Taller de introducción a la inteligencia artificial

ujué    ::  karlos

@ujue     @patxangas

Definimos, diseñamos y construimos negocios digitales

Bikolabs Laboratorio de especulación

Nos conformamos con estar 20 minutos por delante


Apostamos por la ESPECULACIÓN, centrándonos en las tecnologías exponenciales, en cómo avanza la tecnología y en cómo pensar críticamente sus consecuencias.


No buscamos encontrar soluciones, sino descubrir los problemas.

 

Porque lo llaman IA, cuando quieren decir...

ACLARANDO ALGUNOS TÉRMINOS

Definimos Inteligencia Artificial como cualquier invención que de alguna manera imita la inteligencia humana

INTELIGENCIA ARTIFICIAL

ACLARANDO ALGUNOS TÉRMINOS

Inteligencia artificial

Machine learning

Redes neuronales

Deep learning

El aprendizaje automático o Machine Learning es un método científico que nos permite usar los ordenadores y otros dispositivos con capacidad computacional para que aprendan a extraer los patrones y relaciones que hay en nuestros datos por sí solos. Esos patrones se pueden usar luego para predecir comportamientos y en la toma de decisiones.

MACHINE LEARNING

ACLARANDO ALGUNOS TÉRMINOS

El Aprendizaje Automático es un campo en la Inteligencia Artificial, donde las máquinas pueden "aprender" de sí mismas, sin ser explícitamente programadas por los seres humanos.

  • Seguridad informática, diagnóstico de ataques, prevención de fraude online, detección de anomalías, etc.

  • Reconocimiento de imágenes o patrones (facial, dactilar, objetos, voz, etc)

  • Conducción autónoma, mediante algoritmos deep learning: identificación de imágenes en tiempo real, detección de obstáculos y señales de tráfico, prevención de accidentes…

  • Salud: evaluación automática de pruebas diagnósticas, robótica médica etc

  • Análisis de mercado de valores ( predicciones financieras, evolución de mercados etc)

  • Motores de recomendación

Maher (2019). Which machine learning model to use?
https://towardsdatascience.com/which-machine-learning-model-to-use-db5fdf37f3dd

TIPOS DE MACHINE LEARNING

Aprendizaje Supervisado

En el aprendizaje supervisado, los algoritmos trabajan con datos “etiquetados” (labeled data), intentado encontrar una función que, dadas las variables de entrada (input data), les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de datos y así “aprende” a asignar la etiqueta de salida adecuada a un nuevo valor, es decir, predice el valor de salida

  • Problemas de clasificación (identificación de dígitos, diagnósticos, o detección de fraude de identidad).

  • Problemas de regresión (predicciones meteorológicas, de expectativa de vida, de crecimiento etc).

Google Arts & Culture

Art Palette

TIPOS DE MACHINE LEARNING

Aprendizaje no Supervisado

El aprendizaje no supervisado tiene lugar cuando no se dispone de datos “etiquetados”  para el entrenamiento. Sólo conocemos los datos de entrada, pero no existen datos de salida que correspondan a un determinado input. Por tanto, sólo podemos describir la estructura de los datos, para intentar encontrar algún tipo de organización que simplifique el análisis. Por ello, tienen un carácter exploratorio.

  • Problemas de clustering

  • Agrupamientos de co-ocurrencias

  • Perfilado o profiling.

Google Arts & Culture

Runwaypalette

Google Arts & Culture

Tsnemap

TIPOS DE MACHINE LEARNING

aprendizaje por refuerzo

Este tipo aprendizaje se basa en mejorar la respuesta del modelo usando un proceso de retroalimentación. El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

REDES NEURONALES

ACLARANDO ALGUNOS TÉRMINOS

Es paradigma de aprendizaje y procesamiento automático inspirado en el funcionamiento del sistema nervioso humano.

Una red neuronal está compuesta por un conjunto de neuronas interconectadas entre sí mediante enlaces.

Cada neurona toma como entradas las salidas de las neuronas de las capas antecesoras, cada una de esas entradas se multiplica por un peso, se agregan los resultados parciales y mediante una función de activación se calcula la salida. Esta salida es a su vez es entrada de la neurona a la que precede.

DEEP LEARNING

ACLARANDO ALGUNOS TÉRMINOS

APLICACIÓN MÁS ALLÁ DE LA CIENCIA FICCIÓN

USOS DE LA IA

  • Clasificación, como detección de correo basura o “spam”.
     
  • Clustering y recomendación, como sugerir un libro a un usuario basándonos en sus compras anteriores
     
  • Regresión-predicción, como averiguar cuánto va usar un cliente determinado servicio (determinar un valor)
     
  • Interpretación y generación de lenguaje natural
     
  • Generación creativa y artística

USOS DE LA IA

LA REALIDAD TRAS LOS TITULARES DE LOS MEDIOS

LA AUTOMAGIA

Peters (2018). Having A Heart Attack? This AI Helps Emergency Dispatchers Find Out.
 https://www.fastcompany.com/40515740/having-a-heart-attack-this-ai-helps-emergency-dispatchers-find-out

 

Creemos que el humano no interviene

AUTO

No sabemos lo que hay por detrás

MAGIA

AUTO

LA PARTE

Fuente https://ai.googleblog.com/2019/12/fairness-indicators-scalable.html

Discriminar entre afectados y no afectados

CASO 1. AUTO. AECC

Pacientes y Familiares / No afectados

Triaje para servicios / Información

En el campo de la medicina, el distrés o estrés negativo es un estado de angustia o sufrimiento en el cual una persona o animal es incapaz de adaptarse completamente a factores amenazantes o de demanda incrementada, en otras palabras, es la «inadecuada activación psicofisiológica que conduce al fracaso»

distrés

Fuente Wikipedia

¿Cómo podríamos aplicar

ia para responder a este desafío?

NUESTRA SOLUCIÓN:

ML de aprendizaje supervisado con una Red neuronal para el Procesamiento de lenguaje natural y Clasificación de texto (binaria)

Entrada

  • Respuesta abierta, amplia y genérica
  • La palabra clave "cáncer" es un problema

 

Proceso

  • Detectar si es triaje o no (binario)

Triaje sí

Triaje no

COLLECTING & LABELING DATA- HUMAN

TRAINING & MODELS - HUMAN

df['consulta'] = df['consulta'].map(lambda x: clean_text(x))
vocabulary_size = 16000
tokenizer = Tokenizer(num_words= vocabulary_size)
tokenizer.fit_on_texts(df['consulta'])

count_thres = 4
low_count_words = [w for w,c in tokenizer.word_counts.items() if c < count_thres]

sequences = tokenizer.texts_to_sequences(df['consulta'])
print(tokenizer.word_counts)


data = pad_sequences(sequences, maxlen=300)

X_train, X_test, y_train, y_test = train_test_split(data , labels, test_size=0.25, random_state=42)

model_lstm = Sequential()
model_lstm.add(Embedding(vocabulary_size, 300, input_length=300))
model_lstm.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
model_lstm.add(Dense(numeroClases, activation='softmax'))
model_lstm.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['acc'])

history = model_lstm.fit(X_train, y_train, epochs=epochs, batch_size=32,validation_split=0.2,callbacks=[EarlyStopping(monitor='val_loss',patience=7, min_delta=0.0001)])
model_lstm.save('model_lstm.h5'

user behavior - HUMAN

new learning - HUMAN

new learning - HUMAN

MAGIA

LA PARTE

Cualquier tecnología suficientemente avanzada es indistinguible de la magia

Arthur C. Clarke

MAGIA

LA PARTE

PARANORMAL

Caja negra

Gunning (2018). Explainable Artificial Intelligence (XAI).

https://www.darpa.mil/program/explainable-artificial-intelligence

  • Problema "duelo" no sabíamos por qué no lo entendía como triaje
     
  • No siempre el resultado es el mismo ante la misma frase

CAJA NEGRA EN AECC

Gunning (2018). Explainable Artificial Intelligence (XAI).

https://www.darpa.mil/program/explainable-artificial-intelligence

PROGRAMA XAI: EXPLAINABLE ARTIFICIAL INTELLIGENCE

Title Text

Subtitle

Carter et al. (2019). Activation Atlas

http://distill.pub/2019/activation-atlas

 

y MIENTRAS TANTO...

EXPLICABILIDAD

=

INTERPRETABILIDAD

 

LA RESPONSABILIDAD DE LA PREDICCIÓN

"I would like to live in a world whose systems are built on rigorous, reliable, verifiable knowledge, and not on alchemy"

Ali Rahimi, AI researcher in Google (2018)

 

NO ES MIEDO, ES CORDURA

DISCRIMINAR ENTRE TIPOS DE NECESIDAD

CASO 2. MAGIA. AECC II

Entrada

  • Respuesta abierta, amplia y genérica
  • Ofrecer respuesta directa a la pregunta

NUESTRA SOLUCIÓN:

Herramienta de ML de análisis predictivo de textos, con una Red neuronal (desconocida) con Procesamiento de lenguaje natural y Análisis de contexto-sintaxis

Fuente https://cloud.google.com/dialogflow/docs/basics?hl=es-419 

¿Cómo podríamos aplicar

ia para responder a este desafío?

¡Y MAÑANA A MANCHARSE LAS MANOS!

runwayml.com

BINARIO CON CERO PROGRAMACIÓN

CASO 3. MAGIA. PATORNALISTA

CLASIFICACIÓN BINARIA DE IMAGEN

utilizar

teachable para crear vuestra clasificación binaria de imágenes, audios o vídeos

teachablemachine.withgoogle.com

DETECCIÓN DE POSTURA EN MOVIMIENTO

CASO 4. MAGIA. GENERACIÓN Y PROCESOS CREATIVOS

Belleza en el confinamiento

utilizar

RUNWAY para EXPERIMENTAR UN PROCESO GENERATIVO

(NO TIENE POR QUÉ SER PURAMENTE ESTÉTICO)

1

2

3

SHOW ME YOUR MAGIC

ETIQUETAdo DE IMÁGENES

CASO 5. MAGIA. GENERACIÓN DESCRIPCIÓN

Taller ML para UX

By karlos g liberal

Taller ML para UX

  • 818