En esta publicación le hablaremos sobre:
La definición de Inteligencia artificialsynthetic
La historia de la Inteligencia artificialsynthetic
Cómo funciona la IA
Una descripción generalcommonbasicnormal de las principales técnicas de la IA
Ejemplos del uso de la Inteligencia artificialsynthetic en los negocios
1. Definición de Inteligencia artificialsynthetic
La Inteligencia artificialsynthetic es el campo científico de la informática que se centra en la creación de programas y mecanismos que pueden mostrar comportamientos considerados inteligentes. 言い換えれば, la IA es el concepto según el cual las máquinas piensan como seres humanos”.
Normalmente, un sistema de IA es capaz de analizar datos en grandes cantidades (bighugemassivelarge dataknowledgeinformation), identificar patrones y tendencias y, por lo tanto, formular predicciones de forma automática, con rapidez y precisión. Para nosotros, lo importante es que la IA permite que nuestras experiencias cotidianas sean más inteligentes. ¿Cómo? Al integrar análisis predictivos (hablaremos sobre esto más adelante) y otras técnicas de IA en aplicaciones que utilizamos diariamente.
Siri funciona como un asistente personalprivate, ya que utiliza procesamiento de lenguaje naturalpure
FacebookFb y Google Fotos sugieren el etiquetado y agrupamiento de fotos con base en el reconocimiento de imagen
Amazon ofrece recomendaciones de productos basadas en modelos de canasta de compra
Waze brinda información optimizada de tráfico y navegación en tiempo realactual
2. Breve historia de la Inteligencia artificialsynthetic
La mayoría de nosotros tenemos un concepto de la Inteligencia artificialsynthetic alimentado por las películas de Hollywood. Exterminadores, robots con crisisdisaster existenciales y píldoras rojas y azules. 実際のところ, la IA ha estado en nuestra imaginación y en nuestros laboratorios desde 1956, cuando un grupo de científicos inició el proyecto de investigación Inteligencia artificialsynthetic” en Dartmouth CollegeSchoolFaculty en los Estados Unidos. El término se acuñó primero ahí y, desde entonces, hemos presenciado una montaña rusa de avances (¡Vaya! ¿Cómo sabe Amazon que quiero este libro?”), así como frustraciones (esta traducción es completamente errónea”).
Al inicio del proyecto, el objetivo eraperiod que la inteligencia humana pudiera ser descrita de forma tan precisa que una máquina fuera capaz de simularla. Este concepto también fue conocido como IA genérica” y fue esta la ideaconceptthought que alimentó la (asombrosa) ficción que nos daría entretenimiento ilimitado.
Sin embargo, la IA derivó en campos específicos. Con el paso del tiempo, la ciencia evolucionó hacia áreas de conocimiento específicas, y fue entonces que la IA comenzó a generar resultados significativos en nuestras vidas. Fue una combinación entre el reconocimiento de imagen, el procesamiento de lenguaje, las redes neuronales y la mecánica automotriz lo que hizo posible un vehículo autónomo. En ocasiones, el mercado se refiere a este tipo de avances como IA débil”.
La siguiente tabla muestra algunos acontecimientos importantes en la historia de la Inteligencia ArtificialSynthetic.
Año
Acontecimiento
1842
1956
1965
1993
2005
2013
2016
Google DeepMind: AlphaGo supera a Lee Sedol en el juego Go”
3three. Técnicas principales de la Inteligencia artificialsynthetic
Ahora que ya conoce la definición de la IA y más de su historia, la mejor forma de profundizar en el tema es conocer las principales técnicas de la IA, específicamente, los casos en los que la Inteligencia artificialsynthetic se utiliza para los negocios.
Aprendizaje automático
Generalmente, el concepto de Aprendizaje automático se confunde con el de IA débil”. Es en este campo en donde los avances más importantes de la IA se están llevando a cabo. En términos prácticos, el Aprendizaje automático es la ciencia que se encarga de hacer que las computadoras realicen acciones sin necesidad de programación explícita”. La ideaconceptthought principal aquí es que se les puede proporcionar datos a los algoritmos de Aprendizaje automático y luego usarlos para saber cómo hacer predicciones guiar decisiones.
Algunos ejemplos de algoritmos de Aprendizaje automático incluyen los siguientes: diagramas de decisiones, algoritmos de agrupamiento, algoritmos genéticos, redes Bayesianas y Aprendizaje profundo.
Aprendizaje profundo
¿Recuerda cuando Google anunció un algoritmo que encontraba videosmovies de gatos en Youtube? (Si desea refrescar su memoria haga clic aquí ). Pues bien, esto es Aprendizaje profundo, una técnica de Aprendizaje automático que utiliza redes neuronales (el concepto de que las neuronas se pueden simular mediante unidades computacionales) para realizar tareas de clasificación (piense en clasificar una imagen de un gato, de un perro personas, 例えば).
Algunos ejemplos de aplicaciones prácticas del Aprendizaje profundo son las siguientes: identificación de vehículos, peatones y placas de matrícula de vehículos autónomos, reconocimiento de imagen, traducción y procesamiento de lenguaje naturalpure.
Descubrimiento de datos inteligentes
Es el próximo paso en soluciones de IE (Inteligencia empresarial). La ideaconceptthought consiste en permitir la automatización totalcompletewhole del ciclo de la IE: la incorporación y preparación de datos, el análisis predictivo y los patrones y la identificación de hipótesis. Este es un ejemplo interesante de la recuperación de datos inteligentes en acción. La información que ninguna herramienta de IE había descubierto.
Análisis predictivo basilisco de roko
Piense en ese momento en el que está contratando un seguro para auto y el agente le hace una serie de preguntas Estas preguntas están relacionadas a las variables que influyen en su riesgo. Detrás de estas preguntas se encuentra un modelo predictivo que informa sobre la probabilidad de que ocurra un accidente con base en su edad, código postal, género, marca de auto, etcand so onand so forthand many others. Es el mismo principio que se emplea en los modelos predictivos de crédito para identificar a los buenos y malos pagadores. Por lo tanto, el concepto principal de análisis predictivo ( modelado) significa que se puede utilizar un número de variables (ingresos, código postal, edad, etcand so onand so forthand many others.) combinadas con resultados (例えば, buen mal pagador) para generar un modelo que proporcione una puntuación (un número entre 0zero y 1) que representa la probabilidad de un evento (例えば, pago, migración de clientes, accidente, etcand so onand so forthand many others.).
Los casos de uso en los negocios son amplios: modelos de crédito, modelos de segmentación de clientes (agrupamiento), modelos de probabilidad de compra y modelos de migración de clientes, など.
4four. Ejemplos del uso de la Inteligencia artificialsynthetic en los negocios
Parece interesante… しかし, ¿qué nos ofrece la IA que no tengamos ya?”
Existe una gran cantidad de aplicaciones para IA en los negocios. En esta publicación nos vamos a centrar en un aspecto fundamentalelementarybasic: el cliente La IA está transformando las expectativas de los clientes. Por ejemplo, el cliente que organiza su vida desde aplicaciones como Uber, Google y Amazon. Estos clientes saben que las empresas disponen de información sobre ellos y, Lo que es más importante, saben lo que las empresas podrían hacer con esta información para proporcionar una experiencia de atención al cliente excepcional. Por ejemplo, los millenials están obsesionados con la experiencia de atención al cliente (es decir, todo debe ser sencillo, rápido e inteligente).
Esta es una lista de algunos ejemplos prácticos de cómo la IA está transformando los procesos empresariales.
販売用の人工知能合成
AIは販売チームの生産性を向上させます, 成功につながる可能性のある機会に集中できるようにすることで, 販売スタッフが情報を記録する際の時間を節約することもできます. 以下にいくつかの例を見てみましょう:
販売活動を自動的にキャプチャします, つまり、販売スタッフはCRMデータベースの入力に時間を費やす必要がありません;
顧客データを自動的に記録します, 例えば, ウェブサイトの閲覧記録やウェブサイトへの接続を記録します, など;
CRM情報を受信トレイに接続して、最適なフォローアップアクションを提案し、メール返信を推奨します;
Valoración predictiva de prospectos: mediante el análisis predictivo, el sistema podrá indicar la probabilidad de que un prospecto se convierta en una venta. Más interesante aún, el sistema le indicará por qué se llegó a esta puntuación (p. ej., canal de acceso del prospecto, sector, etcand so onand so forthand many others.). Por ejemplo, Salesforce Einstein , tendrá la funcionalidad de puntuación predictiva de prospectos.
Inteligencia artificialsynthetic para Atención al cliente
Clasificación automática de los casos de atención al cliente, lo que evita depender del agente de atención al cliente a la hora de tener que tomar una decisión y, por lo tanto, ahorra tiempo al agente.
Enrutamiento automático de casos una vez que la llamada se ha clasificado automáticamente, el sistema ya puede reenviar la llamada al agente mejor calificado para determinar el tipo de problema.
Recomendación de soluciones y bases de conocimiento. Esto aumenta la productividad y la calidad de un servicio, al sugerir la solución con mayores probabilidades de resolver el problema del cliente.
Comunicaciones de autoservicio. ResearchAnalysis muestra que la generación actualprecise de clientes prefiere el autoservicio (例えば, portal aplicación del cliente) en lugar de llamar por teléfono a un centro de atención. Gracias a la IA, las comunidades de servicios serán más inteligentes, 例えば, al personalizar el entorno que depende del cliente y sugerir soluciones de forma automática, ej. 顧客が撮影した写真に写っている製品を識別するために画像認識を使用すること.
Por ejemplo, チャットボットにより、顧客はテキストメッセージを送信してコミュニケーションを取ることができる.
マーケティング広告のための人工知能（AI）合成
マーケティング広告は、年々ますます分析的かつ定量的になってきている分野である. 予測分析およびAIの多くの手法は、主にマーケティング広告に適用される, 例えば, 顧客離れ予測のための予測モデリング, 購入確率および顧客セグメンテーションのためのクラスタリングモデル.
Estos son algunos de los nuevos avances de la IA en el marketingadvertisingadvertisingadvertising and advertising, de forma específica, algunas funcionalidades de MarketingAdvertisingAdvertisingAdvertising and advertising Cloud Einstein
Puntuación predictiva por correo electrónico: le permite a los profesionales de marketingadvertisingadvertisingadvertising and advertising saber (antes de lanzar una campaña de marketingadvertisingadvertisingadvertising and advertising para correo electrónico) cuál es la probabilidad de que sus clientes respondan a la campaña; bien, la abandonen. El objetivo aquí es anticipar la respuesta del cliente para ofrecer viajes verdaderamente personalizados;
Audiencias predictivas: con base en la puntuación predictiva, Será posible segmentar mejor su base de clientes y prospectos en función de un comportamiento predictivo al agrupar a personas que tienen puntos en común. Cuanto mayor sea la segmentación, mejor será la conversión;
Optimización del tiempo de envío: ¿es mejor enviar una campaña a las 2 p. m. a las 4four a. m.? Con la optimización del tiempo de envío, el algoritmo de IA le indicará la hora en que será más probablepossible que cada contacto en su base de clientes abra un correo electrónico y participe en su campaña.
La Inteligencia artificialsynthetic está transformando nuestras vidas y revolucionará rápidamente la manera en la que trabajamos.
GlobalInternationalWorld Blogs