La inteligencia artificial (IA), en el contexto de las ciencias de la computación, es una disciplina y un conjunto de

capacidades cognoscitivas e intelectuales expresadas por sistemas informáticos o combinaciones de algoritmos

cuyo propósito es la creación de máquinas que imiten la inteligencia humana para realizar tareas, y que pueden
mejorar conforme recopilan información.12 A diferencia de la inteligencia sintética, la inteligencia artificial no
tiene como finalidad reemplazar a los humanos, sino mejorar significativamente las capacidades y
contribuciones de estos. Se hizo presente poco después de la Segunda Guerra Mundial con el desarrollo de la
«prueba de Turing», mientras que la locución fue acuñada en 1956 por el informático John McCarthy en la
Conferencia de Dartmouth.

En la actualidad, la inteligencia artificial abarca una gran variedad de subcampos. Éstos van desde áreas de
propósito general, aprendizaje y percepción, a otras más específicas como el reconocimiento de voz, el juego
de ajedrez, la demostración de teoremas matemáticos, la escritura de poesía y el diagnóstico de
enfermedades. La inteligencia artificial sintetiza y automatiza tareas que en principio son intelectuales y, por lo
tanto, es potencialmente relevante para cualquier ámbito de diversas actividades intelectuales humanas. En
este sentido, es un campo genuinamente universal.3

La arquitectura de las inteligencias artificiales y los procesos por los cuales aprenden, se mejoran y se
implementan en algún área de interés varían según el enfoque de utilidad que se les quiera dar, pero de
manera general, estos van desde la ejecución de sencillos algoritmos hasta la interconexión de complejas redes
neuronales artificiales que intentan replicar los circuitos neuronales del cerebro humano y que aprenden
mediante diferentes modelos de aprendizaje tales como el aprendizaje automático, el aprendizaje por
refuerzo, el aprendizaje profundo o el aprendizaje supervisado.4

Por otro lado, el desarrollo y aplicación de la inteligencia artificial en muchos aspectos de la vida cotidiana
también ha propiciado la creación de nuevos campos de estudio como la roboética y la ética de las máquinas
que abordan aspectos relacionados con la ética en la inteligencia artificial y que se encargan de analizar cómo
los avances en este tipo de tecnologías impactarían en diversos ámbitos de la vida, así como el manejo
responsable y ético que se les debería dar a los mismos, además de establecer cuál debería ser la manera
correcta de proceder de las máquinas y las reglas que deberían cumplir.5

En cuanto a su clasificación, tradicionalmente se divide a la inteligencia artificial en inteligencia artificial débil,

la cual es la única que existe en la actualidad y que se ocupa de realizar tareas específicas, e inteligencia
artificial fuerte, que sería una IA que excediese las capacidades humanas. Algunos expertos creen que si alguna
vez se alcanza este nivel, se podría dar lugar a la aparición de una singularidad tecnológica, es decir, una
entidad tecnológica superior que se mejoraría a sí misma constantemente, volviéndose incontrolable para los
humanos, dando pie a teorías como el basilisco de Roko.6
Algunas de las inteligencias artificiales más conocidas y utilizadas en la actualidad alrededor del mundo
incluyen inteligencia artificial en el campo de la salud, asistentes virtuales como Alexa, el asistente de Google o
Siri, traductores automáticos como el traductor de Google y DeepL, sistemas de recomendación como el de la
plataforma digital de YouTube, motores de ajedrez y otros juegos como Stockfish y AlphaZero, chatbots como
ChatGPT, creadores de arte de inteligencia artificial como Midjourney, Dall-e y Stable Diffusion, e incluso la
conducción de vehículos autónomos como Tesla Autopilot.7

En cuanto a la definición de la expresión

En 2019 la Comisión Mundial de Ética del Conocimiento Científico y la Tecnología (COMEST) de la UNESCO
definió la inteligencia artificial como un campo que implica máquinas capaces de imitar determinadas
funcionalidades de la inteligencia humana, incluidas características como la percepción, el aprendizaje, el
razonamiento, la resolución de problemas, la interacción lingüística e incluso la producción de trabajos
creativos.

Coloquialmente, la locución «inteligencia artificial» se aplica cuando una máquina imita las funciones
«cognitivas» que los humanos asocian como competencias humanas, por ejemplo: «percibir», «razonar»,
«aprender» y «resolver problemas».8 Andreas Kaplan y Michael Haenlein definen la inteligencia artificial como
«la capacidad de un sistema para interpretar correctamente datos externos, y así aprender y emplear esos
conocimientos para lograr tareas y metas concretas a través de la adaptación flexible».9 A medida que las
máquinas se vuelven cada vez más capaces, se elimina de la definición la tecnología que alguna vez se pensó
que requería de inteligencia.

Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe como un ejemplo de la «inteligencia

artificial» habiéndose convertido en una tecnología común.10 Avances tecnológicos todavía clasificados como
inteligencia artificial son los sistemas de conducción autónomos o los capaces de jugar ajedrez o Go.11

La inteligencia artificial es una nueva forma de resolver problemas dentro de los cuales se incluyen los sistemas
expertos, el manejo y control de robots y los procesadores, que intenta integrar el conocimiento en tales
sistemas, en otras palabras, un sistema inteligente capaz de escribir su propio programa. Un sistema experto
definido como una estructura de programación capaz de almacenar y utilizar un conocimiento sobre un área
determinada que se traduce en su capacidad de aprendizaje. 12 De igual manera se puede considerar a la IA
como la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la
toma de decisiones tal y como lo haría un ser humano,13 además uno de los enfoques principales de la
inteligencia artificial es el aprendizaje automático, de tal forma que los ordenadores o las máquinas tienen la
capacidad de aprender sin estar programados para ello.13
Según Takeyas (2007) la IA es una rama de las ciencias computacionales encargada de estudiar modelos de
cómputo capaces de realizar actividades propias de los seres humanos con base en dos de sus características
primordiales: el razonamiento y la conducta.14

En 1956, John McCarthy acuñó la expresión «inteligencia artificial», y la definió como «la ciencia e ingenio de
hacer máquinas inteligentes, especialmente programas de cómputo inteligentes».15

También existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y producidas,
respectivamente, por sensores físicos y sensores mecánicos en máquinas, pulsos eléctricos u ópticos en
computadoras, tanto como por entradas y salidas de bits de un software y su entorno software.

Varios ejemplos se encuentran en el área de control de sistemas, planificación automática, la capacidad de

responder a diagnósticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento del
habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como
economía, medicina, ingeniería, el transporte, las comunicaciones y la milicia, y se ha usado en gran variedad
de programas informáticos, juegos de estrategia, como ajedrez de computador, y otros videojuegos.

Tipos

Stuart J. Russell y Peter Norvig diferencian varios tipos de inteligencia artificial:16

Los sistemas que piensan como humanos: Estos sistemas tratan de emular el pensamiento humano; por
ejemplo, las redes neuronales artificiales. La automatización de actividades que vinculamos con procesos de
pensamiento humano, actividades como la toma de decisiones, resolución de problemas y aprendizaje.17

Los sistemas que actúan como humanos: Estos sistemas tratan de actuar como humanos; es decir, imitan el
comportamiento humano; por ejemplo, la robótica (El estudio de cómo lograr que los computadores realicen
tareas que, por el momento, los humanos hacen mejor).18

Los sistemas que piensan racionalmente: Es decir, con lógica (idealmente), tratan de imitar el pensamiento
racional del ser humano; por ejemplo, los sistemas expertos, (el estudio de los cálculos que hacen posible
percibir, razonar y actuar).19

Los sistemas que actúan racionalmente: Tratan de emular de forma racional el comportamiento humano; por
ejemplo, los agentes inteligentes, que está relacionado con conductas inteligentes en artefactos.20

Escuelas de pensamiento

La IA se divide en dos escuelas de pensamiento:

La inteligencia artificial convencional.

La inteligencia computacional.

Inteligencia artificial convencional

Se conoce también como IA simbólica-deductiva. Está basada en el análisis formal y estadístico del
comportamiento humano ante diferentes problemas:

Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos
y, aparte de que son muy importantes, requieren de un buen funcionamiento.

Sistemas expertos: Infieren una solución a través del conocimiento previo del contexto en que se aplica y utiliza
ciertas reglas o relaciones.21

Redes bayesianas: Propone soluciones mediante inferencia probabilística.22

Inteligencia artificial basada en comportamientos: Esta inteligencia contiene autonomía, es decir, puede auto-
regularse y controlarse para mejorar.

Smart process management: Facilita la toma de decisiones complejas, proponiendo una solución a un
determinado problema al igual que lo haría un especialista en dicha actividad.

Inteligencia artificial computacional

Artículo principal: Inteligencia computacional

La inteligencia computacional (también conocida como IA subsimbólica-inductiva) implica desarrollo o

aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parámetros en sistemas de
conexiones). El aprendizaje se realiza basándose en datos empíricos.

La inteligencia computacional tiene una doble finalidad. Por un lado, su objetivo científico es comprender los
principios que posibilitan el comportamiento inteligente (ya sea en sistemas naturales o artificiales) y, por otro,
su objetivo tecnológico consiste en especificar los métodos para diseñar sistemas inteligentes.23

Historia

La expresión «inteligencia artificial» fue acuñada formalmente en 1956 durante la Conferencia de Dartmouth,
pero para entonces ya se había estado trabajando en ello durante cinco años en los cuales se había propuesto
muchas definiciones distintas que en ningún caso habían logrado ser aceptadas totalmente por la comunidad
investigadora. La IA es una de las disciplinas más recientes junto con la genética moderna.
Las ideas más básicas se remontan a los griegos, antes de Cristo. Aristóteles (384-322 a. C.) fue el primero en
describir un conjunto de reglas que describen una parte del funcionamiento de la mente para obtener
conclusiones racionales, y Ctesibio de Alejandría (250 a. C.) construyó la primera máquina autocontrolada, un
regulador del flujo de agua (racional pero sin razonamiento).

En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento podía ser efectuado de manera
artificial.

En 1840 Ada Lovelace previó la capacidad de las máquinas para ir más allá de los simples cálculos y aportó una
primera idea de lo que sería el software.

En 1936 Alan Turing diseña formalmente una Máquina universal que demuestra la viabilidad de un dispositivo
físico para implementar cualquier cómputo formalmente definido.

En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera
el primer trabajo del campo, aun cuando todavía no existía el término. Los primeros avances importantes
comenzaron a principios del año 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado por
diversas situaciones.

En 1955 Herbert Simon, Allen Newell y Joseph Carl Shaw, desarrollan el primer lenguaje de programación
orientado a la resolución de problemas, el IPL-11. Un año más tarde desarrollan el LogicTheorist, el cual era
capaz de demostrar teoremas matemáticos.

En 1956 fue ideada la expresión «inteligencia artificial» por John McCarthy, Marvin Minsky y Claude Shannon
en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones triunfalistas a diez años que
jamás se cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince años.

En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problem Solver (GPS). GPS era un
sistema orientado a la resolución de problemas.

En 1958 John McCarthy desarrolla en el Instituto Tecnológico de Massachusetts (MIT) el LISP. Su nombre se
deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simbólico.

En 1959 Rosenblatt introduce el «perceptrón».

A finales de la década de 1950 y comienzos de la de 1960 Robert K. Lindsay desarrolla «Sad Sam», un programa
para la lectura de oraciones en inglés y la inferencia de conclusiones a partir de su interpretación.

En 1963 Quillian desarrolla las redes semánticas como modelo de representación del conocimiento.

En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de inferir
conocimiento basado en información que se le suministra. Bobrow desarrolla STUDENT.

A mediados de los años 60, aparecen los sistemas expertos, que predicen la probabilidad de una solución bajo
un set de condiciones. Por ejemplo, DENDRAL, iniciado en 1965 por Buchanan, Feigenbaum y Lederberg, el
primer Sistema Experto, que asistía a químicos en estructuras químicas complejas, MACSYMA, que asistía a
ingenieros y científicos en la solución de ecuaciones matemáticas complejas.
Posteriormente entre los años 1968-1970 Terry Winograd desarrolló el sistema SHRDLU, que permitía
interrogar y dar órdenes a un robot que se movía dentro de un mundo de bloques.

En 1968 Marvin Minsky publica Semantic Information Processing.

En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programación LOGO.

En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980.

En 1973 Alain Colmenauer y su equipo de investigación en la Universidad de Aix-Marseille crean PROLOG (del
francés PROgrammation en LOGique) un lenguaje de programación ampliamente utilizado en IA.

En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas técnicas actuales en inteligencia
artificial y la informática en general.

En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos más conocidos, que asistió
a médicos en el diagnóstico y tratamiento de infecciones en la sangre.

En las décadas de 1970 y 1980, creció el uso de sistemas expertos, como MYCIN: R1/XCON, ABRL, PIP, PUFF,
CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy (Shells) como EMYCIN, EXPERT, OPSS.

En 1981 Kazuhiro Fuchi anuncia el proyecto japonés de la quinta generación de computadoras.

En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales).

En 1988 se establecen los lenguajes Orientados a Objetos.

En 1997 Gari Kaspárov, campeón mundial de ajedrez, pierde ante la computadora autónoma Deep Blue.

En 2006 se celebró el aniversario con el Congreso en español 50 años de Inteligencia Artificial - Campus
Multidisciplinar en Percepción e Inteligencia 2006.

En 2009 ya había en desarrollo sistemas inteligentes terapéuticos que permiten detectar emociones para poder
interactuar con niños autistas.

En 2011 IBM desarrolló un superordenador llamado Watson, el cual ganó una ronda de tres juegos seguidos de
Jeopardy!, venciendo a sus dos máximos campeones, y ganando un premio de 1 millón de dólares que IBM
luego donó a obras de caridad.24

En 2016, un programa informático ganó cinco a cero al triple campeón de Europa de Go.25

En 2016, el entonces presidente Obama habla sobre el futuro de la inteligencia artificial y la tecnología.26

Existen personas que al dialogar sin saberlo con un chatbot no se percatan de hablar con un programa, de
modo tal que se cumple la prueba de Turing como cuando se formuló: «Existirá inteligencia artificial cuando no
seamos capaces de distinguir entre un ser humano y un programa informático en una conversación a ciegas».

En 2017 AlphaGo desarrollado por DeepMind derrota 4-1 en una competencia de Go al campeón mundial Lee
Sedol. Este suceso fue muy mediático y marcó un hito en la historia de este juego.27 A finales de ese mismo
año, Stockfish, el motor de ajedrez considerado el mejor del mundo con 3 400 puntos ELO, fue
abrumadoramente derrotado por AlphaZero con solo conocer las reglas del juego y tras solo 4 horas de
entrenamiento jugando contra sí mismo.28

Como anécdota, muchos de los investigadores sobre IA sostienen que «la inteligencia es un programa capaz de
ser ejecutado independientemente de la máquina que lo ejecute, computador o cerebro».

En 2018, se lanza el primer televisor con inteligencia artificial por parte de LG Electronics con una plataforma
denominada ThinQ.29

En 2019, Google presentó su Doodle en que, con ayuda de la inteligencia artificial, hace un homenaje a Johann
Sebastian Bach, en el que, añadiendo una simple melodía de dos compases la IA crea el resto.

En 2020, la OECD (Organización para la Cooperación y el Desarrollo Económico) publica el documento de

trabajo intitulado Hola, mundo: La inteligencia artificial y su uso en el sector público, dirigido a funcionarios de
gobierno con el afán de resaltar la importancia de la IA y de sus aplicaciones prácticas en el ámbito
gubernamental.30

Implicaciones sociales, éticas y filosóficas

Artículo principal: Ética en la inteligencia artificial

Ante la posibilidad de crear máquinas dotadas de inteligencia, se volvió importante preocuparse por la cuestión
ética de las máquinas para tratar de garantizar que no se produzca ningún daño a los seres humanos, a otros
seres vivos e incluso a las mismas máquinas según algunas corrientes de pensamiento31. Es así como surgió un
amplio campo de estudios conocido como ética de la inteligencia artificial de relativamente reciente aparición y
que generalmente se divide en dos ramas, la roboética, encargada de estudiar las acciones de los seres
humanos hacia los robots, y la ética de las máquinas encargada del estudio del comportamiento de los robots
para con los seres humanos.

El acelerado desarrollo tecnológico y científico de la inteligencia artificial que se ha producido en el siglo xxi
supone también un importante impacto en otros campos. En la economía mundial durante la segunda
revolución industrial se vivió un fenómeno conocido como desempleo tecnológico, que se refiere a cuando la
automatización industrial de los procesos de producción a gran escala reemplaza la mano de obra humana. Con
la inteligencia artificial podría darse un fenómeno parecido, especialmente en los procesos en los que
interviene la inteligencia humana, tal como se ilustraba en el cuento ¡Cómo se divertían! de Isaac Asimov, en el
que su autor vislumbra algunos de los efectos que tendría la interacción de máquinas inteligentes
especializadas en pedagogía infantil, en lugar de profesores humanos, con los niños en etapa escolar. Este
mismo escritor diseñó lo que hoy se conocen como las tres leyes de la robótica, aparecidas por primera vez en
el relato Círculo vicioso (Runaround) de 1942, donde establecía lo siguiente:

Primera Ley

Un robot no hará daño a un ser humano ni, permitirá que un ser humano sufra daño.
Segunda Ley

Un robot debe cumplir las órdenes dadas por los seres humanos, a excepción de aquellas que entren en
conflicto con la primera ley.

Tercera Ley

Un robot debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la
primera o con la segunda ley.32

Otras obras de ciencia ficción más recientes también exploran algunas cuestiones éticas y filosóficas con
respecto a la Inteligencia artificial fuerte, como las películas Yo, robot o A.I. Inteligencia Artificial, en los que se
tratan temas tales como la autoconsciencia o el origen de una conciencia emergente de los robots inteligentes
o sistemas computacionales, o si éstos podrían considerarse sujetos de derecho debido a sus características
casi humanas relacionadas con la sintiencia, como el poder ser capaces de sentir dolor y emociones o hasta qué
punto obedecerían al objetivo de su programación, y en caso de no ser así, si podrían ejercer libre albedrío.
Esto último es el tema central de la famosa saga de Terminator, en la que las máquinas superan a la humanidad
y deciden aniquilarla, historia que, según varios especialistas, podría no limitarse a la ciencia ficción y ser una
posibilidad real en una sociedad posthumana que dependiese de la tecnología y las máquinas
completamente.3334

Regulación

El Derecho35 desempeña un papel fundamental en el uso y desarrollo de la IA. Las leyes establecen reglas y
normas de comportamiento para asegurar el bienestar social y proteger los derechos individuales, y pueden
ayudarnos a obtener los beneficios de esta tecnología mientras minimizamos sus riesgos, que son significativos.
De momento no hay normas jurídicas que regulen directamente a la IA. Pero con fecha 21 de abril de 2021, la
Comisión Europea ha presentado una propuesta de Reglamento europeo para la regulación armonizada de la
inteligencia artificial (IA) en la UE. Su título exacto es Propuesta de Reglamento del Parlamento Europeo y del
Consejo por el que se establecen normas armonizadas en materia de inteligencia artificial –Ley de Inteligencia
Artificial– y se modifican otros actos legislativos de la Unión.

Objetivos

Razonamiento y resolución de problemas

Los primeros investigadores desarrollaron algoritmos que imitaban el razonamiento paso a paso que los
humanos usan cuando resuelven acertijos o hacen deducciones lógicas.36 A finales de la década de 1981-1990,
la investigación de la inteligencia artificial había desarrollado métodos para tratar con información incierta o
incompleta, empleando conceptos de probabilidad y economía.37

Estos algoritmos demostraron ser insuficientes para resolver grandes problemas de razonamiento porque
experimentaron una «explosión combinatoria»: se volvieron exponencialmente más lentos a medida que los
problemas crecían.38 De esta manera, se concluyó que los seres humanos rara vez usan la deducción paso a
paso que la investigación temprana de la inteligencia artificial seguía; en cambio, resuelven la mayoría de sus
problemas utilizando juicios rápidos e intuitivos.39

Representación del conocimiento

Artículo principal: Representación del conocimiento

La representación del conocimiento40 y la ingeniería del conocimiento41 son fundamentales para la

investigación clásica de la inteligencia artificial. Algunos «sistemas expertos» intentan recopilar el conocimiento
que poseen los expertos en algún ámbito concreto. Además, otros proyectos tratan de reunir el «conocimiento
de sentido común» conocido por una persona promedio en una base de datos que contiene un amplio
conocimiento sobre el mundo.

Entre los temas que contendría una base de conocimiento de sentido común están: objetos, propiedades,
categorías y relaciones entre objetos,42 situaciones, eventos, estados y tiempo43 causas y efectos; Poole,
Mackworth y Goebel, 1998, pp. 335–337 y el conocimiento sobre el conocimiento (lo que sabemos sobre lo
que saben otras personas)44 entre otros.

Planificación

Otro objetivo de la inteligencia artificial consiste en poder establecer metas y eventualmente alcanzarlas.45
Para ello necesitan una forma de visualizar el futuro, una representación del estado del mundo y poder hacer
predicciones sobre cómo sus acciones lo cambiarán, con tal de poder tomar decisiones que maximicen la
utilidad (o el «valor») de las opciones disponibles. Russell y Norvig, 2003, pp. 600–604

En los problemas clásicos de planificación, el agente puede asumir que es el único sistema que actúa en el
mundo, lo que le permite estar seguro de las consecuencias de sus acciones.46 Sin embargo, si el agente no es
el único actor, entonces se requiere que este pueda razonar bajo incertidumbre. Esto requiere un agente que
no solo pueda evaluar su entorno y hacer predicciones, sino también evaluar sus predicciones y adaptarse en
función de su evaluación. Russell y Norvig, 2003, pp. 430–449 La planificación de múltiples agentes utiliza la
cooperación y la competencia de muchos sistemas para lograr un objetivo determinado. El comportamiento
emergente como este es utilizado por algoritmos evolutivos e inteligencia de enjambre. Russell y Norvig, 2003,
pp. 449–455

Aprendizaje
El aprendizaje automático es un concepto fundamental de la investigación de la inteligencia artificial desde el
inicio de los estudios de este campo; consiste en la investigación de algoritmos informáticos que mejoran
automáticamente a través de la experiencia.47

El aprendizaje no supervisado es la capacidad de encontrar patrones en un flujo de entrada, sin que sea
necesario que un humano etiquete las entradas primero. El aprendizaje supervisado incluye clasificación y
regresión numérica, lo que requiere que un humano etiquete primero los datos de entrada. La clasificación se
usa para determinar a qué categoría pertenece algo y ocurre después de que un programa observe varios
ejemplos de entradas de varias categorías. La regresión es el intento de producir una función que describa la
relación entre entradas y salidas y predice cómo deben cambiar las salidas a medida que cambian las
entradas.47 Tanto los clasificadores como los aprendices de regresión intentan aprender una función
desconocida; por ejemplo, un clasificador de spam puede verse como el aprendizaje de una función que asigna
el texto de un correo electrónico a una de dos categorías, «spam» o «no spam». La teoría del aprendizaje
computacional puede evaluar a los estudiantes por complejidad computacional, complejidad de la muestra
(cuántos datos se requieren) o por otras nociones de optimización.48

Procesamiento de lenguajes naturales

Artículo principal: Procesamiento de lenguajes naturales

El procesamiento del lenguaje natural49 permite a las máquinas leer y comprender el lenguaje humano. Un
sistema de procesamiento de lenguaje natural suficientemente eficaz permitiría interfaces de usuario de
lenguaje natural y la adquisición de conocimiento directamente de fuentes escritas por humanos, como los
textos de noticias. Algunas aplicaciones sencillas del procesamiento del lenguaje natural incluyen la
recuperación de información, la minería de textos, la respuesta a preguntas y la traducción automática.50
Muchos enfoques utilizan las frecuencias de palabras para construir representaciones sintácticas de texto. Las
estrategias de búsqueda de «detección de palabras clave» son populares y escalables, pero poco óptimas; una
consulta de búsqueda para «perro» solo puede coincidir con documentos que contengan la palabra literal
«perro» y perder un documento con el vocablo «caniche». Los enfoques estadísticos de procesamiento de
lenguaje pueden combinar todas estas estrategias, así como otras, y a menudo logran una precisión aceptable
a nivel de página o párrafo. Más allá del procesamiento de la semántica, el objetivo final de este es incorporar
una comprensión completa del razonamiento de sentido común.51 En 2019, las arquitecturas de aprendizaje
profundo basadas en transformadores podían generar texto coherente.52

Percepción

La detección de características (en la imagen se observa la detección de bordes) ayuda a la inteligencia artificial
a componer estructuras abstractas informativas a partir de datos sin procesar.
La percepción de la máquina53 es la capacidad de utilizar la entrada de sensores (como cámaras de espectro
visible o infrarrojo, micrófonos, señales inalámbricas y lidar, sonar, radar y sensores táctiles) para entender
aspectos del mundo. Las aplicaciones incluyen reconocimiento de voz,54 reconocimiento facial y
reconocimiento de objetos. Russell y Norvig, 2003, pp. 885–892 La visión artificial es la capacidad de analizar la
información visual, que suele ser ambigua; un peatón gigante de cincuenta metros de altura muy lejos puede
producir los mismos píxeles que un peatón de tamaño normal cercano, lo que requiere que la inteligencia
artificial juzgue la probabilidad relativa y la razonabilidad de las diferentes interpretaciones, por ejemplo,
utilizando su «modelo de objeto» para evaluar que los peatones de cincuenta metros no existen.55

Importancia de la inteligencia artificial

La gran importancia de la IA radica en el hecho de que tiene una amplia gama de aplicaciones, desde la
automatización de tareas tediosas hasta la creación de sistemas avanzados de asistencia médica y diagnóstico
de enfermedades, la detección de fraudes y la optimización de procesos empresariales. En muchos casos, la IA
puede hacer cosas que los humanos no pueden hacer, como el procesamiento de datos en grandes cantidades
y la localización de patrones e interrelaciones entre estos que serían difíciles o imposibles de detectar de otra
manera.

Esta herramienta ayuda a automatizar el aprendizaje y descubrimiento repetitivo a través de datos, realiza
tareas computarizadas frecuentes de manera confiable, sin embargo, necesita intervención humana para la
configuración del sistema. Analiza datos más profundos y agrega inteligencia ya que no se puede vender como
una aplicación individual, por lo que es un valor agregado a los productos. Tiene una gran precisión a través de
redes neuronales profundas; por ejemplo, en medicina se puede utilizar la IA para detectar cáncer con MRIs
(imágenes ppr resonancia magnética). Se adapta a través de algoritmos de aprendizaje progresivo, encuentra
estructura y regularidades en los datos de modo que el algoritmo se convierte en un clasificador o predictor. Y,
por último, la inteligencia artificial, saca el mayor provecho de datos.

Además, una de las principales razones por las que la IA es importante es porque puede automatizar tareas
repetitivas y monótonas, liberando tiempo y recursos para que las personas se centren en tareas más creativas
y valiosas. Por ejemplo, la IA puede ayudar a las empresas a automatizar tareas de back office, como la
contabilidad y el procesamiento de facturas, lo que puede reducir los costos y mejorar la eficiencia. De manera
similar, la IA puede ayudar a los trabajadores a realizar tareas más complejas y creativas, como el diseño y la
planificación estratégica.

Otra razón por la que la IA es importante es porque puede ayudar a las empresas a tomar decisiones
informadas y precisas. Así mismo, la IA puede procesar grandes cantidades de datos y proporcionar
información valiosa para la toma de decisiones empresariales, lo que puede ayudar a las empresas a identificar
oportunidades comerciales, predecir tendencias de mercado y mejorar la eficiencia del mercado financiero.
Además, la IA puede ayudar a los trabajadores a tomar decisiones informadas en tiempo real, como en el caso
de la atención médica, donde la IA puede ayudar a los médicos a identificar enfermedades y personalizar el
tratamiento.

La IA también es importante en el campo de la ciberseguridad. La IA puede ayudar a detectar y prevenir

amenazas, desde ciberataques hasta la detección de comportamientos sospechosos. La IA puede analizar
grandes cantidades de datos en tiempo real y detectar patrones y anomalías que podrían indicar una amenaza
de seguridad. Además, la IA puede aprender de los patrones de comportamiento y mejorar su capacidad para
detectar amenazas en el futuro. En el campo de la seguridad cibernética, la IA puede ayudar a proteger los
sistemas y las redes de los ataques de virus informáticos y la infiltración de malware.

Otra área donde la IA es importante es en el descubrimiento de conocimientos. La IA puede descubrir patrones

y relaciones en los datos que los humanos no podrían detectar, lo que puede llevar a nuevas ideas y avances en
diversos campos. Por ejemplo, la IA puede ayudar a los investigadores a identificar nuevos tratamientos para
enfermedades, o ayudar a los científicos a analizar datos de sensores y satélites para entender mejor el
calentamiento global.

Controversias

Sophia

En marzo de 2016, se hizo popular el comentario que la robot humanoide llamada Sophia de la empresa
Hanson Robotics hizo durante su presentación cuando su creador, David Hanson, le preguntara si estaba
dispuesta a destruir a la humanidad, a lo que la robot contestó: «Está bien, voy a destruir a la humanidad».
Posteriormente, Sophía se ganó el reconocimiento y la atención mediática mundial debido a sus conductas casi
humanas, siendo entrevistada en muchas ocasiones por distintos medios y sosteniendo conversaciones con
personalidades famosas y reconocidas. En 2017, Sophia obtuvo la ciudadanía saudí, convirtiéndose así en la
primera robot en ser reconocida como ciudadana por un país, lo cual levantó la controversia sobre si se les
debería otorgar los mismos derechos y obligaciones a los robots como si se trataran de sujetos de derecho 56

Alice y Bob

A finales de julio de 2017, varios medios internacionales dieron a conocer que el laboratorio de investigación
de inteligencia artificial del Instituto Tecnológico de Georgia, en conjunto con el Grupo de Investigación de
Inteligencia Artificial (FAIR) de Facebook, ahora Meta, tuvieron que apagar dos inteligencias artificiales de tipo
chatbot denominadas Bob y Alice ya que habían desarrollado un lenguaje propio más eficiente que el inglés,
idioma en el que habían sido entrenados para aprender a negociar, desarrollando finalmente un tipo de
comunicación incomprensible que se alejaba de las reglas gramaticales del lenguaje natural y que favorecía el
uso de abreviaturas. El lenguaje creado por estas IAs mostraba características de un inglés corrompido y
patrones repetitivos, en especial de pronombres y determinantes.57
Este inesperado suceso fue visto con pánico en los medios de comunicación ya que se aseguraba que los
chatbots supuestamente habían salido del control humano y habían desarrollado la capacidad de comunicarse
entre sí. Sin embargo, posteriormente esto también fue desmentido, pues se argumentó que en realidad
Facebook no apagó las inteligencias artificiales, sino que simplemente las puso en pausa y cambió la
parámetros de los chatbots, desechando el experimento al final por no tener ningún interés práctico o útil
dentro de la investigación sobre IA.58

Críticas

La «revolución digital» y, más concretamente, el desarrollo de la inteligencia artificial, está suscitando temores
y preguntas, incluso en el ámbito de personalidades relevantes en estas cuestiones. En esta imagen, se observa
a Bill Gates, exdirector general de Microsoft; el citado y Elon Musk (director general de Tesla) opinan que se
debe ser «muy cauteloso con la inteligencia artificial»; si tuviéramos que «apostar por lo que constituye
nuestra mayor amenaza a la existencia», serían precisamente ciertas aplicaciones sofisticadas del citado
asunto, que podrían llegar a tener derivaciones por completo impensadas.

Las principales críticas a la inteligencia artificial tienen que ver con su capacidad de imitar por completo a un
ser humano59. Sin embargo, hay expertos[cita requerida] en el tema que indican que ningún humano
individual tiene capacidad para resolver todo tipo de problemas, y autores como Howard Gardner han
teorizado sobre la solución.

En los humanos, la capacidad de resolver problemas tiene dos aspectos: los aspectos innatos y los aspectos
aprendidos. Los aspectos innatos permiten, por ejemplo, almacenar y recuperar información en la memoria,
mientras que en los aspectos aprendidos reside el saber resolver un problema matemático mediante el
algoritmo adecuado. Del mismo modo que un humano debe disponer de herramientas que le permitan
solucionar ciertos problemas, los sistemas artificiales deben ser programados para que puedan llegar a
resolverlos.

Muchas personas consideran que la prueba de Turing ha sido superada, citando conversaciones en que al
dialogar con un programa de inteligencia artificial para chat no saben que hablan con un programa. Sin
embargo, esta situación no es equivalente a una prueba de Turing, que requiere que el participante se
encuentre sobre aviso de la posibilidad de hablar con una máquina.

Otros experimentos mentales como la habitación china, de John Searle, han mostrado cómo una máquina
podría simular pensamiento sin realmente poseerlo, pasando la prueba de Turing sin siquiera entender lo que
hace, tan solo reaccionando de una forma concreta a determinados estímulos (en el sentido más amplio de la
palabra). Esto demostraría que la máquina en realidad no está pensando, ya que actuar de acuerdo con un
programa preestablecido sería suficiente. Si para Turing el hecho de engañar a un ser humano que intenta
evitar que le engañen es muestra de una mente inteligente, Searle considera posible lograr dicho efecto
mediante reglas definidas a priori.

Uno de los mayores problemas en sistemas de inteligencia artificial es la comunicación con el usuario. Este
obstáculo es debido a la ambigüedad del lenguaje, y se remonta a los inicios de los primeros sistemas
operativos informáticos. La capacidad de los humanos para comunicarse entre sí implica el conocimiento del
lenguaje que utiliza el interlocutor. Para que un humano pueda comunicarse con un sistema inteligente hay dos
opciones: o bien que el humano aprenda el lenguaje del sistema como si aprendiese a hablar cualquier otro
idioma distinto al nativo, o bien que el sistema tenga la capacidad de interpretar el mensaje del usuario en la
lengua que el usuario utiliza. También puede haber desperfectos en las instalaciones de los mismos.

Un humano, durante toda su vida, aprende el vocabulario de su lengua nativa o materna, siendo capaz de
interpretar los mensajes (a pesar de la polisemia de las palabras) y utilizando el contexto para resolver
ambigüedades. Sin embargo, debe conocer los distintos significados para poder interpretar, y es por esto que
lenguajes especializados y técnicos son conocidos solamente por expertos en las respectivas disciplinas. Un
sistema de inteligencia artificial se enfrenta con el mismo problema, la polisemia del lenguaje humano, su
sintaxis poco estructurada y los dialectos entre grupos.

Los desarrollos en inteligencia artificial son mayores en los campos disciplinares en los que existe mayor
consenso entre especialistas. Un sistema experto es más probable que sea programado en física o en medicina
que en sociología o en psicología. Esto se debe al problema del consenso entre especialistas en la definición de
los conceptos involucrados y en los procedimientos y técnicas a utilizar. Por ejemplo, en física hay acuerdo
sobre el concepto de velocidad y cómo calcularla. Sin embargo, en psicología se discuten los conceptos, la
etiología, la psicopatología, y cómo proceder ante cierto diagnóstico. Esto dificulta la creación de sistemas
inteligentes porque siempre habrá desacuerdo sobre la forma en que debería actuar el sistema para diferentes
situaciones. A pesar de esto, hay grandes avances en el diseño de sistemas expertos para el diagnóstico y toma
de decisiones en el ámbito médico y psiquiátrico (Adaraga Morales, Zaccagnini Sancho, 1994).

Al desarrollar un robot con inteligencia artificial se debe tener cuidado con la autonomía,60 hay que tener en
cuenta el no vincular el hecho de que el robot tenga interacciones con seres humanos a su grado de
autonomía. Si la relación de los humanos con el robot es de tipo maestro esclavo, y el papel de los humanos es
dar órdenes y el del robot obedecerlas, entonces sí cabe hablar de una limitación de la autonomía del robot.
Pero si la interacción de los humanos con el robot es de igual a igual, entonces su presencia no tiene por qué
estar asociada a restricciones para que el robot pueda tomar sus propias decisiones. 61Con el desarrollo de la
tecnología de inteligencia artificial, muchas compañías de software como el aprendizaje profundo y el
procesamiento del lenguaje natural han comenzado a producirse y la cantidad de películas sobre inteligencia
artificial ha aumentado. Stephen Hawking advirtió sobre los peligros de la inteligencia artificial y lo consideró
una amenaza para la supervivencia de la humanidad.62

Aplicaciones de la inteligencia artificial

Artículo principal: Aplicaciones de la inteligencia artificial

Un asistente automático en línea dando servicio de atención al cliente en un sitio web – una de las muchas
aplicaciones primitivas de la inteligencia artificial.

Las técnicas desarrolladas en el campo de la inteligencia artificial son numerosas y ubicuas. Comúnmente
cuando un problema es resuelto mediante inteligencia artificial la solución es incorporada en ámbitos de la
industria y de la vida63 diaria de los usuarios de programas informáticos, pero la percepción popular se olvida
de los orígenes de estas tecnologías que dejan de ser percibidas como inteligencia artificial. A este fenómeno
se le conoce como el efecto IA.64

Lingüística computacional

Minería de datos (Data Mining)

Industria

Medicina

Mundos virtuales

Procesamiento de lenguaje natural (Natural Language Processing)

Robótica

Sistemas de control

Sistemas de apoyo a la decisión

Videojuegos

Prototipos informáticos

Análisis de sistemas dinámicos

Simulación de multitudes

Sistemas Operativos

Automoción
Diferencia entre «aprendizaje automatizado» y «aprendizaje profundo»

El aprendizaje automático y el aprendizaje profundo son dos subcampos de la inteligencia artificial que
comparten algunas similitudes pero también presentan importantes diferencias.

El aprendizaje automático se enfoca en desarrollar algoritmos de regresión, árboles de decisión y modelos que
puedan aprender de datos existentes y realizar predicciones o decisiones basadas en esos datos. En el
aprendizaje automático, se utilizan técnicas de estadística matemática para encontrar patrones y relaciones en
los datos y, a partir de ellos, desarrollar modelos que puedan hacer predicciones sobre nuevos datos.

Por otro lado, el aprendizaje profundo es una rama más especializada del aprendizaje automático que se centra
en la creación de redes neuronales artificiales capaces de aprender y realizar tareas de manera similar a como
lo hacen los seres humanos. En el aprendizaje profundo, se utilizan capas de neuronas artificiales para procesar
los datos de entrada y aprender a través de un proceso iterativo de ajuste de los pesos de las conexiones entre
neuronas.

Una de las principales diferencias entre el aprendizaje automático y el aprendizaje profundo es que el último es
capaz de procesar y analizar grandes cantidades de datos de manera más eficiente y precisa que el primero,
especialmente cuando se trata de datos no estructurados, como imágenes, texto y audio. Además, el
aprendizaje profundo tiene la capacidad de identificar patrones y características más complejas en los datos, lo
que puede llevar a mejores resultados en aplicaciones como el reconocimiento de voz, la visión por
computadora y el procesamiento del lenguaje natural.

Como se mencionó anteriormente, en resumen, la inteligencia artificial es la ciencia que entrena máquinas
para que realicen tareas humanas, por lo que todo nuestro alrededor está rodeado de ella y mientras existan
recursos con ese tipo de lenguaje la IA estará presente. El «aprendizaje automatizado» es una rama de la
inteligencia artificial que le entrena a una máquina a cómo aprender, esta se encarga de ver patrones y datos
para llegar a una conclusión por sí sola; cómo funciona es: haces una pregunta, recolecta información, entrena
al algoritmo, lo pone a prueba, recolecta la retroalimentación y usa esa retroalimentación, mientras que el
aprendizaje profundo se centra en la creación de redes neuronales artificiales que puedan procesar y analizar
grandes cantidades de datos de manera más eficiente y precisa, especialmente cuando se trata de datos no
estructurados.

Propiedad intelectual de la inteligencia artificial

Imagen de una ciudad futurista generada por la IA Midjourney. La composición está en el dominio público al no
ser de un autor humano.

Al hablar acerca de la propiedad intelectual atribuida a creaciones de la inteligencia artificial se forma un

debate fuerte alrededor de si una máquina puede tener derechos de autor. Según la Organización Mundial de
la Propiedad Intelectual (OMPI), cualquier creación de la mente puede ser parte de la propiedad intelectual,
pero no especifica si la mente debe ser humana o puede ser una máquina, dejando la creatividad artificial en la
incertidumbre.

Alrededor del mundo han comenzado a surgir distintas legislaciones con el fin de manejar la inteligencia
artificial, tanto su uso como creación. Los legisladores y miembros del gobierno han comenzado a pensar
acerca de esta tecnología, enfatizando el riesgo y los desafíos complejos de esta. Observando el trabajo creado
por una máquina, las leyes cuestionan la posibilidad de otorgarle propiedad intelectual a una máquina,
abriendo una discusión respecto a la legislación relacionada con IA.

El 5 de febrero de 2020, la Oficina del Derecho de Autor de los Estados Unidos y la OMPI asistieron a un
simposio donde observaron de manera profunda cómo la comunidad creativa utiliza la inteligencia artificial (IA)
para crear trabajo original. Se discutieron las relaciones entre la inteligencia artificial y el derecho de autor, qué
nivel de involucramiento es suficiente para que el trabajo resultante sea válido para protección de derechos de
autor; los desafíos y consideraciones de usar inputs con derechos de autor para entrenar una máquina; y el
futuro de la inteligencia artificial y sus políticas de derecho de autor.6566

El director general de la OMPI, Francis Gurry, presentó su preocupación ante la falta de atención que hay frente
a los derechos de propiedad intelectual, pues la gente suele dirigir su interés hacia temas de ciberseguridad,
privacidad e integridad de datos al hablar de la inteligencia artificial. Así mismo, Gurry cuestionó si el
crecimiento y la sostenibilidad de la tecnología IA nos guiaría a desarrollar dos sistemas para manejar derechos
de autor- uno para creaciones humanas y otro para creaciones de máquinas.67

Aún hay una falta de claridad en el entendimiento alrededor de la inteligencia artificial. Los desarrollos
tecnológicos avanzan a paso rápido, aumentando su complejidad en políticas, legalidades y problemas éticos
que se merecen la atención global. Antes de encontrar una manera de trabajar con los derechos de autor, es
necesario entenderlo correctamente, pues aún no se sabe cómo juzgar la originalidad de un trabajo que nace
de una composición de una serie de fragmentos de otros trabajos.

La asignación de derechos de autor alrededor de la inteligencia artificial aún no ha sido regulada por la falta de
conocimientos y definiciones. Aún hay incertidumbre sobre si, y hasta que punto, la inteligencia artificial es
capaz de producir contenido de manera autónoma y sin ningún humano involucrado, algo que podría
influenciar si sus resultados pueden ser protegidos por derechos de autor.
El sistema general de derechos de autor aún debe adaptarse al contexto digital de inteligencia artificial, pues
están centrados en la creatividad humana. Los derechos de autor no están diseñados para manejar cualquier
problema en las políticas relacionado con la creación y el uso de propiedad intelectual, y puede llegar a ser
dañino estirar excesivamente los derechos de autor para resolver problemas periféricos dado que:

«Usar los derechos de autor para gobernar la inteligencia artificial es poco inteligente y contradictorio con la
función primordial de los derechos de autor de ofrecer un espacio habilitado para que la creatividad
florezca»68

La conversación acerca de la propiedad intelectual tendrá que continuar hasta asegurarse de que la innovación
sea protegida pero también tenga espacio para florecer.

En la cultura popular

En el cine

Véase también: Computadoras en la ciencia ficción

La IA está cada vez más presente en la sociedad, la evolución de la tecnología es una realidad y con ello, la
producción de películas sobre esta temática. Cabe destacar, que lleva habiendo piezas audiovisuales sobre
inteligencia artificial desde hace mucho tiempo, ya sea incluyendo personajes o mostrando un trasfondo moral
y ético. A continuación, se muestra una lista de algunas de las principales películas que tratan este tema:

Ex Machina (2015): En la interpretación de Alicia Vikander, increíblemente editada, como Ava, encontramos un
probable robot a prueba de Turing escondido en la mansión de un genio, Nathan, un poco loco. Y es que,
hablamos de una creación extraña que se siente totalmente real y a la vez inhumana. Está considerada como
una de las mejores películas que tratan la inteligencia artificial. Esto se debe principalmente a que parece cubrir
todo el concepto IA integrado en una película: el protagonista es un sustituto del ser humano y nos adentra en
multitud de argumentos morales que rodean a esta, al tiempo que vemos un arco narrativo de thriller que,
desde luego, acaba enganchándonos. Desde luego aquí la representación del personaje de la IA no es blanco o
negro. Ava no es buena, pero tampoco es del todo mala. Y en esto, el público se queda reflexionando sobre
cuestiones profundas sobre la naturaleza de la IA.

Minority Report (2002): La película sobre IA de Steven Spielberg, Minority Report, sigue a John (Tom Cruise), un
agente de la ley, que es acusado de un asesinato que cometerá en el futuro. En esta película de principios de
los años 2000, el protagonista utiliza una tecnología del futuro que permite a la policía atrapar a los criminales
antes de que hayan cometido un delito. En Minority Report, la IA se representa a través de los Precogs, los
gemelos que poseen habilidades psíquicas. Los Precogs ven los asesinatos antes de que se produzcan, lo que
permite a las fuerzas del orden perseguir el crimen antes de que se cometa. En lugar de los robots físicos de IA
tipo cyborg, aquí explora la IA mediante el uso de seres humanos.

Matrix (1999): En esta película Keanu Reeves interpreta a Thomas Anderson / Neo, un programador de día y
hacker de noche que trata de desentrañar la verdad oculta tras una simulación conocida como «Matrix». Esta
realidad simulada es producto de programas de inteligencia artificial que terminan esclavizando a la
humanidad y utilizando sus cuerpos como fuente de energía.

Yo, robot (2004): Esta película de ciencia ficción protagonizada por Will Smith está ambientada en 2035, en una
sociedad donde los humanos viven en perfecta armonía con robots inteligentes en los que confían para todo.
Los problemas emergen a la superficie cuando un error en la programación de un superordenador llamado VIKI
le lleva a creer que los robots deben tomar las riendas para proteger a la humanidad de sí misma.

Inteligencia artificial (2001): Un trabajador de Cybertronics Manufacturing adopta a David de forma

momentánea para, así, estudiar su comportamiento. Tanto él como su esposa acaban por tratar al niño
artificial como a su propio hijo biológico. A pesar del cariño que le profesan, David siente la necesidad de
escapar de su hogar e iniciar un viaje que le ayude a descubrir a quién pertenece realmente. Ante sus perplejos
ojos, se abrirá un nuevo mundo oscuro, injusto, violento, insensible ... Algo que le resultará difícil aceptar. Se
pregunta cosas como: ¿cómo es posible que sienta algo tan real como el amor y que él sea artificial?

Her (2013): Esta película de Spike Jonze relata la historia de un escritor de cartas quien está solo y a punto de
divorciarse. Este personaje lo representó el galardonado Joaquin Phoenix. Este hombre compró un sistema
operativo con inteligencia artificial para utilizarlo a fin de complacer a todos los usuarios y adaptarse a sus
necesidades. Sin embargo, el resultado es que desarrolla un sentimiento romántico con Samantha. Quien es la
voz femenina del sistema operativo.

Véase también

AI box

Aprendizaje

Aprendizaje automático

Automatización de los procesos de negocio

Bot conversacional

Cerebro artificial

Cibernética

Computación basada en humanos

Dinámica de sistemas

ELIZA

Filosofía de la inteligencia artificial

Inteligencia artificial fuerte

Inteligencia computacional

Inteligencia sintética

Internet

Internet en la ciencia ficción

Interfaces de usuario

LLM (modelo grande de lenguaje)

Razonamiento automatizado

Red neuronal artificial

Riesgo existencial de la inteligencia artificial

William Ross Ashby

Singularidad tecnológica

Sistema complejo

Sistema dinámico

Sistema inteligente

Visión artificial

Referencias

«¿Qué es la inteligencia artificial?». Diccionario de informática en la nube de Microsoft Azure. Consultado el 21

de abril de 2023.

Real Academia Española. «inteligencia artificial». Diccionario de la lengua española (23.ª edición).

Rusell, S. J.; Norvig, P. (2004), «Inteligencia artificial. Un enfoque moderno», Pearson Educación (Segunda
edición) (Madrid), ISBN 978-84-205-4003-0.

Rodríguez, Txema (27 de enero de 2017). «Machine Learning y Deep Learning: cómo entender las claves del
presente y futuro de la inteligencia artificial». Xataka. Consultado el 21 de abril de 2023.

Barrio, Miguel Ángel (26 de febrero de 2016). «La importancia de la ética en la inteligencia artificial». El País.
Consultado el 21 de abril de 2023.

Sabán, Antonio (8 de mayo de 2016). «¿Qué es la singularidad tecnológica y qué supondría para el ser
humano?». Hipertextual. Consultado el 21 de abril de 2023.

Thompson, Elaine (6 de septiembre de 2019). «10 ejemplos de que ya dependes de la IA en tu vida diaria».
BBVA OpenMind. Consultado el 21 de abril de 2023.

, Russell y Norvig, 2009, p. 2.

«Andreas Kaplan; Michael Haenlein (2019) Siri, Siri in my Hand, who's the Fairest in the Land? On the
Interpretations, Illustrations and Implications of Artificial Intelligence, Business Horizons, 62(1), 15-25».
Archivado desde el original el 21 de noviembre de 2018. Consultado el 13 de noviembre de 2018.

Schank, Roger C. (1991). «Where's the AI» (PDF). AI Magazine (en inglés) 12 (4): 38.

Kaplan, Andreas; Haenlein, Michael (2018). Siri, Siri in my Hand, who's the Fairest in the Land? On the
Interpretations, Illustrations and Implications of Artificial Intelligence (PDF) (en inglés) 62 (1). Archivado desde
el original el 21 de noviembre de 2018. Consultado el 13 de noviembre de 2018.

Ferrer Abello (1986). «Introducción a la Inteligencia Artificial». En Antonio M. Ferrer Abello, ed. Inteligencia
Artificial y Sistemas Expertos. Ediciones Ingelek, S.A. p. 7-20. ISBN 84-85831-31-4.

Rouhiainen, Lasse (2018). Inteligencia Artificial 101 cosas que debes saber hoy sobre nuestro futuro. Alienta.
Consultado el 2021.

López Takeyas, Bruno. «Introducción a la Inteligencia Artificial».

McCarthy, John (11 de noviembre de 2007). «What Is Artificial Intelligence» (en inglés). Sección «Basic
Questions». Consultado el 27 de octubre de 2011.

Russell y Norvig, 2009.

Bellman, 1978.

Rich y Knight, 1991.

Winston, 1992.

Nilsson, 1998.

CASTILLO, Enrique; GUTIÉRREZ, José Manuel; HADI, Ali S. (1997). «1». Sistemas expertos y modelos de redes
probabilısticas. Academia de Ingenierıa. p. 3. Consultado el 16 de noviembre de 2021.

Miller Rivera, Lozano (2011). urosario. edu. co/Administracion/documentos/investigacion/laboratori

o/miller_2_3. pdf. El papel de las redes bayesianas en la toma de decisiones.. Consultado el 16 de noviembre
de 2021.

«¿Qué es la Inteligencia Computacional?».

«Watson y otros sistemas que mejoran nuestras vidas con inteligencia artificial». Pinggers. Archivado desde el
original el 8 de marzo de 2011. Consultado el 21 de febrero de 2011.

Salas, Javier (28 de enero de 2016). «La inteligencia artificial conquista el último tablero de los humanos». El
País.
 Ortega, Andrés (27 de octubre de 2016). «Obama y la Inteligencia Artificial». p. [Link]. Consultado el 9 de
junio de 2021.

«Alpha Go».

Rodríguez, Roberto (14 de diciembre de 2017). «Alpha Zero, el programa que revoluciona el ajedrez y puede
cambiar el mundo». La Vanguardia. Consultado el 21 de mayo de 2021.

«AI ThinQ: La plataforma de inteligencia artificial de LG llega a todos sus televisores». El Financiero. Consultado
el 23 de septiembre de 2021.

Berryhill, Heang, Clogher, McBride, Asociación Méxicana de Internet (2020). «Hola, mundo: La inteligencia
artificial y su uso en el sector público.». DOCUMENTOS DE TRABAJO DE LA OCDE SOBRE GOBERNANZA
PÚBLICA. Consultado el 9 de junio de 2021.

Jaramillo Arango, Diego Alejandro; Montenegro, Diego Ignacio (17 de diciembre de 2019). «De la Inteligencia
Artificial al juego de los dioses». ComHumanitas: revista científica de comunicación 10 (3): 85-106. ISSN 1390-
776X. doi:10.31207/rch.v10i3.210. Consultado el 3 de octubre de 2022.

Asimov, Isaac (1989). «Círculo vicioso». Los robots. trad. Domingo Santos. Barcelona: Martínez Roca. ISBN 84-
270-0906-2.

«Riesgos de la inteligencia artificial». El Mundo. Consultado el 21 de mayo de 2021.

Santos, Josilene C.; Wong, Jeannie Hsiu Ding; Pallath, Vinod; Ng, Kwan Hoong (20 de julio de 2021). «The
perceptions of medical physicists towards relevance and impact of artificial intelligence». Physical and
Engineering Sciences in Medicine (en inglés). ISSN 2662-4737. doi:10.1007/s13246-021-01036-9. Consultado el
21 de julio de 2021.

Barrio Andres, Moises (23 de junio de 2021). «Towards legal regulation of artificial intelligence». REVISTA IUS
(en inglés) 15 (48). ISSN 1870-2147. doi:10.35487/rius.v15i48.2021.661. Consultado el 30 de agosto de 2021.

Resolución de problemas, resolución de acertijos, juego y deducción: Russell y Norvig, 2003, c. 3–9, Poole,
Mackworth y Goebel, 1998, c. 2,3,7,9, Luger y Stubblefield, 2004, c. 3,4,6,8, Nilsson, 1998, c. 7–12

Razonamiento incierto: Russell y Norvig, 2003, pp. 452–644, Poole, Mackworth y Goebel, 1998, pp. 345–395,
Luger y Stubblefield, 2004, pp. 333–381, Nilsson, 1998, c. 19

Intratabilidad y eficiencia y la explosión combinatoria: Russell y Norvig, 2003, pp. 9, 21–22

Evidencia psicológica del razonamiento sub-simbólico: Wason y Shapiro (1966), Kahneman, Slovic y Tversky
(1982), Lakoff y Núñez (2000)

Representación del conocimiento: ACM, 1998, I.2.4, Russell y Norvig, 2003, pp. 320–363, Poole, Mackworth y
Goebel, 1998, pp. 23–46, 69–81, 169–196, 235–277, 281–298, 319–345, Luger y Stubblefield, 2004, pp. 227–
243, Nilsson, 1998, c. 18

Ingieneria del conocimiento: * Russell y Norvig, 2003, pp. 260–266, Poole, Mackworth y Goebel, 1998, pp.
199–233, Nilsson, 1998, c. 17.1–17.4
 Representación de categorías y relaciones: Russell y Norvig, 2003, pp. 349–354, Poole, Mackworth y Goebel,
1998, pp. 174–177, Luger y Stubblefield, 2004, pp. 248–258, Nilsson, 1998, c. 18.3

Representación de eventos y el tiempo: Russell y Norvig, 2003, pp. 328–341, Poole, Mackworth y Goebel,
1998, pp. 281–298, Nilsson, 1998, c. 18.2

Russell y Norvig, 2003, pp. 341–344, Poole, Mackworth y Goebel, 1998, pp. 275–277

Planificación automática: ACM, 1998, ~I.2.8, Russell y Norvig, 2003, pp. 375–459, Poole, Mackworth y Goebel,
1998, pp. 281–316, Luger y Stubblefield, 2004, pp. 314–329, Nilsson, 1998, c. 10.1–2, 22

Planificación clásica: * Russell y Norvig, 2003, pp. 375–430, Poole, Mackworth y Goebel, 1998, pp. 281–315,
Luger y Stubblefield, 2004, pp. 314–329, Nilsson, 1998, c. 10.1–2, 22

Aprendizaje automático: ACM, 1998, I.2.6, Russell y Norvig, 2003, pp. 649–788, Poole, Mackworth y Goebel,
1998, pp. 397–438, Luger y Stubblefield, 2004, pp. 385–542, Nilsson, 1998, c. 3.3, 10.3, 17.5, 20

Jordan, M. I.; Mitchell, T. M. (16 de julio de 2015). «Machine learning: Trends, perspectives, and prospects».
Science (en inglés) 349 (6245): 255-260. Bibcode:2015Sci...349..255J. PMID 26185243. S2CID 677218.
doi:10.1126/science.aaa8415.

Procesamiento de lenguaje natural: ACM, 1998, I.2.7, Russell y Norvig, 2003, pp. 790–831, Poole, Mackworth y
Goebel, 1998, pp. 91–104, Luger y Stubblefield, 2004, pp. 591–632

Aplicaciones del procesamiento de lenguaje natural: Russell y Norvig, 2003, pp. 840–857, Luger y Stubblefield,
2004, pp. 623–630

Cambria, Erik; White, Bebo (Mayo de 2014). «Jumping NLP Curves: A review of Natural Language Processing
Research [Review Article]». IEEE Computational Intelligence Magazine (en inglés) 9 (2): 48-57. S2CID
206451986. doi:10.1109/MCI.2014.2307227.

Vincent, James (7 de noviembre de 2019). «OpenAI has published the text-generating AI it said was too
dangerous to share». The Verge (en inglés). Archivado desde el original el 11 de junio de 2020. Consultado el 11
de junio de 2020.

Percepción de la máquina: Russell y Norvig, 2003, pp. 537–581, 863–898, Nilsson, 1998, ~c. 6

Reconocimiento de voz: * ACM, 1998, ~I.2.7 * Russell y Norvig, 2003, pp. 568–578

Visión computacional: ACM, 1998, I.2.10, Russell y Norvig, 2003, pp. 863–898, Nilsson, 1998, c. 6

Fernández, Yúbal (27 de octubre de 2017). «Sophia pasa de bromear con acabar con los humanos a convertirse
en el primer robot ciudadano de Arabia Saudí». Xataka. Consultado el 22 de abril de 2023.

Jiménez de Luis, Ángel (28 de julio de 2017). «Facebook apaga una inteligencia artificial que había inventado su
propio idioma». El Mundo. Consultado el 22 de abril de 2023.

Scaliter, Juan (17 de marzo de 2022). «Lo que (de verdad) pasó con los dos robots que Facebook desconectó
por “inventarse un idioma”». La Razón (España). Consultado el 22 de abril de 2023.
Sadin, Éric (2021). La inteligencia artificial o el desafío del siglo : anatomía de un antihumanismo radical (1ª ed.,
1ª reimp edición). Caja Negra. ISBN 978-987-1622-86-3. OCLC 1193413308. Consultado el 3 de octubre de
2022.

Salichs, Miguel A.; Malfaz, María; Gorostiza, Javi F. (1 de octubre de 2010). «Toma de Decisiones en Robótica».
Revista Iberoamericana de Automática e Informática Industrial RIAI 7 (4): 5-16. doi:10.1016/S1697-
7912(10)70055-8. Consultado el 21 de marzo de 2016.

osmany-yildirim, Osman (26 de marzo de 2020). «The Effect of Artificial Intelligence on Society». Artificial
Intelligence (en inglés británico). Consultado el 26 de marzo de 2020.

Cellan-Jones, Rory (20 de octubre de 2016). «Stephen Hawking - will AI kill or save?». BBC News (en inglés
británico). Consultado el 28 de octubre de 2018.

[Link]. «La inteligencia artificial como herramienta de progreso social». Consultado el 16 de octubre de
2018.

«AI set to exceed human brain power» (en inglés). CNN. 26 de julio de 2006.

«Copyright in the Age of Artificial Intelligence | U.S. Copyright Office». [Link]. Consultado el 22
de mayo de 2020.

«"expertos en inteligencia artificial en España"». [Link]. Consultado el 22 de mayo de

2020.

United States Copyright Office (5 de febrero de 2020). «Copyright in the Age of Artificial Intelligence». Library
of Congress.

«Why We're Advocating for a Cautious Approach to Copyright and Artificial Intelligence». Creative Commons
(en inglés estadounidense). 20 de febrero de 2020. Consultado el 22 de mayo de 2020.

Bibliografía

Bellman, Richard (1978). An introduction to artificial intelligence: can computers think? (en inglés). San
Francisco: Boyd & Fraser Pub. Co. ISBN 978-0878350667.

Nilsson, Nils J. (1998). Artificial Intelligence: A New Synthesis (en inglés) (4.ª edición). San Francisco: Kaufmann.
ISBN 978-1558604674.

Rich, Elaine; Knight, Kevin (1991). Artificial intelligence (en inglés) (2.ª edición). New York: McGraw-Hill. ISBN
978-0070522633.

Russell, Stuart J.; Norvig, Peter Norvig (2009). Artificial intelligence: a modern approach (en inglés) (3.ª edición).
Upper Saddle River, N.J.: Prentice Hall. ISBN 0-13-604259-7.

Winston, Patrick Henry (1992). Artificial intelligence (en inglés) (3.ª edición). Reading, Mass.: Addison-Wesley
Pub. Co. ISBN 978-0201533774.

Russell, Stuart J.; Norvig, Peter (2003), Artificial Intelligence: A Modern Approach (en inglés) (2ª edición), Upper
Saddle River, New Jersey: Prentice Hall, ISBN 0-13-790395-2.

Poole, David; Mackworth, Alan; Goebel, Randy (1998). Computational Intelligence: A Logical Approach (en
inglés). New York: Oxford University Press. ISBN 978-0-19-510270-3. Archivado desde el original el 26 de julio
de 2020. Consultado el 22 de agosto de 2020.

Luger, George; Stubblefield, William (2004). Artificial Intelligence: Structures and Strategies for Complex
Problem Solving (en inglés) (5ª edición). Benjamin/Cummings. ISBN 978-0-8053-4780-7. Archivado desde el
original el 26 de julio de 2020. Consultado el 17 de diciembre de 2019.

Wason, P. C.; Shapiro, D. (1966). New horizons in psychology (en inglés). Harmondsworth: Penguin. Archivado
desde el original el 26 de julio de 2020. Consultado el 18 de noviembre de 2019.

Kahneman, Daniel; Slovic, D.; Tversky, Amos (1982). «Judgment under uncertainty: Heuristics and biases».
Science (en inglés) 185 (4157) (New York: Cambridge University Press). pp. 1124-1131. ISBN 978-0-521-28414-
1. PMID 17835457. S2CID 143452957. doi:10.1126/science.185.4157.1124.

«ACM Computing Classification System: Artificial intelligence» (en inglés). ACM. 1998. Archivado desde el
original el 12 de octubre de 2007. Consultado el 30 de agosto de 2007.

Lakoff, George; Núñez, Rafael E. (2000). Where Mathematics Comes From: How the Embodied Mind Brings
Mathematics into Being (en inglés). Basic Books. ISBN 978-0-465-03771-1.

SAS. (2018, 27 septiembre). Inteligencia Artificial: Qué es y Por Qué Importa.

[Link]

Grupo Iberdrola. (2019, 17 junio). ¿Somos conscientes de los retos y principales aplicaciones de la Inteligencia
Artificial? Iberdrola. [Link]

Oracle. (2021, 13 enero). ¿Qué es la inteligencia artificial?

[Link]

Enlaces externos

Wikilibros alberga un libro o manual sobre Ingeniería del conocimiento.

Revista «Inteligencia Artificial»

Página sobre inteligencia artificial

Control de autoridades

Proyectos WikimediaWd Datos: Q11660Commonscat Multimedia: Artificial intelligence / Q11660Wikiquote

Citas célebres: Inteligencia artificial

IdentificadoresBNE: XX4659822BNF: 11932084t (data)GND: 4033447-8LCCN: sh85008180NDL: 00574798NKC:

ph116536NLI: 987007294969105171AAT: 300251574Diccionarios y enciclopediasBritannica: urlIdentificadores
médicosMeSH: D001185UMLS: C0003916OntologíasNúmero IEV: 171-09-16

Categorías: Inteligencia artificialCibernéticaCiencias formalesTecnologías emergentesNeurociencia

computacionalÁreas de interés del altruismo eficazCampos de estudio computacionalesProblemas no resueltos
de las ciencias de la computación

Esta página se editó por última vez el 29 may 2023 a las 16:28.

El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; pueden aplicarse
cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra política de privacidad.

Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro .......
esto fue sacado de wikipedia

Otra pagina web

Terminología de la inteligencia artificial

La inteligencia artificial (IA) se ha convertido en un término general para referirse a aplicaciones que realizan
tareas complejas para las que antes eran necesaria la intervención humana, como la comunicación en línea con
los clientes o jugar al ajedrez. El término a menudo se usa indistintamente junto con los nombres de sus
subcampos, el aprendizaje automático y el aprendizaje profundo.

Sin embargo, hay ciertas diferencias. Por ejemplo, el machine learning se centra en la creación de sistemas que
aprenden o mejoran su rendimiento en función de los datos que consumen. Es importante tener en cuenta
que, aunque todo machine learning es IA, no toda la IA es machine learning.

Para obtener el valor completo de la IA, muchas empresas están haciendo inversiones significativas en equipos
de ciencia de datos. La ciencia de datos combina estadísticas, informática y conocimiento empresarial para
extraer valor de distintos orígenes de datos.

IA y desarrolladores

Los desarrolladores emplean inteligencia artificial para realizar tareas de una forma más eficiente que, de otro
modo, se realizarían manualmente: comunicaciones con clientes, identificación de patrones y resolución de
problemas. Para comenzar con la inteligencia artificial, los desarrolladores deben contar con una formación en
matemática y sentirse a gusto trabajando con algoritmos.
Al comenzar a utilizar inteligencia artificial para desarrollar aplicaciones, lo mejor es comenzar de a poco. Al
diseñar un proyecto relativamente simple, como un juego “Tres en línea”, aprenderá los conceptos básicos de
la inteligencia artificial. Aprender con la práctica es una excelente forma de aumentar cualquier habilidad, y la
inteligencia artificial no es distinta en este aspecto. Luego de completar uno o más proyectos pequeños, no hay
límites para la inteligencia artificial.

Cómo la tecnología de IA puede ayudar a las organizaciones

El principio fundamental de la IA es replicar, y luego superar, la forma en que los humanos perciben y
reaccionan ante el mundo. Se está convirtiendo rápidamente en la piedra angular de la innovación. La IA,
impulsada por varias formas de machine learning que reconocen patrones en los datos para permitir
predicciones, puede agregar valor a su negocio al

Proporcionar una comprensión más completa de la abundancia de datos disponibles

Confiar en las predicciones para automatizar tareas excesivamente complejas o mundanas

IA en la empresa

Actualmente, la tecnología de IA mejora el rendimiento y la productividad de la empresa mediante la

automatización de procesos o tareas que antes requerían esfuerzo humano. La IA también puede dar sentido a
los datos a una escala que ningún humano jamás podría. Esta capacidad puede generar importantes ventajas
empresariales. Por ejemplo, Netflix utiliza aprendizaje automático para proporcionar un nivel de
personalización que ayudó a la empresa a aumentar su base de clientes en más del 25%.

La mayoría de las empresas ha hecho de la ciencia de datos una prioridad y está realizando grandes inversiones
en ella. Una encuesta McKinsey de 2021 sobre inteligencia artificial (IA) reveló que la proporción de empresas
que señalaban haber adoptado la IA en al menos una función había aumentado hasta el 56 %, frente al 50 % el
año anterior. Asimismo, el 27 % de los encuestados indicó que al menos el 5 % de sus ingresos era atribuible a
la IA, frente al 22 % un año antes.

La IA posee valor para casi todas las funciones, negocios e industrias. Incluye aplicaciones generales y
específicas de la industria, tales como

Uso de datos transaccionales y demográficos para predecir cuánto gastarán ciertos clientes en el curso de su
relación con una empresa (o el valor de la vida útil del cliente)
Optimización de precios basada en el comportamiento y preferencias del cliente

Uso del reconocimiento de imágenes para analizar imágenes de rayos X en busca de síntomas de cáncer

Cómo las empresas usan la IA

De acuerdo con la Harvard Business Review, las empresas utilizan la IA principalmente para

Detectar y disuadir intrusiones de seguridad (44%)

Resolver problemas tecnológicos de los usuarios (41%)

Reducir el trabajo de la gestión de producción (34%)

Medir el cumplimiento interno en el uso de proveedores aprobados (34%)

¿Qué es lo que está impulsando la adopción de la IA?

Tres factores que están impulsando el desarrollo de la IA en todas las industrias.

La capacidad de cómputo asequible y de alto rendimiento ya se encuentra disponible. La abundancia del poder
de la computación de productos básicos en la nube permite un fácil acceso a un poder de computación
asequible y de alto rendimiento. Antes de este desarrollo, los únicos entornos informáticos disponibles para la
IA no estaban basados en la nube y tenían un costo prohibitivo.

Se encuentran disponibles grandes volúmenes de datos para la formación. La IA debe formarse en muchos
datos para hacer las predicciones correctas. La facilidad de etiquetado de los datos y la asequibilidad del
almacenamiento y el procesamiento de datos estructurados y no estructurados permiten crear y entrenar más
algoritmos.

La IA aplicada proporciona una ventaja competitiva. Cada vez más, las empresas reconocen la ventaja
competitiva de aplicar los conocimientos de IA a los objetivos empresariales y lo convierten en una prioridad
para toda la empresa. Por ejemplo, las recomendaciones específicas proporcionadas por la IA pueden ayudar a
las empresas a tomar mejores decisiones más rápido. Muchas de las características y capacidades de la IA
pueden reducir los costos y los riesgos, acelerar el tiempo de comercialización y mucho más.

Entrenamiento y desarrollo de modelos de IA

El desarrollo y despliegue de los modelos de aprendizaje automático se realiza en múltiples etapas, entre las
cuales se encuentran el entrenamiento y la inferencia. El entrenamiento y la inferencia de IA se refieren al
proceso de experimentar con modelos de aprendizaje automático para resolver un problema.

Por ejemplo, un ingeniero de aprendizaje automático puede experimentar con diferentes modelos candidatos
para una aplicación de visión artificial, como la detección de fracturas óseas en imágenes de rayos X.
Para mejorar la precisión de estos modelos, el ingeniero debe proporcionar datos a los modelos y ajustar los
parámetros hasta que alcancen un umbral predefinido. Estas necesidades de entrenamiento, proporcionales a
la complejidad de los modelos, crecen exponencialmente cada año.

Las tecnologías de infraestructura claves para el entrenamiento de IA a escala incluyen redes de clústeres,
como RDMA e InfiniBand, recursos informáticos de GPU de hardware dedicado y almacenamiento de alto
rendimiento.

Los beneficios y desafíos de poner en práctica la IA

Existen numerosas historias de éxito que demuestran el valor de la IA. Las organizaciones que incorporan el
machine learning y las interacciones cognitivas a las aplicaciones y a los procesos empresariales tradicionales
mejoran en mayor medida la experiencia y la productividad del usuario.

Sin embargo, la base no está lo suficientemente afianzada. Pocas compañías han implementado la IA de
manera equilibrada por varias razones. Por ejemplo, si no usan informática en la nube, los proyectos de
aprendizaje automático a menudo son costosos a nivel informático. También son complejos de diseñar y
requieren una experiencia que es muy demandada pero cuya oferta es escasa. Saber cuándo y dónde
incorporar estos proyectos, así como cuándo recurrir a terceros, ayudará a minimizar estas dificultades.

Historias de éxito de la IA

La IA es el factor determinante de algunas historias de éxito significativas.

De acuerdo con el Harvard Business Review, Associated Press produjo 12 veces más historias al capacitar al
software de IA para que escribiera automáticamente historias sobre noticias de pocas ganancias. Este esfuerzo
liberó a sus periodistas para que pudieran escribir relatos más detallados.

Deep Patient, una herramienta impulsada por la IA diseñada por la Escuela de Medicina Icahn en Mount Sinai,
permite a los médicos identificar pacientes de alto riesgo incluso antes de que se diagnostiquen enfermedades.
La herramienta analiza el historial médico de un paciente para predecir casi 80 enfermedades hasta un año
antes del inicio, según insideBIGDATA.

La IA lista para usar hace que su puesta en funcionamiento sea más sencilla

La aparición de soluciones y herramientas impulsadas por la IA significa que más empresas pueden aprovechar
la IA a un menor costo y en menos tiempo. La IA lista para usar hace referencia a las soluciones, herramientas y
software que tienen capacidades de IA integradas o que automatizan el proceso de toma de decisiones
algorítmicas.

La IA lista para usar incluye bases de datos autónomas autorreparables y modelos predefinidos para el
reconocimiento de imágenes y el análisis de texto en varios conjuntos de datos.

Cómo dar el primero paso con la IA

Comunicación con los clientes a través de chatbots. Los chatbots utilizan el procesamiento del lenguaje natural
para comprender a los clientes y permitirles hacer preguntas y obtener información. Estos chatbots aprenden
con el paso del tiempo para que puedan agregar mayor valor a las interacciones con los clientes.

Supervisa tu centro de datos. Las operaciones de TI pueden optimizar el control, con una plataforma en la nube
que integra todos los datos y realiza un seguimiento automático de los umbrales y las anomalías.

Ejecute análisis empresariales sin necesidad de contar con un experto. Las herramientas analíticas con una
interfaz de usuario visual permiten a las personas sin conocimientos técnicos consultar fácilmente un sistema y
obtener una respuesta comprensible.

Creación de la cultura correcta

Aprovechar al máximo la IA (y evitar los problemas que frenan las implementaciones exitosas) implica
implementar una cultura de equipo que respalde completamente el ecosistema de la IA. En este tipo de
entorno

Los analistas empresariales trabajan con los científicos de datos para definir los problemas y objetivos

Los ingenieros de datos administran los datos y la plataforma de datos subyacente para que sean
completamente operativos para el análisis

Los científicos de datos preparan, exploran, visualizan y modelan datos en una plataforma de ciencia de datos

Los arquitectos de TI administran la infraestructura subyacente necesaria para respaldar la ciencia de datos de
forma equilibrada, ya sea on-premise o en la nube

Los desarrolladores de aplicaciones implementan modelos en aplicaciones para diseñar productos basados en
datos
De la inteligencia artificial a la inteligencia adaptativa

A medida que las capacidades de la inteligencia artificial se han abierto camino en las operaciones
empresariales generales, evoluciona un nuevo término: inteligencia adaptativa. Las aplicaciones de inteligencia
adaptativa ayudan a las empresas a tomar mejores decisiones empresariales al combinar el poder de los datos
internos y externos en tiempo real con la ciencia de la decisión y la infraestructura informática altamente
escalable.

Estas aplicaciones, esencialmente, hacen que su negocio sea más inteligente. Esto le permite ofrecer a sus
clientes mejores productos, recomendaciones y servicios, lo que genera mejores resultados empresariales.

La IA como ventaja imperativa y competitiva

La IA es un imperativo estratégico para cualquier empresa que quiera obtener una mayor eficiencia, nuevas
oportunidades de ingresos y aumentar la lealtad de los clientes. Se está convirtiendo rápidamente en una
ventaja competitiva para muchas organizaciones. Con la IA, las empresas pueden cumplir más objetivos en
menos tiempo, crear experiencias personalizadas y atractivas para los clientes y predecir los resultados
comerciales para impulsar una mayor rentabilidad.

Sin embargo, la IA aún sigue siendo una tecnología nueva y compleja. Para aprovecharla máximo, necesita
experiencia en el diseño y la administración de sus soluciones de IA de forma equilibrada. Un proyecto de IA
exitoso requiere más que simplemente contratar a un científico de datos. Las empresas deben implementar las
herramientas, los procesos y las estrategias de gestión correctas para garantizar el éxito de la IA.

Mejores prácticas para obtener el máximo provecho de la IA

El Harvard Business Review recomienda lo siguiente para comenzar con la IA:

Aplicar las capacidades de la IA a las actividades que tengan el mayor y más inmediato impacto en los ingresos
y en los costos.

Usar la IA para aumentar la productividad con la misma cantidad de personas, en lugar de eliminar o agregar
personal.

Comenzar su implementación de IA en la administración interna, no en la directiva (la TI y la contabilidad serán

los aspectos más beneficiados).

Asistencia en su experiencia con la IA

No se puede renunciar a la transformación de la IA. Para seguir siendo competitivo, al final, cada empresa debe
adoptar la IA y construir un ecosistema de IA. Las empresas que no logren adoptar la IA en cierta capacidad
durante los próximos 10 años se quedarán atrás.

Aunque tu empresa podría ser la excepción, la mayoría de las empresas no cuentan con el talento y la
experiencia internos para desarrollar el tipo de ecosistema y soluciones que pueden maximizar las capacidades
de IA.

Para lograr un proceso de transformación de IA exitoso que incluya el desarrollo de estrategias y el acceso a
herramientas, busca un socio con experiencia en este ámbito y una cartera completa de IA.

Biblioteca de aprendizaje sobre inteligencia artificial

¿Qué es data science?

Las empresas combinan activamente las estadísticas con conceptos de ciencia informática como el machine
learning y la inteligencia artificial para extraer información de big data e impulsar la innovación y transformar la
toma de decisiones.

¿Qué es el aprendizaje automático?

El machine learning, un subconjunto de la inteligencia artificial (IA), se centra en diseñar sistemas que
aprenden a través de datos con el objetivo de automatizar y acelerar el tiempo de decisión y el tiempo de
rentabilidad.

Opiniones y noticias de inteligencia artificial

La inteligencia artificial, el aprendizaje automático y la ciencia de datos están modificando la manera en la que
las empresas abordan problemas complejos y modifican la trayectoria de sus respectivos sectores. Lea los
últimos artículos para comprender cómo la industria y sus compañeros abordan estas tecnologías.

Historias de éxito de la IA

La IA es el factor determinante de algunas historias de éxito significativas.

De acuerdo con el Harvard Business Review, Associated Press produjo 12 veces más historias al capacitar al
software de IA para que escribiera automáticamente historias sobre noticias de pocas ganancias. Este esfuerzo
liberó a sus periodistas para que pudieran escribir relatos más detallados.

Deep Patient, una herramienta impulsada por la IA diseñada por la Escuela de Medicina Icahn en Mount Sinai,
permite a los médicos identificar pacientes de alto riesgo incluso antes de que se diagnostiquen enfermedades.
La herramienta analiza el historial médico de un paciente para predecir casi 80 enfermedades hasta un año
antes del inicio, según insideBIGDATA.
La IA lista para usar hace que su puesta en funcionamiento sea más sencilla

La aparición de soluciones y herramientas impulsadas por la IA significa que más empresas pueden aprovechar
la IA a un menor costo y en menos tiempo. La IA lista para usar hace referencia a las soluciones, herramientas y
software que tienen capacidades de IA integradas o que automatizan el proceso de toma de decisiones
algorítmicas.

La IA lista para usar puede ser desde bases de datos autónomas que se curan a sí mismas al utilizar el machine
learning, hasta modelos prediseñados que se pueden aplicar a una variedad de conjuntos de datos para
resolver desafíos como el reconocimiento de imágenes y el análisis de textos. Puede ayudar a las empresas a
lograr un tiempo de rentabilidad más rápido, aumentar la productividad, reducir costos y mejorar las relaciones
con los clientes.

Cómo dar el primero paso con la IA

Comunicación con los clientes a través de chatbots. Los chatbots utilizan el procesamiento del lenguaje natural
para comprender a los clientes y permitirles hacer preguntas y obtener información. Estos chatbots aprenden
con el paso del tiempo para que puedan agregar mayor valor a las interacciones con los clientes.

Supervisa tu centro de datos. Los equipos de operaciones de TI pueden ahorrar enormes cantidades de tiempo
y energía en la supervisión de sistemas al colocar toda la web, las aplicaciones, el rendimiento de la base de
datos, la experiencia del usuario y los datos de registro en una plataforma de datos basada en la nube que
controla automáticamente los umbrales y detecta anomalías.

Ejecute análisis empresariales sin necesidad de contar con un experto. Las herramientas analíticas con una
interfaz de usuario visual permiten a las personas sin conocimientos técnicos consultar fácilmente un sistema y
obtener una respuesta comprensible.

Obstáculos que dificultan desarrollar el máximo potencial de la IA

A pesar de lo prometedor que suena la IA, muchas empresas no se percatan del máximo potencial del machine
learning y de otras funciones de la IA. ¿Por qué? Irónicamente, resulta que el problema es, en gran parte... las
personas. Los flujos de trabajo ineficientes pueden impedir que las empresas obtengan el valor total de sus
implementaciones de IA.
Por ejemplo, los científicos de datos pueden enfrentarse a desafíos para obtener los recursos y datos
necesarios para diseñar modelos de machine learning. Pueden tener problemas para colaborar con sus
compañeros de equipo. Además, cuentan con muchas herramientas de código abierto diferentes para
administrar, mientras que los desarrolladores de aplicaciones a veces necesitan recodificar por completo los
modelos que los científicos de datos desarrollan antes de que puedan integrarlos a sus aplicaciones.

Con una lista cada vez mayor de herramientas de IA de código abierto, la TI termina dedicando más tiempo a
ayudar a los equipos de ciencia de datos a actualizar continuamente sus entornos de trabajo. Este problema se
ve agravado por una estandarización limitada en la forma en que los equipos de ciencia de datos desean
trabajar.

Por último, los ejecutivos sénior podrían no ser capaces de visualizar el potencial completo de las inversiones
en IA de sus empresas. Por ende, no prestan suficiente patrocinio ni recursos para crear el ecosistema
colaborativo e integrado necesario para que la IA tenga éxito.

Creación de la cultura correcta

Aprovechar al máximo la IA (y evitar los problemas que frenan las implementaciones exitosas) implica
implementar una cultura de equipo que respalde completamente el ecosistema de la IA. En este tipo de
entorno

Los analistas empresariales trabajan con los científicos de datos para definir los problemas y objetivos

Los ingenieros de datos administran los datos y la plataforma de datos subyacente para que sean
completamente operativos para el análisis

Los científicos de datos preparan, exploran, visualizan y modelan datos en una plataforma de ciencia de datos

Los arquitectos de TI administran la infraestructura subyacente necesaria para respaldar la ciencia de datos de
forma equilibrada, ya sea on-premise o en la nube

Los desarrolladores de aplicaciones implementan modelos en aplicaciones para diseñar productos basados en
datos

De la inteligencia artificial a la inteligencia adaptativa

A medida que las capacidades de la inteligencia artificial se han abierto camino en las operaciones
empresariales generales, evoluciona un nuevo término: inteligencia adaptativa. Las aplicaciones de inteligencia
adaptativa ayudan a las empresas a tomar mejores decisiones empresariales al combinar el poder de los datos
internos y externos en tiempo real con la ciencia de la decisión y la infraestructura informática altamente
escalable.
Estas aplicaciones, esencialmente, hacen que su negocio sea más inteligente. Esto le permite ofrecer a sus
clientes mejores productos, recomendaciones y servicios, lo que genera mejores resultados empresariales.

La IA como ventaja imperativa y competitiva

La IA es un imperativo estratégico para cualquier empresa que quiera obtener una mayor eficiencia, nuevas
oportunidades de ingresos y aumentar la lealtad de los clientes. Se está convirtiendo rápidamente en una
ventaja competitiva para muchas organizaciones. Con la IA, las empresas pueden cumplir más objetivos en
menos tiempo, crear experiencias personalizadas y atractivas para los clientes y predecir los resultados
comerciales para impulsar una mayor rentabilidad.

Sin embargo, la IA aún sigue siendo una tecnología nueva y compleja. Para aprovecharla máximo, necesita
experiencia en el diseño y la administración de sus soluciones de IA de forma equilibrada. Un proyecto de IA
exitoso requiere más que simplemente contratar a un científico de datos. Las empresas deben implementar las
herramientas, los procesos y las estrategias de gestión correctas para garantizar el éxito de la IA.

Mejores prácticas para obtener el máximo provecho de la IA

El Harvard Business Review recomienda lo siguiente para comenzar con la IA:

Aplicar las capacidades de la IA a las actividades que tengan el mayor y más inmediato impacto en los ingresos
y en los costos.

Usar la IA para aumentar la productividad con la misma cantidad de personas, en lugar de eliminar o agregar
personal.

Comenzar su implementación de IA en la administración interna, no en la directiva (la TI y la contabilidad serán

los aspectos más beneficiados).

Asistencia en su experiencia con la IA

No se puede renunciar a la transformación de la IA. Para seguir siendo competitivo, al final, cada empresa debe
adoptar la IA y construir un ecosistema de IA. Las empresas que no logren adoptar la IA en cierta capacidad
durante los próximos 10 años se quedarán atrás.

Aunque tu empresa podría ser la excepción, la mayoría de las empresas no cuentan con el talento y la
experiencia internos para desarrollar el tipo de ecosistema y soluciones que pueden maximizar las capacidades
de IA.
Si necesita ayuda para desarrollar la estrategia correcta y acceder a las herramientas adecuadas para tener
éxito en su experiencia de transformación con IA, debe buscar un socio innovador con amplia experiencia en la
industria y una cartera completa de IA.

Crea, prueba y despliega aplicaciones en Oracle Cloud de forma gratuita.

Biblioteca de aprendizaje sobre inteligencia artificial

¿Qué es data science?

Las empresas combinan activamente las estadísticas con conceptos de ciencia informática como el machine
learning y la inteligencia artificial para extraer información de big data e impulsar la innovación y transformar la
toma de decisiones.

¿Qué es el aprendizaje automático?

El machine learning, un subconjunto de la inteligencia artificial (IA), se centra en diseñar sistemas que
aprenden a través de datos con el objetivo de automatizar y acelerar el tiempo de decisión y el tiempo de
rentabilidad.

Opiniones y noticias de inteligencia artificial

La inteligencia artificial, el aprendizaje automático y la ciencia de datos están modificando la manera en la que
las empresas abordan problemas complejos y modifican la trayectoria de sus respectivos sectores. Lea los
últimos artículos para comprender cómo la industria y sus compañeros abordan estas tecnologías.