Inteligencia artificial (IA)

La inteligencia artificial permite que las computadoras y las máquinas imiten la percepción, el aprendizaje, la resolución de problemas y las capacidades de toma de decisiones de la mente humana.

¿Qué es la inteligencia artificial?

En ciencias de la computación, el término inteligencia artificial (IA) se refiere a cualquier inteligencia similar a la humana exhibida por una computadora, robot u otra máquina. En el uso popular, la inteligencia artificial se refiere a la capacidad de una computadora o máquina para imitar las capacidades de la mente humana: aprender de ejemplos y experiencias, reconocer objetos, comprender y responder al lenguaje, tomar decisiones, resolver problemas, y combinar estos y otros. capacidades para realizar funciones que un ser humano podría realizar, como saludar a un huésped del hotel o conducir un automóvil.

Tras décadas de estar relegada a la ciencia ficción, hoy la IA forma parte de nuestra vida diaria. El aumento en el desarrollo de la IA es posible gracias a la disponibilidad repentina de grandes cantidades de datos y el correspondiente desarrollo y amplia disponibilidad de sistemas informáticos que pueden procesar todos esos datos de forma más rápida y precisa que los humanos. AI está completando nuestras palabras a medida que las escribimos, brindando direcciones de manejo cuando preguntamos, aspirando nuestros pisos y recomendando lo que debemos comprar o ver a continuación. Y está impulsando aplicaciones, como el análisis de imágenes médicas, que ayudan a los profesionales capacitados a realizar trabajos importantes más rápido y con mayor éxito.

Tan común como es hoy la inteligencia artificial, comprender la IA y la terminología de la IA puede ser difícil porque muchos de los términos se usan indistintamente; y aunque en realidad son intercambiables en algunos casos, no lo son en otros. ¿Cuál es la diferencia entre inteligencia artificial y aprendizaje automático? ¿Entre el aprendizaje automático y el aprendizaje profundo? ¿Entre el reconocimiento de voz y el procesamiento del lenguaje natural? ¿Entre una IA débil y una IA fuerte? Este artículo intentará ayudarlo a analizar estos y otros términos y comprender los conceptos básicos de cómo funciona la IA.

Inteligencia artificial, aprendizaje automático (machine learning) y aprendizaje profundo (deep learning)

La forma más sencilla de comprender la relación entre la inteligencia artificial (IA), el aprendizaje automático y el aprendizaje profundo es la siguiente:

  • Piense en la inteligencia artificial como el universo completo de tecnología informática que exhibe cualquier cosa que se parezca remotamente a la inteligencia humana. Los sistemas de inteligencia artificial pueden incluir cualquier cosa, desde un sistema experto (una aplicación de resolución de problemas que toma decisiones basadas en reglas complejas o lógica si / entonces) hasta algo como el equivalente del personaje ficticio de Pixar Wall-E, una computadora que desarrolla la inteligencia, gratis voluntad y emociones de un ser humano.  
  • El aprendizaje automático es un subconjunto de la aplicación de inteligencia artificial que aprende por sí mismo. En realidad, se reprograma a sí mismo, a medida que digiere más datos, para realizar la tarea específica para la que está diseñado con una precisión cada vez mayor. 
  • El aprendizaje profundo es un subconjunto de la aplicación de aprendizaje automático que se enseña a sí mismo a realizar una tarea específica con una precisión cada vez mayor, sin intervención humana.
Diagrama de la relación entre inteligencia artificial, aprendizaje automático y aprendizaje profundo

Echemos un vistazo más de cerca al aprendizaje automático y al aprendizaje profundo, y en qué se diferencian.

Aprendizaje automático (Machine Learning)

Las aplicaciones de aprendizaje automático (machine learning, también llamadas modelos de aprendizaje automático) se basan en una red neuronal,  que es una red de cálculos algorítmicos que intenta imitar la percepción y el proceso de pensamiento del cerebro humano. En su forma más básica, una red neuronal consta de lo siguiente:

  • Un nivel de entrada , donde los datos ingresan a la red.
  • Al menos un nivel oculto , donde los algoritmos de aprendizaje automático procesan las entradas y aplican pesos, sesgos y umbrales a las entradas.
  • Una capa de salida , donde surgen varias conclusiones, en las que la red tiene varios grados de confianza.
Diagrama de una red neuronal básica.

Los modelos de aprendizaje automático que no son modelos de aprendizaje profundo se basan en redes neuronales artificiales con una sola capa oculta. Estos modelos se alimentan con datos etiquetados, datos mejorados con etiquetas que identifican sus características de una manera que ayuda al modelo a identificar y comprender los datos. Son capaces de aprendizaje supervisado (es decir, aprendizaje que requiere supervisión humana), como el ajuste periódico de los algoritmos en el modelo.

Aprendizaje profundo (Deep learning)

Los modelos de aprendizaje profundo (deep learning) se basan en redes neuronales profundas, redes neuronales con múltiples capas ocultas, cada una de las cuales refina aún más las conclusiones de la capa anterior. Este movimiento de cálculos a través de las capas ocultas hasta la capa de salida se denomina propagación hacia adelante . Otro proceso, llamado retropropagación , identifica errores en los cálculos, les asigna pesos y los empuja hacia las capas anteriores para refinar o entrenar el modelo.

Diagrama de una red neuronal profunda.

Si bien algunos modelos de aprendizaje profundo funcionan con datos etiquetados, muchos pueden trabajar con datos no etiquetados, y muchos de ellos. Los modelos de aprendizaje profundo también son capaces de aprendizaje no supervisado: detectan características y patrones en los datos con la mínima supervisión humana.

Una ilustración simple de la diferencia entre el aprendizaje profundo y otro aprendizaje automático es la diferencia entre Siri de Apple o Alexa de Amazon (que reconocen sus comandos de voz sin entrenamiento) y las aplicaciones de voz a tipo de hace una década, que requerían que los usuarios “entrenan ”El programa (y etiquetar los datos) hablando decenas de palabras al sistema antes de su uso. Pero los modelos de aprendizaje profundo impulsan aplicaciones mucho más sofisticadas, incluidos los sistemas de reconocimiento de imágenes que pueden identificar objetos cotidianos con mayor rapidez y precisión que los humanos.

Tipos de inteligencia artificial: IA débil frente a IA fuerte

La IA débil, también llamada IA ​​estrecha o Inteligencia artificial estrecha (ANI), es una IA entrenada y enfocada para realizar tareas específicas. La IA débil impulsa la mayor parte de la IA que nos rodea hoy. ‘Estrecho’ es un descriptor más preciso para esta IA, porque es cualquier cosa menos débil; habilita algunas aplicaciones muy impresionantes, incluidas Siri de Apple y Alexa de Amazon, la computadora IBM Watson que venció a los competidores humanos en Jeopardy y los autos sin conductor.

La IA fuerte, también llamada Inteligencia General Artificial (AGI), es una IA que replica de manera más completa la autonomía del cerebro humano, una IA que puede resolver muchos tipos o clases de problemas e incluso elegir los problemas que quiere resolver sin intervención humana. La IA fuerte sigue siendo completamente teórica, sin ejemplos prácticos en uso en la actualidad. Pero eso no significa que los investigadores de IA no estén también explorando (con cautela) la superinteligencia artificial (ASI), que es inteligencia artificial superior a la inteligencia o capacidad humana. Un ejemplo de ASI podría ser HAL, el asistente informático sobrehumano (y eventualmente deshonesto) en 2001: A Space Odyssey.

Aplicaciones de inteligencia artificial

Como se señaló anteriormente, la inteligencia artificial está en todas partes hoy en día, pero parte de ella ha existido durante más tiempo del que cree. A continuación, se muestran algunos de los ejemplos más comunes:

  • Reconocimiento de voz: también llamado voz a texto (STT), el reconocimiento de voz es una tecnología de inteligencia artificial que reconoce las palabras habladas y las convierte en texto digitalizado. El reconocimiento de voz es la capacidad que impulsa el software de dictado por computadora, los controles remotos de voz de TV, la mensajería de texto y GPS habilitados por voz y los menús de contestador telefónico controlados por voz.
  • Procesamiento del lenguaje natural (NLP):  NLP permite que una aplicación de software, computadora o máquina comprenda, interprete y genere texto humano. NLP es la IA detrás de los asistentes digitales (como los mencionados Siri y Alexa), chatbots y otra asistencia virtual basada en texto. Algunos PNL utilizan el análisis de sentimientos para detectar el estado de ánimo, la actitud u otras cualidades subjetivas en el lenguaje.
  • Reconocimiento de imágenes ( visión por computadora o visión artificial ): tecnología de inteligencia artificial que puede identificar y clasificar objetos, personas, escritura e incluso acciones dentro de imágenes fijas o en movimiento. Por lo general, impulsado por redes neuronales profundas, el reconocimiento de imágenes se utiliza para sistemas de identificación de huellas dactilares, aplicaciones móviles de depósito de cheques, análisis de imágenes médicas y de video, automóviles sin conductor y mucho más.
  • Recomendaciones en tiempo real:  los sitios web de venta minorista y entretenimiento utilizan redes neuronales para recomendar compras adicionales o medios que puedan atraer a un cliente en función de la actividad pasada del cliente, la actividad pasada de otros clientes y una miríada de otros factores, incluida la hora del día y la clima. Las investigaciones han descubierto que las recomendaciones en línea pueden aumentar las ventas entre un 5% y un 30%.
  • Prevención de virus y spam: una  vez impulsado por sistemas expertos basados ​​en reglas, el software actual de detección de virus y spam emplea redes neuronales profundas que pueden aprender a detectar nuevos tipos de virus y spam tan rápido como los ciberdelincuentes pueden imaginar.
  • Negociación de acciones automatizada:  diseñadas para optimizar las carteras de acciones, las plataformas de negociación de alta frecuencia impulsadas por IA realizan miles o incluso millones de transacciones por día sin intervención humana.
  • Servicios de viajes compartidos:  Uber, Lyft y otros servicios de viajes compartidos utilizan inteligencia artificial para hacer coincidir a los pasajeros con los conductores para minimizar los tiempos de espera y los desvíos, proporcionar ETA confiables e incluso eliminar la necesidad de aumentar los precios durante los períodos de alto tráfico.
  • Robots domésticos:  la aspiradora Roomba de iRobot utiliza inteligencia artificial para determinar el tamaño de una habitación, identificar y evitar obstáculos y aprender la ruta más eficiente para aspirar un piso. Una tecnología similar impulsa los robots cortacésped y limpiafondos.
  • Tecnología de piloto automático:  ha estado volando aviones comerciales y militares durante décadas. Hoy en día, el piloto automático utiliza una combinación de sensores, tecnología GPS, reconocimiento de imágenes, tecnología para evitar colisiones, robótica y procesamiento del lenguaje natural para guiar una aeronave de manera segura a través de los cielos y actualizar a los pilotos humanos según sea necesario. Dependiendo de a quién le pregunte, los pilotos comerciales de hoy en día dedican tan solo tres minutos y medio a pilotar un vuelo manualmente.

Historia de la inteligencia artificial: fechas clave y nombres

La idea de “una máquina que piensa” se remonta a la antigua Grecia. Pero desde el advenimiento de la computación electrónica (y en relación con algunos de los temas discutidos en este artículo), los eventos e hitos importantes en la evolución de la inteligencia artificial incluyen los siguientes:

  • 1950: Alan Turing publica Computing Machinery and Intelligence. En el periódico, Turing, famoso por descifrar el código ENIGMA de los nazis durante la Segunda Guerra Mundial, propone responder a la pregunta “¿pueden pensar las máquinas?” e introduce la prueba de Turing para determinar si una computadora puede demostrar la misma inteligencia (o los resultados de la misma inteligencia) que un humano. El valor de la prueba de Turing se ha debatido desde entonces.
  • 1956: John McCarthy acuña el término ‘inteligencia artificial’ en la primera conferencia de IA en Dartmouth College. (McCarthy inventaría el lenguaje Lisp). Más tarde ese año, Allen Newell, JC Shaw y Herbert Simon crearon Logic Theorist, el primer programa de software de inteligencia artificial que se ejecutaba.
  • 1967: Frank Rosenblatt construye el Mark 1 Perceptron, la primera computadora basada en una red neuronal que “aprendió” mediante prueba y error. Solo un año después, Marvin Minsky y Seymour Papert publican un libro titulado Perceptrons , que se convierte tanto en el trabajo histórico sobre redes neuronales como, al menos por un tiempo, en un argumento en contra de futuros proyectos de investigación de redes neuronales.
  • Década de 1980: Las redes neuronales con retropropagación (algoritmos para entrenar la red) se utilizan ampliamente en aplicaciones de IA.
  • 1997: Deep Blue de IBM vence al entonces campeón mundial de ajedrez Garry Kasparov, en una partida de ajedrez (y revancha).
  • 2011: IBM Watson vence a los campeones Ken Jennings y Brad Rutter en Jeopardy!
  • 2015: la supercomputadora Minwa de Baidu utiliza un tipo especial de red neuronal profunda llamada red neuronal convolucional para identificar y categorizar imágenes con una mayor tasa de precisión que el humano promedio.
  • 2016: El programa AlphaGo de DeepMind, impulsado por una red neuronal profunda, vence a Lee Sodol, el jugador campeón mundial de Go, en una partida de cinco juegos. La victoria es significativa dada la gran cantidad de movimientos posibles a medida que avanza el juego (¡más de 14,5 billones después de solo cuatro movimientos!). Más tarde, Google compró DeepMind por unos 400 millones de dólares.