6 problemas que la IA resuelve bien

• IA empresarial
• LLMs / PNL
• Gestión de proyectos

Índice

• 6 problemas que la IA resuelve bienEjemplos de resolución de problemas con IA1) Clasificación (decisiones)2) Extracción (introducción automatizada de datos)3) Resumen4) Recomendación5) Estimación6) Detección de anomalías

    Más del 85% de los proyectos de ciencia de datos no logran pasar de las pruebas a la producción. Si todo el mundo está iniciando un proyecto de aprendizaje automático/inteligencia artificial, ¿dónde está fallando? 

Con este post debería ayudarle a centrarse en los tipos de problemas que la IA es buena para resolver. Para beneficiarte realmente del uso de la IA para aumentar la automatización, necesitarás disponer de los datos adecuados, tener suficientes datos, tener una metodología que pueda definirse con puntos de datos y ser creativo a la hora de comprender cómo aplicar o crear soluciones para partes del flujo de trabajo de tu equipo...".

Ejemplos de resolución de problemas con IA

        1) Clasificación (decisiones)      
    Decisiones binarias: Comprar o Vender; Sí o No; Empezar o Parar Categorización: Aprobado, denegado o marcado para revisión adicional; datos de etiquetado Sentimiento: Negativo, Neutral o Positivo e incluso una puntuación de polaridad        
        2) Extracción (introducción automatizada de datos)       
    Analizar un documento fuente, un sitio web, un PDF o un formularioExtraiga e introduzca automáticamente esa información de forma ordenada en su base de datos Visualice o acceda a los datos en los cuadros de mando internos y de cara al cliente de su empresa.     
        3) Resumen       
    El objetivo es extraer las frases más relevantes de un texto más amplio. Los modelos extractivos seleccionan frases enteras para incluirlas en un resumen, y los modelos abstractivos seleccionan partes de frases que se combinan con palabras generadas por ordenador y partes de otras frases.      
        4) Recomendación       
    Dado un conjunto de documentos (o artículos, piezas de contenido, patentes, perfiles de clientes, etc.) identifique contenidos similares dentro de la base de datos en la que está buscando.      
        5) Estimación      
    Es posible que no necesite la inteligencia artificial para construir un modelo de estimación mejor, a menos que tenga suficientes datos como para que al abrir Excel se bloquee el ordenador porque la hoja de cálculo tiene más de 100.000 filas y muchas variables. El aprendizaje automático puede optimizar cientos de dimensiones cuando no se está seguro de la importancia de todas las variables. 

1) Clasificación (decisiones)

• Decisiones binarias: Comprar o Vender; Sí o No; Empezar o Parar
• Categorización: Aprobado, denegado o marcado para revisión adicional; datos de etiquetado
• Sentimiento: Negativo, Neutral o Positivo e incluso una puntuación de polaridad

2) Extracción (introducción automatizada de datos)

• Analizar un documento fuente, un sitio web, un PDF o un formulario
• Extraiga e introduzca automáticamente esa información de forma ordenada en su base de datos
• Visualice o acceda a los datos en los cuadros de mando internos y de cara al cliente de su empresa.

3) Resumen

El objetivo es extraer las frases más relevantes de un texto más amplio. Los modelos extractivos seleccionan frases enteras para incluirlas en un resumen, y los modelos abstractivos seleccionan partes de frases que se combinan con palabras generadas por ordenador y partes de otras frases.

4) Recomendación

Dado un conjunto de documentos (o artículos, piezas de contenido, patentes, perfiles de clientes, etc.) identifique contenidos similares dentro de la base de datos en la que está buscando.

5) Estimación

Es posible que no necesite la inteligencia artificial para construir un modelo de estimación mejor, a menos que tenga suficientes datos como para que al abrir Excel se bloquee el ordenador porque la hoja de cálculo tiene más de 100.000 filas y muchas variables. El aprendizaje automático puede optimizar cientos de dimensiones cuando no se está seguro de la importancia de todas las variables.

Piense en modelizar todos los factores que afectan a la salud de un individuo utilizando toda una vida de datos poblacionales frente a modelizar los precios de la vivienda en función del código postal, # de dormitorios y tamaño.

6) Detección de anomalías

    Piense en la ciberseguridad. Su departamento de TI tiene una idea de la actividad normal de todos los empleados de su empresa, y necesita ser alertado cuando existen riesgos reales para su empresa. Ejemplo: los hackers se infiltran en su red y roban la IP de su empresa. 

Piense en la ciberseguridad. Su departamento de TI tiene una idea de la actividad normal de todos los empleados de su empresa, y necesita ser alertado cuando existen riesgos reales para su empresa. Ejemplo: los hackers se infiltran en su red y roban la IP de su empresa.

Aunque puede ser imposible prever de antemano cómo será la forma real del ataque, se puede desplegar un modelo de detección de anomalías para buscar desviaciones en el comportamiento, como un pico de 10.000% en los inicios de sesión o el tráfico saliente que se dirige a un servidor situado en el extranjero.

Hablemos de su solución de IA