La inteligencia artificial (IA) es una amplia rama de la informática que se ocupa de construir máquinas inteligentes capaces de realizar tareas que normalmente requieren inteligencia humana. Aunque la IA es una ciencia interdisciplinaria con múltiples enfoques, los avances en el aprendizaje automático y el aprendizaje profundo, en particular, están creando un cambio de paradigma en prácticamente todos los sectores de la industria tecnológica.
La inteligencia artificial permite a las máquinas modelar, e incluso mejorar, las capacidades de la mente humana. Y desde el desarrollo de automóviles autónomos hasta la proliferación de asistentes inteligentes como Siri y Alexa, la IA se está convirtiendo cada vez más en parte de la vida cotidiana, y es un área en la que las empresas de todos los sectores están invirtiendo.
Definición de Inteligencia Artificial: Fundamentos de IA
Comprendiendo la IA
En términos generales, los sistemas de inteligencia artificial pueden realizar tareas comúnmente asociadas con las funciones cognitivas humanas, como interpretar el habla, jugar juegos e identificar patrones. Por lo general, aprenden a hacerlo procesando cantidades masivas de datos, buscando patrones para modelar en su propia toma de decisiones. En muchos casos, los humanos supervisarán el proceso de aprendizaje de la IA, reforzando las decisiones acertadas y desalentando las malas. Pero algunos sistemas de IA están diseñados para aprender sin supervisión, por ejemplo, jugando un videojuego una y otra vez hasta que finalmente descubren las reglas y cómo ganar.
AI Fuerte Vs. AI Débil
La inteligencia es difícil de definir, por lo que los expertos en IA suelen distinguir entre IA fuerte e IA débil.
AI Fuerte, también conocida como inteligencia artificial general, es una máquina que puede resolver problemas en los que nunca ha sido entrenada para trabajar, como lo puede hacer un ser humano. Este es el tipo de IA que vemos en películas, como los robots de Westworld o el personaje Data de Star Trek: The Next Generation. Este tipo de IA aún no existe.
La creación de una máquina con inteligencia a nivel humano que se pueda aplicar a cualquier tarea es el Santo Grial para muchos investigadores en IA, pero la búsqueda de inteligencia artificial general ha sido difícil. Y algunos creen que la investigación en AI fuerte debería ser limitada debido a los posibles riesgos de crear una IA poderosa sin las barreras apropiadas.
En contraste con AI débil, AI fuerte representa una máquina con un conjunto completo de habilidades cognitivas y una amplia variedad de casos de uso, pero el tiempo no ha aliviado la dificultad de lograr tal hazaña.
AI Débil, a veces llamada AI estrecha o AI especializada, opera dentro de un contexto limitado y es una simulación de la inteligencia humana aplicada a un problema definido con precisión (como conducir un automóvil, transcribir el habla humana o curar contenido en un sitio web).
La AI Débil a menudo se centra en realizar una sola tarea extremadamente bien. Aunque estas máquinas pueden parecer inteligentes, operan bajo muchas más restricciones y limitaciones que incluso la inteligencia humana más básica.
Ejemplos de AI Débil incluyen:
- Siri, Alexa y otros asistentes inteligentes
- Automóviles autónomos
- Búsqueda de Google
- Bots de conversación
- Filtros de spam de correo electrónico
- Recomendaciones de Netflix
Aprendizaje automático (Machine Learning) Vs. Aprendizaje profundo (Deep Learning)
Aunque los términos «aprendizaje automático» y «aprendizaje profundo» se mencionan con frecuencia en conversaciones sobre IA, no deben usarse indistintamente. El aprendizaje profundo es una forma de aprendizaje automático, y el aprendizaje automático es una subdisciplina de la inteligencia artificial.
- Aprendizaje Automático
Un algoritmo de aprendizaje automático recibe datos de una computadora y utiliza técnicas estadísticas para ayudarlo a «aprender» a mejorar progresivamente en una tarea, sin necesariamente haber sido programado específicamente para esa tarea. En lugar de eso, los algoritmos de ML utilizan datos históricos como entrada para predecir nuevos valores de salida. Con este fin, el ML consta tanto de aprendizaje supervisado (donde se conoce la salida esperada para la entrada gracias a conjuntos de datos etiquetados) como de aprendizaje no supervisado (donde las salidas esperadas son desconocidas debido al uso de conjuntos de datos no etiquetados).
Te puede interesar: Becas en Máster en Ciencias de la Computación en Suiza
- Aprendizaje Profundo
El aprendizaje profundo es un tipo de aprendizaje automático que hace pasar las entradas a través de una arquitectura de red neuronal inspirada biológicamente. Las redes neuronales contienen una serie de capas ocultas a través de las cuales se procesan los datos, permitiendo que la máquina se sumerja «en profundidad» en su aprendizaje, haciendo conexiones y ponderando la entrada para obtener los mejores resultados.
Los Cuatro Tipos de IA
La IA se puede dividir en cuatro categorías, basadas en el tipo y complejidad de las tareas que un sistema puede realizar. Estas son:
- Máquinas reactivas
- Memoria limitada
- Teoría de la mente
- Autoconciencia
Máquinas Reactivas
Una máquina reactiva sigue los principios más básicos de la IA y, como su nombre indica, es capaz de utilizar su inteligencia para percibir y reaccionar solo al mundo que tiene delante. Una máquina reactiva no puede almacenar una memoria y, como resultado, no puede basarse en experiencias pasadas para tomar decisiones en tiempo real.
La percepción directa del mundo significa que las máquinas reactivas están diseñadas para completar solo un número limitado de tareas especializadas. Sin embargo, reducir intencionalmente la visión del mundo de una máquina reactiva tiene sus beneficios: este tipo de IA será más confiable y fiable, y reaccionará de la misma manera ante los mismos estímulos cada vez.
Ejemplos de Máquinas Reactivas
- Deep Blue fue diseñado por IBM en la década de 1990 como un superordenador que jugaba al ajedrez y derrotó al gran maestro internacional Gary Kasparov en una partida. Deep Blue solo era capaz de identificar las piezas en el tablero de ajedrez y saber cómo se mueve cada una según las reglas del ajedrez, reconociendo la posición actual de cada pieza y determinando cuál sería el movimiento más lógico en ese momento. La computadora no estaba persiguiendo futuros movimientos potenciales de su oponente ni tratando de colocar sus propias piezas en una mejor posición. Cada turno fue visto como su propia realidad, separada de cualquier otro movimiento que se hubiera hecho anteriormente.
- El AlphaGo de Google también es incapaz de evaluar futuros movimientos, pero se basa en su propia red neuronal para evaluar los desarrollos del juego actual, lo que le da una ventaja sobre Deep Blue en un juego más complejo. AlphaGo también venció a competidores de clase mundial en el juego, derrotando al campeón del juego Go, Lee Sedol, en 2016.
Memoria Limitada
La inteligencia artificial con memoria limitada tiene la capacidad de almacenar datos y predicciones previas al recolectar información y sopesar decisiones potenciales, esencialmente mirando hacia el pasado en busca de pistas sobre lo que podría suceder a continuación. La inteligencia artificial con memoria limitada es más compleja y presenta mayores posibilidades que las máquinas reactivas.
La inteligencia artificial con memoria limitada se crea cuando un equipo entrena continuamente un modelo en cómo analizar y utilizar nuevos datos o se construye un entorno de inteligencia artificial para que los modelos puedan entrenarse y renovarse automáticamente.
Al utilizar la inteligencia artificial con memoria limitada en el aprendizaje automático, se deben seguir seis pasos:
- Establecer los datos de entrenamiento
- Crear el modelo de aprendizaje automático
- Asegurarse de que el modelo pueda hacer predicciones
- Asegurarse de que el modelo pueda recibir comentarios humanos o ambientales
- Almacenar los comentarios humanos y ambientales como datos
- Repetir los pasos anteriores como un ciclo.
Teoría de la Mente
La Teoría de la Mente es precisamente eso: teórico. Todavía no hemos alcanzado las capacidades tecnológicas y científicas necesarias para llegar a este próximo nivel de IA.
El concepto se basa en la premisa psicológica de entender que otros seres vivos tienen pensamientos y emociones que afectan el comportamiento de uno mismo. En términos de máquinas de IA, esto significaría que la IA podría comprender cómo los humanos, los animales y otras máquinas sienten y toman decisiones a través de la autorreflexión y la determinación, y luego utilizar esa información para tomar decisiones propias. Esencialmente, las máquinas tendrían que ser capaces de comprender y procesar el concepto de «mente», las fluctuaciones emocionales en la toma de decisiones y una serie de otros conceptos psicológicos en tiempo real, creando una relación bidireccional entre las personas y la IA.
Autoconciencia
Una vez que se pueda establecer la teoría de la mente, en algún momento en el futuro de la IA, el paso final será que la IA se vuelva autoconsciente. Este tipo de IA posee una conciencia a nivel humano y comprende su propia existencia en el mundo, así como la presencia y el estado emocional de los demás. Sería capaz de entender lo que los demás pueden necesitar basado no solo en lo que le comunican, sino también en cómo lo comunican.
La autoconciencia en la IA depende tanto de que los investigadores humanos comprendan la premisa de la conciencia como de aprender cómo replicarla para que pueda construirse en las máquinas.
Te puede interesar: Becas en Ciencias de Computación en Reino Unido
Ejemplos de Inteligencia Artificial
La tecnología de inteligencia artificial adopta muchas formas, desde chatbots hasta aplicaciones de navegación y monitores de actividad física. Los siguientes ejemplos ilustran la amplitud de las posibles aplicaciones de la IA.
- ChatGPT
ChatGPT es un chatbot de inteligencia artificial capaz de producir contenido escrito en una amplia variedad de formatos, desde ensayos hasta código y respuestas a preguntas sencillas. Lanzado en noviembre de 2022 por OpenAI, ChatGPT está impulsado por un gran modelo de lenguaje que le permite imitar de cerca la escritura humana.
- Google Maps
Google Maps utiliza datos de ubicación de teléfonos inteligentes, así como datos reportados por los usuarios sobre cosas como la construcción y los accidentes automovilísticos, para monitorear el flujo del tráfico y determinar la ruta más rápida.
- Asistentes personales
Asistentes personales como Siri, Alexa y Cortana utilizan procesamiento de lenguaje natural, o PLN, para recibir instrucciones de los usuarios, establecer recordatorios, buscar información en línea y controlar las luces de las casas de las personas. En muchos casos, estos asistentes están diseñados para aprender las preferencias de los usuarios y mejorar su experiencia con mejores sugerencias y respuestas más personalizadas.
- Filtros de Snapchat
Los filtros de Snapchat utilizan algoritmos de aprendizaje automático (ML) para distinguir entre el sujeto de una imagen y el fondo, realizar un seguimiento de los movimientos faciales y ajustar la imagen en la pantalla en función de lo que el usuario está haciendo.
- Vehículos autónomos
Los vehículos autónomos son un ejemplo reconocible de aprendizaje profundo, ya que utilizan redes neuronales profundas para detectar objetos a su alrededor, determinar su distancia a otros vehículos, identificar señales de tráfico y mucho más.
- Dispositivos portátiles
Los sensores y dispositivos portátiles utilizados en la industria de la salud también aplican el aprendizaje profundo para evaluar la condición de salud del paciente, incluyendo sus niveles de azúcar en la sangre, presión arterial y ritmo cardíaco. También pueden derivar patrones de los datos médicos previos de un paciente y utilizarlos para anticipar cualquier condición de salud futura.
- MuZero
MuZero, un programa informático creado por DeepMind, es un prometedor líder en la búsqueda de lograr una verdadera inteligencia artificial general. Ha logrado dominar juegos que ni siquiera se le enseñaron a jugar, incluyendo ajedrez y una suite completa de juegos Atari, mediante la fuerza bruta, jugando millones de veces.
Beneficios, Desafíos y Futuro de la Inteligencia Artificial
Beneficios de la Inteligencia Artificial
La IA tiene muchos usos, desde impulsar el desarrollo de vacunas hasta automatizar la detección de posibles fraudes. Según una investigación de CB Insights, las empresas de IA recaudaron $66,8 mil millones en financiamiento en 2022, más que el doble de la cantidad recaudada en 2020. Debido a su rápida adopción, la IA está causando un gran impacto en una variedad de industrias.
Banca más segura
El informe de Business Insider Intelligence de 2022 sobre IA en la banca encontró que más de la mitad de las empresas de servicios financieros ya utilizan soluciones de IA para la gestión de riesgos y la generación de ingresos. La aplicación de la IA en la banca podría llevar a ahorros de hasta $400 mil millones.
Mejor medicina
En cuanto a la medicina, un informe de la Organización Mundial de la Salud de 2021 señaló que si bien la integración de la IA en el campo de la salud tiene desafíos, la tecnología «ofrece grandes promesas», ya que podría conducir a beneficios como una política de salud más informada y mejoras en la precisión del diagnóstico de pacientes.
Medios innovadores
La IA también ha dejado su huella en el entretenimiento. El mercado global de IA en medios y entretenimiento se estima en $99,48 mil millones para 2030, creciendo desde un valor de $10,87 mil millones en 2021, según Grand View Research. Esta expansión incluye usos de la IA como el reconocimiento de plagio y el desarrollo de gráficos de alta definición.
Desafíos y limitaciones de la IA
Si bien la IA ciertamente se considera un activo importante y en constante evolución, este campo emergente tiene sus desventajas.
El Centro de Investigación Pew encuestó a 10,260 estadounidenses en 2021 sobre sus actitudes hacia la IA. Los resultados encontraron que el 45 por ciento de los encuestados están igualmente emocionados y preocupados, y el 37 por ciento está más preocupado que emocionado. Además, más del 40 por ciento de los encuestados dijo que consideraba que los autos sin conductor eran malos para la sociedad. Sin embargo, la idea de utilizar la IA para identificar la propagación de información falsa en las redes sociales fue mejor recibida, con cerca del 40 por ciento de los encuestados calificándola como una buena idea.
La IA es una bendición para mejorar la productividad y eficiencia al mismo tiempo que se reduce el potencial de error humano. Pero también hay algunas desventajas, como los costos de desarrollo y la posibilidad de que las máquinas automatizadas reemplacen trabajos humanos. Sin embargo, vale la pena señalar que la industria de la inteligencia artificial también tiene el potencial de crear trabajos, algunos de los cuales aún no se han inventado.
Futuro de la Inteligencia Artificial
Cuando se consideran los costos computacionales y la infraestructura técnica de datos detrás de la inteligencia artificial, la ejecución real de la IA es un negocio complejo y costoso. Afortunadamente, ha habido avances masivos en la tecnología informática, como indica la Ley de Moore, que establece que el número de transistores en un microchip se duplica aproximadamente cada dos años mientras que el costo de las computadoras se reduce a la mitad.
Aunque muchos expertos creen que la Ley de Moore probablemente llegará a su fin en algún momento de los años 2020, esto ha tenido un gran impacto en las técnicas modernas de IA, ya que sin ella, el aprendizaje profundo sería financieramente inviable. Investigaciones recientes han encontrado que la innovación en IA ha superado realmente la Ley de Moore, duplicándose cada seis meses más o menos en lugar de dos años.
Por esa lógica, los avances que la inteligencia artificial ha logrado en una variedad de industrias han sido importantes en los últimos años. Y el potencial para un impacto aún mayor en las próximas décadas parece inevitable.