La inteligencia artificial (IA, en inglés AI) es software que imita capacidades humanas como ver, entender el lenguaje, hacer predicciones y crear contenido. En AI-900 no se espera que construyas IA desde cero. Se espera que reconozcas qué tipo de problema puede resolver la IA, qué servicio de Azure encaja y cómo se ve un uso responsable. Casi todo en la IA moderna se apoya en una sola idea: un modelo que ha aprendido patrones a partir de datos.
El software tradicional está basado en reglas. Un desarrollador escribe lógica explícita, como 'si el total del pedido es mayor que 100, aplica envío gratis'. Eso funciona cuando las reglas son conocidas y estables. Deja de funcionar en tareas donde nadie puede escribir las reglas, como distinguir un gato de un perro en una foto o decidir si una reseña suena molesta. Hay demasiadas variaciones para enumerarlas.
El aprendizaje automático (machine learning, ML) le da la vuelta a esto. En lugar de escribir las reglas, le das a un algoritmo muchos ejemplos de entradas y, normalmente, las salidas correctas. El entrenamiento ajusta los valores internos del modelo hasta que sus salidas coinciden con los ejemplos lo mejor posible. El resultado es un modelo: una función que recibe una entrada nueva y devuelve una predicción. Usar el modelo entrenado con datos nuevos se llama inferencia (inferencing o inference).
Como el modelo aprendió de ejemplos, su salida es una mejor estimación basada en probabilidades, no una verdad garantizada. Un modelo de visión podría decir 'perro, 94% de confianza'. Un modelo de lenguaje podría escribir un párrafo fluido que contiene un error. Por eso las soluciones de IA necesitan pruebas, supervisión humana y los principios de IA responsable que estudiarás más adelante en este dominio. También por eso importan tanto la calidad y la representatividad de los datos de entrenamiento: un modelo solo puede aprender patrones que estén presentes en sus datos, incluidos los no deseados, como el sesgo.
La mayor parte de la IA que verás en el examen se entrega como servicio. Azure AI services (Vision, Language, Speech, Translator, Document Intelligence, Content Safety y otros) exponen modelos preentrenados a través de una API, así que envías una imagen o un texto y recibes resultados. Azure Machine Learning sirve para entrenar tus propios modelos con tus propios datos. Microsoft Foundry reúne modelos de IA generativa, agentes y servicios de IA en un solo portal. Saber cuál de estos elegir para un escenario es una gran parte de AI-900.
Términos clave
- Model (modelo)
- Una función aprendida a partir de datos que recibe una entrada nueva y devuelve una predicción, etiqueta, puntuación o contenido generado.
- Training (entrenamiento)
- El proceso de ajustar los valores internos de un modelo usando datos de ejemplo hasta que sus salidas coincidan bien con los ejemplos.
- Inference (inferencia)
- Usar un modelo entrenado para hacer predicciones sobre datos nuevos; también se llama inferencing o scoring.
- Rule-based software (software basado en reglas)
- Software cuyo comportamiento proviene de lógica explícita escrita por un desarrollador y no de patrones aprendidos de los datos.
Un filtro de spam escrito con reglas podría bloquear cualquier correo que contenga la palabra 'premio'. Los spammers cambian rápido la redacción. Un filtro de spam con machine learning se entrena con miles de correos ya marcados como spam o no spam, aprende cientos de señales sutiles y sigue mejorando cuando se vuelve a entrenar con mensajes reportados recientemente.
Comprueba lo que sabes
¿Cuál es la diferencia entre entrenamiento e inferencia?
El entrenamiento construye el modelo a partir de datos de ejemplo; la inferencia usa el modelo entrenado para hacer predicciones sobre datos nuevos.
¿Por qué dos entradas parecidas a un modelo de IA pueden dar una respuesta equivocada para una de ellas?
Un modelo da una predicción basada en probabilidades aprendida de sus datos de entrenamiento, no un resultado garantizado, así que las entradas inusuales o poco representadas pueden clasificarse mal.