Bajo la superficie de la inteligencia artificial se esconde una estructura oculta, un modelo para el pensamiento.
Un tensor es una estructura de datos que generaliza escalares, vectores y matrices a dimensiones más altas.
En aprendizaje automático, un tensor de hecho es una matriz multidimensional de datos. Los tensores se utilizan para representar y manipular datos en muchos algoritmos de aprendizaje automático, en particular aquellos que involucran redes neuronales.
La capacidad de un modelo de inteligencia artificial para razonar y sacar conclusiones a partir de datos nuevos es la inferencia.
Esta inferencia es el proceso por el cual se derivan conclusiones a partir de premisas o hipótesis iniciales. Es el resultado obtenido a través de la deducción, es decir, partiendo de premisas generales para obtener lógicamente una conclusión particular. Por ejemplo: si todos los peces nadan y el atún es un pez, entonces el atún debe nadar.
El tensor, computacionalmente, podemos considerarlo como un contenedor de datos para almacenar matrices multidimensionales, lo que aumenta la velocidad, que se traduce en tiempos de entrenamiento e inferencia más rápidos para las redes neuronales.
Los tensores también ofrecen mayor flexibilidad y expresividad. Representan datos multidimensionales de forma fluida, incluyendo texto, imágenes, secuencias de vídeo y objetos matemáticos complejos.