Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
1
respuesta

Haga lo que hicimos en aula: analizar AI generativa

  1. Documenta las ganancias de productividad y calidad alcanzadas por los consultores al utilizar ChatGPT y otros enfoques.
    En el caso de estudio Navegando la frontera tecnológica de la IA. Dentro de las ganancias que se lograron evidenciar en este caso es que la ganancia de productividad con GPT completaron un 12,2% más tareas y fueron 25,1% más rapido. La calidad de las respuestas aumento en más de 40% para los grupos con IA en la frontera. Reducción de la precisión en 19 puntos porcentuales para tareas fuera de la fronterac de la IA, requiriendo supervisión humana. Para este punto, el humano se dio cuenta que no estaba totalmente correcto la respuesta dada por la IA, es aquí donde se evidencia las alucinaciones, las tareas no están bien, hay uhna reducción de la precisión de la tarea.

  2. Estructura una tabla comparando métricas como tiempo de ejecución, tasa de finalización y precisión entre los enfoques con y sin IA.

Ingrese aquí la descripción de esta imagen para ayudar con la accesibilidad

  1. Define, de forma clara, las diferencias entre IA tradicional e IA generativa con ejemplos prácticos de clasificación de datos.
    La IA tradicional son sistemas basados en reglas y algoritmos de Machine Learning más simple. Un ejemplo de esto es cuando la IA define a partir de una imagen si es una persona o un animal, solo dice es persona o animal, ya que no tiene dentro de su sistema más caracteristicas.
    La IA Generativa usa redes neuronales profundas (Deep Learning) para generar respuestas dinámicas, adaptandose al contexto. Un ejemplo de esto son los bancos que usan la IA generativa para el reconocimiento facial, toman en cuenta caracteristicas de las personas para lograrlas identificar, al del mismo modo cuando solicitan huella en los bancos.
  2. Registra las diferencias entre los métodos de aprendizaje automático y aprendizaje profundo, evidenciando sus aplicaciones.
    Aprendizaje automático (Machine learning) como input (Entrada) de entrada se le indica caracteristicas, por ejemplo se le indica como es un gato, color, peso, pelaje, etc. Lo siguiente que pasa es la extracción de caracteristicas, clasificación y output (salida) en el ejemplo los mismos porcentajes para gato y perro. Dentro de sus aplicaciones están: Recopilacion de datos historicos, limpiar y preparar los datos, entrenar un algoritmo con ejemplos.
    Aprendizaje profundo (Deep Learning) como input (entrada) en el ejemplo de los animales, se le da una imagen de un gato, aprende carateristcas y realiza clasificación, y como Output da un resultado con mayor precision. Dentro de sus aplicaciones está: reunir una cantidad suficiente de datos, seleccionar una arquitectura de red neuronal, entrenar la red para identificar patrones, validad y ajustar el modelo.
  3. Organiza en un cuadro las familias de análisis (descriptivo, predictivo, diagnóstico y prescriptivo) y sus contextos de uso.
    Análisis descriptivo: responde a la preguntra que está sucediendo y Por qué? Es un análisis exploratorio de datos, correlación.
    Análisis predictivo: Que va a suceder? Regresión, clasificación y predicción de los eventos que puedan suceder.
    Análisis Diagnóstico: Por qué sucedió esto? Se realizan experimentos, prueba A/B
    Análisis prescriptivo: Que debo hacer, dados los recursos que tengo, objetivos y limites? Asignación, decisión y planificación. Se arma un plan con los datos que se tienen para poder tomar decisiones.
  4. Compila un panorama de las aplicaciones de IA presentadas (como ChatGPT, Mid Journey, Eleven Labs) y sus respectivas funciones.
  • Aplicaciones como ChatGPT, Claude y Gemini son usadas parav redactar, resumir, adaptar y estructurar información.
  • Para la creación de piezas visuales como videos, animaciones y recursos visuales se pueden utilizar aplicaciones como Midjourney, Runway, Canva, Google AI Studio Nano Banana.
  • Para diseñar, prototipar y programar con asistencia de IA está GitHub Copilot, Cursor y Replit.
  • Para idear, diseñar y testear está Lovable, VO, Figma make.
  • Si se quiere adaptar un mensaje de acuerdo al perfil, comportamiento o contexto se puede usar Adobe, Salesforce
  • Para detectar patrones, metricas y oportunidades de mjora está PowerBI, Tableau, looker.
  • Para agrupar audiencias y activar campañar más precisas está Hubspot, Klaviyo
1 respuesta

¡Hola, Juana Valentina! ¿Cómo estás?

Gracias por compartir tu actividad. Tu tabla está muy completa, ya que incluye el grupo con IA y capacitación y separa las tareas dentro y fuera de la frontera. Los porcentajes de reducción de tiempo que calculaste también son correctos. Además, el panorama de aplicaciones quedó muy bien organizado por tipo de tarea.

Algunos ajustes que podrían fortalecer tu entrega:

  • Interpretación de la precisión: según tu propia tabla, la precisión baja de 84% a 71% con IA, pero sube a 80% con capacitación. Es decir, la capacitación redujo la caída en lugar de acentuarla. También hay un pequeño detalle en la calidad del grupo con capacitación, que debería ser 5,86/10 y no "minutos".
  • Ejemplo de IA generativa: el reconocimiento facial y la huella en los bancos son aplicaciones de aprendizaje profundo, pero no de IA generativa, porque clasifican e identifican, no crean contenido nuevo. Un ejemplo más preciso sería una IA que lee un ticket de soporte y redacta una respuesta para el cliente.
  • Aplicaciones de ML y DL: en el punto 4, lo que aparece como aplicaciones son en realidad los pasos del proceso de entrenamiento. Podrías complementarlo con usos concretos, como la detección de spam o el scoring crediticio para el aprendizaje automático, y el reconocimiento facial o los asistentes como ChatGPT para el aprendizaje profundo.

¡Excelente trabajo y sigue así!