El Desafío de Ver la Imagen Completa de la Inteligencia Artificial
The Challenge of Seeing the Full Picture of Artificial Intelligence.
Cada vez es más difícil tener conversaciones reflexivas sobre el impacto cambiante (y rápidamente creciente) de la IA en nuestra vida diaria, un efecto secundario inesperado quizás, de la tecnología que se ha trasladado de las comunidades de investigación y la industria a todos los rincones de las redes sociales. Ciertamente hay mucho entusiasmo, así como cantidades no triviales de profecías apocalípticas y un interminable desfile de nuevas herramientas y aplicaciones. Pero, ¿Qué significa todo esto?
Hemos compartido algunos recursos prácticos excelentes con nuestros lectores en los últimos meses para ayudarle a familiarizarse con temas prácticos como la ingeniería de prompts y la automatización de voz a texto. Hoy, los invitamos a dar un paso (o dos) hacia atrás para explorar algunos de los temas más grandes sobre los que nuestros autores han escrito mientras luchaban con el papel cambiante de la IA en la ciencia de datos y los flujos de trabajo de aprendizaje automático. Vamos a sumergirnos.
- Muchas de las innovaciones más emocionantes de los últimos años deben su éxito a proyectos fundacionales de código abierto. Clemens Mewald cree que esa era está llegando a su fin: “Aunque parece haber un movimiento de Robin Hood en torno a la IA de código abierto, los datos apuntan en una dirección diferente”.
- Incluso el fanático más ardiente de ChatGPT concedería que el chatbot viene con serias limitaciones, desde su tendencia a alucinar hasta su incapacidad para proporcionar información en tiempo real (o incluso moderadamente fresca). Mary Newhauser recientemente hizo una encuesta del amplio panorama de los plugins ChatGPT – aplicaciones que agregan nuevas funcionalidades a la herramienta y la conectan con otras fuentes de datos- y reportó sobre sus beneficios y riesgos.
- Para muchos practicantes de aprendizaje automático, la llegada de ChatGPT marcó un momento crucial que provocó una seria reconsideración de sus proyectos, prácticas y modelos de negocio. Janna Lipenkova describe cuatro tendencias emergentes en este ecosistema post-ChatGPT y reflexiona sobre cómo afectarán el desarrollo futuro de la IA.
- Cada día, la lista de profesiones en la lista de “¿la IA la volverá obsoleta?” se hace más larga. Galen Okazaki acerca esta pregunta a casa (al menos para los lectores de The Variable) y se pregunta qué depara el futuro para los analistas de datos a medida que las herramientas de IA generativa se vuelven más sofisticadas. (¡Alerta de spoiler: los humanos aún tienen una oportunidad de lucha!)
- Si la IA va a transformar verdaderamente la forma en que el mundo opera, un área que facilitará este cambio es la gestión de la cadena de suministro. Ezequiel Ortiz Recalde desempaqueta algunas de las posibilidades en este campo masivo y abarcador, desde la optimización de inventarios hasta la logística intermodal.
Como nos gusta recordar a nosotros mismos (y a cualquier otra persona que esté escuchando), hay tanto trabajo fascinante en otros temas no relacionados con la IA; si necesita más pruebas, cualquiera de las siguientes lecturas recomendadas servirá:
- Christabelle Pabalan nos guió a través de su importante trabajo sobre el uso del aprendizaje multitarea y el aprendizaje de conjunto para predecir el funcionamiento cognitivo del Alzheimer.
- ¿Qué pasaría si los gráficos de entrada en las redes neuronales de gráficos fueran dirigidos ? El último artículo de Michael Bronstein y Emanuele Rossi explora esta pregunta en detalle.
- El nuevo tutorial de Subha Ganapathi presenta los triggers de la base de datos como un enfoque alternativo para acceder a los datos cuando los puntos finales de API no están disponibles.
- ¿Cómo puede asegurarse de que su equipo de datos sea proactivo en lugar de reactivo? Barr Moses reflexiona sobre las prácticas y características que marcan la diferencia.
- Elegir el hardware adecuado para su proyecto de aprendizaje profundo es crucial; la guía de Chaim Rand ofrece consejos claros sobre las preguntas que debe hacer y los factores que deberá tener en cuenta.
¡Gracias por apoyar a nuestros autores! Si disfruta de los artículos que lee en TDS, considere convertirse en miembro de Zepes: desbloquea todo nuestro archivo (y cada otra publicación en Zepes también).
- Conoce AnythingLLM Una Aplicación Full-Stack Que Transforma Tu Contenido en Datos Enriquecidos para Mejorar las Interacciones con Modelos de Lenguaje Amplio (LLMs)
- Teoría de Recursos Donde las Matemáticas se Encuentran con la Industria.
- Funciones de Ventana Un conocimiento imprescindible para ingenieros de datos y científicos de datos.
Hasta la próxima Variable,
Los editores de TDS
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
- Haz que tus gráficos sean excelentes con UTF-8.
- Haz que cada dólar de marketing cuente con la ciencia de datos.
- Cómo medir el desvío en las incrustaciones de ML
- Incorpore SageMaker Autopilot en sus procesos de MLOps usando un Proyecto personalizado de SageMaker.
- Habilidades Suaves Superan las Habilidades Técnicas en Análisis de Datos.
- Utilizando pykrige y matplotlib para la visualización espacial de variaciones geológicas.
- Introducción al análisis de datos El Método Google