4 tipos de datos para aplicar Inteligencia Artificial

Existen 4 tipos de datos para la Inteligencia Artificial (IA). Entenderlos no solamente nos dará una idea de los datos que serán necesarios para nuestro proyecto de IA, sino que nos aporta una visión muy relevante de los casos de uso que podemos implementar.

Los 4 tipos de datos para la inteligencia artificial son:

1. Datos de imagen
2. Datos de lenguaje natural
3. Datos de sensores
4. Datos transaccionales

Datos de imagen

Si bien los humanos podemos ver una foto y reconocer inmediatamente cualquier objeto, esto para las computadoras no era nada fácil hasta hace muy poco. La programación informática tradicional requería que los desarrolladores dieran instrucciones detalladas a los ordenadores sobre qué hacer exactamente en cualquier situación.

En la actualidad, ya podemos programar computadoras para que aprendan cosas a partir de su propia experiencia. Esto es gracias a los avances realizados en Machine Learning (ML), así como a la mayor capacidad de cómputo y de almacenaje de los ordenadores que permite a los científicos de datos el uso de enfoques como los que se utilizan en el propio cerebro humano (redes neuronales).

Algunos ejemplos de casos de uso con datos de imágenes son:

• Verificación de la identidad mediante comparación facial
• Análisis del uso de equipos de protección y mascarillas en el lugar de trabajo
• Detección de miles de objetos como, por ejemplo, logotipos de marcas

En realidad, cualquiera de nosotros estamos utilizando este tipo de algoritmos cuando subimos imágenes a Google Fotos o Photos de Amazon. También los coches modernos utilizan este tipo de algoritmos para detectar lo que sucede en su entorno. La novedad más reciente y que ha llamado mucho la atención en el campo de la IA de imagen es DALL-E-2, capaz de crear imágenes a partir de un texto.

Datos de lenguaje natural

El procesamiento del lenguaje natural (NLP) es un campo de la inteligencia artificial en el que las computadoras analizan, comprenden y derivan el significado del lenguaje humano. NLP es otro ejemplo de un problema sencillo para los humanos pero muy difícil para la informática tradicional. Comprender el lenguaje humano es comprender no solamente las palabras, sino también los conceptos y cómo se vinculan entre sí para crear significado.

La PNL se usa comúnmente para la extracción de texto, la traducción automática y la respuesta automática a preguntas con chatbots de atención al cliente. También para transcribir voz a texto o incorporar voces realistas a nuestras aplicaciones, e incluso para hacer “análisis de sentimiento”, es decir, conocer el estado de ánimo de nuestros clientes y mejorar la atención a los mismos.

Datos de sensores

Hoy en día, la proliferación del Internet of Things (IoT) tanto en el ámbito del hogar como el profesional ha llevado a que casi cualquier dispositivo que usamos en nuestros hogares, oficinas, fábricas o incluso en nuestros cuerpos (wearables) pueda estar en línea y conectado. Nuestras ciudades están sensorizadas (smart cities) y miden el tráfico, la calidad del aire, el ruido y todo tipo de datos que ayuden a mejorar la calidad de vida del ciudadano.

A nivel enterprise, IoT tiene enormes implicaciones en la forma en que fabricamos bienes, brindamos servicios, vendemos a los clientes y damos seguimiento con soporte. Las fábricas inteligentes y las plantas de logística están cada vez más automatizadas. Por ejemplo, la aplicación de inteligencia artificial a los datos de sensores permite el mantenimiento predictivo, esto es, predecir dónde ocurrirán averías antes de que ocurran para reemplazar y reparar de manera más eficiente los equipos defectuosos, e incluso la prescripción de tareas a nuestros operadores facilitando la toma de decisiones en determinados momentos de la cadena operativa.

Datos Transaccionales

Los datos transaccionales son la información registrada de las transacciones que realizan nuestros usuarios. Una transacción es una secuencia de intercambio de información que satisface una solicitud, por ejemplo, una compra en un ecommerce o un visionado en una plataforma de streaming.

Los datos de nuestras tarjetas de crédito son datos transaccionales. De ahí que un importante campo para la inteligencia artificial basada en datos transaccionales es la detección de fraudes y el análisis de transacciones de pagos. También mediante la aplicación de inteligencia artificial en este tipo de datos podemos realizar forecast de ventas en tiendas y predicciones de roturas de stock en almacenes. Otros casos de uso habituales son las recomendaciones personalizadas a nuestros usuarios (como las recomendaciones que realizan para nosotros Amazon, Youtube, Netflix o Spotify) así como la realización de promociones personalizadas y ventas cruzadas.

Hemos visto los distintos tipos de datos para la IA. Empezar por entender los datos es una vía muy útil para vislumbrar el tipo de aplicaciones que la IA nos ofrece.