problemas que anteriormente parec\u00edan ser demasiado complejos.<\/p>\n\n\n\n
El concepto de Inteligencia Artificial (AI)<\/strong> no es nuevo, pero solo hasta hace unos a\u00f1os se ha vuelto suficientemente \u00fatil y accesible para poder pensar en ella como una alternativa viable para integrar en productos y servicios digitales. <\/p>\n\n\n\n La Inteligencia Artificial<\/a><\/strong> (Artificial Inteligence<\/em> o AI<\/em>) se define como \u00abla capacidad de un sistema para interpretar datos externos, aprender de ellos y emplear ese aprendizaje para lograr tareas o metas concretas\u00bb<\/em>. <\/p>\n\n\n\n El t\u00e9rmino Inteligencia Artificial<\/strong> se aplica a una m\u00e1quina (hardware<\/em> o software<\/em>) que emula las funciones \u00abcognitivas\u00bb que los humanos asocian con las mentes humanas como: \u00abpercibir\u00bb, \u00abrazonar\u00bb, \u00abaprender\u00bb<\/em> o \u00abresolver problemas\u00bb.<\/em><\/p>\n\n\n\n En entornos tradicionales se utiliza un enfoque algor\u00edtmico<\/em> para resolver problemas:<\/p>\n\n\n\n Pero no todos los problemas pueden ser resueltos de esta manera: \u00bfqu\u00e9 pasa en situaciones donde los datos no son claros? \u00bfQu\u00e9 pasa cuando las reglas tienen demasiadas excepciones o cambian seg\u00fan el contexto donde se apliquen?<\/p>\n\n\n\n Es justo en estos escenarios donde los enfoques de AI <\/strong>son \u00fatiles para deducir las reglas a partir de un grupo de datos:<\/p>\n\n\n\n El Aprendizaje Automatizado<\/a><\/strong> o <\/a>Machine Learning (ML)<\/a><\/em> es una rama de la Inteligencia Artificial<\/strong> que se utiliza algoritmos\u00a0y\u00a0heur\u00edsticas\u00a0para convertir\u00a0muestras\u00a0de datos en\u00a0modelos capaces de generalizar comportamientos e inferencias para un conjunto m\u00e1s amplio o infinito de datos.<\/p>\n\n\n\n Los modelos de Machine Learning<\/strong> pueden utilizarse en muchos casos de uso: desde detecci\u00f3n de texto, reconocimiento de im\u00e1genes, rostros hasta la detecci\u00f3n de patrones en vol\u00famenes de datos muy grandes.<\/p>\n\n\n\n Las aplicaciones pr\u00e1cticas de AI <\/strong>y ML <\/strong>en el dise\u00f1o de Experiencia de Usuario a\u00fan se est\u00e1n descubriendo, pero la relaci\u00f3n es clara: <\/p>\n\n\n\n AI puede ayudar a comprender mejor los problemas, necesidades y contexto de un usuario para minimizar su trabajo y su carga cognitiva. <\/em><\/p><\/blockquote>\n\n\n\n AI <\/strong>tambi\u00e9n puede ayudar a definir las mejores opciones para un usuario si conoce su historial y lo puede comparar con perfiles similares para predecir comportamiento. AI <\/strong>es una herramienta poderosa para crear experiencias personalizadas y din\u00e1micas que ya est\u00e1 en muchas aplicaciones: desde las recomendaciones de <\/a>Netflix<\/a><\/strong> o el sistema de reservaci\u00f3n de vuelos de <\/a>Google<\/a><\/strong>, hasta los coches que se manejan solos<\/a>.<\/p>\n\n\n\n Est\u00e1 claro que los dise\u00f1adores de UX <\/strong>a\u00fan tenemos mucho que aprender sobre ML <\/strong>para que nuestros usuarios se sientan en control de la tecnolog\u00eda que utilizan. Como fue el caso con la revoluci\u00f3n m\u00f3vil, y la web anterior a eso, ML <\/strong>har\u00e1 que reconsideremos, reestructuremos, desplacemos y consideremos nuevas posibilidades para pr\u00e1cticamente cada experiencia que construimos.<\/p>\n\n\n\n Un equipo en Google <\/strong>de UX e Inteligencia Artificial llamado People + AI Research (PAIR)<\/a><\/strong> iniciaron hace unos meses un proyecto denominado \u00abAprendizaje Autom\u00e1tico Centrado en Seres Humanos<\/a>\u00ab<\/strong> (Human-Centered Machine Learning<\/em> o HCML<\/em>) con el objetivo de utilizar ML <\/strong>para en las resolver necesidades humanas de una manera \u00fanica.<\/p>\n\n\n\n Para documentar su proceso, publicaron un libro online<\/em> llamado \u00abPeople + AI Guidebook\u00bb<\/a><\/strong> con 6 puntos clave<\/strong> para dise\u00f1o de productos de AI <\/strong>centrados en las personas:<\/p>\n\n\n\n Identifica las necesidades del usuario, encuentra oportunidades para resolver problemas con IA y dise\u00f1a la funci\u00f3n de recompensa.<\/p>\n\n\n\n Decide qu\u00e9 datos se requieren para satisfacer las necesidades del usuario, el origen de los datos y comienza a entrenar la AI.<\/p>\n\n\n\n Muestra a los usuarios el sistema de inteligencia artificial y define las expectativas de ajustes al producto en el corto y mediano plazo.<\/p>\n\n\n\n Explica el sistema de inteligencia artificial y determina si, cu\u00e1ndo y c\u00f3mo mostrar la confiabilidad del modelo.<\/p>\n\n\n\n Dise\u00f1a mecanismos de retroalimentaci\u00f3n y control para mejorar la inteligencia artificial y la experiencia del usuario.<\/p>\n\n\n\n Identifica y diagnostica los errores de AI <\/strong>y de contexto, y define los siguientes pasos.<\/p>\n\n\n\nHablemos de Inteligencia Artificial<\/h3>\n\n\n\n
![\"Reglas](\"https:\/\/i0.wp.com\/www.tesseractspace.com\/blog\/wp-content\/uploads\/2022\/05\/machineLearning01.png?resize=640%2C172&ssl=1\")
![\"\"](\"https:\/\/i0.wp.com\/www.tesseractspace.com\/blog\/wp-content\/uploads\/2022\/05\/machineLearning02-2.png?resize=640%2C195&ssl=1\")
![\"\"](\"https:\/\/i0.wp.com\/www.tesseractspace.com\/blog\/wp-content\/uploads\/2022\/05\/machineLearning03-1.png?resize=640%2C149&ssl=1\")
AI y ML en Experiencia de Usuario<\/h3>\n\n\n\n
Human-Centered Machine Learning<\/h3>\n\n\n\n
1. Define las necesidades del usuario y el \u00e9xito del producto<\/a>.<\/h4>\n\n\n\n
2. Recopilaci\u00f3n de datos + Evaluaci\u00f3n<\/a>.<\/h4>\n\n\n\n
3. Modelos mentales<\/a>.<\/h4>\n\n\n\n
4. Claridad + Confianza<\/a>.<\/h4>\n\n\n\n
5. Retroalimentaci\u00f3n + Control<\/a>.<\/h4>\n\n\n\n
6. Errores + Fracaso feliz<\/a>.<\/h4>\n\n\n\n
Conclusi\u00f3n<\/h3>\n\n\n\n