V.
Marco de referencia
5.1 Definición:
La inteligencia artificial es una rama de la ciencia informática que tiene como
objetivo diseñar tecnología que emule la inteligencia humana. Es decir que se
enfoca en crear sistemas que puedan realizar tareas que normalmente
requieren inteligencia humana, como el aprendizaje, el razonamiento y la
percepción.
5.2 origen:
La Inteligencia Artificial (IA) tiene una rica historia que abarca varias décadas,
caracterizada por avances, contratiempos y notables logros. Desde sus
primeros comienzos como concepto hasta los sofisticados sistemas que vemos
hoy en día, comprender la historia de la IA proporciona información valiosa
sobre su evolución y los avances realizados en este campo. Emprendamos un
viaje a través del tiempo, rastreando los orígenes de la IA y explorando sus
hitos significativos.
El Nacimiento de la IA:
Las raíces de la IA se remontan a la década de 1950, cuando los expertos en
informática comenzaron a imaginar la posibilidad de crear máquinas que
pudieran simular la inteligencia humana. En 1956, la Conferencia de Dartmouth
marcó el nacimiento de la IA como campo de estudio. Liderada por John
McCarthy, Marvin Minsky y otros investigadores destacados, esta conferencia
sentó las bases para el desarrollo de la IA como disciplina.
Investigación Temprana en IA:
Durante las décadas de 1950 y 1960, los pioneros de la IA exploraron diversos
enfoques para replicar la inteligencia humana. La IA simbólica, también
conocida como IA al estilo antiguo (GOFAI, por sus siglas en inglés), se
centraba en el uso de representaciones simbólicas y razonamiento lógico para
imitar los procesos de pensamiento humanos. Los investigadores desarrollaron
programas de IA tempranos, como el Teorista Lógico y el Solucionador General
de Problemas, demostrando el potencial de la IA en tareas de resolución de
problemas.
El Invierno de la IA:
A pesar del optimismo inicial, la investigación en IA enfrentó desafíos
significativos en las décadas de 1970 y 1980, lo que llevó a lo que se conoció
como el “invierno de la IA”. El progreso se estancó y la financiación para
proyectos de IA disminuyó debido a las expectativas no cumplidas y a las
complejidades de desarrollar sistemas inteligentes. Sin embargo, el invierno de
la IA no marcó el fin de la IA; sirvió como un catalizador para nuevos esfuerzos
y un cambio de enfoque.
La Emergencia de los Sistemas Expertos y el Aprendizaje Automático:
Durante el invierno de la IA, los investigadores centraron su atención en el
desarrollo de sistemas expertos. Los sistemas expertos utilizaban motores de
inferencia basados en reglas para capturar el conocimiento humano y tomar
decisiones en dominios específicos. Los sistemas expertos encontraron éxito
en áreas como el diagnóstico médico y se convirtieron en una aplicación
destacada de la IA durante este período. El resurgimiento de la IA llegó con la
aparición del Aprendizaje Automático (AA) también conocido como Machine
Learning. Para la década de 1990, los avances en la potencia informática y la
disponibilidad de vastas cantidades de datos permitieron a los investigadores
desarrollar algoritmos de aprendizaje más sofisticados. Los enfoques de AA,
como las redes neuronales, los árboles de decisión y las máquinas de vectores
de soporte, allanaron el camino para avances significativos en el
reconocimiento de patrones y el análisis de datos.
La IA Moderna y el Aprendizaje Profundo:
En los últimos años, la IA ha presenciado un crecimiento e innovación
exponenciales, impulsados en gran medida por la aparición del Aprendizaje
Profundo. El Aprendizaje Profundo aprovecha redes neuronales artificiales con
múltiples capas para procesar e interpretar estructuras de datos complejas.
Con la disponibilidad de conjuntos de datos masivos y los avances en
capacidades computacionales, el Aprendizaje Profundo ha revolucionado las
aplicaciones de IA, incluyendo el reconocimiento de imágenes y voz, el
procesamiento del lenguaje natural y los sistemas autónomos.
El Panorama Actual:
Hoy en día, la IA está integrada en nuestra vida diaria y permea diversas
industrias. Los asistentes virtuales impulsados por IA, los vehículos autónomos,
los sistemas de recomendación y los algoritmos de detección de fraudes son
solo algunos ejemplos de aplicaciones de IA que se han vuelto cada vez más
comunes. Mirando hacia el futuro, el potencial de la IA es inmenso y
emocionante. A medida que la tecnología continúa avanzando, podemos
esperar que la IA tenga un impacto profundo en la salud, las finanzas, la
educación, el transporte y otros ámbitos. Sin embargo, las consideraciones
éticas y el desarrollo responsable siguen siendo aspectos cruciales para
garantizar el uso beneficioso y ético de la IA.
La historia de la IA es un testimonio de la curiosidad humana, la innovación y la
perseverancia. Desde sus humildes comienzos hasta la actual era del
aprendizaje profundo y los sistemas inteligentes, la IA ha recorrido un largo
camino. Comprender la historia de la IA nos permite apreciar el progreso
realizado, los desafíos enfrentados y los notables avances logrados.
Mientras miramos hacia el futuro, el potencial de la IA es vasto y emocionante.
La integración de la IA con tecnologías emergentes como la robótica,
Blockchain y la computación cuántica ofrece un inmenso potencial para abordar
problemas complejos y desbloquear nuevas oportunidades. Las
consideraciones éticas y el desarrollo responsable continuarán guiando el
camino hacia adelante para garantizar el uso beneficioso y ético de la IA.
5.3 Importancia:
La inteligencia artificial automatiza el aprendizaje y descubrimiento repetitivos a
través de datos. La inteligencia artificial es diferente de la automatización de
robots basada en hardware. En lugar de automatizar tareas manuales, la
inteligencia artificial realiza tareas computarizadas frecuentes de alto volumen
de manera confiable y sin fatiga. Para este tipo de automatización, la
investigación humana sigue siendo fundamental para configurar el sistema y
hacer las preguntas correctas.
IA agrega inteligencia a productos existentes. En la mayoría de los casos, la
inteligencia artificial no se venderá como aplicación individual. En su lugar, los
productos que ya utiliza serán mejorados con recursos de inteligencia artificial,
de forma muy similar en que se agregó Siri como característica a una nueva
generación de productos de Apple. La automatización, las plataformas
conversacionales, los bots y las máquinas inteligentes se pueden combinar con
grandes cantidades de datos para mejorar muchas tecnologías en el hogar y en
el lugar de trabajo, desde inteligencia de seguridad hasta análisis de las
inversiones.
La inteligencia artificial se adapta a través de algoritmos de aprendizaje
progresivo para permitir que los datos realicen la programación. La inteligencia
artificial encuentra estructura y regularidades en los datos de modo que el
algoritmo adquiere una habilidad: el algoritmo se convierte en un clasificador o
predictor. De este modo, así como el algoritmo puede aprender a jugar ajedrez,
puede aprender también que producto recomendar a continuación en línea. Y
los modelos se adaptan cuando se les proveen nuevos datos. La
retropropagación es una técnica de inteligencia artificial que permite al modelo
hacer ajustes, a través de capacitación y datos agregados, cuando la primera
respuesta no es del todo correcta.
La inteligencia artificial analiza más datos y datos más profundos empleando
redes neuronales que tienen muchas capas ocultas. Construir un sistema de
detección de fraude con cinco capas ocultas era casi imposible hace unos
años. Todo eso ha cambiado con increíble poder de cómputo y el Big Data. Se
necesitan muchos datos para entrenar modelos de aprendizaje profundo
porque aprenden directamente de los datos. Cuantos más datos les pueda
proporcionar, más precisos se vuelven.
La inteligencia artificial logra una increíble precisión a través de redes
neuronales profundas – lo cual antes era imposible. Por ejemplo, sus
interacciones con Alexa, Google Search y Google Photos están todas basadas
en el aprendizaje profundo – y se siguen volviendo más precisas cuanto más
las usamos. En el campo de la medicina, las técnicas de inteligencia artificial
del aprendizaje profundo, clasificación de imágenes y reconocimiento de
objetos se pueden emplear ahora para detectar cáncer en MRIs (imágenes de
resonancia magnética) con la misma precisión que radiólogos altamente
capacitados.
La inteligencia artificial saca el mayor provecho de los datos. Cuando los
algoritmos son de autoaprendizaje, los datos mismos pueden volverse de
propiedad intelectual. Las respuestas están en los datos; usted sólo tiene que
aplicar inteligencia artificial para sacarlas a la luz. Como el rol de los datos es
ahora más importante que nunca antes, pueden crear una ventaja competitiva.
Si tiene los mejores datos en una industria competitiva, incluso si todos aplican
técnicas similares, los mejores datos triunfarán.
5.4 Usos:
La inteligencia artificial funciona combinando grandes cantidades de datos con
procesamiento rápido e iterativo y algoritmos inteligentes, permitiendo al
software aprender automáticamente de patrones o características en los datos.
La inteligencia artificial es un vasto campo de estudio que incluye muchas
teorías, métodos y tecnologías, además de los siguientes subcampos
principales:
El aprendizaje basado en máquina automatiza la construcción de modelos
analíticos. Emplea métodos de redes neurales, estadística, investigación de
operaciones y física para hallar insights ocultos en datos sin ser programada de
manera explícita para que sepa dónde buscar o qué conclusiones sacar.
Una red neural es un tipo de aprendizaje basado en máquina que se compone
de unidades interconectadas (como neuronas) que procesa información
respondiendo a entradas externas, transmitiendo información entre cada
unidad. El proceso requiere múltiples pases en los datos para hallar conexiones
y obtener significado de datos no definidos.
El aprendizaje a fondo utiliza enormes redes neurales con muchas capas de
unidades de procesamiento, aprovechando avances en el poder de cómputo y
técnicas de entrenamiento mejoradas para aprender patrones complejos en
grandes cantidades de datos. Algunas aplicaciones comunes incluyen
reconocimiento de imágenes y del habla.
El cómputo cognitivo es un subcampo de la inteligencia artificial que busca una
interacción de tipo humano con las máquinas. Utilizando la inteligencia artificial
y el cómputo cognitivo, el objetivo final es que una máquina simule procesos
humanos a través de la capacidad de interpretar imágenes y el habla – y luego
hable de forma coherente como respuesta.
La visión por computadora se apoya en el reconocimiento de patrones y el
aprendizaje profundo para reconocer lo que hay en una imagen o video.
Cuando las máquinas pueden procesar, analizar y entender imágenes, pueden
capturar imágenes o videos en tiempo real e interpretar sus alrededores.
El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) es la
capacidad de las computadoras de analizar, entender y generar lenguaje
humano, incluyendo el habla. La etapa siguiente de NLP es la interacción en
lenguaje natural, que permite a los humanos comunicarse con las
computadoras utilizando lenguaje normal de todos los días para realizar tareas.
Además, varias tecnologías habilitan y dan soporte a la inteligencia artificial:
Las unidades de procesamiento gráfico son fundamentales para la inteligencia
artificial porque aportan gran poder de cómputo requerido para el
procesamiento iterativo. Entrenar redes neurales requiere big data, además de
poder de cómputo.
Internet de las Cosas genera cantidades masivas de datos de dispositivos
conectados, la mayoría de ellos no analizados. La automatización de modelos
con inteligencia artificial nos permite usar una mayor parte de ellos.
Se están desarrollando algoritmos avanzados y se combinan en nuevas formas
para analizar más datos con mayor rapidez y en múltiples niveles. Este
procesamiento inteligente es clave para identificar y anticipar eventos poco
comunes, entender sistemas complejos y optimizar escenarios únicos.
Las APIs, o interfaces de programación de aplicaciones, son paquetes
portables de código que hacen posible agregar funcionalidad de inteligencia
artificial a productos y paquetes de software existentes. Éstas pueden agregar
recursos de reconocimiento de imágenes a sistemas de seguridad domésticos
y capacidades de preguntas y repuestas que describen datos, crean leyendas y
encabezados, o resaltan patrones e insights interesantes en los datos.
En resumen, el objetivo de la inteligencia artificial consiste en proveer software
que pueda razonar lo que recibe y explicar lo que produce como resultado. La
inteligencia artificial proporcionará interacciones similares a las humanas con
software y ofrecerá soporte a decisiones para tareas específicas, pero no es
sustituto de los humanos – y no lo será en el futuro cercano.
Asistentes personales virtuales
Conviviremos con chatbots interactivos que podrán sugerirnos productos,
restaurantes, hoteles, servicios, espectáculos, según nuestro historial de
búsquedas.
Climáticas
Flotas de drones capaces de plantar mil millones de árboles al año para
combatir la deforestación, vehículos submarinos no tripulados para detectar
fugas en oleoductos, edificios inteligentes diseñados para reducir el consumo
energético, etc.
Agrícolas
Plataformas específicas que, por medio de análisis predictivos, mejoran los
rendimientos agrícolas y advierten de impactos ambientales adversos.
Educación
Permite saber si un estudiante está a punto de cancelar su registro, sugerir
nuevos cursos o crear ofertas personalizadas para optimizar el aprendizaje.
Comercial
Posibilita hacer pronósticos de ventas y elegir el producto adecuado para
recomendárselo al cliente. Empresas como Amazon utilizan robots para
identificar si un libro tendrá o no éxito, incluso antes de su lanzamiento.
Logística y transporte
Será útil a la hora de evitar colisiones o atascos y también para optimizar el
tráfico. Tesla ha desarrollado un sistema gracias al cual, cuando uno de sus
coches transita una ruta por primera vez, comparte la información con el resto.
Sanidad
Ya existen chatbots que nos preguntan por nuestros síntomas para realizar un
diagnóstico. La recolección de datos genera patrones que ayudan a identificar
factores genéticos susceptibles de desarrollar una enfermedad.
5.5 Tipos :
Tipos de Inteligencia artificial según su capacidad
1. Inteligencia artificial estrecha (ANI - Artificial Narrow Intelligence)
Este es uno de los tipos de Inteligencia Artificial más habituales. La ANI es una
IA con carácter reactivo, memoria limitada y orientada a objetivos específicos.
Su función es estar preparada para actuar en un solo rol, garantizando que
desempeñe plenamente su papel.
En esta categoría se incluyen desde asistentes virtuales como Alexa o Siri
hasta sistemas de vehículos autónomos, pasando por los filtros de spam en el
correo electrónico o las recomendaciones de publicidad que recibimos en base
a nuestras búsquedas. En definitiva, la Narrow IA se basa en implementar una
serie de acciones e instrucciones en la máquina.
2. Inteligencia artificial general (AGI - Artificial General Intelligence)
De los diferentes tipos de Inteligencia Artificial, este tipo de IA, desde un punto
de vista teórico, es capaz de realizar cualquier tipo de tarea con la misma
efectividad que un ser humano biológico. Es decir, se trata de una IA cognitiva
o, dicho de otro modo, con personalidad, aunque aún está en una fase muy
temprana de desarrollo. A diferencia de la Narrow IA, se trata de simular en la
máquina todos los procesos cerebrales humanos para la toma de decisiones de
forma autónoma en diferentes escenarios.
Esto implica que la AGI tiene la capacidad de evaluar y detectar diferentes
necesidades, procesos e incluso emociones para actuar en consecuencia. Por
ejemplo, se pueden modelar estrategias a partir de las interacciones,
comportamientos, dudas y necesidades más comunes de los usuarios de una
plataforma.
3. Súper Inteligencia Artificial (ASI - Artificial Super Intelligence)
Aunque se desconoce hoy en día si se puede alcanzar este grado de
complejidad, la súper IA debería ser capaz de realizar cualquier actividad mejor
que un ser humano, sin necesidad de replicar necesariamente su
comportamiento.
Por tanto, de los diferentes tipos de Inteligencia Artificial este tendría la
capacidad de pensar, razonar y aplicar juicios propios ante cuestiones
complejas de forma consciente y autónoma. Y más aún: planificar en base a la
experiencia, aprender y comunicarse por sí sola.
Algunos investigadores consideran que es posible llegar a este nivel de
tecnología pues al ser el cerebro un sistema mecánico, debería ser posible
simularlo mediante materiales sintéticos, aunque las complejidades del
pensamiento humano sugieren una imposibilidad tanto física como biológica.
Además, la capacidad de razonamiento avanzado de los seres humanos
requiere un análisis meticuloso de las posibles consecuencias
medioambientales y éticas que esto puede acarrear en las futuras máquinas.
El cine de ciencia ficción está repleto de robots y máquinas que alcanzan una
madurez tecnológica impensable hoy en día. Este es el caso de películas como
‘Blade Runner’, ‘Terminator’, ‘Her’ o ‘2001, Una odisea espacial’.
Tipos de IA según su funcionalidad
En este punto nos centramos en la utilidad de la Inteligencia Artificial en
ámbitos reales, no hipotéticos.
1. Máquinas reactivas
Se trata de la IA más básica, en la que se implementa un determinado rango de
respuestas (reacciones) para peticiones concretas. Por tanto, la máquina sólo
dispone de un rol de respuesta, es decir, está automatizada para reaccionar
ante una determinada acción sobre el presente.
Tampoco pueden utilizar experiencias previas en las que basar la toma de
decisiones actuales porque no tiene la capacidad de aprender y administrar
una base de datos interna para ejecutar lo que absorbe y evolucionar.
Uno de los ejemplos clásicos en el desarrollo de este tipo de máquinas fue la
supercomputadora “Deep Blue”, creada por IBM en la década de los noventa, y
que venció a los mejores ajedrecistas del mundo, entre ellos, Garry
Kasparov.Deep Blue era capaz de reconocer las figuras en un tablero y
procesar 200 millones de movimientos en un segundo. Sin embargo, no poseía
ningún concepto de las acciones pasadas, es decir, ignoraba cualquier dato,
relevante o no, antes del momento presente.
2. Máquinas de memoria limitada
En este caso, la máquina, que sigue siendo completamente reactiva, es capaz
de almacenar experiencias pasadas o aprender de los datos recientes por un
periodo de tiempo corto y limitado. Esto le permite generar acciones puntuales
a partir de la información recabada y añadirla a su programación para crear
nuevos patrones de comportamiento y respuesta para un futuro no lejano.
Asimismo, como en el caso de las máquinas reactivas, no se genera un
aprendizaje en base a la experiencia. Como ejemplo de este tipo de IA
tenemos los coches autónomos, que analizan la velocidad y dirección de otros
vehículos.
Las máquinas que utilizan este tipo de IA son capaces de, a partir de su
historial de interacciones, tomar decisiones puntuales para responder a una
solicitud o realizar una acción. Ampliando la memoria de estas máquinas se
están consiguiendo resultados prometedores en, por ejemplo, los asistentes
virtuales (chatbots) y los sistemas de reconocimiento facial.
3. Teoría de la mente (Theory of mind AI)
En el ámbito de la psicología, la denominada ‘teoría de la mente’ implica que
los seres humanos poseen pensamientos y emociones que afectan a su propio
comportamiento y definen lo que conocemos como interacción social.
Por tanto, si las máquinas van a andar entre nosotros, deberán tener una
comprensión sobre cómo pensamos y cómo sentimos. Además deberán llegar
a saber qué esperamos y cómo queremos que nos traten. Tendrán que ajustar
su comportamiento en consecuencia. Esto nos lleva al siguiente nivel de IA.
4. Autoconciencia
En el futuro las máquinas serán conscientes de sí mismas. Ese es el camino
que algunos científicos se han fijado como horizonte, aunque aún no se han
desarrollado prototipos concretos.
Actualmente no hay ninguna máquina que sea autoconsciente. A nivel
computacional, este es el objetivo más ambicioso al que se enfrenta la IA. Una
máquina autoconsciente estaría capacitada para almacenar datos pasados y,
en base a ellos, crear un juicio propio y actuar de forma conveniente.
El problema es que la IA tendría que incluir en su programación la capacidad
de comprender que existen individuos con emociones y pensamientos propios,
lo que supondría un nivel de complejidad inalcanzable para los sistemas de
computación actuales.
Este tipo de IA podría entender el mundo que le rodea si se desarrolla
plenamente. Por tanto, las máquinas serían capaces de aprender en base a
nuestros comportamientos y deducir y saber cuáles son nuestros gustos,
necesidades, deseos o hasta cómo esperamos ser tratados.
Obviamente, buena parte del futuro de la IA se enmarca en el desarrollo de
máquinas capaces de desarrollar autoconsciencia sin las limitaciones de la
biología. Esto implicaría que las máquinas desarrollarán conciencia de sí
mismas y serán capaces de reconocerse como entidades independientes. Sin
embargo, no es posible señalar cuándo, e incluso si podrá avanzar la
tecnología hasta ese nivel.
