Cómo aprobar el examen de certificación Salesforce Certified AI Associate

Última actualización en 7 septiembre, 2023 por Rakesh Gupta

Como Asociado certificado en IA de Salesforce recién titulado, comparto mis experiencias de estudio con usted y quiero que sea el próximo en superarlo Así que prepárese y sumérjase

<img decoding="async" data-attachment-id="59545" data-permalink="https://automationchampion.com/2023/09/06/how-to-pass-salesforce-certified-ai-associate-certification-exam-2/how-to-pass-salesforce-certified-ai-associate-certification-study-materials/" data-orig-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/How-to-Pass-Salesforce-Certified-AI-Associate-Certification-Study-Materials.png?fit=3398%2C1872&ssl=1" data-orig-size="3398,1872" data-comments-opened="1" data-image-meta="{"aperture":"0","credit":"","camera":"","caption":"","created_timestamp":"0","copyright":"","focal_length":"0","iso":"0","shutter_speed":"0","title":"0","orientation":"0"}" data-image-title="Cómo aprobar los materiales de estudio de la certificación Asociado certificado en AI de Salesforce" data-image-description data-image-caption data-medium-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/How-to-Pass-Salesforce-Certified-AI-Associate-Certification-Study-Materials.png?fit=300%2C165&ssl=1" data-large-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/How-to-Pass-Salesforce-Certified-AI-Associate-Certification-Study-Materials.png?fit=640%2C353&ssl=1" class="aligncenter wp-image-59545 size-full" src="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate.png" alt width="640" height="353" srcset="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-4.png 3398w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-5.png 300w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-6.png 1024w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-7.png 150w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-8.png 768w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-9.png 1536w, https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/How-to-Pass-Salesforce-Certified-AI-Associate-Certification

👉 Ya que está aquí, puede que le interese echar un vistazo al Cómo aprobar el examen de certificación Salesforce Certified Associate artículo.

Una nueva credencial para pioneros de la IA

La credencial Salesforce AI Associate está diseñada para personas que puedan tener conocimientos de AI, ya sean principiantes o personas con más experiencia. El Salesforce Certified AI Associate debe ser capaz de proporcionar estrategias informadas y guiar las decisiones de las partes interesadas basándose en los principios de IA de confianza de Salesforce.

Mientras se preparan para el examen de certificación, los pioneros repasarán los temas clave que les ayudarán a alcanzar sus objetivos aún más rápido: 

  1. Explicar los principios básicos y las aplicaciones de la IA en Salesforce.
  2. Explicar los principios básicos y las aplicaciones de la IA en Salesforce
  3. Diferenciar los tipos de IA y sus capacidades.
  4. Identificar las capacidades de IA de CRM.
  5. Describir las capacidades de IA de CRM
  6. Describir los beneficios de la IA en su aplicación al CRM.
  7. Describir los beneficios de la IA en su aplicación al CRM
  8. Describir los desafíos éticos de la IA 
  9. Aplique los principios de IA de confianza de Salesforce a situaciones dadas.
  10. Describa los retos éticos de la IA
  11. Describa la importancia de la calidad de los datos
  12. Describir los elementos/componentes de la calidad de datos.
  13. Describir la importancia de la calidad de datos.
  14. Describir los elementos/componentes de la calidad de datos
  15. Y mucho más

Entonces, ¿quién es un candidato ideal para el examen?

Los candidatos al Salesforce Certified AI Associate deben tener un conocimiento básico de las funciones principales de Salesforce y deben ser capaces de navegar por Salesforce.

  • Conceptos básicos de IA, sus diferentes tipos como análisis predictivo, aprendizaje automático, PNL y visión por ordenador.
  • Conocimientos básicos de IA, sus diferentes tipos como análisis predictivo, aprendizaje automático, PNL y visión por ordenador
  • Principios de la IA de confianza de Salesforce, especialmente en el contexto de los sistemas CRM como Salesforce y su suite de productos.
  • Manejo ético y responsable de los datos, incluidas las consideraciones de privacidad, sesgo, seguridad y cumplimiento de la normativa.
  • Capacidad para desarrollar modelos de IA basados en datos

¿Cómo prepararse para el examen?

Los estilos de aprendizaje difieren ampliamente – por lo que no existe una fórmula mágica que uno pueda seguir para aprobar un examen. Lo mejor es estudiar unas horas al día, llueva o haga sol A continuación se ofrecen algunos detalles sobre el examen y los materiales de estudio:

  • 40 preguntas de opción múltiple/selección múltiple – 70 minutos
  • 65% es la puntuación de aprobado
  • Secciones del examen y ponderación
    • Fundamentos de IA: 17%
    • Capacidades de la IA en CRM: 8%
    • Consideraciones éticas de la IA: 39%
    • Datos para la IA: 36%
  • La Tasa de examen es de 75 dólares más impuestos aplicables
  • Tasa de repetición: Gratis
  • Programa tu examen de certificación aquí

<img decoding="async" data-attachment-id="59632" data-permalink="https://automationchampion.com/2023/09/06/how-to-pass-salesforce-certified-ai-associate-certification-exam-2/prepare-for-salesforce-certified-ai-exam/" data-orig-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/Prepare-for-Salesforce-Certified-AI-Exam.png?fit=2240%2C1260&ssl=1" data-orig-size="2240,1260" data-comments-opened="1" data-image-meta="{"aperture":"0","credit":"","camera":"","caption":"","created_timestamp":"0","copyright":"","focal_length":"0","iso":"0","shutter_speed":"0","title":"","orientation":"0"}" data-image-title="Prepárese para el examen de IA certificado por Salesforce" data-image-description data-image-caption data-medium-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/Prepare-for-Salesforce-Certified-AI-Exam.png?fit=300%2C169&ssl=1" data-large-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/Prepare-for-Salesforce-Certified-AI-Exam.png?fit=640%2C360&ssl=1" class="aligncenter wp-image-59632 size-full" src="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-1.png" alt width="640" height="360" srcset="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-10.png 2240w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-11.png 300w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-12.png 1024w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-13.png 150w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-14.png 768w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-15.png 1536w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-16.png 2048w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-17.png

La siguiente lista no es exhaustiva; así que consúltela y utilícela como punto de partida:

  1. Preguntas frecuentes de Salesforce Certified AI Associate
  2. Preguntas frecuentes de Salesforce Certified AI Associate

    3. <li

  3. Guía de exámenes para el Asociado certificado en AI de Salesforce
  4. Guía de exámenes para el Asociado certificado en AI de Salesforce
  5. Trailmix: Prepárese para obtener su credencial de Asociado de IA de Salesforce
  6. Módulo: Preparación para la certificación AI Associate de Salesforce

Lo que necesita saber para facilitar su viaje

En un nivel muy alto, debe comprender los siguientes temas para aprobar el examen. Todo el crédito va para el equipo de Trailhead de Salesforce y sus respectivos propietarios.

  1. Fundamentos de IA: 17%
    1. Curso acelerado de inteligencia artificial Vídeo de YouTube
      1. ¡En 20 episodios, Autor te enseñará sobre Inteligencia Artificial y Aprendizaje Automático! Este curso está basado en un plan de estudios de nivel universitario. Al finalizar el curso, serás capaz de:
        1. Definir, diferenciar y proporcionar ejemplos de Inteligencia Artificial y tres tipos de Aprendizaje Automático: supervisado, no supervisado y de refuerzo
        2. Comprender cómo se pueden combinar diferentes enfoques de IA y ML para crear aplicaciones atractivas como el procesamiento del lenguaje natural, la robótica, los sistemas de recomendación y la búsqueda web
        3. Implementar varios tipos de IA para clasificar imágenes, generar texto a partir de ejemplos, jugar a videojuegos y recomendar contenidos basándose en preferencias anteriores
        4. Comprender las causas del sesgo algorítmico y auditar conjuntos de datos para detectar varias de estas causas
        5. Razonar sobre cómo los avances específicos en IA pueden impactar en nuestro mundo y en tu vida, para bien o para mal
    3. ¿Qué es la inteligencia artificial? Vídeo de YouTube
    4. Introducción a la IA Generativa Vídeo de YouTube
    5. Introducción a los grandes modelos de lenguaje Vídeo de YouTube
    6. Introducción a la IA responsable Vídeo de YouTube
    7. AI frente a aprendizaje automático Vídeo de YouTube
    8. Redes neuronales y aprendizaje profundo Vídeo de YouTube
    9. Tipos de capacidades de la IA
      1. Predicciones numéricas – A menudo, las predicciones de IA adoptan la forma de un valor entre 0 (no va a ocurrir) y 1 (va a ocurrir totalmente). Las predicciones numéricas incluyen algo más que valores porcentuales, pueden predecir cualquier valor numérico, como dólares.

        2. <li

      2. Clasificaciones – A menudo, los clasificadores de IA pueden hacer el trabajo tan bien o mejor que los humanos. Dicho esto, cada clasificador sólo es bueno en una tarea concreta. Así, la IA que es genial detectando correos electrónicos de phishing sería pésima identificando fotos de peces reales.

        3. <li

      3. Navegación Robótica – Algunas IA destacan en la navegación en un entorno cambiante, y eso podría significar navegación real en el caso de la conducción autónoma (manos libres). Los coches impulsados por IA ya son bastante capaces de mantenerse centrados en un carril y seguir a una distancia segura en la autopista. Se adaptan a las curvas de la carretera, a las ráfagas de viento de los semirremolques y a las paradas repentinas debidas al tráfico.
      4. <span
      5. Procesamiento del lenguaje – El procesamiento del lenguaje natural se basa en la comprensión de cómo se utilizan las palabras juntas, y eso permite a la IA extraer la intención que hay detrás de las palabras. Por ejemplo, puede que quiera traducir un documento del inglés al alemán. O tal vez quieras un breve resumen de un largo artículo científico. La IA también puede hacerlo
    11. Lo que la IA puede hacer puede parecer magia. Y como la magia, es natural querer echar un vistazo detrás de la cortina para ver cómo se hace todo. Lo que encontrarás es que los informáticos e investigadores están utilizando muchos datos, matemáticas y potencia de procesamiento en lugar de espejos y despistes. Aprender cómo funciona realmente la IA le ayudará a utilizarla en todo su potencial, a la vez que evita los escollos debidos a sus limitaciones.
    13. Esta guía le ayudará a comprender cómo funciona la IA
    14. Este sencillo conjunto de reglas para convertir una entrada en una salida es un ejemplo de un algoritmo. Se han escrito algoritmos para realizar algunas tareas bastante sofisticadas. Pero algunas tareas tienen tantas reglas (y excepciones) que es imposible capturarlas todas en un algoritmo hecho a mano. La natación es un buen ejemplo de tarea difícil de encapsular en un conjunto de reglas. Puede que te den algunos consejos antes de tirarte a la piscina, pero sólo te das cuenta de lo que funciona cuando intentas mantener la cabeza fuera del agua. Algunas cosas se aprenden mejor con la experiencia.
    15. Aprendizaje automático (ML, por sus siglas en inglés) es el proceso de utilizar grandes cantidades de datos para entrenar un modelo que realice predicciones, en lugar de crear un algoritmo a mano.
    16. Aprendizaje estructurado
    17. Aprendizaje automático
    18. Datos estructurados frente a datos no estructurados
      1. La hoja de cálculo es lo que llamaríamos datos estructurados. Está bien organizada, con etiquetas en cada columna para que sepas el significado de cada celda.
      2. La hoja de cálculo es lo que llamaríamos datos estructurados
      3. Datos no estructurados sería algo así como un artículo de prensa, o un archivo de imagen sin etiquetar. El tipo de datos de los que disponga afectará al tipo de entrenamiento que pueda realizar.
        1. Los datos no estructurados se utilizan para el aprendizaje no supervisado, que es cuando la IA trata de encontrar conexiones en los datos sin saber realmente lo que está buscando.
        2. Los datos no estructurados se utilizan para el aprendizaje no supervisado
    20. Una red neuronal es un método de la inteligencia artificial que enseña a los ordenadores a procesar datos de una forma inspirada en el cerebro humano.
    21. Machine Learning bias, también conocido como sesgo de algoritmo o sesgo de Inteligencia Artificial, se refiere a la tendencia de los algoritmos a reflejar sesgos humanos. Es un fenómeno que surge cuando un algoritmo ofrece resultados sistemáticamente sesgados como consecuencia de suposiciones erróneas del proceso de Aprendizaje Automático.
    22. Entrenar la IA añadiendo capas adicionales para encontrar el significado oculto en los datos es lo que se denomina aprendizaje profundo.
    23. Cuatro ingredientes principales que forman parte de cualquier buena plataforma de IA: predicciones de sí y no, predicciones numéricas, clasificaciones y recomendaciones. 
      1. Predicciones sí y no – El primer ingrediente son las predicciones sí y no. Las predicciones de sí y no te permiten responder a preguntas como: «¿Es este un buen cliente potencial para mi negocio?» o «¿Abrirá este cliente potencial mi correo electrónico?» La IA te ayuda a responder a estas preguntas escaneando los datos históricos que has almacenado en tu sistema.
      2. Predicciones de sí y no
      3. Predicciones numéricas – Las predicciones numéricas suelen impulsar soluciones de previsión predictiva (por ejemplo, «¿Cuántos ingresos aportará este nuevo cliente?»), pero también se utilizan en otros contextos como el servicio de atención al cliente (por ejemplo, «¿Cuántos días tardaremos en resolver el problema de este cliente?»). Las predicciones numéricas también utilizan sus datos históricos para llegar a estos números.
      4. Clasificaciones – Las clasificaciones suelen utilizar capacidades de «aprendizaje profundo» para operar con datos no estructurados como texto libre o imágenes. La idea detrás de la clasificación es extraer información útil de datos no estructurados y responder a preguntas como: «¿Cuántas latas de refresco hay en esta foto?»
      5. Recomendaciones – Las recomendaciones son clave cuando tienes un gran conjunto de artículos que te gustaría recomendar a los usuarios. Muchos sitios web de comercio electrónico aplican estrategias de recomendación a los productos; pueden detectar que las personas que compraron un par específico de zapatos también suelen pedir un determinado par de calcetines. Cuando un usuario pone esos zapatos en su carrito, la IA le recomienda automáticamente los mismos calcetines.
    25. Comenzar con la IA parece difícil, pero dividirlo en tres pasos lo hace mucho más sencillo.
      1. Decidir qué predecir.
      2. Ordenar los datos históricos.
      3. Convierta las predicciones en acción.

      26. <li

    26. Diferentes partes de una empresa pueden utilizar la IA para mejorar sus resultados empresariales.
      1. Marketing – ¿Tiene muchos clientes potenciales y necesita ayuda para llegar a ellos? El marketing es un gran lugar para la IA porque las empresas suelen tener muchos datos que se pueden utilizar para dirigir las comunicaciones y enviar mensajes relevantes.
      3. Productividad de ventas – La IA puede elevar su juego de ventas mediante el uso de datos históricos de ventas para predecir las mejores oportunidades de ventas posibles. Imagine un representante de ventas interno que tiene una lista de clientes potenciales, organizados por la probabilidad de que se conviertan. Ese representante va a pasar su tiempo conectando con los clientes en la parte superior de la lista y evitar los clientes potenciales fríos.
      5. Servicio de atención al cliente – El servicio de atención al cliente es otra área en la que la IA puede ayudar a su empresa. Todos los días su empresa recibe correos electrónicos de clientes que buscan asistencia. En muchas empresas, alguien tiene que leer estos correos electrónicos y dirigirlos a las personas adecuadas. Están empleando un tiempo en clasificar correos electrónicos que podrían dedicar a proporcionar asistencia. La IA podría ayudar leyendo los correos electrónicos, realizando la clasificación de casos basada en consultas anteriores y, a continuación, dirigiendo automáticamente los correos electrónicos a la persona adecuada. Los casos llegarán a manos del agente adecuado más rápidamente.
      6. Minoristas y comercio – Cuando los compradores navegan por las tiendas online, quieren una experiencia que se adapte directamente a ellos. La IA puede satisfacer esta expectativa produciendo recomendaciones personalizadas para sus clientes. Los datos históricos indican a la IA qué productos se compran juntos con frecuencia. Así que si un cliente elige un producto, su sitio puede mostrar automáticamente una oferta para un paquete con descuento, justo en la página del producto.

      27. <li

    27. Breve resumen de algunos de los componentes más importantes de la IA.
      1. Comprensión del lenguaje natural (NLU) se refiere a los sistemas que gestionan la comunicación entre las personas y las máquinas.
      2. Comprensión del lenguaje natural (NLU)
      3. Procesamiento del lenguaje natural (NLP)< es distinto de NLU y describe la capacidad de una máquina para entender lo que quieren decir los seres humanos cuando hablan como lo harían naturalmente a otro ser humano.
      4. Reconocimiento de Entidades Nombradas (NER) etiqueta secuencias de palabras y selecciona lo importante, como nombres, fechas y horas. El NER consiste en dividir una frase en segmentos que un ordenador pueda comprender y a los que pueda responder con rapidez.
      5. Reconocimiento de entidades con nombre
      6. Aprendizaje profundo se refiere al desarrollo de redes neuronales artificiales entre puntos de datos de grandes bases de datos. Al igual que nuestra mente humana conecta los puntos para darnos ideas, el aprendizaje profundo utiliza algoritmos para tamizar los datos, sacar conclusiones y mejorar el rendimiento
    29. Añadir einstein a nuestro producto, para que sea más fácil para cualquier cliente de cualquier tamaño a través de cualquier industria para desplegar AI y utilizarlo en su centro de contacto, el empoderamiento de usted y sus agentes con la inteligencia predictiva que necesita para impulsar una mayor satisfacción del cliente. 
      1. Incremente la desviación y reduzca el tiempo de gestión.< Los Einstein Bots pueden resolver las solicitudes rutinarias de los clientes y pasar sin problemas el cliente a un agente si un problema requiere un toque humano.
        1. Turbocharge agent productivity.< Einstein Agent ofrece a sus agentes sugerencias inteligentes y contextualizadas, ayudándoles a hacer lo que mejor saben hacer: ayudar a sus clientes.
        2. Turbocharge agent productivity
        3. Implantación rápida y tiempo de obtención de valor.< Service Cloud Einstein está preintegrado con Salesforce y sus canales de servicio existentes, y viene con una interfaz de usuario intuitiva y lista para usar.
        4. Service Cloud Einstein ofrece a sus agentes sugerencias inteligentes en contexto para ayudarles a ayudar mejor a sus clientes

        <li

      2. Einstein le ayuda a ofrecer una experiencia de servicio al cliente transformadora, y está integrado en su implementación existente de Service Cloud. Mediante el uso de IA y aprendizaje automático en tiempo real, las siguientes características hacen que todos en el centro de contacto sean más inteligentes y eficaces.
        1. Bots de Einstein resuelven automáticamente los principales problemas de los clientes, recopilan información cualificada de los clientes y los transfieren sin problemas a los agentes, lo que supone un aumento de la desviación de casos en el centro de contacto y una reducción de los tiempos de gestión para los agentes.
        3. Einstein Agent impulsa la productividad de los agentes en todo el centro de contacto.
        4. Einstein Discovery ayuda a los gestores a tomar medidas con KPI de servicio predictivos.
        5. Einstein Vision for Field Service automatiza la clasificación de imágenes para resolver los problemas más rápidamente in situ.
        6. Einstein Language pone la potencia del aprendizaje profundo al alcance de los desarrolladores. Pueden utilizar modelos preentrenados para clasificar texto por el sentimiento como positivo, neutro o negativo, y luego ser capaces de clasificar la intención subyacente en un cuerpo de texto. Póngalo todo junto, y usted tiene la capacidad de procesar el lenguaje a través de datos no estructurados en cualquier app.
      4. Un bot es simplemente un programa informático que puede mantener una conversación cuando un usuario habla o envía un mensaje de texto con él. Pero los chatbots son mucho más que eso.
        1. Los chatbots son tus aliados< en la carrera por resolver rápidamente los problemas de soporte.
        2. Chatbots reflejan los problemas comunes de los clientes.< Ayudan a los clientes a autodirigirse inmediatamente y a resolver problemas comunes sin tener que esperar a "ponerse en la cola".
        3. Chatbots&nbsp
        4. Chatbots< reducen la duración del chat< (y ahorran dinero). Para cuestiones más complejas, los chatbots conectados a CRM pueden recopilar y calificar la información del cliente y transferirla sin problemas a un agente, reduciendo el tiempo de gestión y aumentando la satisfacción del cliente.
        6. Y lo que es más importante, los chatbots pueden entrenarse para comprender el lenguaje humano y responder de forma inteligente mediante la comprensión del lenguaje natural (NLU).
        7. Los chatbots conectados a CRM pueden recopilar y calificar la información de los clientes y transferirla sin problemas a un agente, lo que reduce el tiempo de gestión y aumenta la satisfacción del cliente

        5. <li

      5. Los chatbots de atención al cliente pueden programarse de todo tipo de formas, incluso su tono. En concreto, los bots pueden programarse para que resulten naturales y cumplan las expectativas básicas de los usuarios sobre cómo funciona una conversación. Para ello, los chatbots deben reflejar el comportamiento y las preferencias humanas en la conversación. Los chatbots bien diseñados expresan las siguientes cualidades.
        1. Transparente.< El chatbot debe identificarse a sí mismo como chatbot desde el principio. Debe indicar lo que puede hacer y proporcionar orientación a través de un menú emergente de las principales peticiones de los clientes.
        2. Transparente
        3. Personalizable.< El chatbot debe tener una voz y un tono que expresen la marca. Esto puede ser en el tipo de lenguaje o qué emojis (si los hay) se utilizan.
        4. Personalización
        5. Detallado.< El chatbot debe dar al usuario información completa-y tiempo para leerla. Los chatbots también pueden proporcionar imágenes para mejorar la claridad de la información proporcionada.
        6. Información completa
        7. Iterativo.< Para abordar cualquier problema que surja, los chatbots deben modificarse continuamente. Los chatbots deben mejorar su rendimiento con el tiempo y no pensarse como algo de un solo uso.
      7. Inteligencia artificial generativa (IA) es la inteligencia artificial capaz de generar texto, imágenes u otros medios, utilizando modelos generativos. Los modelos generativos de IA aprenden los patrones y la estructura de sus datos de entrenamiento de entrada y luego generan nuevos datos que tienen características similares.
      8. Inteligencia artificial generativa
      9. la IA predictiva es la inteligencia artificial que recopila y analiza datos para predecir sucesos futuros. El objetivo de la IA predictiva es comprender patrones en los datos y hacer predicciones informadas. Se utiliza en diversos sectores, como el financiero, para realizar debates financieros informados sobre posibles pérdidas y ganancias esperadas en función de los registros, en la atención sanitaria, para determinar si el estado de salud de una persona se inclina hacia una enfermedad, y también se puede ver en la detección de fraudes.
      10. La inteligencia artificial predictiva es una herramienta que se utiliza para predecir el futuro
      11. Algunas IA que realizan PNL se entrenan con enormes cantidades de datos, lo que en este caso significa muestras de texto escrito por personas reales. Internet, con sus mil millones de páginas web, es una gran fuente de datos de muestra. Debido a que estos modelos de IA se entrenan con cantidades tan masivas de datos, se conocen como grandes modelos lingüísticos(LLMs).
        1.  Estos modelos lingüísticos de gran tamaño permiten realizar algunas tareas increíblemente avanzadas relacionadas con el lenguaje.
            1. Traducción
            2. Corrección de errores
            3. Respuesta a preguntas
            4. Generación de imágenes guiadas
            5. Conversión de texto a voz

            <li

        3. Preocupaciones comunes sobre la IA generativa
          1. Alucinaciones: Recuerda que la IA generativa es en realidad otra forma de predicción, y a veces las predicciones son erróneas. Las predicciones de la IA generativa que divergen de una respuesta esperada, basada en hechos, se conocen como alucinaciones. Ocurren por varias razones, como si los datos de entrenamiento eran incompletos o sesgados, o si el modelo no estaba bien diseñado. Así que con cualquier texto generado por IA, tómate el tiempo necesario para verificar que el contenido es correcto en cuanto a los hechos.
          2. Las alucinaciones
          3. Seguridad de los datos: Las empresas pueden compartir datos propios en dos momentos del ciclo de vida de la IA generativa. En primer lugar, al afinar un modelo fundacional. En segundo lugar, cuando se utiliza realmente el modelo para procesar una solicitud con datos confidenciales. Las empresas que ofrecen servicios de IA deben demostrar que la confianza es primordial y que los datos siempre estarán protegidos.
          4. Datos confidenciales
          5. Plagio: Los LLM y los modelos de IA para la generación de imágenes suelen entrenarse con datos disponibles públicamente. Existe la posibilidad de que el modelo aprenda un estilo y replique ese estilo. Las empresas que desarrollan modelos fundacionales deben tomar medidas para añadir variación al contenido generado. Además, es posible que necesiten curar los datos de entrenamiento para eliminar muestras a petición de los creadores de contenido.
          6. Los modelos fundacionales son una herramienta muy útil para las empresas
          7. Falsificación de usuarios: Es más fácil que nunca crear un perfil en línea creíble, completo con una foto generada por IA. Los usuarios falsos de este tipo pueden interactuar con usuarios reales (y con otros usuarios falsos) de una forma muy realista. Eso hace que sea difícil para las empresas identificar las redes de bots que promueven su propio contenido de bots.
          8. Red de bots
          9. Sostenibilidad:< La potencia de cálculo necesaria para entrenar modelos de IA es inmensa, y los procesadores que realizan los cálculos requieren mucha potencia real para funcionar. A medida que los modelos crecen, también lo hace su huella de carbono. Afortunadamente, una vez entrenado un modelo, se necesita relativamente poca energía para procesar las solicitudes. Además, la energía renovable se está expandiendo casi tan rápido como la adopción de la IA
        5. Procesamiento del lenguaje natural (PNL), es un campo de la inteligencia artificial (IA) que combina la informática y la lingüística para dar a los ordenadores la capacidad de comprender, interpretar y generar lenguaje humano de una manera que sea significativa y útil para los seres humanos.
        6. Los datos que se obtienen a partir del procesamiento del lenguaje natural (PNL) se pueden procesar a través de un modelo de procesamiento del lenguaje natural (PLN)
        7. El procesamiento de datos de no estructurados a estructurados se denomina comprensión del lenguaje natural (NLU).
          1. Los elementos del lenguaje natural en inglés incluyen:
            1. Vocabulario:< Las palabras que utilizamos
            2. Gramática:< Las reglas que rigen la estructura de las oraciones
            3. Sintaxis:< Cómo se combinan las palabras para formar oraciones según la gramática
            4. Semántica:< El significado de las palabras, frases y oraciones
            5. Pragmática:< El contexto y la intención detrás del uso cultural o geográfico del lenguaje
            6. Discurso y diálogo:< Unidades más amplias que una sola frase u oración, incluidos documentos y conversaciones
            7. Fonética y fonología:< Los sonidos que emitimos cuando nos comunicamos
            8. Morfología:< Cómo las partes de las palabras pueden combinarse o des combinarse para formar nuevas palabras
        9. El análisis sintáctico implica el análisis de las palabras en la oración para la gramática y su disposición de una manera que muestra las relaciones entre las palabras. El análisis sintáctico puede incluir:
          1. Segmentación: Los textos más grandes se dividen en trozos más pequeños y significativos. La segmentación suele producirse al final de las frases en los signos de puntuación para ayudar a organizar el texto para su posterior análisis.
          2. Tokenización: Las frases se dividen en palabras individuales, llamadas tokens. En inglés, la tokenización es una tarea bastante sencilla porque las palabras suelen estar separadas por espacios. En idiomas como el tailandés o el chino, la tokenización es mucho más complicada y depende en gran medida de la comprensión del vocabulario y la morfología para tokenizar con precisión el lenguaje.

            4. <li

          4. Stemming: Las palabras se reducen a su forma raíz, o stem. Por ejemplo romper, rompe, o irrompible se reducen a romper. El stemming ayuda a reducir las variaciones de las formas de las palabras, pero, dependiendo del contexto, puede no conducir a la raíz más precisa.
          1. Lematización: Similar al stemming, la lematización reduce las palabras a su raíz, pero tiene en cuenta la parte de la oración para llegar a una palabra raíz mucho más válida, o lemma. Etiquetado de la parte de la oración:< Asigna etiquetas gramaticales a cada palabra en función de su parte de la oración, como sustantivo, adjetivo, verbo, etcétera. El etiquetado de la parte de la oración es una función importante en la PNL porque ayuda a los ordenadores a comprender la sintaxis de una frase.
          1. Reconocimiento de entidades con nombre (NER): Utiliza algoritmos para identificar y clasificar entidades con nombre -como personas, fechas, lugares, organizaciones, etc.- en el texto para ayudar en tareas como la respuesta a preguntas y la extracción de información.
          3. Análisis de sentimiento es el proceso de análisis de texto digital para determinar si el tono emocional del mensaje es positivo, negativo o neutro.
          4. Análisis de sentimiento
          5. Los ejecutivos de Salesforce opinan: ¿Qué es la IA generativa?
          6. La IA generativa frente a la IA predictiva
          7. AI de la A a la Z: el glosario de IA generativa para líderes empresariales
        11. Capacidades de la IA en CRM: 8%
          1. Estrategia de IA 101: todo lo que necesitas saber sobre IA + datos + CRM Vídeo de YouTube
          2. Salesforce Einstein Discovery aumenta su inteligencia empresarial con modelado estadístico y aprendizaje automático supervisado en un entorno de iteración rápida sin necesidad de código. Einstein Discovery le permite: 
            1. Identificar, aflorar y visualizar perspectivas en los datos de su empresa.
            2. Predecir el valor de los datos de su empresa

            3. <li

          3. Las soluciones potenciadas por Einstein Discovery abordan estos casos de uso:
            1. Regresiones< para resultados numéricos representados como datos cuantitativos (medidas), tales como moneda, recuentos o cualquier otra cantidad.
            3. Clasificación binaria< para resultados de texto con sólo dos resultados posibles. Se trata normalmente de preguntas de sí o no que se expresan en términos empresariales, como churned o not churned, oportunidad ganada o perdida, empleado retenido o no retenido, etc.
            5. Clasificación binariapara resultados de texto con sólo dos posibles resultados
            6. Clasificación multiclase< para resultados de texto con entre 3 y 10 resultados posibles. Por ejemplo, un fabricante puede predecir, basándose en los atributos del cliente, cuál de los cinco contratos de servicio es más probable que elija un cliente.
            7. Clasificación multiclase
          5. Pasos para implantar la solución einstein discovery
            1. Resultado objetivo
            2. Preparar los datos
            3. Crear Modelo
            4. Evaluar el modelo
            5. Explorar perspectivas
            6. Evaluar modelo
            7. Evaluar modelo
            8. Desplegar el modelo
            9. Predecir los resultados
            10. Predecir los resultados
            11. Predecir & Imporve

            6. <li

          6. Idealmente, su conjunto de datos incluye: 
            1. Incluye todos los factores relevantes asociados con el resultado empresarial que desea investigar y mejorar
            2. Omite las columnas extrañas que añaden complejidad pero no valor analítico
            3. Contiene datos de alta calidad que son representativos de la realidad operativa del resultado en el que se centra
          8. Un modelo< es una sofisticada ecuación personalizada basada en un exhaustivo conocimiento estadístico de resultados pasados que se utiliza para predecir resultados futuros. Un modelo de Einstein Discovery es una colección de métricas de rendimiento, configuraciones, predicciones y perspectivas de datos. Einstein Discovery le guía a través de los pasos para crear un modelo basado en el resultado que desea mejorar (el objetivo de su modelo), los datos que ha reunido para ese fin (en el conjunto de datos de CRM Analytics) y otras configuraciones que indican a Einstein Discovery cómo realizar el análisis y comunicar sus resultados.
          10. Einstein Discovery es una herramienta de análisis de datos que le ayuda a predecir los resultados futuros
          11. Einstein Discovery genera este tipo de perspectivas.
            Tipo Descripción
            Descriptivo Derivados de datos históricos utilizando análisis descriptivos que implican análisis estadísticos. Las perspectivas descriptivas muestran qué sucedió en sus datos.
            Diagnóstico Derivados del modelo. Los conocimientos de diagnóstico muestran por qué ha ocurrido. Los insights de diagnóstico profundizan y le ayudan a comprender qué variables impulsan de forma más significativa el resultado empresarial que está analizando.
            Comparativa Derivados del modelo. Los insights comparativos explican la diferencia en la variable de resultado comparando dos subgrupos específicos. Con los insights comparativos, se aíslan factores (categorías o cubos) y se compara su impacto en el resultado con otros factores o con medias globales. Einstein Discovery muestra gráficos en cascada para ayudarle a visualizar estas comparaciones.
          13. Einstein Discovery permite a las empresas explorar patrones, relaciones y correlaciones en datos históricos. A través del poder del aprendizaje automático y la inteligencia artificial, Einstein también puede predecir resultados futuros, lo que permite a los usuarios empresariales priorizar sus cargas de trabajo y tomar decisiones basadas en datos. Junto con los beneficios de este poder predictivo viene la responsabilidad de producir modelos que sean éticos y responsables. Los modelos que se construyen a partir de datos históricos sesgados pueden dar lugar a predicciones sesgadas. Afortunadamente, Einstein Discovery le ayuda a detectar el sesgo en sus datos para que pueda eliminar su influencia de sus modelos.
          14. Cuando se construyen modelos basados en datos históricos sesgados, las predicciones pueden ser sesgadas
          15. Cuando trabaje con variables sensibles, puede marcar una variable en su modelo para analizar el sesgo. Por ejemplo, en Estados Unidos y Canadá, las variables relacionadas con clases legalmente protegidas, como la edad, la raza y el género, se enfrentan a restricciones en su uso.
          16. Los valores proxy son otros atributos de su conjunto de datos que están correlacionados con variables sensibles. En este caso, Nombre de cuenta es un proxy del 90% para el código postal. A partir de una correlación tan fuerte, podemos deducir que muchos de los códigos postales que Einstein Discovery identificó como más propensos a pagar con retraso se debían a que el código postal estaba asociado a un Nombre de cuenta.
          17. Einstein Discovery para Informes produce perspectivas rápidas como el rayo que son imparciales, objetivas y estadísticamente significativas. Utiliza gráficos coloridos y explicaciones llenas de hechos para que le resulte fácil digerir e interpretar los datos. Su trabajo consiste simplemente en hojear los datos para encontrar los más relevantes para sus objetivos empresariales
          18. Einstein Prediction Service es un servicio público REST API que le permite interactuar mediante programación con los modelos y predicciones de Einstein Discovery. Se utiliza Einstein Prediction Service para:
            1. Obtener predicciones sobre sus datos.
            2. Obtener sugerencias de acciones a realizar para mejorar los resultados predichos.
            3. Gestionar las predicciones
            4. Gestione las definiciones de predicción y los modelos desplegados en Salesforce.
            5. Gestione las definiciones de predicción y los modelos desplegados en Salesforce
            6. Gestionar trabajos de puntuación masiva
            7. Gestionar trabajos de actualización de modelos.
          20. El panel de predicciones le muestra los elementos clave devueltos en una solicitud de predicción.
            # Elemento Descripción
            1 Predicción Resultado previsto y una etiqueta descriptiva. En este ejemplo, se predice que la oportunidad se cerrará en 29,5 días.  
            2 Previsores principales Condiciones que contribuyeron en mayor medida al resultado predicho, incluidas las contribuciones favorables y desfavorables. En este ejemplo, la condición Tipo de Competidor es Conocido y la Ruta al Mercado es Revendedor aumenta el tiempo previsto para el cierre en 2,02 días. La flecha de la izquierda apunta hacia arriba para indicar que este predictor aumenta el resultado previsto. La flecha es roja (en lugar de verde) para indicar que el efecto de este predictor es desfavorable, porque nuestro objetivo es minimizar el tiempo hasta el cierre. 
            3 Cómo mejorar esto Acciones sugeridas que el usuario puede realizar para mejorar el resultado previsto. En este ejemplo, la acción de cambiar Grupo de Suministros a Accesorios de Coche reduce el tiempo de cierre en 3,48 días, como indica la flecha verde que apunta hacia abajo.

            21. <li

          21. Una predicción es un valor derivado, producido por un modelo, que representa un posible resultado futuro basado en una comprensión estadística de los resultados pasados más los valores de entrada proporcionados (predictores).
          23. Al trabajar con Einstein Prediction Service, es útil pensar en dos actividades principales:
            1. Producir un modelo implica utilizar CRM Analytics Studio para construir e implementar el modelo en Salesforce. Para predecir la pérdida de clientes, por ejemplo, alguien necesita proporcionar el modelo que predice si es probable que un cliente se vaya o se quede. La siguiente unidad le guía a través de los pasos de creación e implementación de un modelo.
            2. Creación e implementación de un modelo en Salesforce
            3. Consumir un modelo implica utilizar el modelo desplegado para generar predicciones y mejoras para sus datos. Nuestro ejemplo de abandono de clientes utilizó una página Lightning para mostrar la predicción, los principales predictores y las mejoras. En la última unidad, aprenderás a obtener la misma información utilizando tu cliente REST favorito y Einstein Prediction Service.
          25. Puedes obtener predicciones de Einstein Prediction Service de dos formas clave:
            1. Declarativamente en los campos de predicción automática, la función PREDICT en las fórmulas de automatización de procesos, la transformación Discovery Predict en Data Prep Recipes, la acción Einstein Discovery en los flujos de Salesforce y en Einstein Discovery en Tableau.
            2. Puede obtener predicciones de Einstein Prediction Service de dos formas clave:
              1. Programáticamente mediante APEX y API REST
            4. < Aprende cómo Einstein está integrado en las nubes hoy en día
              1. Sales Cloud Einstein – En Ventas, el objetivo principal es vender, vender y vender. Sabemos lo importante que es para los representantes de ventas priorizar su día para poder convertir el mayor número de clientes potenciales y centrarse en las oportunidades adecuadas. También tienen que mantenerse en contacto con sus clientes potenciales e identificar el mejor momento para hacer un seguimiento. La productividad es su activo más importante. Los representantes pueden ser más productivos si saben cuándo interactuar con los clientes con la oferta adecuada. Estas son algunas cosas que Sales Cloud Einstein puede hacer por tu representante de ventas.
                1. Incrementar las tasas de ganancia priorizando los clientes potenciales y las oportunidades con más probabilidades de conversión.
                2. Incrementar las tasas de ganancia priorizando los clientes potenciales y las oportunidades con más probabilidades de conversión
                3. Descubra las tendencias de la tubería y tome medidas analizando los ciclos de ventas con las mejores prácticas preempaquetadas.
                4. Mejore la productividad de su personal de ventas.
                5. Mejore la productividad de su personal de ventas
                6. Maximice el tiempo dedicado a la venta mediante la automatización de la captura de datos.
                7. Generación de oportunidades de venta
                8. Genere alcance relevante automáticamente con datos de CRM.
              3. Service Cloud Einstein – La piedra angular de un buen servicio al cliente es asegurarse de que cada cliente tenga una experiencia estelar de principio a fin. De hecho, el servicio al cliente puede ser más importante para el consumidor que la calidad o el precio de un producto. He aquí algunas cosas que Service Cloud Einstein puede hacer por sus agentes de servicio.
                1. Acelerar la resolución de casos mediante la predicción automática y el relleno de campos en los casos entrantes para ahorrar tiempo y reducir las tareas repetitivas.
                2. Aumentar la productividad de los agentes de servicio
                3. Incrementar la desviación de llamadas resolviendo las solicitudes rutinarias de los clientes en canales digitales en tiempo real como el chat web y móvil o la mensajería móvil.
                4. Resuelva los problemas más rápidamente proporcionando a sus agentes sugerencias de conversación y recomendaciones de conocimientos inteligentes y en contexto.
                5. Cree una solución para cada problema
              5. Marketing Cloud Einstein – El objetivo de los profesionales del marketing es comprender mejor a sus clientes para poder ofrecer las campañas más eficaces y personalizadas. Pero cada cliente es único, lo que significa que los profesionales del marketing necesitan saber en qué canales pasan más tiempo, cómo ofrecerles el contenido adecuado y cuándo interactuar con ellos. Analizar el comportamiento pasado de los clientes ayuda a los profesionales del marketing a predecir comportamientos futuros, anticiparse a las necesidades de los clientes y orientar las experiencias en todos los puntos de contacto. Marketing Cloud Einstein puede ayudarle a conseguirlo.
                1. Interactúe de forma más eficaz sugiriendo cuándo y en qué canales llegar a los clientes.
                2. Consiga que sus clientes se sientan más cómodos con usted
                3. Crear mensajes y contenidos personalizados basados en las preferencias y la intención de los consumidores.
                4. Sea más productivo racionalizando las operaciones de marketing.
                5. Genere líneas de asunto y campañas web automáticamente con los datos de CRM.
                6. Genere líneas de asunto y campañas web automáticamente con los datos de CRM

                6. <li

              6. Commerce Cloud Einstein – Probablemente se haya dado cuenta de que sus clientes interactúan con su marca en múltiples canales. Ya sea que estén comprando en línea o quejándose en el chat, su marca necesita proporcionar una experiencia de cliente altamente personalizada sin importar dónde o cómo compren. Aquí hay algunas cosas que Commerce Cloud Einstein puede hacer por sus minoristas y clientes.
                1. Incrementar los ingresos mostrando a los compradores los mejores productos para ellos, y eliminar la actividad que consume tiempo de comercialización manual de cada página individual.
                2. Cree cuadros de mando muy visuales para obtener una instantánea de los patrones de compra de sus clientes y utilice estos cuadros de mando para potenciar su comercialización.
                3. Personalice la búsqueda explícita (búsqueda a través del cuadro de búsqueda), la búsqueda implícita (navegación en el catálogo de la tienda) y las páginas de categorías para cada comprador, ahorrando tiempo a sus clientes y aportando más ingresos a su negocio.
                4. Cree cuadros de mando muy visuales para obtener una visión general de los patrones de compra de sus clientes y utilice estos cuadros de mando para potenciar su comercialización
                5. Genera descripciones de productos inteligentes de forma automática para aumentar las conversiones.
            6. Bots de Einstein le permiten crear un asistente inteligente en los canales favoritos de sus clientes, como el chat, la mensajería o la voz.  Los bots de Einstein utilizan el procesamiento del lenguaje natural (PLN) para proporcionar ayuda instantánea a los clientes respondiendo a preguntas comunes o recopilando la información adecuada para transferir la conversación sin problemas al agente adecuado para preguntas o casos más complejos. 
            8. Einstein Prediction Builder es un sencillo asistente que le permite realizar predicciones personalizadas en sus datos no cifrados de Salesforce, de forma rápida. Puede crear predicciones para cualquier parte de su negocio (ventas, servicios, marketing, comercio, TI, finanzas e incluso recursos humanos) con clics, no con código
            9. Einstein Next Best Action (NBA) le permite utilizar modelos basados en reglas y predictivos para proporcionar a cualquier persona de su negocio recomendaciones y ofertas inteligentes y contextuales. Las acciones se entregan en el momento de máximo impacto, lo que permite obtener información directamente en Salesforce
            10. Al igual que Einstein Prediction Builder, Einstein Discovery también predice resultados sin necesidad de contar con su propio científico de datos.
            11. Predecir resultados sin necesidad de contar con su propio científico de datos
            12. Einstein GPT permite a las empresas generar contenido personalizado y relevante mediante el enraizamiento de grandes modelos de lenguaje (LLM) en sus datos CRM de forma segura.
            13. Einstein GPT permite a las empresas generar contenido personalizado y relevante mediante el enraizamiento de grandes modelos de lenguaje (LLM) en sus datos CRM de forma segura
            14. Creación responsable de inteligencia artificial
            15. Bases de los bots de Einstein
            16. Siguiente mejor acción de Einstein
            17. La nube de ventas Einstein

            26. <li

          26. Consideraciones éticas de la IA: 39%
            1. Los mayores desafíos éticos para la inteligencia artificial Vídeo de YouTube
            2. ¿Qué es la ética de la IA? Vídeo de YouTube
            3. Sesgo y equidad algorítmica: Crash Course AI Vídeo de YouTube
            4. La IA de confianza para la empresa Vídeo de YouTube
            5. Principios de la IA de confianza
              1. Responsable – Nos esforzamos por salvaguardar los derechos humanos, proteger los datos que se nos confían, observar las normas científicas y aplicar políticas contra el abuso. Esperamos que nuestros clientes utilicen nuestra IA de forma responsable y de conformidad con sus acuerdos con nosotros, incluida nuestra Política de uso aceptable
              2. Responsables – Creemos que debemos rendir cuentas ante nuestros clientes, socios y la sociedad. Buscaremos comentarios independientes para la mejora continua de nuestras prácticas y políticas y trabajaremos para mitigar el daño a los clientes y consumidores.
              3. Responsables
              4. Transparentes: nos esforzamos por garantizar que nuestros clientes comprendan el «por qué» de cada recomendación y predicción basada en IA para que puedan tomar decisiones informadas, identificar resultados no deseados y mitigar los daños.
              5. Potenciación – Creemos que la IA se utiliza mejor cuando se combina con la capacidad humana, aumentando a las personas y permitiéndoles tomar mejores decisiones. Aspiramos a crear tecnología que capacite a todos para ser más productivos e impulsar un mayor impacto dentro de sus organizaciones.
              6. Empowering
              7. Inclusiva – La IA debe mejorar la condición humana y representar los valores de todos los afectados, no solo de los creadores. Impulsaremos la diversidad, promoveremos la igualdad y fomentaremos la equidad a través de la IA.
            7. De los principios a la práctica – No basta con tener una serie de principios. La ética es un deporte de equipo y, para que tenga sentido, todos en la empresa deben comprender sus responsabilidades a la hora de vivir estos principios. A continuación se muestran ejemplos de cómo hemos llevado estos principios a la práctica.<img loading="lazy" decoding="async" data-attachment-id="59590" data-permalink="https://automationchampion.com/2023/09/06/how-to-pass-salesforce-certified-ai-associate-certification-exam-2/tai-principles-to-practice-2/" data-orig-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/TAI-principles-to-practice-2.png?fit=1122%2C633&ssl=1" data-orig-size="1122,633" data-comments-opened="1" data-image-meta="{"aperture":"0","credit":"","camera":"","caption":"","created_timestamp":"0","copyright":"","focal_length":"0","iso":"0","shutter_speed":"0","title":"","orientation":"0"}" data-image-title="TAI-principles-to-practice-2" data-image-description data-image-caption data-medium-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/TAI-principles-to-practice-2.png?fit=300%2C169&ssl=1" data-large-file="https://i0.wp.com/automationchampion.com/wp-content/uploads/2023/09/TAI-principles-to-practice-2.png?fit=640%2C361&ssl=1" class="aligncenter wp-image-59590 size-full" src="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-3.png" alt width="640" height="361" srcset="https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-22.png 1122w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-23.png 300w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-24.png 1024w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-25.png 150w, https://discover.egafutura.com/wp-content/uploads/2023/11/como-aprobar-el-examen-de-certificacion-salesforce-certified-ai-associate-26.png
            8. AI generativa: 5 pautas para un desarrollo responsable
            9. Modelo de madurez ética de la IA
            10. Recomendaciones para un marketing conductual ético – Los consumidores valoran la personalización que aborda sus necesidades, tiene un beneficio claro y demuestra un cuidado genuino. He aquí algunas recomendaciones para desplegar una solución de personalización que limite los aspectos negativos al tiempo que impulsa resultados positivos compartidos.
              1. Recoja y respete las preferencias – Respete las preferencias de los clientes y utilice únicamente los datos que hayan consentido compartir. Sea explícito con los consumidores sobre el impacto -los beneficios y las consecuencias- de su consentimiento o falta de consentimiento. Proporcione controles claros para aceptar o rechazar el consentimiento.

                2. <li

              2. Dirigir la audiencia – Los mensajes deben dirigirse en función de los intereses expresados por el consumidor, no de datos demográficos. Hay que ver a los consumidores como realmente son: individuos multidimensionales con afinidades idiosincrásicas muy variadas. Los mensajes muy individualizados son más eficaces que los basados únicamente en datos demográficos. Es esencial reducir los sesgos que pueden distorsionar su mensajería con asociaciones que simplemente no se sostienen o que nunca fueron precisas en primer lugar.

                3. <li

              3. Frequency Capping – Abrumar a un cliente con demasiadas comunicaciones puede subvertir su marca. Los mensajes frecuentes pero no deseados pueden molestar a sus clientes y hacer que dejen de prestarle atención. Entonces, ¿con qué frecuencia debe enviar mensajes? ¿Una vez al día? ¿Diez veces al mes? ¿Existe un número mágico? Es un equilibrio delicado. Por supuesto que quieres que tus clientes se comprometan. Pero exponerlos en exceso a tu mensaje puede tener el efecto contrario.
              5. Cuidado con el número de veces al mes

              11. <li

            11. Conozca el diseño de relaciones
            12. Aprende la ley de privacidad y protección de datos
            13. Cinco directrices que Salesforce está utilizando para guiar el desarrollo de IA generativa de confianza, aquí en Salesforce y más allá.
              1. Exactitud: Debemos ofrecer resultados verificables que equilibren la exactitud, la precisión y la recuperación en los modelos permitiendo a los clientes entrenar modelos en sus propios datos. Debemos comunicar cuándo hay incertidumbre sobre la veracidad de la respuesta de la IA y permitir a los usuarios validar estas respuestas. Esto se puede hacer citando fuentes, explicando por qué la IA dio las respuestas que dio (por ejemplo, mensajes de cadena de pensamiento), destacando las áreas que deben verificarse (por ejemplo, estadísticas, recomendaciones, fechas) y creando barandillas que impidan que algunas tareas sean totalmente automatizadas (por ejemplo, lanzar código en un entorno de producción sin una revisión humana)
              2. Seguridad: Al igual que con todos nuestros modelos de IA, debemos hacer todo lo posible para mitigar el sesgo, la toxicidad y la salida perjudicial mediante la realización de evaluaciones de sesgo, explicabilidad y robustez, y red teaming. También debemos proteger la privacidad de cualquier información de identificación personal (PII) presente en los datos utilizados para la formación y crear guardarraíles para evitar daños adicionales (por ejemplo, forzar la publicación de código a una caja de arena en lugar de empujar automáticamente a la producción).
              4. Los modelos de IA deben ser seguros, fiables y fiables
              5. Honestidad: Al recopilar datos para entrenar y evaluar nuestros modelos, debemos respetar la procedencia de los datos y asegurarnos de que tenemos el consentimiento para utilizarlos (por ejemplo, de código abierto, proporcionados por el usuario). También debemos ser transparentes en cuanto a que una IA ha creado contenido cuando se suministra de forma autónoma (por ejemplo, respuesta de chatbot a un consumidor, uso de marcas de agua).
              6. <span
              7. Empoderamiento: Hay algunos casos en los que es mejor automatizar completamente los procesos, pero hay otros casos en los que la IA debe desempeñar un papel de apoyo al humano – o donde se requiere el juicio humano. Tenemos que identificar el equilibrio adecuado para «sobrealimentar» las capacidades humanas y hacer que estas soluciones sean accesibles para todos (por ejemplo, generar texto ALT para acompañar a las imágenes).
              9. Sostenibilidad: A medida que nos esforzamos por crear modelos más precisos, debemos desarrollar modelos de tamaño adecuado siempre que sea posible para reducir nuestra huella de carbono. Cuando se trata de modelos de IA, más grande no siempre significa mejor: En algunos casos, los modelos más pequeños y mejor entrenados superan a los modelos más grandes y escasamente entrenados.
        13. Datos para IA: 36%
          1. ¿El papel de la calidad de los datos en la Inteligencia Artificial? Vídeo de YouTube
          3. Existen cuatro tipos principales de análisis de datos
            1. Descriptivo – El análisis descriptivo es un tipo de análisis de datos que se utiliza principalmente para ofrecerle información relativa a lo sucedido. Su objetivo es permitirle utilizar los datos recopilados por un sistema para ayudarle a identificar lo que estaba mal, lo que podría mejorarse o qué métrica no está informando como debería. Como este tipo de análisis de datos se utiliza ampliamente para resumir grandes conjuntos de datos con el fin de describir los resultados a las partes interesadas
            2. Diagnóstico – el análisis de diagnóstico ayuda yendo más allá del alcance de sólo informar, sino diagnosticando investigando más a fondo y correlacionando esos KPIs con el fin de darle sugerencias sobre dónde podría estar potencialmente el problema.
            3. Predictivo – el análisis predictivo de datos implica una mayor complejidad, ya que, como su nombre indica, predice lo que es probable que ocurra en el futuro basándose en datos del pasado, o basándose en hacer un cruce de datos entre múltiples conjuntos de datos y fuentes. En pocas palabras, trata de predecir el futuro basándose en las acciones del pasado
            4. Prescriptivo – el análisis prescriptivo es básicamente una suma de todos los anteriores. El análisis prescriptivo se basa en gran medida en estrategias de aprendizaje automático con el fin de encontrar patrones y sus correspondientes remedios mediante la búsqueda y el cruce de grandes conjuntos de datos.
          5. La analítica ayuda a las personas a desarrollar perspectivas, y esas perspectivas les ayudan a abordar la resolución de problemas complejos. No importa si se trata de juegos, mercados de valores, datos inmobiliarios, información de tráfico, sistemas informáticos de moda, servidores web o registros de seguridad, la analítica de datos ayuda a dar respuestas a escenarios complejos.
          6. La analítica de datos ayuda a las personas a desarrollar perspectivas, y esas perspectivas les ayudan a enfrentarse a la resolución de problemas complejos
          7. Factores que determinan la calidad de los datos
            1. Registros ausentes – Su empresa tiene más de 500 clientes solo en California, pero los informes muestran datos de solo unas 200 cuentas en toda la región occidental.
            2. Registros duplicados – Un vistazo rápido a una lista de cuentas muestra que los datos de los clientes con varias ubicaciones se capturan en varios registros de cuenta. De hecho, tantos clientes aparecen en tantos registros que ni siquiera está seguro de qué define a un cliente. ¿Se trata de una dirección? ¿Un nombre de empresa?
            3. Sin estándares de datos – Un desglose regional muestra clientes en 87 estados. La clase de geografía fue hace mucho tiempo, pero parece recordar sólo 50 estados. Por ejemplo, California aparece como: CA, Calif, Cali y, tu favorito, «Surfin’, USA».
            4. Registros incompletos – En casi todas las cuentas de la región occidental faltan datos clave. En las cuentas de consumidores faltan datos como el teléfono y el correo electrónico. En las cuentas de empresas faltan el sector, los ingresos y el número de empleados.
            5. Datos obsoletos – Al menos la mitad de las cuentas de la región occidental no se han actualizado en los últimos 6 meses, por lo que no se sabe la exactitud de los datos. Y esos datos ni siquiera incluyen las cuentas no capturadas en Salesforce.

            8. <li

          8. Los datos erróneos se relacionan sistemáticamente con:
            1. Ingresos perdidos
            3. Información incompleta o inexacta
            5. Pérdida de tiempo y recursos
            7. Ineficiencia
            9. Lenta recuperación de información
            11. Mala atención al cliente
            13. Daños a la reputación
            15. Disminución de la adopción por parte de los representantes
          10. Los buenos datos permiten a su empresa:
            1. Prospectar y dirigirse a nuevos clientes
            3. Identificar las oportunidades de ventas cruzadas y ventas adicionales
            5. Obtener información sobre la cuenta
            6. Aumentar la eficiencia
            8. Recuperar rápidamente la información correcta
            10. Construir confianza con los clientes
            12. Aumentar la adopción por parte de los representantes
            14. Planificar y alinear mejor los territorios
            16. Consiga y enrute clientes potenciales más rápido
          12. La calidad de los datos tiene varios atributos clave. Es importante comprender estas dimensiones antes de intentar solucionar cualquier problema de datos

            Dimensión de la calidad de los datos

            Descripción

            Cómo evaluarlo
            Edad Los datos no envejecen como el buen vino. Cuál fue la última vez que se actualizó cada registro? Ejecute un informe sobre la fecha de última modificación de los registros. Qué porcentaje de registros se han actualizado recientemente?
            Completitud ¿Mantequilla de cacahuete sin mermelada? Imposible Del mismo modo, no puede encontrar oportunidades de venta sin una jerarquía completa de la empresa y la información de la industria. ¿Se han rellenado todos los campos empresariales clave de los registros? Enumere los campos necesarios para cada uso comercial. A continuación, ejecute un informe que muestre el porcentaje de espacios en blanco de estos campos. También puede utilizar una aplicación de calidad de datos de AppExchange.
            Exactitud No se gana el oro olímpico por fallar la diana. ¿Sus datos son lo más precisos posible? ¿Se han contrastado con una fuente fiable? Instale una aplicación de calidad de datos de AppExchange. Puede cotejar tus registros con una fuente de confianza y decirte cómo se pueden mejorar tus datos.
            Consistencia ¿Se utiliza el mismo formato, ortografía y lenguaje en todos los registros? Ejecute un informe para mostrar los valores utilizados para los campos de fecha, moneda, estado, país, región e idioma. ¿Cuántas variaciones se utilizan para un único valor?
            Duplicación A veces dos no es mejor que uno. Los datos duplicados suelen significar ineficiencias. ¿Hay registros y datos duplicados en su organización? Utilice las funciones de gestión de duplicados de Salesforce e instale una aplicación de detección de duplicados de AppExchange.
            Uso ¡Usarlo o perderlo! Se están aprovechando sus datos en informes, cuadros de mando y aplicaciones? Revise las herramientas y recursos disponibles que utiliza su empresa. Está optimizando el uso de los datos?
          13. Data Cloud lleva el poder de los datos en tiempo real al Cliente 360, para que pueda crear experiencias mágicas sin problemas.
          14. Data Cloud cuenta con conectores incorporados que traen datos de cualquier fuente, incluidas las aplicaciones de Salesforce, móviles, web, dispositivos conectados e incluso de sistemas heredados con MuleSoft y datos históricos de lagos de datos propios, en tiempo real.
          15. Data Cloud permite a cualquier usuario acceder a los datos en tiempo real
          16. Data Cloud permite a cualquier equipo crear experiencias mágicas.
            Ventas Cada representante de ventas puede recibir orientación en tiempo real durante las llamadas de vídeo y voz de los clientes para adaptarse a la conversación y ofrecer ofertas personalizadas a sus clientes.
            Servicio Todos los representantes de servicio, desde el centro de contacto hasta el terreno, pueden ofrecer un servicio proactivo con alertas en tiempo real que detectan desafíos, permiten a los agentes intervenir, involucrar al cliente y resolver el problema.
            Marketing Cada comercializador puede ofrecer mensajes personalizados en todos los canales que se adaptan a la actividad del cliente en varias propiedades de la marca en tiempo real.
            Comercio Todos los minoristas pueden crear experiencias de compra personalizadas que se adapten a las acciones de los clientes en tiempo real, incluidos los carritos de la compra abandonados o las acciones realizadas en un sitio web o una aplicación móvil.
            Plataforma Los equipos de TI pueden utilizar herramientas de bajo código para construir cosas como apps que aprovechen datos en tiempo real para, por ejemplo, proporcionar detección de fraude o datos económicos en tiempo real para determinar beneficios.
            MuleSoft Todas las empresas pueden desbloquear datos en tiempo real a través de cualquier sistema moderno o heredado.
            Tableau Todas las empresas pueden supervisar los indicadores clave de rendimiento en tiempo real para informar de las acciones en toda la empresa, incluidos los datos de compra en tiempo real para las ventas, los picos de casos en tiempo real para el servicio y el tráfico web en tiempo real para el marketing.
            Slack Los líderes pueden aumentar inmediatamente la eficiencia permitiendo a los equipos ver automáticamente datos en tiempo real de cualquier canal con flujos de trabajo inteligentes
            Sanidad y ciencias de la vida Las organizaciones de contribuyentes y proveedores pueden conectar datos clínicos y no clínicos de diversas fuentes para ofrecer perspectivas inteligentes en tiempo real, que pueden utilizarse para construir recorridos automatizados que ayuden a los pacientes a lograr mejores resultados
            Servicios financieros Los asesores financieros y los banqueros pueden ayudar a sus clientes a acelerar sus objetivos financieros proporcionándoles el asesoramiento adecuado en el momento oportuno.
            AppExchange Amplíe la potencia de Data Cloud con AppExchange Data Cloud Collection, que incluye 18 aplicaciones de socios y expertos de Data Cloud que ayudan a las empresas a automatizar la publicidad relevante y a enriquecer los perfiles de los clientes.

            17. <li

          17. ¿Sus datos están preparados para la IA?
            1. Los datos de los clientes están en el corazón de la entrega de grandes experiencias. No es necesario que sus datos sean perfectos para crear un programa de IA eficaz, pero deben estar limpios. Eso significa que no deben contener errores, formatos incorrectos, duplicados ni etiquetas erróneas
            2. Los expertos en datos de Tableau ofrecen estos pasos sobre cómo limpiar sus datos, un primer paso importante para unificar conjuntos de datos para proyectos de IA:
              1. Eliminar observaciones duplicadas o irrelevantes – La duplicación se produce cuando se combinan conjuntos de datos de varios lugares y se crean entradas duplicadas. Las observaciones irrelevantes se producen cuando los datos (por ejemplo, sobre consumidores mayores) no encajan en el problema que se intenta analizar (por ejemplo, los hábitos de compra de los millennials). Eliminarlas hace que el análisis sea más eficiente, útil y preciso para un sistema de IA.
              2. Corregir errores estructurales – Esto ocurre cuando los datos incluyen errores tipográficos, mayúsculas incorrectas o etiquetas erróneas. Por ejemplo, «N/A» y «no aplicable» significan lo mismo, pero no se analizan de la misma manera porque se presentan de forma diferente. Las entradas deben ser coherentes para garantizar un análisis preciso y completo por parte del sistema de IA.
              3. Filtra los valores atípicos no deseados – A menudo hay observaciones puntuales que no parecen alinearse con los datos que estás analizando. Esto puede ser el resultado de una introducción incorrecta de datos (y debe eliminarse), pero a veces el valor atípico ayudará a demostrar una teoría en la que se está trabajando. En cualquier caso, es necesario realizar un análisis para determinar su validez.
              4. Manejar los datos que faltan – Los datos que faltan o están incompletos son un problema muy común en los conjuntos de datos, y pueden reducir la precisión de los modelos de IA. Hay algunas maneras de lidiar con esto:
                1. Eliminar las observaciones que incluyen valores que faltan; sin embargo, esto dará lugar a la pérdida de información.
                2. Introducir los datos que faltan
                3. Introduzca los valores que faltan basándose en otras observaciones; sin embargo, puede perder la integridad de los datos porque está operando a partir de suposiciones y no de observaciones reales
                4. Considere alterar la forma en que se utilizan los datos para navegar eficazmente por los valores que faltan
              6. Validar – Después de limpiar los datos, debería poder responder a estas preguntas: 
                1. ¿Tienen sentido los datos? 
                2. Los datos son coherentes?
                3. ¿Siguen los datos las reglas apropiadas para su campo? 
                4. ¿Son coherentes?
                5. ¿Prueban o refutan su teoría, o aportan alguna información?
                6. ¿Pueden los datos ser útiles?
                7. ¿Puede encontrar tendencias que ayuden a fundamentar la siguiente teoría? Si no es así, ¿se debe a problemas de calidad de los datos?
          19. Guía de mejores prácticas de gestión de datos
          20. Determinar los requisitos de datos
          21. Construya su alfabetización de datos
          22. Calidad de los datos Es una medida del grado en que los datos son adecuados para su finalidad. Una buena calidad de datos genera confianza en los datos. Las dimensiones de calidad de datos son una medida de un atributo específico de la calidad de un dato.
            1. Completitud mide el grado en que están presentes todos los registros esperados en un conjunto de datos. A nivel de elemento de datos, la exhaustividad es el grado en que todos los registros tienen datos rellenados cuando se espera.
            3. Completitud
            4. Validez mide el grado de validez de los valores de un elemento de datos
            5. Unicidad mide el grado en que los registros de un conjunto de datos no están duplicados.
            6. Puntualidad es el grado en que un conjunto de datos está disponible cuando se espera y depende de los acuerdos de nivel de servicio que se establezcan entre los recursos técnicos y empresariales.
            7. Actualidad
            8. Consistencia es una dimensión de la calidad de los datos que mide el grado en que los datos son los mismos en todas sus instancias. La coherencia puede medirse estableciendo un umbral para la cantidad de diferencia que puede haber entre dos conjuntos de datos.
            9. Consistencia
            10. Todos los registros de la tabla Cliente deben tener los campos Nombre del cliente, Fecha de nacimiento del cliente y Dirección del cliente exactos cuando se comparan con el formulario de impuestos.
          24. Alfabetización en datos es la capacidad de leer, comprender, crear y comunicar datos como información.
          25. Alfabetización en datos
          26. Los datos son hechos individuales, estadísticas o elementos de información. Una colección de datos es una colección de hechos. Aún más específicamente, considere esta definición ampliada. Jeffrey Leek, un científico de datos que trabaja como profesor en la Johns Hopkins Bloomberg School of Public Health, empezó con la definición de datos de Wikipedia y la amplió para formar su propia definición: Los datos se componen de [sic] valores de cualitativos o cuantitativos variables, pertenecientes a un conjunto de elementos.
            Término Definición
            Conjunto de elementos A veces llamado población, es el conjunto de objetos que te interesan.
            Variable Medida, propiedad o característica de un elemento que puede variar o cambiar (a diferencia de una medida constante, como pi, que no varía)
            Variable cualitativa Una variable cualitativa describe cualidades o características, como el país de origen, el sexo, el nombre o el color del pelo.
            Variable cuantitativa Una variable cuantitativa describe características medibles, como la altura, el peso o la temperatura.
          27. Algunos ejemplos de datos brutos incluyen:
            1. Un espécimen de bacteria visto al microscopio
            2. Archivos binarios producidos por máquinas de medición
            3. Archivos de hoja de cálculo sin formato
            4. Datos JSON extraídos de la API de Twitter
            5. Números recopilados y registrados manualmente
          29. Estos son algunos de los rasgos de los datos de alta calidad.

            Los datos deben escribirse en términos que puedan entenderse fácilmente, no en código

            Características Descripción
            Alto volumen Una gran cantidad de datos relevantes y disponibles significa que hay más posibilidades de que tenga lo que necesita para responder a sus preguntas.

            Nota: No es necesario limitarse a adquirir datos porque sí; la relevancia es importante.
            Históricos Los datos que se remontan en el tiempo permiten ver cómo surgió la situación actual debido a patrones que han surgido a lo largo del tiempo, como observar las tendencias de ventas en los últimos 10 años para ver aumentos o disminuciones.
            Consistente  Como las cosas cambian, los datos deben ajustarse para que sean coherentes. Los datos sobre salarios y precios ajustados a la inflación son un buen ejemplo de ello.
            Multivariantes Los datos deben contener variables cuantitativas (medibles numéricamente) y cualitativas (características, no medibles numéricamente). Cuantas más variables contengan los datos, más se podrá descubrir de ellos.
            Atómicas  Cuanto más detallados sean los datos, mayor será la posibilidad de examinarlos con distintos niveles de detalle. Por ejemplo, si desea comprender las tendencias del uso de la bicicleta en su estado, sería útil ver estas tendencias en función del condado, la ciudad y el barrio.
            Limpio Para que los datos sean útiles, deben ser precisos, completos y sin errores.
            Claro Los datos deben escribirse en términos que puedan entenderse fácilmente, no en código. Por ejemplo, los valores de tipo de vivienda unifamiliar, conversión bifamiliar y casa adosada final son mucho más fáciles de entender que 1Fam, 2fmCon y TwnhsE.
            Estructurado dimensionalmente  Una forma accesible de estructurar los datos es organizarlos en dos tipos: Dimensiones (valores cualitativos) y Medidas (valores cuantitativos). Esta es la estructura organizativa que utiliza Tableau a la hora de interpretar los datos.
            Richamente segmentados Los grupos, basados en características similares, deben construirse en los datos para facilitar el análisis. Por ejemplo, los datos sobre películas podrían agruparse por géneros (acción, ciencia ficción, romántica, comedia, etcétera).
            De pedigrí conocido Para confiar en los datos, debes conocer sus antecedentes: de dónde proceden y cómo se han alterado desde entonces.

            30. <li

          30. Las opciones que puede utilizar para reestructurar los datos incluyen:
            1. Cambiar la base de datos subyacente
            2. Utilizar un lenguaje de programación, como R o Python
            3. Usando herramientas, como pivotar y dividir datos, dentro de la plataforma Tableau, incluido Tableau Prep Builder o Tableau Desktop
            4. Utilizar otras herramientas ETL (extraer, transformar, cargar)

            31. <li

          31. En el módulo Datos bien estructurados aprendió que los datos se organizan en columnas, o campos, y que en los datos bien estructurados los campos están formados por variables, una variable por campo.
            1. Variables cualitativas< son variables que no se pueden medir numéricamente, como categorías o características. Se pueden clasificar a su vez en dos tipos: nominales y ordinales.
              1. Nominales: Las variables cualitativas nominales son categorías que no se pueden clasificar. Por ejemplo, consideremos algunos tipos de fruta: plátanos, uvas, albaricoques y manzanas. Se trata de variables nominales porque no existe un orden implícito entre ellas. Un plátano, por ejemplo, no está mejor clasificado que un albaricoque
              2. Ordinales: a diferencia de las variables cualitativas nominales, las variables cualitativas ordinales pueden clasificarse. Son cualitativas porque no se pueden medir numéricamente, pero existe un orden lógico entre ellas. Piense, por ejemplo, en las encuestas que haya realizado. Ejemplos de valores cualitativos ordinales en las encuestas son: Nunca, A veces, En su mayoría, Siempre, Extremadamente insatisfecho, Insatisfecho, Ni satisfecho ni insatisfecho, Satisfecho, Extremadamente satisfecho.
            3. Variables cuantitativas< son variables que pueden medirse numéricamente, como el número de elementos de un conjunto. Cuando se añaden a un conjunto de datos, las variables cualitativas se convierten en campos (o columnas) cualitativos y las variables cuantitativas se convierten en campos (o columnas) cuantitativos. Se pueden clasificar a su vez en dos tipos: discretas y continuas.
              1. Variables discretas: Las variables discretas son individualmente separadas y distintas. En pocas palabras, si se puede contar individualmente, es una variable discreta. Por ejemplo, puede contar individualmente el número de niños de un hogar. Un hogar puede tener 0 hijos, 3 hijos, 6 hijos, etc., pero no puede tener 3,45 hijos. El número de dedos de un pie y el número total de calcetines de un cajón también son ejemplos de variables discretas. El número total de dedos de todos los pies de todas las personas de su ciudad es incluso una variable discreta. Llevaría mucho tiempo contar individualmente todos esos dedos, pero aún así es posible hacerlo.
              3. Variables continuas: Continuas significa que forman un todo ininterrumpido, sin interrupción. Son variables que no se pueden contar en un tiempo finito porque hay un número infinito de valores entre dos valores cualesquiera. Por ejemplo, si se quiere medir el tiempo, cada unidad de tiempo puede dividirse en unidades aún más pequeñas: El tiempo de respuesta a un estímulo podría expresarse como 1,64 segundos, o podría descomponerse aún más y expresarse como 1,642378765 segundos, y así infinitamente. Otros ejemplos de valores continuos son la temperatura, la distancia y la masa.
          33. Agregación se refiere a una colección de datos cuantitativos y puede mostrar grandes tendencias de datos. Por ejemplo, sumando todas las búsquedas en Internet de un camping en particular o tomando la media de los ingresos de todos los asalariados de una ciudad. 
          35. Agregación
          36. Granularidad hace referencia al grado de detalle de los datos. 
          37. Correlación es una técnica que puede mostrar si los pares de variables cuantitativas están relacionados y con qué fuerza.

        Conclusión

        Si tiene experiencia básica con todos los temas anteriores, aprobar el examen será pan comido y podrá obtener el tan codiciado examen de certificación Salesforce Certified AI Associate Sin embargo, si no tiene suficiente experiencia con los fundamentos de la IA, la plataforma Salesforce y planea convertirse en Asociado certificado en IA. Le sugiero que trace un plan de 3-4 semanas (termine el Trailhead anterior para prepararse para ello).

        <p

        Espero que estos consejos y recursos te resulten útiles. Si le dedicas tiempo y esfuerzo, lo conseguirás. Feliz estudio y suerte

        Evaluación formativa:

        ¡Quiero saber de ti!

        ¿Ha realizado el examen Salesforce Certified AI Associate? ¿Se está preparando ahora para el examen? Comparta sus consejos en los comentarios

        …

        Esta es una traducción realizada por EGA Futura, y este es el link a la publicación original: https://automationchampion.com/2023/09/06/how-to-pass-salesforce-certified-ai-associate-certification-exam-2/

    Entradas recomendadas

    Zero Copy revoluciona la nube de datos con análisis en tiempo real
    Centro DevOps para equipos híbridos colaborativos ☁️
    Centro DevOps para equipos híbridos colaborativos ☁️
    La versión de invierno de 2005: Guía para desarrolladores de Salesforce ☁️
    La versión de invierno de 2005: Guía para desarrolladores de Salesforce ☁️