Cómo usar el mapa
El mapa recompensa la exploración. Explora con curiosidad. Algunas interacciones que puedes utilizar:
- Haz clic en el nombre o en el círculo de un nodo para expandir o contraer su rama.
- Pasa el cursor sobre cualquier nodo para ver su definición y ejemplos de modelos.
- Haz clic en el panel que aparece al pasar el cursor para copiar la definición con una referencia académica ya incluida, ideal para notas y citas.
Acompaña el proyecto
Sigue la evolución del AI Knowledge Map. Nuevos conceptos, herramientas y frameworks se añaden regularmente:
Feedback
¿Has encontrado alguna imprecisión? ¿Tienes un concepto que merezca la pena añadir? Las sugerencias y contribuciones son muy bienvenidas: este mapa se fortalece con el respaldo de la comunidad de IA.
Roadmap
Lo que viene a continuación:
- Búsqueda de texto completo en todos los conceptos
- Vista de glosario como alternativa en orden alfabético
- Profundizaciones sobre métricas de evaluación: explicaciones específicas para cada métrica de evaluación de modelos, abordando cuándo usarla, errores comunes y cómo interpretarla en escenarios reales
- Notebooks prácticos en Google Colab: ejemplos sencillos y listos para ejecutar para los tipos de modelos más comunes, para que puedas experimentar con los conceptos que acabas de aprender
Sobre el proyecto
El AI Knowledge Map es una visualización curada y de acceso abierto del ecosistema de la inteligencia artificial: desde conceptos fundamentales hasta herramientas, ética y gobernanza.
El proyecto comenzó después de mis estudios de posgrado en Ciencia de Datos e Inteligencia Artificial en la Universidade Federal do Espírito Santo (UFES), motivado por una observación sencilla: el campo cuenta con muchos libros de texto y mucho material de marketing, pero pocos recursos se sitúan cómodamente entre ambos. Este mapa busca ocupar ese espacio intermedio.
Las definiciones en IA varían entre autores y escuelas de pensamiento, por lo que opté deliberadamente por descripciones más amplias y generalistas, en lugar de definiciones rígidas. El objetivo es ofrecer claridad a quienes se inician sin inducir a error a los especialistas.
Algunos conceptos también se reorganizaron para hacer la navegación más intuitiva; por ejemplo, la relación entre Deep Learning y Redes Neuronales. Estas reorganizaciones son pedagógicas: preservan la teoría subyacente al tiempo que mejoran la forma en que el conocimiento se explora visualmente.
Por último, un sincero agradecimiento a OSINT Framework: por la inspiración y por la base open source que ayudó a que este proyecto despegara 😉.