El Fin Del Conocimiento - Bóveda 6/60 - CVPR - 2020 - Desafíos Abiertos para el Aprendizaje Automático Automatizado: Solucionando la Deuda Intelectual con Auto IA

graph LR classDef main fill:#f9d4f9, font-weight:bold, font-size:14px classDef basics fill:#f9d4d4, font-weight:bold, font-size:14px classDef applications fill:#d4f9d4, font-weight:bold, font-size:14px classDef challenges fill:#d4d4f9, font-weight:bold, font-size:14px classDef techniques fill:#f9f9d4, font-weight:bold, font-size:14px classDef future fill:#d4f9f9, font-weight:bold, font-size:14px Main["Desafíos Abiertos para
el Aprendizaje Automático:
Solucionando la Deuda Intelectual
con Auto IA"] --> A["Conceptos Básicos de IA
y Diseño"] Main --> B["Aplicaciones de IA"] Main --> C["Desafíos en
Sistemas de IA"] Main --> D["Técnicas y
Soluciones"] Main --> E["Direcciones Futuras"] A --> A1["IA hoy:
diseño de sistemas de aprendizaje
automático 1"] A --> A2["Alexa: múltiples
sistemas de aprendizaje
automático trabajando juntos 2"] A --> A3["Componentes de Alexa
utilizan aprendizaje automático 3"] A --> A4["Sistemas de IA
involucran grandes equipos 4"] A --> A5["Prime Air
usa algoritmos de control
similares al aprendizaje automático 5"] A --> A6["Arquitectura orientada a servicios
mejora escalabilidad, fiabilidad 10"] B --> B1["Optimización de la cadena
de suministro usa aprendizaje
automático 8"] B --> B2["ML predice
demanda de millones
de productos 9"] B --> B3["Cadena de suministro
de Amazon: la más grande
del mundo 24"] B --> B4["ML usado
en gestión de la
cadena de suministro 25"] B --> B5["Re-arquitectura de Amazon
llevó al desarrollo de AWS
26"] B --> B6["Cadena de suministro
automatizada crea ilusión
de disponibilidad instantánea 29"] C --> C1["Separación de
preocupaciones desafía la comprensión
del sistema 11"] C --> C2["Deuda intelectual:
comprensión de sistemas
interactuantes complejos 12"] C --> C3["Países en desarrollo
enfrentan restricciones para
desplegar IA 13"] C --> C4["AutoML se centra
en componentes, ignora
interacciones 18"] C --> C5["Biosupervisión en Uganda
enfrenta desafíos de gestión
de recursos 20"] C --> C6["Interacciones imprevistas
causan problemas en
sistemas separados 27"] D --> D1["Simuladores predicen
rendimiento sin pruebas
en el mundo real 6"] D --> D2["Emulación de múltiples fidelidades
combina simulaciones con
datos 7"] D --> D3["Auto IA
automatiza funciones en
sistemas complejos 14"] D --> D4["Emulación clave
para gestionar IA
compleja 15"] D --> D5["Emulación profunda
modela subsistemas e
interacciones 16"] D --> D6["Monitoreo de modelos,
predicción de efectos crucial
para ML 17"] E --> E1["Ciencia de Datos
África necesita IA
eficiente y automatizada 19"] E --> E2["Monitoreo de radio
local usa detección
de palabras clave 21"] E --> E3["IA segura
requiere comprensión de
interacciones del sistema 22"] E --> E4["Deuda técnica e
intelectual importantes
en IA 23"] E --> E5["Monitoreo de cultivos
en Uganda necesita IA
de extremo a extremo 28"] E --> E6["Enfoque en
emulación para despliegues
escalables de IA 30"] class Main main class A,A1,A2,A3,A4,A5,A6 basics class B,B1,B2,B3,B4,B5,B6 applications class C,C1,C2,C3,C4,C5,C6 challenges class D,D1,D2,D3,D4,D5,D6 techniques class E,E1,E2,E3,E4,E5,E6 future

Resumen:

1.- La IA hoy en día es principalmente diseño de sistemas de aprendizaje automático, combinando modelos de ML para resolver tareas.

2.- Alexa es un ejemplo de IA compuesta por múltiples sistemas de aprendizaje automático trabajando juntos.

3.- El reconocimiento de voz, la conversión de texto a voz y el procesamiento de consultas en Alexa utilizan componentes de aprendizaje automático.

4.- Los sistemas de IA de Amazon involucran grandes equipos de personas, incluidos ejecutivos, científicos e ingenieros.

5.- Los drones de entrega de Prime Air utilizan algoritmos de control similares a las técnicas de aprendizaje automático.

6.- Se utilizan simuladores y emuladores estadísticos para predecir el rendimiento del sistema sin pruebas en el mundo real.

7.- La emulación de múltiples fidelidades combina predicciones de simuladores con datos del mundo real para mejorar la precisión.

8.- La optimización de la cadena de suministro utiliza aprendizaje automático para igualar la demanda de productos con el suministro.

9.- Los equipos de pronóstico utilizan ML para predecir la demanda de cientos de millones de productos semanalmente.

10.- La arquitectura orientada a servicios reemplazó las bases de código monolíticas, mejorando la escalabilidad y la fiabilidad.

11.- La separación de preocupaciones en la arquitectura de software puede llevar a desafíos en la comprensión de las interacciones del sistema.

12.- La deuda intelectual se refiere al desafío de comprender sistemas complejos con muchos componentes interactuantes.

13.- Los proyectos en países en desarrollo enfrentan restricciones de recursos para desplegar sistemas de IA en comparación con grandes empresas tecnológicas.

14.- Auto IA tiene como objetivo automatizar muchas funciones que actualmente se realizan manualmente en sistemas de IA complejos.

15.- La emulación es clave para comprender y gestionar sistemas de IA complejos con múltiples componentes interactuantes.

16.- La emulación profunda implica el uso de emuladores de aprendizaje automático para modelar diferentes subsistemas y sus interacciones.

17.- El monitoreo de modelos en producción y la predicción de efectos ascendentes/descendentes es crucial para los sistemas de ML desplegados.

18.- AutoML se centra en componentes individuales de ML, pero los sistemas del mundo real requieren comprensión de las interacciones de componentes.

19.- Los proyectos de Ciencia de Datos África demuestran la necesidad de sistemas de IA eficientes y automatizados en entornos con recursos limitados.

20.- La biosupervisión y el monitoreo de enfermedades en Uganda enfrentan desafíos debido a recursos limitados para la gestión del sistema.

21.- El monitoreo de radio local utiliza detección de palabras clave y análisis de fragmentos para identificar problemas comunitarios.

22.- El despliegue seguro y explicable de IA requiere comprensión de las interacciones y efectos del sistema.

23.- La deuda técnica y la deuda intelectual son consideraciones importantes en el desarrollo de sistemas de IA complejos.

24.- El sistema de optimización de la cadena de suministro en Amazon se describe como uno de los sistemas de IA más grandes del mundo.

25.- El aprendizaje automático se utiliza en varios aspectos de la gestión de la cadena de suministro, incluida la previsión de la demanda y la optimización del inventario.

26.- La re-arquitectura del sitio web de Amazon llevó al desarrollo de AWS y servicios en la nube.

27.- Surgen desafíos cuando ocurren problemas debido a interacciones imprevistas entre componentes del sistema separados.

28.- El monitoreo móvil de enfermedades de cultivos en Uganda demuestra la necesidad de sistemas de IA de extremo a extremo en entornos con recursos limitados.

29.- La toma de decisiones automatizada en la gestión de la cadena de suministro crea una ilusión de disponibilidad instantánea de productos.

30.- El orador aboga por que la comunidad de IA se enfoque en técnicas de emulación sofisticadas para despliegues escalables.

Bóveda del Conocimiento construida porDavid Vivancos 2024