ARACELI IRIS NINA LLANQUE 5TO C
INTELIGENCIA ARTIFICIAL
La IA, también conocida como inteligencia artificial, es una tecnología con
capacidades de resolución de problemas similares a las de las personas. La IA en
acción parece simular la inteligencia humana: puede reconocer imágenes, escribir
poemas y hacer predicciones basadas en datos.
Las organizaciones modernas recopilan grandes volúmenes de datos de diversos
orígenes, como sensores inteligentes, contenido generado por humanos,
herramientas de supervisión y registros del sistema. Las tecnologías de inteligencia
artificial analizan los datos y los utilizan para ayudar en las operaciones
empresariales de manera eficaz. Por ejemplo, la tecnología de inteligencia artificial
puede responder en las conversaciones con personas del servicio de atención al
cliente, crear imágenes y texto originales para el marketing, y hacer sugerencias
inteligentes para el análisis.
En última instancia, la inteligencia artificial consiste en hacer que el software sea
más inteligente para personalizar las interacciones con los usuarios y resolver
problemas complejos.
La IA débil, también llamada IA estrecha o Inteligencia artificial estrecha (ANI), es
una IA entrenada y enfocada para realizar tareas específicas. La IA débil impulsa la
mayor parte de la IA que nos rodea hoy. "Estrecho" podría ser un descriptor más
ARACELI IRIS NINA LLANQUE 5TO C
preciso para este tipo de IA, ya que no tiene nada de débil; permite algunas
aplicaciones muy potentes, como Siri de Apple, Alexa de Amazon, IBM Watson y
vehículos autónomos.
La IA robusta está conformada por la inteligencia artificial general (IAG) y la
superinteligencia artificial (SIA). La inteligencia artificial general (IAG), o la IA
general, es una forma teórica de IA en la que una máquina tendría una inteligencia
igual a la de los humanos; sería autoconsciente y tendría la capacidad de resolver
problemas, aprender y planificar para el futuro. La superinteligencia artificial (SIA),
también conocida como superinteligencia, superaría la inteligencia y la capacidad
del cerebro humano.
Si bien la IA robusta todavía es completamente teórica y no tiene ejemplos prácticos
de uso actualmente, no significa que los investigadores de IA no estén también
explorando su desarrollo. Mientras tanto, los mejores ejemplos de la SIA provienen
de la ciencia ficción, como HAL, la malévola computadora superhumana en 2001:
Odisea del espacio.
El auge de los modelos generativos
La IA generativa se refiere a modelos de aprendizaje profundo que pueden tomar
datos sin procesar; digamos, toda Wikipedia o los trabajos recopilados de
Rembrandt, y “aprender” a generar resultados estadísticamente probables cuando
se le solicite. En un alto nivel, los modelos generativos codifican una representación
simplificada de sus datos de capacitación y los extraen para crear un nuevo trabajo
similar, pero no idéntico, a los datos originales.
Los modelos generativos se han utilizado durante años en estadísticas para analizar
datos numéricos. Sin embargo, el auge del aprendizaje profundo permitió ampliarlos
a imágenes, voz y otros tipos de datos complejos. Entre la primera clase de modelos
que lograron esta hazaña cruzada se encuentran los autocodificadores
variacionales, o VAE, introducidos en el 2013. Los VAE fueron los primeros modelos
de aprendizaje profundo que se usaban ampliamente para generar imágenes y
discursos realistas.
“Los VAEs abrieron las puertas al modelado generativo profundo haciendo que los
modelos sean más fáciles de escalar”, dijo Akash Srivastava, experto en IA
generativa del MIT-IBM watsonx AI Lab. “Gran parte de lo que hoy pensamos como
IA generativa comenzó aquí”.
Los primeros ejemplos de modelos, como GPT-3, BERT o DALL-E 2, han
demostrado lo que es posible. El futuro son modelos capacitados en un amplio
conjunto de datos no etiquetados que se pueden utilizar para diferentes tareas, con
un ajuste mínimo de precisión. Los sistemas que ejecutan tareas específicas en un
solo dominio están dando paso a una IA amplia que aprende de manera más
general y funciona en todos los dominios y problemas. Los modelos fundacionales,
entrenados en grandes conjuntos de datos sin etiquetar y ajustados para una
variedad de aplicaciones, están impulsando este cambio.
ARACELI IRIS NINA LLANQUE 5TO C
Cuando se trata de IA generativa, se predice que el modelo fundacional acelerarán
drásticamente la adopción de IA en la empresa. La reducción de los requisitos de
etiquetado hará que sea mucho más fácil para las empresas sumergirse en ella, y la
automatización altamente precisa y eficiente impulsada por la IA que permiten
significará que muchas más empresas podrán desplegar la IA en una gama más
amplia de situaciones de misión crítica. Para IBM, la esperanza es que el poder del
modelo fundacional pueda eventualmente llevarse a todas las empresas en un
entorno de nube híbrida sin fricciones.
Conoza los modelos fundacionales en [Link]
Aplicaciones de inteligencia artificial
Hoy en día, existen numerosas aplicaciones reales para sistemas de IA A
continuación se presentan algunos de los casos de uso más comunes:
reconocimiento de voz
También conocido como reconocimiento automático de voz (ASR), reconocimiento
de voz por computadora o conversión de voz a texto, el reconocimiento de voz
utiliza PLN para procesar el habla humana en un formato escrito. Muchos
dispositivos móviles incorporan reconocimiento de voz en sus sistemas para realizar
búsquedas por voz (Siri, por ejemplo) o brindar más accesibilidad para enviar
mensajes de texto en inglés o en muchos idiomas ampliamente utilizados. Vea cómo
Don Johnston utilizó IBM Watson Text to Speech para mejorar la accesibilidad en el
aula con nuestro estudio de caso.
Atención al cliente
Los agentes virtuales en línea y los chatbots están reemplazando a los agentes
humanos a lo largo del recorrido del cliente. Responden preguntas frecuentes (FAQ)
sobre temas como el envío, o brindan asesoramiento personalizado, venta cruzada
de productos o sugerencias de tamaños para los usuarios, cambiando la forma en
que pensamos sobre la participación del cliente en sitios web y plataformas de redes
sociales. Los ejemplos incluyen bots de mensajería en sitios de comercio electrónico
con agentes virtuales, aplicaciones de mensajería, como Slack y Facebook
Messenger, y tareas que generalmente realizan asistentes virtuales y asistentes de
voz. Vea cómo Autodesk Inc. utilizó IBM watsonx Assistant para acelerar los tiempos
de respuesta de los clientes en un 99 % con nuestro estudio de caso.
Visión artificial
Esta tecnología de IA permite que las computadoras y los sistemas deriven
información significativa a partir de imágenes digitales, videos y otras entradas
visuales, y con base en esas entradas, pueden tomar medidas. Esta capacidad de
proporcionar recomendaciones la distingue de las tareas de reconocimiento de
imágenes. Gracias a las redes neuronales convolucionales, la visión por ordenador
tiene aplicaciones en el etiquetado de fotos en las redes sociales, la obtención de
imágenes radiológicas en la sanidad y los coches autónomos en la industria
ARACELI IRIS NINA LLANQUE 5TO C
automovilística. Vea cómo ProMare utilizó IBM Maximo para marcar un nuevo rumbo
en las investigaciones oceánicas con nuestro caso práctico.
de la cadena de suministro
La robótica adaptativa actúa sobre la información de los dispositivos de Internet de
las cosas (IoT) y sobre datos estructurados y no estructurados para tomar
decisiones autónomas. Las herramientas de PLN pueden comprender el habla
humana y reaccionar a lo que se les dice. El análisis predictivo se aplica a la
capacidad de respuesta a la demanda, la optimización del inventario y la red, el
mantenimiento preventivo y la fabricación digital. Los algoritmos de búsqueda y
reconocimiento de patrones, que ya no son solo predictivos, sino jerárquicos,
analizan datos en tiempo real, ayudando a las cadenas de suministro a reaccionar a
la inteligencia aumentada generada por máquinas, al tiempo que brindan visibilidad
y transparencia instantáneas. Vea cómo Hendrickson utilizó IBM Sterling para
impulsar transacciones en tiempo real con nuestro estudio de caso.
Pronóstico meteorológico
Los modelos meteorológicos en los que confían las emisoras para hacer pronósticos
precisos consisten en algoritmos complejos que se ejecutan en supercomputadoras.
Las técnicas de aprendizaje automático mejoran estos modelos haciéndolos más
aplicables y precisos. Descubra cómo Emnotion utilizó IBM Cloud para capacitar a
las empresas susceptibles a las condiciones meteorológicas para que tomaran
decisiones más proactivas y basadas en datos con nuestro estudio de caso.
Detección de anomalías
Los modelos de IA pueden analizar grandes cantidades de datos y descubrir puntos
de datos atípicos dentro de un conjunto de datos. Estas anomalías pueden generar
visibilidad sobre equipos defectuosos, errores humanos o fallos de seguridad. Vea
cómo Netox utilizó IBM QRadar para proteger las empresas digitales de las
ciberamenazas con nuestro estudio de caso.
Historia de la inteligencia artificial: fechas y nombres clave
La idea de "una máquina que piensa" se remonta a la antigua Grecia. Pero, desde la
aparición de la computación electrónica (y en relación con algunos de los temas
tratados en este artículo), ha habido acontecimientos importantes e hitos en la
evolución de la inteligencia artificial:
1950: Alan Turing publica Computing Machinery and Intelligence. En el
artículo, Turing, famoso por haber descifrado el código ENIGMA de los nazis
durante la Segunda Guerra Mundial, propone responder a la pregunta
"¿pueden pensar las máquinas?". e introduce la Prueba de Turing para
determinar si una computadora puede demostrar la misma inteligencia (o los
resultados de la misma inteligencia) que un humano. El valor de la prueba de
Turing ha sido objeto de debate desde entonces.
ARACELI IRIS NINA LLANQUE 5TO C
1956: John McCarthy acuña el término "inteligencia artificial" en la primera
conferencia de IA en el Dartmouth College. (Posteriormente, McCarthy
inventaría el lenguaje Lisp). Ese mismo año, Allen Newell, JC Shaw y Herbert
Simon crearon Logic Theorist, el primer programa de software de inteligencia
artificial que funcionó.
1967: Frank Rosenblatt crea el Mark 1 Perceptron, la primera computadora
basada en una red neuronal que "aprendió" mediante prueba y error. Apenas
un año después, Marvin Minsky y Seymour Papert publican un libro titulado
Perceptrons, que se convierte en el trabajo de referencia en redes neuronales
y, al menos por un tiempo, en un argumento contra futuros proyectos de
investigación de redes neuronales.
1980: Las redes neuronales que utilizan un algoritmo de retropropagación
para entrenarse a sí mismas se utilizan ampliamente en aplicaciones de IA.
1997: El sistema Deep Blue de IBM vence al campeón mundial de ajedrez
Garry Kasparov, en una partida de ajedrez (y revancha).
2011: IBM Watson vence a los campeones Ken Jennings y Brad Rutter en
Jeopardy!
2015: La supercomputadora Minwa de Baidu usa un tipo especial de red
neuronal profunda, llamada red neuronal convolucional, para identificar y
categorizar imágenes con una mayor precisión que el promedio humano.
2016: El programa AlphaGo de DeepMind, impulsado por una red neuronal
profunda, vence a Lee Sodol, el campeón mundial de Go, en un partido de
cinco juegos. La victoria es significativa dado el gran número de movimientos
posibles a medida que el juego progresa (¡más de 14,5 billones después de
solamente cuatro movimientos!). Más tarde, Google compró DeepMind por
USD 400 millones.
