New AI algorithm learns without human supervision/Nuevo algoritmo de IA aprende sin supervisión humana

Source
Current AIs are typically trained using supervised learning, which is based on providing the algorithm with a set of labeled data, i.e. data that already has the correct answer or the desired classification. The algorithm learns from these examples and generalizes to be able to classify or predict new data.

Normalmente las IAs actuales se entrenan mediante el aprendizaje supervisado, que se basa en proporcionar al algoritmo un conjunto de datos etiquetados, es decir, datos que ya tienen la respuesta correcta o la clasificación deseada. El algoritmo aprende a partir de estos ejemplos y generaliza para poder clasificar o predecir datos nuevos.

It is very effective for tasks such as image classification, speech recognition, and natural language processing but requires a large amount of labeled data, which can be expensive and laborious to obtain. Supervised learning and reinforcement learning are areas of active research and have great potential for the future of AI.

Es muy efectivo para tareas como clasificación de imágenes, reconocimiento de voz y procesamiento de lenguaje natural pero requiere una gran cantidad de datos etiquetados, lo cual puede ser costoso y laborioso de obtener. El aprendizaje supervisado y el aprendizaje por refuerzo son áreas de investigación activa y tienen un gran potencial para el futuro de la IA.

Source
Torque Clustering is a new AI algorithm that learns without human supervision. This means that it does not need to be given labeled training data in order to learn. Instead, it can learn on its own by analyzing large amounts of unlabeled data where the algorithm identifies patterns in the data and then groups similar data together.

Torque Clustering es un nuevo algoritmo de IA que aprende sin supervisión humana. Esto significa que no necesita que se le proporcionen datos de entrenamiento etiquetados para poder aprender. En cambio, puede aprender por sí solo analizando grandes cantidades de datos sin etiquetar en los que el algoritmo identifica patrones en los datos y luego agrupa los datos similares.

Torque Clustering is based on the idea that data can be grouped based on its similarity. These groups can be used for a variety of purposes, such as classification, anomaly detection, and data summarization. Being able to learn from data that is not labeled is not only important because it is often difficult or expensive to obtain labeled data, but it can also identify patterns in the data that are not obvious to humans.

Torque Clustering se basa en la idea de que los datos se pueden agrupar en función de su similitud. Estos grupos se pueden utilizar para una variedad de propósitos, como la clasificación, la detección de anomalías y el resumen de datos. Poder aprender de datos que no están etiquetados no solo es importante por que a menudo es difícil o costoso obtener datos etiquetados, sino que además puede identificar patrones en los datos que no son obvios para los humanos.

Source
The algorithm starts by representing the data as a graph. The nodes of the graph represent the data points and the edges represent the similarity between the data points, then identifies communities in the graph that represent groups of similar data. The algorithm uses a variety of techniques to identify communities, such as label propagation and modularity maximization.

El algoritmo comienza representando los datos como un gráfico. Los nodos del gráfico representan los puntos de datos y las aristas representan la similitud entre los puntos de datos, luego identifica comunidades en el gráfico que representan grupos de datos similares. El algoritmo utiliza una variedad de técnicas para identificar comunidades, como la propagación de etiquetas y la maximización de la modularidad.

Torque Clustering has enormous potential in the short and medium term in various industries thanks to its ability, among other things, to group data autonomously and without the need for human intervention. It will be able to analyse banking transactions in search of suspicious patterns without the need to define fixed rules or detect new relationships between diseases and genes without human intervention, grouping patients with similar profiles for personalised treatments.

Torque Clustering tiene un potencial enorme a corto y medio plazo en diversas industrias gracias a su capacidad de agrupar datos de forma autónoma y sin necesidad de intervención humana. Podrá, entre otras cosas, analizar transacciones bancarias en busca de patrones sospechosos sin necesidad de definir reglas fijas o detectar nuevas relaciones entre enfermedades y genes sin intervención humana, agrupando a pacientes con perfiles similares para tratamientos personalizados.