Diga ‘hola’ a las máquinas eruditas que construyen el diseño + construcción de la máquina de cajeros automáticos bitcoin en venta

La inteligencia artificial no se trata solo de T-800s y Skynet o mejor conocido como el cocodrilo que persiguió los sueños de Stephen Hawking. La inteligencia artificial, y todo lo que se incluye bajo ese amplio paraguas, ya está en funcionamiento todos los días para hacer nuestras vidas más fáciles. El aprendizaje automático, aunque no tan emocionante como otras formas de IA, es una de las aplicaciones de AI más útiles y ubicuas en uso.

Mucha gente piensa que la inteligencia artificial y el aprendizaje automático son sinónimos entre sí, pero ese no es el caso. Donde AI es un término amplio que denota el concepto completo de erudito máquinas, el aprendizaje automático es una aplicación específica de AI más relacionada con la minería de datos o las estadísticas. Es un subconjunto de AI que toma datos, los alimenta a un programa de computadora y luego aprende de esos datos para crear un modelo y, finalmente, una predicción.

¿Pero qué significa exactamente aprender en este contexto? De acuerdo con una definición ampliamente citada de Tom Mitchell, un profesor en el Aprendizaje automático Departamento en la Facultad de Ciencias de la Computación de la Universidad Carnegie Mellon, “A programa de computadora se dice que aprende de la experiencia ‘E’ con respecto a una clase de tareas ‘T’ y la medida de rendimiento ‘P’ si su desempeño en tareas en ‘T’, medido por ‘P’, mejora con la experiencia ‘E.’ ” En resumen, se dice que un programa informático ha aprendido si puede mejorar el resultado de una tarea específica en función de la experiencia pasada que se le ha proporcionado.

En WeWork, una compañía que se especializa en crear espacios de trabajo conjunto y oficinas, el aprendizaje automático se utiliza para determinar mejor la cantidad correcta de salas de reuniones en un edificio de oficinas determinado para evitar los factores estresantes para los empleados asociados con la escasez de salas de reuniones. o la ineficiencia del espacio desperdiciado asociado a que haya demasiados.

Cuantos más datos se proporcionen las redes neuronales, mejor será el modelo y más precisas serán las predicciones. En otras palabras, la experiencia “E” (los datos) está mejorando la medida de rendimiento “P” (precisión de la ocupación pronosticada de las salas de reuniones frente a la ocupación real) de la tarea “T” (prediciendo cuántos salas de reuniones son necesarios en base a datos no vistos anteriormente).

Este proceso crea un ciclo de retroalimentación: los edificios proporcionan datos que se utilizan para generar una predicción, lo que informa el diseño de un diseño más eficiente y mejor diseñado. edificio. Ese edificio proporciona mejores datos, lo que refinará la predicción para crear un mejor edificio. Las máquinas continúan siendo más inteligentes y los edificios continúan mejorando.

WeWork ha calculado que el aprendizaje automático es aproximadamente un 40% más preciso en términos de estimar la ocupación prevista del salas de reuniones versus la ocupación real (conocido como el sesgo de predicción) en comparación con los diseñadores humanos. Este porcentaje solo debería aumentar a medida que se recopilan más datos y se introducen en la red neuronal, y el bucle avanza a lo largo de su trayectoria continua.

De manera similar, ZGF Architects está explorando técnicas estadísticas de aprendizaje automático para construir modelos que identifiquen cómo los elementos de diseño específicos contribuyen a la satisfacción general de los ocupantes además del uso del espacio. ZGF usa los datos que recopila por sí mismo, pero también incorpora datos de los clientes de los sensores de utilización del espacio, rastreo por GPS, insignias de identificación y reservas de salas de conferencia.

“Con más datos, más podemos centrarnos en los factores más responsables, por ejemplo, de por qué las características de ciertas salas de conferencias lo hacen más exitoso que los de otra sala de conferencias”, dice Tim Deak, estratega de trabajo con ZGF. “También podremos decir, con cierta confianza, qué tan bien podemos esperar una articulación de diseño en particular en un entorno de proyecto similar”.

ZGF está actualmente desarrollando una herramienta de clasificación que utilizará el aprendizaje automático para mejorar la forma en que la empresa realiza estudios de ocupación. Antes de que ZGF comience a diseñar un proyecto, la firma evalúa los espacios existentes de los clientes para comprender mejor cómo se usan. Esta información se usa para informar al equipo de las mejores formas de optimizar el nuevo proyecto para que los empleados hagan el mejor uso de su espacio.

Si el empleado usa una silla de oficina que no está en la biblioteca de Google, ahí es donde entra la belleza del aprendizaje automático. “Si la silla de oficina favorita de un cliente no está en la biblioteca de Google, capturaremos videos de 360 ​​grados de la silla y entrena a nuestras máquinas para que lo reconozcan “, dice Stokes. La próxima vez que la máquina se encuentre con esa silla, será reconocida y categorizada inmediatamente. Esto se conoce como aprendizaje supervisado. Según Stokes, este proceso ayudará a ahorrar tiempo y dinero al “reducir enormemente la cantidad de insumos humanos necesarios, al mismo tiempo que nos ayuda a producir mejores diseños en el futuro”.

banner