Diese Präsentation wurde erfolgreich gemeldet.
Die SlideShare-Präsentation wird heruntergeladen. ×

Inteligencia Artificial From Zero to Hero

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Wird geladen in …3
×

Hier ansehen

1 von 93 Anzeige

Inteligencia Artificial From Zero to Hero

Herunterladen, um offline zu lesen

En esta presentación explicamos los principios básicos de las técnicas actuales de inteligencia artificial y lo mínimo indispensable que hay que saber para estructurar y desarrollar una solución básada en inteligencia artificial.

En esta presentación explicamos los principios básicos de las técnicas actuales de inteligencia artificial y lo mínimo indispensable que hay que saber para estructurar y desarrollar una solución básada en inteligencia artificial.

Anzeige
Anzeige

Weitere Verwandte Inhalte

Ähnlich wie Inteligencia Artificial From Zero to Hero (20)

Weitere von Carlos Toxtli (20)

Anzeige

Aktuellste (20)

Inteligencia Artificial From Zero to Hero

  1. 1. Inteligencia Artificial por Carlos Toxtli
  2. 2. Presentación
  3. 3. De qué hablaremos La idea de esta charla es lograr un nivel de entendimiento suficiente de la IA para poder proponer soluciones viables. ● Introducción al estado actual de la IA ● Explicaremos cómo empezar en la Inteligencia Artificial ● Tecnologías actualmente usadas ● Cómo plantear un proyecto que use IA ● Cómo emprender negocios basados en IA ● Como emplearse en empresas que usen IA ● Consejos para adentrarse en este mundo NOTA: Los conceptos no serán explicados de forma rigurosa.
  4. 4. Introducción al estado actual de la IA
  5. 5. ¿Qué es la inteligencia artificial? La inteligencia artificial (Artificial Intelligence, o AI) es la simulación de procesos de inteligencia humana por parte de máquinas, especialmente sistemas informáticos. Estos procesos incluyen el aprendizaje (la adquisición de información y reglas para el uso de la información), el razonamiento (usando las reglas para llegar a conclusiones aproximadas o definitivas) y la autocorrección.
  6. 6. Algunos ejemplos de aplicación de IA La inteligencia artificial se ha implementado prácticamente en todas las áreas, veamos algunos ejemplos
  7. 7. Predicciones de las elecciones mexicanas
  8. 8. Predicciones de la copa del mundo No suelen ser muy precisas ya que hay muchos factores en juego.
  9. 9. Es capaz de entendernos Aunque creemos conceptos muy básicos, la AI puede crear conceptos más complejos.
  10. 10. Crear videos controlando a una persona Se ha logrado que se creen videos suplantando la identidad de alguien.
  11. 11. Canciones compuestas por IA Canción compuesta de inicio a fin, el sistema fue entrenada con canciones de los Beatles.
  12. 12. No nos perdamos El problema de hablar de inteligencia artificial es que siempre se fantasea mucho y se aborda de una forma poco objetiva, en esta charla trataremos de aterrizarla en términos prácticos.
  13. 13. 1958 La computadora será el primer dispositivo en pensar cómo el cerebro humano. Podrá entender su entorno, reconocerte hablarte por tu nombre y traducir en tiempo real. Es posible construir cerebros que puedan multiplicarse una línea de producción y ser conscientes. Rosenblatt murio en un accidente
  14. 14. Geoffrey Hinton el padre de las redes neuronales
  15. 15. Dato curioso acerca de George Boole Geoffrey Hinton es tatara-tatara-tataranieto de George Boole. Cambió el mundo de la era industrial mecánica a la era digital.
  16. 16. IA es también del interés de gobiernos Actualmente Geoffrey Hinton reside en Canadá y el gobierno está invirtiendo en ser un referente en temas de AI.
  17. 17. Como empezar en la Inteligencia Artificial
  18. 18. ¿Por dónde empiezo? Lo primero que debes saber es que en la actualidad puedes incorporarte a este mundo como implementador de técnicas existentes o como creador de nuevas técnicas.
  19. 19. Creador de nuevas técnicas (Ciencias) Para proponer nuevos algoritmos se requiere un conocimiento profundo en varias áreas, incluyendo: ● Algebra lineal ● Estadística ● Sistemas de ecuaciones ● Calculo ● Computo paralelo ● Estructuras de datos ● Lenguajes de programación (usualmente C o Python) … Entre otras áreas
  20. 20. Implementador de técnicas existentes (Ingeniería) Como implementador solo necesitas conocer en qué se diferencia cada técnica de otra y saber cuál emplear según el problema. El proceso de implementar solo implica adecuar las entradas a las que requiere cada algoritmo, sin necesidad de programar un algoritmo nuevo. Para ello se requiere: ● Procesamiento de datos ● Lenguajes de programación (usualmente C o Python) ● Computo paralelo Entre otros
  21. 21. Esta charla la enfocaremos en cómo implementar Si bien es cierto que los grandes descubrimientos provienen de la generación de nuevos algoritmos, llegar a un nivel suficiente de entendimiento de las bases de la inteligencia aartififcial.es tardado y usualmente requiere estudios de posgrado. Como implementador eventualmente serás capaz de mejorar técnicas existentes.
  22. 22. La evolución de los métodos Una forma sencilla de entender cómo implementar la IA es comparado con un método convencional de programación. Un método es una pieza de código que se ejecuta y regresa un resultado, ejemplo: precio_casa = obten_precio( ubicacion_casa ) El resultado puede ser buscado en una base de datos o calculado en base una fórmula existente.
  23. 23. La evolución de los métodos Cuando implementamos una técnica de IA, se implementa de una forma similar a un método, pero no hay una formula definida para obtener el resultado, y esta devuelve 2 valores, un valor predicho y el porcentaje de certeza. precio_casa, porcentaje_certeza = predice_precio( ubicacion_casa ) El resultado es inferido en base a datos previos. No hay una fórmula exacta, se estima siempre en base a datos semejantes.
  24. 24. Todo es análisis de datos Para tu ser capaz de obtener una respuesta debiste de haber contado con datos suficientes y estructurados. Es una habilidad fundamental la administración de datos en todo ingeniero de IA.
  25. 25. Para comenzar un ejemplo clásico es el Hot Dog y No Hot Dog. Para eso se colectan cientos de fotos de Hot Dogs y cientos de fotos de cualquier otra cosa. Con eso muchas de las técnicas detectar de forma precisa si hay un Hot Dog. Así se vería la función clase_detectada, porcentaje_certeza = hay_un_hot_dog( imagen ) Donde clase_detectada vale “Hot Dog” Y porcentaje_certeza varía entre 0 y 1 Si el porcentaje es mayor a un valor definido (ej 0.8) entonces si es Hot Dog) El ejemplo más básico: Hot dog / Not Hot Dog
  26. 26. El ejemplo más básico: Hot dog / Not Hot Dog Como en la serie de SIlicon Valley
  27. 27. Detectar gatos y perros En este caso necesitamos 3 sets de datos, cientos de fotos de perros, cientos de gatos y cientos de cualquier otra cosa. clases_detectadas, porcentajes_certezas = cat_or_dog( imagen ) Debido a que son más de una categoría, la función regresa un arreglo de datos, donde: clases_detectadas[0] vale “perro” y porcentajes_certezas[0] vale por ejemplo 0.4 clases_detectadas[1] vale “gato” y porcentajes_certezas[1] vale por ejemplo 0.9 Entonces es más probable que sea un gato.
  28. 28. Self driving cars, suenan muy lejos, pero es lo mismo Un auto que se maneja solo, aunque suene muy complejo, es solo la implementación de varias funciones de IA, este es un ejemplo muy burdo: clases_detectadas, porcentajes_certezas = vision_sensor_1( imagen_camara ) SI clases_detectadas[0] == ‘Otro coche detectado’ and porcentajes_certezas[0] < .1 Y clases_detectadas[1] == ‘Peaton detectado’ and porcentajes_certezas[1] < .1 Entonces CAMBIAR_DE_CARRIL()
  29. 29. Los ingenieros de autos autónomos usan maquetas Dedicarse a hacer autos autónomos es algo muy alcanzable para cualquier persona, ya que la gran mayoría de las pruebas se hacen en maquetas y no en autos reales. Una vez que es 100% eficiente en maquetas se hacen pruebas en coches. Se puede armar un laboratorio de autos autónomos a un costo muy bajo.
  30. 30. Clasificación y Regresión Ya aprendimos estos conceptos con ejemplos: Regresión es predecir un valor, como el caso de la casa, una casa más cercana a un centro comercial y vías principales, regresa un valor en precio más grande, ejemplo 1,000,000 Clasificación es predecir una categoría, en los ejemplos se regresa las “clases” o categorías a buscar y en base a eso nos regresa si es “perro” o “gato”.
  31. 31. Pero hay un caso extra (Clustering) Cuando no sabemos los datos que son y necesitamos que la computadora agrupe los que se parecen entre sí, para posteriormente darles un nombre: clase_asignada, porcentaje_certeza = asigna_categoria( dato[0] ) clase_asignada, porcentaje_certeza = asigna_categoria( dato[1] ) clase_asignada, porcentaje_certeza = asigna_categoria( dato[2] ) A este caso se le llama Clustering. Un ejemplo puede ser dar imagenes de letras dibujadas, el resultado debería ser que las agrupe por letras separadas.
  32. 32. Aprendizaje supervisado y no supervisado Cuando asignamos las posibles categorías como en el caso de la clasificación, entonces se llama aprendizaje supervisado. Aprendizaje supervisado también incluye regresión, donde se calculan cifras en base a cifras previas. Cuando nosotros no asignamos la categoría, sino dejamos que la computadora las decidiera como en el caso del clustering, entonces se conoce como aprendizaje no supervisado.
  33. 33. Listo ya saben lo básico Con lo aprendido es suficiente para plantear un problema y resolverlo usando distintas tipos de aprendizaje, ahora a continuación veremos qué técnicas existen y cuando se emplea cada una.
  34. 34. Cómo plantear un problema
  35. 35. Primero aprendamos a elegir que usaremos Con unas sencillas preguntas podemos saber si es aprendizaje supervisado o no supervisado y si es clasificación, regresión o clustering. ¿Necesitas regresar un valor numérico pronosticado? Es aprendizaje supervisado y usarás regresión. ¿Necesitas regresar de qué tipo es y sabes qué tipos puede haber? Es aprendizaje supervisado y usarás Clasificación. ¿Necesitas regresar de qué tipo es pero no sabes qué tipos puede haber? Es aprendizaje no supervisado y usarás Clustering.
  36. 36. Ok y ¿Donde entra Machine Learning? Machine Learning es el concepto en general de cómo una computadora puede aprender. El aprendizaje proviene de recibir información novedosa y adecuar sus parámetros para identificar correctamente nuevos casos. Para esto requiere mucha información, pero también necesita saber que parámetros (“features”) analizar.
  37. 37. ¿Features? Sí, necesitamos encontrar en base a qué parámetros diferenciar uno de otro, por ejemplo hay especies de peces muy similares. En qué características se fijarían ustedes para identificarlos. ¿Color, tamaño, número de aletas?
  38. 38. El siguiente paso es “anotar” (labeling) Ya que tenemos cada registro de cada espécimen ahora manualmente hay que especificar que “clase” es, por ejemplo: Para cuando llegue uno nuevo tratar de predecir que es: Color Tamaño Aletas CLASS Dorado 20 5 Tilapia Plateado 10 6 Atún Plateado 30 6 Salmón Color Tamaño Aletas CLASS Plateado 20 6 ???
  39. 39. Con las Classes y los Features podemos comenzar Listo ahora si podemos nutrir cualquier algoritmo para generar un resultado. Los más usados son: ● kNN ● Bayes ● Support Vector Machines ● Neural Networks ● Decision Trees ● Random Forest Entre muchos otros
  40. 40. Ahora hay que entrenar el modelo Una vez que tenemos las Classes, los Features y elegimos un algoritmo. Lo dejamos entrenando y creando un archivo llamado Modelo con las reglas para poder clasificar datos no vistos anteriormente.
  41. 41. Pero sin buenos Features, no será preciso, pero ... Como vimos en el ejemplo: Para predecir Las features no son suficientes, y si encontramos exponencialmente las features para ser más precisos, eso hará un procesamiento exhaustivo. Pero existe una técnica que nos ayuda a este proceso. Color Tamaño Aletas CLASS Dorado 20 5 Tilapia Plateado 10 6 Atún Plateado 30 6 Salmón Color Tamaño Aletas CLASS Plateado 20 6 ???
  42. 42. Deep Learning Deep Learning se beneficia de la extracción automática de features, lo que nos ayuda a no preocuparnos por escoger las mejores, y además se ayuda del gran poder de cómputo actual habilitando Convolutional Neural Networks. Deep Learning es una caja negra, no se sabe cómo se llega al resultado para poder revisarlo.
  43. 43. Neural Networks Las redes neuronales son un modelo para encontrar esa combinación de parámetros y aplicarla al mismo tiempo. En el lenguaje propio, encontrar la combinación que mejor se ajusta es "entrenar" la red neuronal. Una red ya entrenada se puede usar luego para hacer predicciones o clasificaciones, es decir, para "aplicar" la combinación.
  44. 44. Dimensionality Reduction Una técnica de aprendizaje no supervisado que nos permite representar datos con poca información relevante, por ejemplo: ● En vez de analizar pixeles, analizar bordes y esquinas ● Cuando un plano 2D es más valioso que un plano 3D, ejemplo cuando colocamos bancas en un salón.
  45. 45. Convolutional Neural Networks Implica crear varias capas o niveles de procesamiento. Así como vimos en las redes neuronales que son combinaciones. Estas son combinaciones de combinaciones en múltiples capas, lo que logra modelos muy complejos y precisos.
  46. 46. Veamos que necesitamos para Deep Learning Lo único que necesitamos para entrenar un modelo de predicción usando Deep Learning es: ● Necesitamos datos “anotados” (clasificados) por lo general más de 100, pero depende el caso ● Un Framework que soporte Deep Learning (sklearn, Keras, Tensorflow, Caffe2, PyTorch, etc) ● Lenguaje de programación: Python, Python o C. Nos ahorramos el paso de elegir las features, e incluso podemos no definir las capas convolutivas.
  47. 47. ¿Y si aún no se Python? Es uno de los lenguajes más sencillos y poderosos. Lo aprenderás y dominarás en un par de semanas. Te dejo algunos tutoriales. https://www.learnpython.org/ https://docs.python.org/3/tutorial/index.html https://www.tutorialspoint.com/python/index.htm
  48. 48. ¿Y qué framework nos recomiendas? Algunos de ellos son sencillos y algunos más complejos. Yo les recomendaría estos 3 en el siguiente orden: 1) Keras : Es un framework de frameworks es decir, es capaz de en pocas líneas de código generar código para Frameworks más complejos como Tensorflow, Theano y CNTK. 2) Sklearn / TFlearn : Ambos frameworks framework son sumamente sencillos con muchos ejemplos de código hechos. Ideales para hacer pruebas de forma veloz. 3) Tensorflow : Fue creado por Google, es de los más completos y poderosos, pero es más complejo.
  49. 49. Y con qué ejemplo comienzo Empiecen con el clásico ejemplo de detectar perritos y gatitos. Las cosas con gatitos siempre son mejores El código para keras: https://jkjung-avt.github.io/keras- tutorial/ El código para sklearn / tflearn : http://www.subsubroutine.com/sub- subroutine/2016/9/30/cats-and-dogs-and- convolutional-neural-networks El código para Tensorflow: https://medium.com/@curiousily/tensorflow-for-
  50. 50. ¿Y solo son para imágenes? Con lo que aprendas en estos tutoriales ya serás capaz de hacer cualquier clasificador. Los mismos frameworks también funcionan para texto, audio y video. Gracias a técnicas como Natural Language Processing podrás hacer análisis complejos de texto. En la actualidad se utilizan Word Vectors para entender el contexto del texto. Una herramienta muy efectiva es spaCy que incorpora Deep Learning para el análisis de textos, les dejo un tutorial: https://spacy.io/usage/training
  51. 51. ¿Y qué hay de los bots de videojuegos? En la actualidad un bot es capaz de acabar videojuegos o derrotar adversarios en competencias de videojuegos. Estos bots utilizan otra técnica, de aprendizaje no supervisado llamada Reinforcement Learning.
  52. 52. (Deep) Reinforcement Learning Es un área del aprendizaje automático inspirada en la psicología conductista, cuya ocupación es determinar qué acciones debe escoger un agente de software en un entorno dado con el fin de maximizar alguna noción de "recompensa" o premio acumulado. Funcionan a modo de prueba y error, es decir, si por serie de combinaciones (en el caso de los juegos, mover la palanca y apretar botones) recibe un premio en el futuro, entonces aprende a encontrar de forma más rápida (en menos movimientos) esa recompensa. Una técnica muy usada es la Deep Q-network (DQN)
  53. 53. Se basa en tablas de recompensas. En los estados en que es posible recibir una recompensa, es fácil decidir cuál es la mejor acción: la que obtiene la mayor recompensa a presente y a futuro. (Double) Deep Q Learning
  54. 54. Les dejo un ejemplo y un tutorial para que lo hagan Ambiente: https://gym.openai.com/envs/Breakout- v0/ Solución: https://github.com/vy007vikas/OpenAI- Gym- Solutions/blob/master/Atari/breakout.py
  55. 55. Ya me piqué, y después qué sigue ... Tan solo con las técnicas que hemos visto, serán capaces de: ● Componer música ● Crear obras de arte ● Hacer que un robot aprenda a caminar ● Hacer que un robot aprenda a jugar futbol ● Saber que enfermedad tienes en base a tus síntomas ● Saber que va a comprar un cliente en base a su comportamiento Y mucho mucho más Les dejo código de algunas ...
  56. 56. Generative Artificial Intelligence Es capaz de crear contenido, por ejemplo cambiarle la cara a 2 personas. Adversarial Neural Networks Código: https://github.com/deepfakes/faceswap
  57. 57. Generative Artificial Intelligence Puedes también crear videos de otra persona diciendo algo. Aquí esta el paper donde dicen como hacerlo: http://grail.cs.washington.edu/projects/A udioToObama/
  58. 58. EL bot que hace llamadas de Google Recuerdan la llamada casi real donde entendía perfectamente y respondía a personas reales. Aquí les dejo la liga del artículo que explica como funciona: https://ai.googleblog.com/2018/05/d uplex-ai-system-for-natural- conversation.html
  59. 59. AutoML Hacer que la máquina se entrene, pruebe y mejore sola. Ella se encarga de ajustarse hasta lograr porcentajes de Accuracy. Dejo un ejemplo del código necesario para que la computadora haga todo por ti: http://automl.github.io/auto- sklearn/stable/
  60. 60. ¿Donde me entero de lo nuevo que va saliendo? El canal de Siraj Raval: https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A Wired: https://www.wired.com/tag/artificial-intelligence/ El blog de Google: https://ai.googleblog.com/ El blog de Facebook: https://research.fb.com/blog/ MIT: http://news.mit.edu/topic/artificial-intelligence2 Arxiv: http://www.arxiv-sanity.com/ Google Alerts: https://www.google.com/alerts
  61. 61. Principales usos
  62. 62. Principales tecnologías
  63. 63. Vayan armando una computadora poco a poco Lo único que importa al armar una computadora para Machine Learning es la tarjeta de video, ya que esta cuenta con GPUs que son bastante más rápidos que los CPUs. Empiecen con al menos una tarjeta de video NVIDIA que soporte CUDA con al menos 1024 GPU cores.
  64. 64. Incursionando en la Inteligencia Artificial
  65. 65. Fuente: Udacity
  66. 66. Hagamos cuentas De acuerdo con el New York Times, solo hay 10,000 expertos en IA en el mundo. De las universidades más prestigiosas se gradúan alrededor de 250 alumnos al año. Si tomamos las top 10 universidades tendríamos 2,500 egresados. Es decir que en 2 años tendríamos 15,000 expertos y aún faltarían 2,285,000 puestos de trabajo por cubrir … ¿Quiénes serán ellos? USTEDES
  67. 67. Y a quienes están contratando actualmente Qué les parece si vamos a Linkedin, el sitio con la mayor cantidad de profesionistas registrados y buscamos por plazas como Artificial Intelligence Engineer, Machine Learning Engineer, Deep Learning Engineer, etc. Estos son los resultados:
  68. 68. Veamos que estudiaron los primeros resultados
  69. 69. Egresados en números Licenciatura Maestría Doctorado
  70. 70. Muchos llegaron solo por cursos en línea Es importante tomen cursos en línea sobre todo los cursos que vean que más gente que ya labora tomó. Hay incluso algunos que te contratan al terminar el curso.
  71. 71. Nanodegree Plus te ofrecen trabajo cuando terminas
  72. 72. Y creanme que vale la pena el esfuerzo Un egresado que trabaja en inteligencia artificial gana $11,250 USD al mes en promedio Muchos “Buenos sueldos” en Latinoamérica ganan eso al año.
  73. 73. Está de moda el Early Retirement Con los sueldos de la industria tecnológica, basta con ahorrar el 75% de tu sueldo por 6 años para vivir el resto de tu vida sin trabajar. Esto es real y hay muchas guías en internet para lograrlo: http://earlyretirementextreme.com/ https://www.mrmoneymustache.com/
  74. 74. Suena bien, que hago para que me contraten El proceso de contratación no es nada sencillo, debes ser experto primero en: ● Estructuras de datos ● Algoritmos ● Manipulación de bits ● Análisis de algoritmos (complejidad espacio tiempo) En temas de datos suelen preguntar ● Métodos de Machine Learning (proponerlo, justificarlo y explicarlo) ● SQL y Exploratory Data Analysis ● Explicar la teoría de los métodos de ML, los parámetros como se ajustan. ● Explica alguno de tus proyectos que usen conceptos complejos de ML.
  75. 75. Crea un CV con ayuda de la IA Utiliza los beneficios de la IA para generar un CV impactante http://rezscore.com/
  76. 76. Trabaja en línea Es una buena forma de ganar experiencia, la mejor plataforma con mayor cantidad de trabajo es http://www.upwork.com . La ventaja es que no necesitas permiso de trabajo para trabajar para otros países. Si quieres comenzar con facilidades, pidan a su primer empleador que los contrate por esa plataforma, de esa forma tendrás algo que demostrar para que otros empleadores confíen en tu trabajo.
  77. 77. No es fácil, es mejor hacer experiencia primero En Latinoamérica múltiples empresas están implementando algoritmos de inteligencia artificial, por lo que hay muchas oportunidades actualmente para hacer experiencia. Otra opción es emprender, crear tu propio negocio de Inteligencia Artificial.
  78. 78. Algunos consejos para terminar
  79. 79. Inicia tu negocio (Startup) ● Piensa en un problema que se pueda beneficiar de mucho al analizar datos. ● Los gobiernos ya tienen sus datos abiertos, por ejemplo: ○ https://datos.gob.mx/ ○ https://data.worldbank.org/ ○ http://data.un.org/ ● Existen grandes repositorios con toda la información de algunas plataformas ○ https://cloud.google.com/bigquery/public-data/ ○ https://www.kaggle.com/datasets ● Crea tu base de datos creando tu aplicación y recolectando información con la que en un futuro puedas ofrecer servicios inteligentes.
  80. 80. Obtén fondos para arrancar tu negocio Puedes aplicar a distintas fuentes de inversión como: ● Fondos de inversión ○ 500 ○ Y Combinator ○ NXTP Labs ○ Entre muchas otras ● Crowdfunding ○ Indiegogo ○ Kickstarter ○ Play Business ● Procura ver todas las opciones posibles antes de pedir un préstamo.
  81. 81. Pero no todo es emplearse o emprender También existe la investigación que es muy bonita, ya que es donde se crean las nuevas técnicas ya que existe presupuesto para probar conceptos que después serán implementados en la industria.
  82. 82. Áreas de Investigación Algoritmos: Consiste en crear algoritmos más eficientes, se publican tanto nuevos algoritmos para casos generales o específicos, así como mejoras incrementales a algoritmos existentes. HCI (Human Computer Interaction): Consiste en implementar tecnología y estudiar el impacto en los humanos. En el caso de la inteligencia artificial, no siempre implica el crear nuevos algoritmos, sino se enfoca en implementarlos en distintos aspectos de la vida diaria y estudiar la experiencia del usuario.
  83. 83. Asistan a eventos y unanse a comunidades Una forma de conocer personas activas en la comunidad, de posicionarse y hacerse conocer en su entorno es acudiendo a eventos. https://www.facebook.com/groups/botsLATAM/
  84. 84. ● Ahora que conocen los principios básicos y las aplicaciones de cada tecnología es momento de pensar en ideas concretas y estructurarlas en términos de tecnologías y herramientas necesarias. ● No importa si tu perfil no es técnico, es importante conocer los alcances y requerimientos para poder implementar un componente de inteligencia artificial en un proyecto. ● Si tu perfil es técnico, ahora es un muy buen momento para subirse a la ola de avances en ésta área, por lo que te recomiendo hacer proyectos en cada área aquí vista. ● Generemos lo próximos grandes avances en el área. Conclusiones
  85. 85. Gracias Contacto: @ctoxtli facebook.com/carlos.toxtli http://www.carlostoxtli.com

×