La historia detrás de las Redes Bayesianas
Historia de las Redes Bayesianas
Volvamos atrás en el tiempo, hace casi un siglo. Imagina a un científico llamado Sewall Wright, quien estaba a punto de sorprender al mundo de la ciencia. Verás, en aquel entonces, todos creían fervientemente en el dicho “la correlación no implica causalidad”. Pero Wright, él era un poco rebelde. Dijo: “¡Oye, tal vez en algunos casos, la correlación sí implica causalidad!” Y sabes qué, algo de razón tenía.
Con el conocimiento de Genética de su época y perspicacia estadística, Wright comenzó a construir lo que ahora llamamos “diagramas de influencia”. Su trabajo fue como el primer ladrillo en la base de lo que más adelante se convertiría en redes bayesianas.
Ahora avancemos unas décadas hasta los años 80. Ingresa Judea Pearl, un rebelde por derecho propio. Vio el trabajo de Wright y pensó: “Esto es bueno, pero puedo mejorarlo”. Observó cómo los sistemas expertos, la IA de aquel entonces, estaban luchando. No podían manejar la incertidumbre, no podían aprender y no podían distinguir entre una suposición y un hecho.
Pearl sabía que tenía que tomar el relevo y continuar el trabajo de Wright. Así que pasó los siguientes cuarenta años mejorando y desarrollando redes bayesianas, con la ayuda de miles de otros investigadores. Y aunque queda trabajo por hacer, una cosa está clara: las redes bayesianas tienen un lugar único en la historia de la IA, gracias a visionarios como Wright y Pearl, quienes se atrevieron a cuestionar el statu quo.
- Activación de pensamiento en cadena para LLMs
- 10 Empresas de Tecnología Ambiental para Observar en 2023
- Este artículo de Inteligencia Artificial presenta un método avanzado para la privacidad diferencial en el reconocimiento de imágenes con una mayor precisión
Pearl era como un arquitecto, delineando los planos de las Redes Bayesianas (BNs). Su diseño era único, compuesto por dos componentes principales: una lente retrospectiva y una guía prospectiva. La lente retrospectiva estaba diseñada para ser un detective virtual. Este componente tenía la capacidad de observar un resultado y rastrear a través de una miríada de pistas para encontrar los eventos independientes que lo llevaron.
En el otro lado de la BN, Pearl incluyó una guía prospectiva o ‘predicción’. Imagínala como un consejero amigable que te brinda recomendaciones sólidas, respaldadas por una probabilidad calculada de éxito.
Pero aquí es donde la magia realmente sucede. Pearl sabía que estas BNs no se convertirían mágicamente en…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Científico de datos vs. Analista de datos vs. Ingeniero de datos – Desentrañando la Distinción
- Conoce DiffusionDet Un Modelo de Inteligencia Artificial (IA) Que Utiliza Difusión para la Detección de Objetos
- Uso de Computadoras Analógicas en Inteligencia Artificial (IA)
- Investigadores de Salesforce AI y la Universidad de Columbia presentan DialogStudio una colección unificada y diversa de 80 conjuntos de datos de diálogo que conservan su información original.
- Investigadores de Inteligencia Artificial (IA) de la Universidad de Cornell proponen un nuevo marco de red neuronal para abordar el problema de la segmentación de video.
- ¿Qué significa implementar un modelo de aprendizaje automático?
- Traducción de imágenes de bocetos a imágenes Transformando bocetos abstractos en imágenes fotorrealistas con GANs