Aprendizaje automático en acción Casos de uso del mundo real Ppt de capacitación

Diapositiva 3

Esta diapositiva analiza la importancia de la traducción de idiomas, ya que es un medio de comunicación que conecta a personas de varias comunidades multilingües. También enfatiza la importancia crítica de desarrollar soluciones técnicas innovadoras para el antiguo problema de la brecha digital que pueden causar las limitaciones lingüísticas.

Diapositiva 4

Esta diapositiva analiza Google Translate como un caso de uso de la traducción automática de idiomas a través del aprendizaje automático. Google Translate es una herramienta de traducción multilingüe que Google proporciona de forma gratuita. Tiene una interfaz de sitio web y aplicaciones móviles Android e iOS, y los desarrolladores pueden usar su interfaz de programación de aplicaciones (API) para crear extensiones de navegador y aplicaciones de software.

Notas del instructor:

Google Translate atiende a más de 500 millones de personas todos los días y traduce más de 100 mil millones de palabras por día.

Diapositiva 5

Esta diapositiva presenta Microsoft Translator como un caso de uso de la traducción automática de idiomas mediante el aprendizaje automático. Microsoft Translator es un servicio en la nube de traducción automática (MT) multilingüe que funciona con aplicaciones de consumidores, desarrolladores y empresas.

Diapositiva 6

Esta diapositiva habla sobre el traductor de Facebook, que es otra herramienta utilizada para la traducción automática de idiomas. Facebook Translator (FT) introdujo una nueva herramienta de traducción y un enfoque que permitió a los usuarios traducir el sitio a sus idiomas. Es compatible con más de 100 idiomas.

Diapositiva 7

Esta diapositiva enumera las limitaciones de la traducción automática de idiomas, como que el contenido pierde su elemento conciso, la corrección dudosa de la traducción, la falta de precisión, la mala calidad y las limitaciones tecnológicas.

Notas del instructor:

• El contenido pierde su elemento conciso: al usar una palabra alternativa para cada palabra en el idioma de origen, las técnicas de traducción automática diluyen la concisión de la información, lo que hace que la comunicación sea larga, ofende al lector y desvía su atención del objetivo principal del texto.
• Dudosa corrección de la traducción: En cualquier idioma, la precisión es imprescindible para una comunicación eficaz. Como resultado, es fundamental recordar que nunca se debe sacrificar la integridad del contenido al traducir un documento a otro idioma. Durante el proceso de traducción, la traducción automática no puede mantener la precisión del texto.
• Falta de precisión: las traducciones asistidas por computadora (CAT) no pueden estar a la par con las traducciones humanas en términos de precisión al traducir terminología ambigua. Los traductores humanos con amplia experiencia pueden garantizar que los materiales traducidos sean precisos, exactos y consistentes.
• Mala calidad: La baja calidad del texto traducido es una desventaja fundamental de la traducción automática. Las traducciones automáticas no pueden colocar el texto en su contexto adecuado y los traductores humanos deben tener en cuenta las referencias culturales, los modismos coloquiales, la jerga industrial y otros matices.
• Limitaciones tecnológicas: Muchas soluciones especializadas en este campo no se pueden manejar ya que la traducción automática sigue principios sistemáticos. La traducción automática no puede traducir desde formatos de archivo, como PDF, DOC y TXT

Diapositiva 8

Esta diapositiva ilustra la importancia del aprendizaje automático en el diagnóstico médico. La inteligencia artificial y el aprendizaje automático se han convertido en herramientas vitales para resolver problemas complicados en las disciplinas en los últimos años. El diagnóstico asistido por aprendizaje automático, en particular, tiene el potencial de revolucionar la atención médica al aprovechar grandes cantidades de datos de pacientes para brindar diagnósticos exactos y personalizados.

Diapositiva 9

Esta diapositiva muestra cómo el aprendizaje automático puede mejorar el modelo de diagnóstico en función de la información que proporcionan los datos clínicos. La información incluye todo, desde síntomas clínicos hasta pruebas bioquímicas y resultados de equipos de imágenes.

Notas para el instructor: los tipos de datos que se pueden usar para lograr un diagnóstico médico preciso mediante el aprendizaje automático son:

• Datos de enfermedades: las medidas fisiológicas y los datos sobre enfermedades o síntomas reconocidos son ejemplos de datos de enfermedades.
• Datos ambientales: información sobre la exposición de una persona al medio ambiente, como fumar, tomar el sol y las condiciones climáticas
• Datos genéticos: toda o una parte significativa de la secuencia de ADN de un individuo se conoce como datos genéticos.

Diapositiva 10

Esta diapositiva enumera las ventajas del aprendizaje automático en el diagnóstico médico, como encontrar factores de riesgo, aumentar la eficiencia del diagnóstico y reducir las visitas innecesarias al hospital.

Notas del instructor:

• Encuentre factores de riesgo: descubra qué factores están más estrechamente relacionados con la posibilidad de contraer una enfermedad
• Aumente la eficiencia del diagnóstico: las enfermedades se pueden diagnosticar antes y con mayor precisión
• Reducir las visitas innecesarias al hospital: las visitas al hospital solo deben realizarse cuando el paciente realmente requiere atención médica.

Diapositiva 11

Esta diapositiva destaca las aplicaciones del aprendizaje automático en el diagnóstico médico. Estas aplicaciones incluyen patología, oncología, genética y genómica, dermatología y salud mental.

Notas del instructor:

• Patología: dada la escasez de patólogos en todo el mundo, existe un caso sólido para utilizar el aprendizaje automático para avanzar en esta disciplina. La patología también es rentable para las aplicaciones de inteligencia artificial debido a la necesidad de analizar conjuntos de datos masivos. El aprendizaje automático puede mejorar la precisión de los análisis de sangre y cultivos mediante la automatización de la cuantificación de tejidos y células, el mapeo de células enfermas y el marcado de áreas de interés en un portaobjetos médico. También puede ayudar a crear paradigmas de estadificación de tumores y aumentar la velocidad de escaneo de perfiles para mejorar la productividad de los profesionales de la salud.
• Oncología: En oncología, la relevancia de encontrar un tumor maligno de manera temprana es fundamental, y es por eso que la precisión y precisión diagnóstica son cruciales. Los oncólogos pueden usar Machine Learning para detectar el cáncer en sus primeras etapas. Los expertos médicos pueden detectar mutaciones somáticas usando técnicas como DeepGene (una mutación somática es un cambio adquirido en un código genético de una o más células)
• Genética y genómica: el aprendizaje automático y la inteligencia artificial (IA) son componentes esenciales de la genética preventiva. Los científicos están utilizando algoritmos para determinar cómo los medicamentos, los productos químicos y las variables ambientales afectan el ADN humano
• Dermatología: Los médicos anticipan que el uso de Machine Learning en esta disciplina reducirá la cantidad de biopsias innecesarias que deben realizar los dermatólogos. Hay implementaciones funcionales de Machine Learning disponibles, incluido un algoritmo que distingue los melanomas de las lesiones cutáneas benignas con mayor precisión que un ser humano, herramientas que rastrean el desarrollo y los cambios en los lunares de la piel. También puede ayudar a detectar condiciones patológicas y algoritmos que identifican marcadores biológicos para acné, hongos en las uñas y dermatitis seborreica.
• Salud mental: a través del aprendizaje automático, la inteligencia artificial puede tener un impacto revolucionario en la investigación de la salud mental y la eficiencia de los diagnósticos médicos. La terapia conductual cognitiva (TCC) personalizada impulsada por chatbots y terapeutas virtuales, y la prevención de enfermedades mentales mediante técnicas de aprendizaje automático pueden ayudar a los grupos de alto riesgo a evitar el aislamiento social. También puede ayudar a identificar grupos con alto riesgo de suicidio y brindarles apoyo y asistencia. El aprendizaje automático se está utilizando para diagnosticar la depresión clínica, el trastorno bipolar, la ansiedad y otras enfermedades mentales

Diapositiva 12

Esta diapositiva destaca las aplicaciones del aprendizaje automático en el diagnóstico médico. Estas aplicaciones incluyen neurología, cuidados intensivos, atención oftalmológica, diabetes y salud pública.

Notas del instructor:

• Neurología: la incorporación del aprendizaje automático en la recopilación, el procesamiento y la interpretación de los datos de investigación beneficia a la neurociencia y la neurología. Las tecnologías innovadoras son fundamentales para ampliar la frontera de la investigación neurológica, desde el procesamiento de escaneos hasta el suministro de información sobre el cerebro humano y el reconocimiento de patrones de comportamiento.
• Cuidados críticos: en la UCI, el aprendizaje automático puede ayudar a los médicos a identificar pacientes de alto riesgo, asegurando que no se ignoren los primeros signos de deterioro. Las tecnologías innovadoras pueden ofrecer a los médicos información sobre la salud de sus pacientes en la UCI. Los médicos de cuidados intensivos, por ejemplo, descubrieron que los pacientes con delirio responden más a la luz (que al ruido) mediante el uso de la tecnología.
• Cuidado de la vista: las herramientas de detección de la vista impulsadas por IA que ayudan a brindar un diagnóstico médico en el punto de atención basado en el aprendizaje automático para enfermedades oftalmológicas se encuentran entre los desarrollos más recientes que están utilizando los centros de atención médica. También ayuda a detectar la retinopatía diabética y proporciona información sobre el tratamiento a los médicos mediante la evaluación de los datos del paciente. La detección de glaucoma y cataratas de alta precisión también se puede realizar con la implementación de Machine Learning
• Diabetes: el aprendizaje automático puede ayudar en esta área mediante el uso de modelos de máquinas vectoriales y el desarrollo de redes neuronales para la detección de prediabetes, el establecimiento de herramientas para administrar la administración de insulina personalizada y la creación de sistemas de páncreas artificiales. Puede ayudar a identificar indicadores genéticos y de otro tipo para la diabetes y predecir problemas tratables en pacientes diabéticos para mejorar su calidad de vida.
• Salud pública: los trabajadores de la salud pueden usar Machine Learning para ampliar el alcance de los diagnósticos médicos y pasar de examinar casos individuales a monitorear comunidades y anticipar brotes de enfermedades.

Diapositiva 13

Esta diapositiva muestra a los pioneros en el campo del diagnóstico médico que han implementado el aprendizaje automático. Estos incluyen Google Health, Corti, IBM Watson Health y MedX.

Notas del instructor:

• Google Health: Google Health se asoció con el equipo de DeepMind para desarrollar un algoritmo de diagnóstico de cáncer de mama. El sistema resultante fue un éxito significativo, superando a los radiólogos humanos en precisión diagnóstica.
• Corti: Corti es un software basado en inteligencia artificial que ayuda a los médicos de la sala de emergencias a extraer información de las interacciones con los pacientes. Además de evaluar el contenido de la conversación, el sistema registra las entonaciones vocales de la persona que llama y analiza el ruido de fondo para brindarle al personal médico una imagen completa de la situación en el terreno.
• IBM Watson Health: Watson Health presentó recientemente un innovador programa de detección temprana del cáncer de mama. Biorasi, una plataforma para optimizar la fabricación de medicamentos, también fue desarrollada por la empresa
• MedX: este negocio de Silicon Valley está revolucionando la atención médica utilizando la ciencia de datos y el análisis predictivo. En lugar de centrarse en el contacto directo entre médicos y pacientes, la empresa proporciona herramientas para tomar decisiones operativas inteligentes

Diapositiva 14

Esta diapositiva presenta el reconocimiento de imágenes. Encontrar objetos de interés dentro de una imagen y determinar a qué categoría pertenecen se conoce como reconocimiento de imágenes.

Notas del instructor: el reconocimiento de imágenes es una aplicación de visión artificial que implica tareas como la detección de objetos, la identificación de imágenes y la categorización de imágenes.

Diapositiva 15

Esta diapositiva analiza el funcionamiento del reconocimiento de imágenes mediante el aprendizaje automático. Las técnicas de aprendizaje automático se utilizan para extraer conocimiento oculto de un conjunto de datos de muestras buenas y malas para reconocer imágenes.

Notas para el instructor: cuando se combina con GPU y tecnología de inteligencia artificial robusta, Deep Learning permite avances significativos en el campo del reconocimiento de imágenes. Los algoritmos de clasificación de imágenes y reconocimiento facial que utilizan Deep Learning alcanzan un rendimiento a nivel humano en la detección de objetos en tiempo real.

Diapositiva 16

Esta diapositiva ilustra los modelos de reconocimiento de imágenes de aprendizaje automático, como las máquinas de vectores de soporte, los modelos de bolsa de características y el algoritmo de Viola Jones.

Notas del instructor:

• Máquinas de vectores de soporte: las SVM funcionan mediante la creación de histogramas de imágenes que pueden o no contener los elementos de destino. A continuación, el programa compara los valores de histograma entrenados con los de partes de la imagen de prueba para ver si hay coincidencias.
• Modelos de bolsas de características: los modelos de bolsas de características como la transformación de características invariantes de escala (SIFT) y las regiones extremas máximamente estables (MSER) funcionan escaneando una imagen y comparándola con una foto de referencia del objeto que se va a descubrir. Luego, el píxel del modelo hace coincidir las características de la foto de muestra con las regiones de la imagen de destino para ver si hay coincidencias.
• Algoritmo de Viola Jones: Viola-Jones escanea los rostros de las personas y extrae características, que luego se introducen en un clasificador de refuerzo. Como resultado, se crean clasificadores potenciados y se utilizan para comprobar fotos de prueba. Una imagen de prueba debe arrojar un resultado positivo de cada clasificador para encontrar una coincidencia exitosa

Diapositiva 17

Esta diapositiva muestra la aplicación de reconocimiento de imágenes para análisis facial. La transmisión de video de cualquier cámara digital o cámara web se puede usar con tecnologías modernas de aprendizaje automático para realizar detección facial simultánea, estimación de postura facial, alineación facial, reconocimiento de género, detección de sonrisas, estimación de edad y reconocimiento facial.

Notas del instructor: La visión artificial permite que las computadoras determinen la identidad, las intenciones, el estado emocional y de salud, la edad y el origen étnico a través del análisis facial. Algunos programas de reconocimiento de fotografías incluso intentan utilizar una puntuación para definir los niveles de atractivo percibido.

Diapositiva 18

Esta diapositiva analiza los sistemas de identificación de imágenes con tecnología de aprendizaje automático que se utilizan en el sector agrícola. Estos sistemas emplean herramientas de última generación que han sido entrenadas para reconocer el tipo de animal y su comportamiento.

Diapositiva 19

Esta diapositiva presenta el reconocimiento de voz como una aplicación de aprendizaje automático. Es una característica que permite que un software de computadora convierta el habla humana en texto.

Diapositiva 20

Esta diapositiva muestra el funcionamiento de un sistema de reconocimiento de voz. El proceso de tres pasos incluye nivel de señal, nivel acústico y nivel de idioma que convierte una señal analógica en transcripción.

Diapositiva 21

Esta diapositiva enumera las características clave de un sistema de reconocimiento de voz eficaz y eficiente. Estas funciones incluyen la ponderación del idioma, el entrenamiento acústico, el etiquetado de los oradores y el filtrado de blasfemias.

Notas del instructor:

• Ponderación del idioma: puede mejorar la precisión al ponderar palabras específicas que se usan con frecuencia, como nombres de productos.
• Capacitación en acústica: estos sistemas impulsados por ML prestan atención a la parte acústica del negocio. Entrena al sistema para que se ajuste a los estilos de habla (como el tono de voz, el volumen y el ritmo) y los entornos acústicos (como los que se ven en los centros de llamadas)
• Etiquetado de oradores: estos sistemas pueden crear una transcripción de una conversación de múltiples participantes que hace referencia o etiqueta las contribuciones de cada orador
• Filtrado de blasfemias: los filtros se pueden usar para identificar palabras o frases específicas y limpiar la salida de audio

Diapositiva 22

Esta diapositiva muestra tipos de algoritmos de reconocimiento de voz. Estos incluyen el procesamiento del lenguaje natural, el modelo oculto de Markov, los N-gramas, las redes neuronales y la diarización del hablante.

Notas del instructor:

• Procesamiento del lenguaje natural: si bien el procesamiento del lenguaje natural (NLP) no es estrictamente un método específico para el reconocimiento de voz, es una rama de la inteligencia artificial que se enfoca en la interacción hombre-máquina a través de lenguajes, como el habla y el texto. Muchos dispositivos móviles tienen reconocimiento de voz integrado para realizar búsquedas por voz (p. ej., Siri) o para mejorar la accesibilidad de los mensajes.
• Modelo oculto de Markov: los modelos ocultos de Markov nos permiten agregar eventos ocultos en un modelo probabilístico, como etiquetas de parte del discurso. Se utilizan como modelos de secuencia en el reconocimiento de voz, asignando etiquetas a cada elemento de la secuencia, como palabras, sílabas, frases, etc. Estas etiquetas crean un mapeo con la entrada disponible, lo que le permite identificar la secuencia de etiquetas más relevante.
• N-Grams: este es el modelo de lenguaje más básico, en el que se asigna probabilidad a las oraciones o frases. Un N-grama es una colección de N palabras. Por ejemplo, "Ordena la pizza" es una frase de 3 gramos, mientras que "Por favor pide la pizza" es una frase de 4 gramos. La gramática y la probabilidad de secuencias de palabras particulares se utilizan para aumentar el reconocimiento y la precisión.
• Redes neuronales: los datos de entrenamiento se procesan mediante redes neuronales, que utilizan capas de nodos para replicar la interconexión del cerebro humano. Entradas, pesos, un sesgo y una salida conforman cada nodo. Si el valor de salida alcanza cierto umbral, el nodo se activa y los datos pasan al siguiente nivel de la red. A través del aprendizaje supervisado, las redes neuronales aprenden esta función de mapeo y luego la modifican mediante el descenso de gradiente basado en la función de pérdida.
• Diarización del hablante: los algoritmos de diarización del hablante reconocen y segmentan el habla en función de la identidad del hablante. Esto permite que los programas distingan entre las personas en una discusión y se usa comúnmente en los centros de contacto para distinguir entre clientes y ejecutivos de atención al cliente.

Diapositiva 23

Esta diapositiva muestra el caso de uso de IBM del reconocimiento de voz impulsado por Machine Learning. Las tecnologías y los servicios de reconocimiento de voz permiten a IBM automatizar operaciones comerciales complicadas mientras adquiere conocimientos comerciales críticos.

Notas del instructor:

• IBM Watson Speech to Text: IBM Watson Speech to Text es una solución basada en la nube que aplica información sobre gramática, estructura lingüística y composición de señales de audio/voz para generar un reconocimiento de voz personalizado para una transcripción de texto eficaz.
• IBM Watson Text to Speech: IBM Watson Text to Speech ofrece audio similar al humano a partir de texto escrito, ampliando la accesibilidad en todos los idiomas y modos de interacción y aumentando el compromiso y la felicidad del cliente.

Diapositiva 39 a 54

Estas diapositivas contienen actividades estimulantes para involucrar a la audiencia de la sesión de capacitación.

Diapositiva 55 a 82

Estas diapositivas contienen una propuesta de capacitación que cubre lo que la empresa que brinda capacitación corporativa puede lograr para el cliente.

Diapositiva 83 a 85

Estas diapositivas incluyen un formulario de evaluación de capacitación para el instructor, el contenido y la evaluación del curso.