Archivo de la etiqueta: Aprendizaje profundo

OpenAI o1: un nuevo modelo de inteligencia artificial que está diseñado para realizar un razonamiento más profundo

Introducing OpenAI o1-preview: a new series of reasoning models for solving hard problems. Available starting 9.12 https://openai.com/index/introducing-openai-o1-preview/

OpenAI ha lanzado un nuevo modelo de inteligencia artificial, el primero en una serie llamada «OpenAI o1», que está diseñado para realizar un razonamiento más profundo antes de responder. Este modelo es capaz de enfrentar tareas complejas y resolver problemas difíciles en ciencia, codificación y matemáticas con mayor eficacia que los modelos anteriores.

OpenAI ha lanzado una nueva serie de modelos de inteligencia artificial llamada OpenAI o1, diseñada para resolver problemas complejos con un razonamiento más profundo. Este modelo es el primero de su serie y está disponible a partir del 12 de septiembre en ChatGPT y a través de la API, en una versión preliminar que recibirá actualizaciones regulares, aunque actualmente carece de algunas funciones útiles como la navegación web y la carga de archivos e imágenes. Se espera que, con el tiempo, se hagan mejoras y actualizaciones regulares.

En las pruebas realizadas, el nuevo modelo mostró un rendimiento comparable al de estudiantes de doctorado en física, química y biología, y sobresalió en matemáticas y codificación. Por ejemplo, en un examen clasificatorio de la Olimpiada Internacional de Matemáticas, el modelo razonador resolvió el 83% de los problemas, frente al 13% resuelto por el GPT-4o. También alcanzó el percentil 89 en competiciones de codificación en Codeforces.

El acceso a los modelos o1 estará disponible para los usuarios de ChatGPT Plus y Team a partir de hoy, con límites semanales de mensajes. Los usuarios de ChatGPT Enterprise y Edu podrán acceder a ellos la próxima semana. Los desarrolladores que califiquen para el nivel de uso de la API 5 pueden comenzar a probar los modelos hoy, aunque la API aún no incluye algunas funciones como llamadas a funciones y mensajes del sistema. Además, se planea ofrecer acceso a o1-mini para todos los usuarios de ChatGPT Free.

Este modelo mejorado es particularmente útil para resolver problemas complejos en ciencia, codificación y matemáticas. Puede ser utilizado por investigadores de salud para anotar datos de secuenciación celular, físicos para generar fórmulas matemáticas complicadas para óptica cuántica, y desarrolladores para construir y ejecutar flujos de trabajo complejos.

GPT-4 es la cuarta versión del modelo de lenguaje desarrollado por OpenAI. Se trata de un modelo de inteligencia artificial (IA) basado en una arquitectura de redes neuronales profundas, que ha sido entrenado con grandes volúmenes de texto para comprender y generar lenguaje humano de manera coherente. La principal mejora de GPT-4 respecto a sus versiones anteriores es su capacidad para manejar tareas más complejas, entender mejor el contexto, y generar respuestas más precisas y naturales.

GPT-4 se diferencia de sus predecesores por su capacidad para:

  1. Comprensión contextual mejorada: Puede seguir conversaciones más largas y recordar mejor la información previamente proporcionada.
  2. Manejo de tareas complejas: Realiza operaciones de razonamiento más sofisticadas y genera texto más detallado.
  3. Mayor creatividad y fluidez: Produce respuestas más fluidas, naturales y a menudo más creativas en comparación con modelos anteriores.
  4. Multimodalidad: A diferencia de versiones anteriores, GPT-4 tiene la capacidad de procesar tanto texto como imágenes (en su implementación completa).

Diferencias entre Inteligencia Artificial, Aprendizaje Automático, Aprendizaje Profundo e Inteligencia Artificial Generativa

La Inteligencia Artificial (IA), el Aprendizaje Automático (Machine Learning), el Aprendizaje Profundo (Deep Learning) y la Inteligencia Artificial Generativa son conceptos relacionados pero distintos en el campo de la tecnología y la ciencia de datos. Aquí tienes una descripción de cada uno de ellos:

Inteligencia Artificial (IA) La IA se refiere a la creación de sistemas o programas informáticos capaces de realizar tareas que normalmente requieren de inteligencia humana y que imitan el comportamiento humano al utilizar máquinas para aprender y ejecutar tareas sin instrucciones explícitas sobre qué producir como resultado.

Aprendizaje Automático (Machine Learning) El Aprendizaje Automático es una rama de la IA que se centra en desarrollar algoritmos y modelos que permiten a las máquinas aprender de los datos y mejorar su rendimiento sin ser programadas explícitamente. Estos modelos toman datos, como por ejemplo las condiciones climáticas, y los ajustan a un algoritmo para realizar predicciones, como cuánto dinero puede generar una tienda en un día determinado.

Aprendizaje Profundo (Deep Learning) El Aprendizaje Profundo es una subárea del Aprendizaje Automático que se basa en redes neuronales artificiales con múltiples capas. Estas redes neuronales profundas son capaces de aprender representaciones jerárquicas y complejas de los datos de entrada, para ello utilizan capas de algoritmos en forma de redes neuronales artificiales para ofrecer resultados en casos de uso más complejos.

Inteligencia Artificial Generativa (Generative AI) son un subconjunto de los modelos de aprendizaje profundo que pueden generar nuevo contenido basado en datos de entrenamiento. Estos modelos utilizan técnicas de Aprendizaje Profundo para crear nuevos ejemplos que se asemejan a los datos de entrenamiento. Pueden generar imágenes, música, texto u otros tipos de contenido. La Inteligencia Artificial Generativa se utiliza en aplicaciones como la creación de arte generativo, la síntesis de voz y la generación de texto automático.

En conclusión, la IA busca replicar la inteligencia humana, el Aprendizaje Automático se basa en algoritmos para aprender de los datos, el Aprendizaje Profundo utiliza redes neuronales profundas para extraer representaciones complejas, y la Inteligencia Artificial Generativa se enfoca en la generación de contenido nuevo y original. Estas áreas se complementan entre sí y tienen aplicaciones en diversos campos de la tecnología y la investigación.

Aprendizaje profundo, aprendizaje dialógico y pensamiento crítico : estrategias basadas en la investigación para el aula

Manalo E, editor. Deeper Learning, Dialogic Learning, and Critical Thinking : Research-based Strategies for the Classroom Routledge, 2020.

Texto completo

El aprendizaje profundo, el aprendizaje dialógico y el pensamiento crítico son capacidades esenciales en los entornos del siglo XXI en los que nos movemos. Además de ser importantes en sí mismos, también son cruciales para permitir la adquisición de muchas otras habilidades/capacidades del siglo XXI, como la resolución de problemas, el aprendizaje colaborativo, la innovación, la alfabetización informativa y mediática, etc. Sin embargo, la mayoría de los profesores en las escuelas y los instructores en la educación superior están inadecuadamente preparados para la tarea de promover el aprendizaje profundo, el aprendizaje dialógico y el pensamiento crítico en sus estudiantes. Y ello a pesar de que hay investigadores educativos que están desarrollando y evaluando estrategias para dicha promoción. El problema es salvar la brecha entre el trabajo de los investigadores educativos y lo que se transmite a los profesores e instructores como estrategias basadas en la evidencia y utilizables.

Este libro aborda esa brecha: en él, destacados académicos de todo el mundo describen las estrategias que han desarrollado para cultivar con éxito las capacidades de los estudiantes para un aprendizaje más profundo y la transferencia de lo que aprenden, el aprendizaje dialógico y la comunicación efectiva, y el pensamiento crítico. Exploran las conexiones en la promoción de estas capacidades y proporcionan, de forma accesible, pruebas de investigación que demuestran la eficacia de las estrategias. También analizan las respuestas a las preguntas de cómo y por qué funcionan las estrategias. Este libro, que es un recurso fundamental, crea vínculos tangibles entre la investigación educativa innovadora y las prácticas de enseñanza en el aula para abordar la importantísima cuestión de cómo podemos hacer realidad nuestros ideales de educación en el siglo XXI. Es una lectura obligada para los profesores en activo y en formación, los formadores de profesores y los desarrolladores profesionales, así como para los investigadores educativos que realmente se preocupan de que ofrezcamos una educación que prepare y sirva a los estudiantes para la vida.

Los bibliotecarios del futuro serán archiveros de IA

 

nnavigator-logo-cropped-1589391044

 

The Librarians of the Future Will Be AI Archivists It isn’t easy to archive images. That’s where AI comes in. BY COURTNEY LINDER MAY 13, 2020

Texto completo

 

Un científico informático de la Biblioteca del Congreso está utilizando el aprendizaje automático para aislar imágenes históricas de archivos de periódicos digitales. El proyecto, llamado Newspaper Navigator, utiliza algoritmos ópticos de reconocimiento de caracteres para convertir caracteres escritos a mano o basados ​​en texto en un documento de búsqueda. El aprendizaje automático automatiza el proceso.

 

En julio de 1848, L’illustration, un semanario francés, imprimió la primera foto que apareció junto a una historia. Representaba las barricadas parisinas levantadas durante el levantamiento de los días de junio de la ciudad. Casi dos siglos después, el fotoperiodismo ha proporcionado a las bibliotecas millones imágenes de archivo que cuentan historias de nuestro pasado. Pero sin un enfoque metódico para curarlas, estas imágenes históricas podrían perderse en montones interminables de datos.

Es por ello que la Biblioteca del Congreso en Washington, DC está experimentando un proyecto sobre esta cuestión. Los investigadores están utilizando algoritmos especializados para extraer imágenes históricas de los periódicos. Si bien los escaneos digitales ya pueden compilar fotos, estos algoritmos también pueden analizarlas, catalogarlas y archivarlas. Esto dio como resultado 16 millones de páginas de periódicos en imágenes que los archiveros pueden visualizar con una simple búsqueda.

Ben Lee, en la Biblioteca del Congreso especialista en computación en la Universidad de Washington, encabeza lo que se llama Newspaper Navigator. Su conjunto de datos proviene de un proyecto existente llamado Chronicling America, que compila páginas de periódicos digitales entre 1789 y 1963.

Se dio cuenta de que la biblioteca ya se había embarcado en un viaje de crowdsourcing para convertir algunas de esas páginas de periódicos en una base de datos de búsqueda, con un enfoque en el contenido relacionado con la Primera Guerra Mundial. Los voluntarios podrían marcar y transcribir las páginas de periódicos digitales, algo que las computadoras no son capaces de hacer de una manera adecuada. En efecto, lo que habían construido era un conjunto perfecto de datos de entrenamiento para un algoritmo de aprendizaje automático que podía automatizar todo ese trabajo agotador y laborioso.

Newspaper Navigator se basa en la misma tecnología que los ingenieros utilizaron para crear Google Books. Se llama reconocimiento óptico de caracteres u OCR para abreviar, y es una clase de algoritmos de aprendizaje automático que pueden traducir imágenes de símbolos escritos a mano o escritos, como palabras en una página de revista escaneada, en texto digital legible por máquina. Pero las imágenes son algo completamente distinto.

 

screen-shot-2020-05-13-at-3-44-22-pm-1589399096

 

Utilizando el aprendizaje profundo, Lee creó un modelo de detección de objetos que podría aislar siete tipos diferentes de contenido: fotografías, ilustraciones, mapas, cómics, dibujos animados editoriales, titulares y anuncios. Lee también dice que, incluso a pesar de sus mejores esfuerzos, este tipo de sistemas siempre codificará algún sesgo humano. «Es fácil suponer que el aprendizaje automático resuelve todos los problemas, eso es una fantasía, pero en este proyecto, creo que es una oportunidad real para enfatizar que debemos tener cuidado de cómo usamos estas herramientas».

Notas desde la frontera de la IA: Aplicaciones y valor del aprendizaje profundo

small_1420

Chui, M., J. Manyika, et al. [e-Book]  Notes from the AI frontier: Applications and value of deep learning. New York, McKinsey Global Institute (MGI), 2018

Texto completo

 

El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje automático basados en asimilar representaciones de datos. Una observación (por ejemplo, una imagen) puede ser representada en muchas formas (por ejemplo, un vector de píxeles), pero algunas representaciones hacen más fácil aprender tareas de interés (por ejemplo, «¿es esta imagen una cara humana?») sobre la base de ejemplos, y la investigación en este área intenta definir qué representaciones son mejores y cómo crear modelos para reconocer estas representaciones.

Un análisis de más de 400 casos de uso en 19 industrias y nueve funciones comerciales resalta el amplio uso y el significativo potencial económico de las técnicas avanzadas de IA.

Fundamentos del aprendizaje profundo: diseño de algoritmos de inteligencia artificial de próxima generación

1 respuesta

lrg

Buduma, N. and N. Lacascio (2017). [e-Book] Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms. Boston, O’Really, 2017

Texto completo

Fundamentals of Deep Learning 

 

Deeper Learning es una de las tendencias que según el Informe Horizon de 2016 marcan tendencia a plazo medio, y estarán presentes en la enseñanza superor en 5 años, el término fue definido por la William and Flora Hewlett Foundation como una pedagogía que combina el pensamiento crítico, la resolución de problemas, la colaboración y el aprendizaje autodirigido.

Con la revitalización de las redes neuronales en los años 2000, el aprendizaje profundo se ha convertido en un área de investigación extremadamente activa, que está preparando el camino para el aprendizaje moderno a través de las máquinas. En este libro práctico, el autor Nikhil Buduma proporciona ejemplos y explicaciones claras para desarrollarlo a través de los principales conceptos de este campo tan complejo. Empresas como Google, Microsoft y Facebook están trabajando activamente en la creación de equipos internos sobre aprendizaje profundo. Para el resto de nosotros, sin embargo, el aprendizaje profundo sigue siendo un tema bastante complejo y difícil de entender. Si se está familiarizado con Python, y se tienen conocimientos sobre cálculo, junto con una comprensión básica de lo que es la inteligencia artificial este libro te ayudará a comenzar.

  • Examinar los fundamentos del aprendizaje automático y las redes neuronales
  • Aprender a trabajar con redes neuronales
  • Utilizar TensorFlow para implementar su primera red neuronal
  • Construir redes neuronales que analizan imágenes complejas
  • Realizar una reducción efectiva de la dimensionalidad mediante autoencoders
  • Sumérjase profundamente en el análisis de secuencias para examinar el lenguaje
  • Aprender los fundamentos del aprendizaje del refuerzo