined.
Alcance de la propuesta ............................................................................... Error! Bookmark not defined.
Cronograma
actividades meses
octubre noviembre diciembr enero
e
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Lecturas de libros
Lecturas de artculos
Anlisis de la informacin
Captulo 1
Redaccin
Captulo 2
Redaccin
Captulo 3
Redaccin
Bibliografa
Gonzlez, Andrs, (2014). Qu es Machine Learning? http://cleverdata.io/que-
es-machine-learning-big-data/.
McCaffrey, James, (2014), Machine Learning Using C# Succinctly; Syncfusion,
p.50, p.p.200
Margaret, Rouse, (2017), Aprendizaje automtico (machine learning);
http://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-automatico-
machine-learning,
iiemd.com;(2006); Polticas de seguridad informtica; https://iiemd.com/machine-
learning/que-es-machine-learning
Captulo 1
Machine Learning (ML)
1.1. Introduccin
5
BBVAOpen4U (2015), Aprendizaje automtico: como un algoritmo ayuda un mdico a un banco,
https://bbvaopen4u.com/es/actualidad/aprendizaje-automatico-como-un-algoritmo-ayuda-un-medico-o-un-
banco fue consultada el 30 de octubre del 2017
Figura1: interpretacin de ML
Hoy en da, el concepto de ML, est tomando mayo importancia por las nuevas utilidades
que puede llegar a tener, pero muchos lo entremezclan con la estadstica, las
matemticas, el Big Data, etc. para ello, hay que resaltar los acontecimientos ms
importantes sobre este aprendizaje automtico.
El nacimiento de la esta rama de la inteligencia artificial (AI) se dio en 1950 con el
matemtico Alan Turing que el crea el famoso Test de Turing, este test se utiliza para
determinar si una maquina tiene inteligencia artificial, por lo cual el que realizaba el
experimento se consideraba aceptado si la persona no poda diferenciar entre si es una
maquina o una persona real.
En 1952 Arthur Samuel desarrolla el primer programa que es capaz de aprender, a
manera de que el software era un programa que poda jugar las damas chinas, la
computadora mejoraba sus jugadas travs de cada partida. La inteligencia artificia se
estaba desarrollando poco a poco por las aportaciones de Turing y de Samuel.
A mediado de 1950 surgen los que son considerados los padres de la inteligencia artificial
estos matemticos son Martin Minsky y John McCarthy, con la colaboracin de otros
cientficos dan una conferencia que se cmo el evento donde nace el campo de la
Inteligencia Artificial, versa decir que, durante la conferencia, Minsky convence a los
asistentes que la AI es un nuevo campo y que se debe ir explorando todas sus posibles
aplicaciones.
A final de la dcada de los 50 el ultimo exponente de la primera fase de la inteligencia
artificial fue el psiclogo experimental Frank Rosenblatt el desarrollo el Aeronautical
Laboratory, que se considera la primera mquina capaz de aprender atara vez de una
red nerviosa artificial que simula los procesos del cerebro humano6. El autor formula que
este tipo de AI fue capaz de adquirir conocimiento usando una interpretacin de como el
ser humano aprende y como funciona su cerebro el psiclogo realizo un esquema de
cmo funciona su mquina en la Figura2.
Figura2: interpretacin de red neuronal.
6
Inteligencia Artificial (2010), Biografa de Frank Rosenblatt, http://ia4cm1.blogspot.mx/2010/08/biografia-de-
frank-rosenblatt.html fue consultada en lnea el 31 de octubre del 2017.
A finales de los 80, y durante la primera mitad de los 90, lleg la segunda inversin de la
Inteligencia Artificial. En los aos 90 se enfoc en el desarrollo de la data-driven, los
cientficos fueron creando programas que podan analizar grandes cantidades de datos
y extraer conclusiones de los resultados que iban obteniendo.
Los aumentos de la potencia de clculo junto con la gran abundancia de datos
disponibles han vuelto a lanzar el campo de Machine Learning. Numerosas empresas
estn transformando sus negocios hacia el dato y estn incorporando tcnicas de
Machine Learning en sus procesos, productos y servicios para obtener ventajas
competitivas sobre la competencia.
En resumen, el aprendizaje automtico, es la capacidad de una computadora de
aprender sin haber sido programado, la neurona de la inteligencia artificial posibilita
realizar conexiones entre variables, clasificar grandes cantidades de datos y detectar
diferencias y errores entre ellos en la actualidad se utiliza en infinidad de sistemas e
incluso ha superado, en ciertas ocasiones, al aprendizaje humano.
7
Gonzlez, Andrs (2014), Conceptos bsicos de Machine Learning, http://cleverdata.io/conceptos-basicos-
machine-learning/ fue consultada en lnea el 01 de noviembre del 2017.
incluyendo los resultados de eventos futuros, los costos de los recursos son menores por
la informacin que obtiene, lo cual los resultados ya estn previstos.
Por otro lado el aprendizaje no supervisado usa datos histricos que no estn
etiquetados. El fin es explorarlos para encontrar alguna estructura o forma de
organizarlos.8 Son aquellos que no necesariamente tiene que tener ya una estructura
definida de cmo se tiene que interpretar la informacin de tal manera que los datos los
va clasificando mediante sus similaridad entre s mismo.
Tambin se le considera como un procedimiento estadstico que utiliza una
transformacin para convertir un conjunto de observaciones de variables posiblemente
correlacionadas en un grupo de valores linealmente.
As mismo es un modelo que se ajusta a las observaciones. Se distingue del Aprendizaje
Supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no
supervisado, un conjunto de datos de objetos de entrada es tratado.9 Esta forma de
aprendizaje se la conoce como clustering por que puede particionar los datos en grupos
cuando dicha informacin no tiene categora solo se requiere tener instancias para poder
resumir y entender los datos, en un clster se basa en ser similares entre s. En la figura
3 se muestra las diferencias en las distintas formas de aprender de una ML.
Figura 3: Aprendizaje de una ML
8
Sancho Caparrini, Fernando (2017), Clasificacin Supervisada y No Supervisada,
http://www.cs.us.es/~fsancho/?e=77 fue consultada en lnea el 01 de noviembre del 2017
9
Usuario yenpochih (2013), Aprendizaje Supervisado y no Supervisado, http://redesneuronares.blogspot.mx/ fue
consultada en lnea el 02 de noviembre del 2017
1.4. Big Data
No cabe duda de que el sub campo del aprendizaje automtico ha ganado cada vez ms
popularidad en los ltimos aos, como Big Data es de las tcnicas ms popular en la
industria de la tecnologa en este momento, las ML son increblemente poderoso para
hacer predicciones o sugerencias calculadas basadas en grandes cantidades de datos.
De tal manera que el trmino big data describen una estrategia de administracin de
informacin integral que incluye e integra muchos tipos nuevos de datos y administracin
de datos, adems de los datos tradicionales. Read more10.
Hoy en da las empresas que manejan un mayor nmero de datos, lo cual tuvieron que
adoptar una tcnica que les ayudara a manejar mayo combinaciones de informacin, la
complejidad de dicho grupo se debe gestionar con el anlisis mediante tecnologas y
herramientas convencionales, tales como bases de datos relacionales y estadsticas
convencionales o paquetes de visualizacin, dentro del tiempo necesario para que sean
tiles. De tal manera que, el concepto de Big Data aplica para toda aquella informacin
que no puede ser procesada o analizada utilizando procesos o herramientas
tradicionales. Sin embargo, Big Data no se refiere a alguna cantidad en especfico, ya
que es usualmente utilizado cuando se habla en trminos de peta bytes y exabytes de
datos.11
En un sentido el autor platea una pregunta Cunto es demasiada informacin de
manera que sea elegible para ser procesada y analizada utilizando Big Data? En suma,
con lo anterior se quiere averiguar como un big data puede analizar una cantidad de
informacin tan grande y cul sera el lmite de dicha rama del aprendizaje automtico.
As mismo el algoritmos en cambio s pueden detectar patrones de comportamiento
contando con las variables que le proporcionamos y descubrir cules son las que han
llevado, en este caso, a darse de baja como cliente. 12La tendencia de usar esta tcnica
es porque en la ltima dcada ha aumentado la informacin y se ha vuelto tan difcil de
analizar para un ser humana que la inteligencia artificial est tomando ms fuerza en
cuestin de anlisis de datos, as poder dar mayor prediccin en los posibles resultados,
las perdidas sean mnimas.
10
ORACLE (2010), Big data empresariales, https://www.oracle.com/lad/big-data/index.html fue consultada en
lnea el 03 de noviembre del 2017
11
ORACLE (2010), Big data empresariales, https://www.oracle.com/lad/big-data/index.html fue consultada en
lnea el 04 de noviembre del 2017
12
Gonzlez, Andrs (2014), Conceptos bsicos de Machine Learning, http://cleverdata.io/conceptos-basicos-
machine-learning/ fue consultada en lnea el 05 de noviembre del 2017.