Hace muchos años se investiga, pero ya estamos en la era de la IA y, así como hay muchas variedades de inteligencias en los humanos (capacidades, por ejemplo, no todos son buenos en algo como jugar fútbol), así también es en la IA. Aunque no hay una inteligencia que abarque todo tipo de capacidad o inteligencia (lo que se llama IA General), hay una IA específica para cada función requerida. Es por eso que hay 4 categorías de Inteligencia Artificial, también llamadas categorías de producto:

1. Predicciones numéricas: Todo tipo de predicciones, ya sea para la economía o para calcular niveles o suscripciones, todos sus valores son numéricos: 0 (no posible) y 1 (totalmente posible).
2. Clasificaciones: Por ejemplo, clasificar información o datos como insultos o comentarios tóxicos en las redes sociales.
3. Navegación robótica: Como autos que se manejan solos, soluciones para el medio ambiente y soluciones en casos de emergencia. Toda la robótica sigue avanzando para ser más efectiva, rápida, eficaz y eficiente.
4. Procesamiento de lenguaje: NLP (Natural Language Processing) comprensión del lenguaje natural: la importancia de comunicarse en lenguaje humano, extraer información e intención de las palabras e incluso generar contenido sobre estas.

La importancia del machine learning en vez de algoritmos es que los algoritmos tienen reglas y excepciones que no se pueden capturar en un algoritmo formulado de forma manual. Por eso, el entrenamiento y la experiencia son requeridos. Para eso está la construcción de modelos que con ellos se entrena y aprende automáticamente la computadora. Hay dos tipos de aprendizaje: supervisado (cada conjunto de datos de entrada coincide con un resultado esperado que podamos verificar) y no supervisado (utiliza datos sin estructurar, la IA busca conectar los datos sin saber qué quiere conectar). Dos tipos de datos sin estructurar son los datos que no tienen etiquetas o están desordenados, y los datos estructurados son aquellos que, por ejemplo, pueden estar en una hoja de cálculo etiquetados por importancia y ordenados.

Algunas palabras clave son:

• Nodo: Escenario de cómo se presentan las situaciones o datos según el modelo que armamos para entrenar la IA.
• Ponderación: Situación que es más posible.
• Sesgo: Superponer o ordenar el modelo para obtener una estimación más precisa.
• Red neuronal: La conexión de datos que se parece a la red de neuronas de nuestro cerebro.
• Experiencia: Datos que forman y entrenan a la IA.
• Capas: Varios nodos que se superponen formando capas de nodos, y el aprendizaje profundo se da por la cantidad de datos que se agregan en cada capa.

Usamos en este artículo la palabra modelo que se refiere a un ejemplo de los factores y tendencias que tienen que ser evaluados para poder tener un resultado en caso de buscar una solución o estimación. En el ejemplo que hay en Trailhead se explica en detalle el paso a paso para que la IA pueda llegar a realizar una estimación teniendo en cuenta la importancia o ponderación de la entrada.