·INTELIGENCIA ARTIFICIAL·
1. Definición de Inteligencia artificial
La Inteligencia artificial es el campo científico de la informática que se centra
en la creación de programas y mecanismos que pueden mostrar
comportamientos considerados inteligentes. En otras palabras, la IA es el
concepto según el cual “las máquinas piensan como seres humanos”.
Normalmente, un sistema de IA es capaz de analizar datos en grandes
cantidades (big data), identificar patrones y tendencias y, por lo tanto,
formular predicciones de forma automática, con rapidez y precisión. Para
nosotros, lo importante es que la IA permite que nuestras experiencias
cotidianas sean más inteligentes. ¿Cómo? Al integrar análisis predictivos
(hablaremos sobre esto más adelante) y otras técnicas de IA en aplicaciones
que utilizamos diariamente.
· Siri funciona como un asistente personal, ya que utiliza procesamiento
de lenguaje natural
· Facebook y Google Fotos sugieren el etiquetado y agrupamiento de
fotos con base en el reconocimiento de imagen
· Amazon ofrece recomendaciones de productos basadas en modelos de
canasta de compra
· Waze brinda información optimizada de tráfico y navegación en tiempo
real
2. Breve historia de la Inteligencia artificial
La mayoría de nosotros tenemos un concepto de la Inteligencia artificial
alimentado por las películas de Hollywood. Exterminadores, robots con crisis
existenciales y píldoras rojas y azules. De hecho, la IA ha estado en nuestra
imaginación y en nuestros laboratorios desde 1956, cuando un grupo de
científicos inició el proyecto de investigación “Inteligencia artificial” en
Dartmouth College en los Estados Unidos. El término se acuñó primero ahí y,
desde entonces, hemos presenciado una montaña rusa de avances (“¡Vaya!
¿Cómo sabe Amazon que quiero este libro?”), así como frustraciones (“esta
traducción es completamente errónea”).
Al inicio del proyecto, el objetivo era que la inteligencia humana pudiera ser
descrita de forma tan precisa que una máquina fuera capaz de simularla.
Este concepto también fue conocido como “IA genérica” y fue esta la idea
que alimentó la (asombrosa) ficción que nos daría entretenimiento ilimitado.
Sin embargo, la IA derivó en campos específicos. Con el paso del tiempo, la
ciencia evolucionó hacia áreas de conocimiento específicas, y fue entonces
que la IA comenzó a generar resultados significativos en nuestras vidas. Fue
una combinación entre el reconocimiento de imagen, el procesamiento de
lenguaje, las redes neuronales y la mecánica automotriz lo que hizo posible
un vehículo autónomo. En ocasiones, el mercado se refiere a este tipo de
avances como “IA débil”.
La siguiente tabla muestra algunos acontecimientos importantes en la
historia de la Inteligencia Artificial.
3. Técnicas principales de la Inteligencia artificial
Ahora que ya conoce la definición de la IA y más de su historia, la mejor
forma de profundizar en el tema es conocer las principales técnicas de la IA,
específicamente, los casos en los que la Inteligencia artificial se utiliza para
los negocios.
Aprendizaje automático
Generalmente, el concepto de Aprendizaje automático se confunde con el de
“IA débil”. Es en este campo en donde los avances más importantes de la IA
se están llevando a cabo. En términos prácticos, “el Aprendizaje automático
es la ciencia que se encarga de hacer que las computadoras realicen
acciones sin necesidad de programación explícita”. La idea principal aquí es
que se les puede proporcionar datos a los algoritmos de Aprendizaje
automático y luego usarlos para saber cómo hacer predicciones o guiar
decisiones.
Algunos ejemplos de algoritmos de Aprendizaje automático incluyen los
siguientes: diagramas de decisiones, algoritmos de agrupamiento, algoritmos
genéticos, redes Bayesianas y Aprendizaje profundo.
Aprendizaje profundo
¿Recuerda cuando Google anunció un algoritmo que encontraba videos de
gatos en Youtube? (Si desea refrescar su memoria haga clic aquí). Pues
bien, esto es Aprendizaje profundo, una técnica de Aprendizaje automático
que utiliza redes neuronales (el concepto de que las neuronas se pueden
simular mediante unidades computacionales) para realizar tareas de
clasificación (piense en clasificar una imagen de un gato, de un perro o
personas, por ejemplo).
Algunos ejemplos de aplicaciones prácticas del Aprendizaje profundo son las
siguientes: identificación de vehículos, peatones y placas de matrícula de
vehículos autónomos, reconocimiento de imagen, traducción y
procesamiento de lenguaje natural.
Descubrimiento de datos inteligentes
Es el próximo paso en soluciones de IE (Inteligencia empresarial). La idea
consiste en permitir la automatización total del ciclo de la IE: la incorporación
y preparación de datos, el análisis predictivo y los patrones y la identificación
de hipótesis. Este es un ejemplo interesante de la recuperación de datos
inteligentes en acción. La información que ninguna herramienta de IE había
descubierto.
Análisis predictivo
Piense en ese momento en el que está contratando un seguro para auto y el
agente le hace una serie de preguntas Estas preguntas están relacionadas a
las variables que influyen en su riesgo. Detrás de estas preguntas se
encuentra un modelo predictivo que informa sobre la probabilidad de que
ocurra un accidente con base en su edad, código postal, género, marca de
auto, etc. Es el mismo principio que se emplea en los modelos predictivos de
crédito para identificar a los buenos y malos pagadores. Por lo tanto, el
concepto principal de análisis predictivo (o modelado) significa que se puede
utilizar un número de variables (ingresos, código postal, edad, etc.)
combinadas con resultados (por ejemplo, buen o mal pagador) para generar
un modelo que proporcione una puntuación (un número entre 0 y 1) que
representa la probabilidad de un evento (por ejemplo, pago, migración de
clientes, accidente, etc.).
Los casos de uso en los negocios son amplios: modelos de crédito, modelos
de segmentación de clientes (agrupamiento), modelos de probabilidad de
compra y modelos de migración de clientes, entre otros.
