Básicos UX

6 conceptos de Inteligencia Artificial que todo UX debe manejar

Trabajar en el mundo de las experiencias digitales es un desafío que exige mantenernos al tanto de los avances y desarrollos tecnológicos, especialmente cuando éstos pueden ser la solución ideal para las necesidades de las personas.

ampolleta y matriz de inteligencia artificial.

El entorno digital en el que nos movemos está cada vez más permeado por diversas áreas de las ciencias de la informática. Debido a esto, dominar las definiciones básicas de herramientas como el Machine Learning o la Inteligencia Artificial se vuelve fundamental para ser capaces de desarrollar productos y soluciones que se adapten a las necesidades reales de nuestros usuarios.

En el mundo, la tendencia indica que trabajar con el manejo de datos llegó para quedarse. Partiendo desde el Big Data, hasta los desarrollos que la Inteligencia Artificial nos permite crear. Por eso, es muy importante que, desde la mirada de quienes diseñan experiencias, seamos capaces de entender y manejar algunos conceptos básicos como los que listamos a continuación:

  1. Inteligencia Artificial

    De acuerdo a Google, podemos definir a la Inteligencia Artificial como la capacidad que tienen las máquinas de ser inteligentes y reconocer patrones, habilidad que permite desarrollar soluciones que ayudan a resolver los desafíos y problemas de las personas. La Inteligencia Artificial (IA) es capaz de elaborar relaciones lógicas de causalidad, como por ejemplo, “si llueve, saco el paraguas”.

  2. Machine Learning

    El Machine Learning, o ML, se refiere a la habilidad que tienen las máquinas o los programas para entrenar o desarrollar una Inteligencia Artificial capaz de tomar decisiones sin necesidad de programar reglas en detalle.

  3. Modelo de Machine Learning

    Un modelo se refiere a todos los pasos que son necesarios para que una máquina inteligente llegue a tomar una decisión. Este paso a paso se conforma por funciones matemáticas específicas, las que se interrelacionan como una red. Los Modelos también reciben el nombre de Redes Neurales, por su semejanza con la forma en que nuestro cerebro funciona. Llamado comportamiento emergente.

  4. Clasificación

    Este es un tipo de Modelo de Machine Learning en el que la máquina debe “clasificar” o categorizar información. Un ejemplo sencillo es el que nos ofrece la bandeja de entrada de Gmail, donde automáticamente nos aparecen clasificados los correos que recibimos a diario.

  5. Regresión

    Este concepto se refiere a una tarea en la que nuestros modelos de ML deben realizar una predicción para un escenario específico. Este concepto es particularmente importante a la hora de elaborar una experiencia, donde se deban considerar datos como los intereses de nuestros usuarios, elementos contextuales, entre otros.

  6. Nivel de confianza

    Este se refiere al nivel de certeza que podemos extraer de nuestros modelos, el que se expresa en porcentajes. Este dato nos permite tomar decisiones y evaluar, por ejemplo, las acciones que debemos realizar a continuación. Una manera de comprender esto puede ser analizando la diferencia entre la frase “Parece que va a llover” y “Hay un 75% de probabilidades de que llueva”. Entre el dato numérico y la impresión, puede haber un paraguas de diferencia.

Conocer estos conceptos te ayudará a comprender y utilizar mejor el Big Data, Data Mining y la Inteligencia Artificial.

Comunicarnos es un ejercicio sencillo y a la vez tan complejo, que muchas veces nos cuesta expresar con claridad las cosas que queremos decir. Por eso la comunicación, cuando es efectiva, es un activo de altísimo valor; permitiendo que tanto marcas como usuarios puedan relacionarse con fluidez.

Comentarios