More
    InicioTecnologíaIA¿Qué es y como funciona la Inteligencia Artificial? | Todo lo que...

    ¿Qué es y como funciona la Inteligencia Artificial? | Todo lo que debes saber

    La inteligencia artificial es ubicua. Ya sea en asistentes de voz, chatbots, análisis de texto semántico, servicios de transmisión, fábricas inteligentes o vehículos autónomos, la IA cambiará la forma en que damos forma a nuestra vida cotidiana profesional y privada, así como la forma en que hacemos negocios y vivimos juntos como sociedad. La política también declara que la IA es una condición fundamental para nuestra prosperidad futura.

    Y aunque cada vez más personas utilizan la inteligencia artificial, solo unos pocos saben qué es exactamente. Esto no es de extrañar: definir la inteligencia artificial es muy difícil. Así como la inteligencia humana no puede describirse claramente (por ejemplo, se hace una distinción entre inteligencia cognitiva, emocional y social), no existe una definición de aplicación general para la inteligencia artificial que todos los actores utilicen de manera coherente. 

    Más bien, es un término genérico para todas las áreas de investigación que se ocupan de cómo las máquinas pueden proporcionar un rendimiento de la inteligencia humana. Por tanto, la siguiente limitación debería intentar crear algo de claridad y transparencia.

    IA: Definición e historia

    Históricamente, el término se remonta al científico informático estadounidense John McCarthy, quien en 1956 invitó a investigadores de diversas disciplinas a un taller titulado “Proyecto de investigación de verano de Dartmouth sobre inteligencia artificial” . 

    El tema principal de la reunión fue: «El estudio debe realizarse sobre la base de la conjetura de que todos los aspectos del aprendizaje o cualquier otra característica de la inteligencia pueden, en principio, describirse con tanta precisión que se puede hacer una máquina para simularlos». la primera piedra se colocó en 1956 para lo que más tarde se convirtió en el campo de la inteligencia artificial.

    IA: simulación y automatización de habilidades cognitivas

    Hoy en día, numerosas entradas de léxico definen la inteligencia artificial como una rama de la informática que se ocupa de la imitación mecánica de la inteligencia humana. El Oxford Living Dictionary en inglés describe la IA de la siguiente manera: «La teoría y el desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones y la traducción entre idiomas».

    Mientras tanto, los expertos en inteligencia artificial en investigación y práctica coinciden en una definición de trabajo igualmente abstracta: la inteligencia artificial es la automatización y / o la simulación de habilidades cognitivas, incluida la percepción visual, el reconocimiento y la generación del habla, el razonamiento, la toma de decisiones y la acción, así como en general. También incluyen la adaptabilidad a entornos cambiantes.

    El desempeño de estas habilidades cognitivas simuladas y / o automatizadas puede variar mucho. Si bien todavía son muy rudimentarios con asistentes de voz como Alexa y Siri, ya superan con creces las capacidades humanas en algunas áreas, por ejemplo, en medicina con millones de evaluaciones de resonancias magnéticas.

    Inteligencia artificial

    IA fuerte vs IA Débil

    De una manera muy abstracta, las direcciones de desarrollo de la inteligencia artificial se pueden dividir en dos categorías: IA débil y fuerte. La IA débil (también: IA débil o estrecha) comprende la mayoría de todas las actividades de desarrollo y permite la simulación eficiente de habilidades humanas individuales específicas. La IA fuerte, que tiene las mismas o incluso mayores habilidades intelectuales que los humanos, está actualmente muy lejos de la realidad.

    IA fuerte

    La IA fuerte no solo es capaz de actuar de una manera puramente reactiva, sino que es creativa, flexible, capaz de tomar decisiones incluso en caso de incertidumbre y está motivada por iniciativa propia y, por lo tanto, puede actuar de forma proactiva y planificadaSin embargo, según los expertos, tal IA no existe actualmente, ni es previsible su existencia.

    En ciencia y filosofía, es muy controvertido si se puede desarrollar una IA fuerte y cuándo. Uno de los mayores puntos de controversia es la cuestión de si la IA se tratará alguna vez de la empatía, la autorreflexión y la conciencia, propiedades que (hasta la fecha) pertenecen al núcleo del ser humano. 

    Por lo tanto, las declaraciones que anuncian o prometen la existencia de una IA tan fuerte o generalizada (Inteligencia Artificial General) deben tratarse con escepticismo. Las expectativas excesivas de la IA, que a menudo se etiquetan con los términos superinteligencia o singularidad y alimentan temores exagerados al gobierno de los robots, solo conducen a un debate populista. Son cualquier cosa menos propicia para un discurso transparente.

    IA débil

    La IA débil, por otro lado, se enfoca en resolver problemas de aplicaciones individuales, siendo los sistemas desarrollados capaces de autooptimizarse y aprender. Con este fin, se intenta simular y automatizar aspectos específicos de la inteligencia humana. La mayoría de las aplicaciones comerciales de IA que existen actualmente son sistemas de IA débiles. Los sistemas de inteligencia artificial débiles se utilizan actualmente en los siguientes campos específicos de aplicación:

    • Procesamiento de texto y lenguaje digital (procesamiento de lenguaje natural): sistemas de inteligencia artificial que comprenden o generan el contenido y el contexto de los textos y el lenguaje de forma total o parcial de forma automática. De esta forma, por ejemplo, se pueden escribir informes de fútbol o elecciones, se pueden traducir textos y se pueden comunicar chatbots o asistentes de voz.
    • Robótica y máquinas autónomas: máquinas inteligentes y de navegación (transporte) autónomas como drones, automóviles y vehículos ferroviarios que pueden adaptarse a nuevas situaciones ambientales y aprender en tiempo real.
    • Reconocimiento de patrones en grandes conjuntos de datos: control y optimización de infraestructuras (incluso en el flujo del tráfico o en la red eléctrica); Identificación de fraude, lavado de dinero o financiamiento del terrorismo en la industria financiera; Policía predictiva en la lucha contra la delincuencia; Sistemas de diagnóstico basados ​​en IA en el sector de la salud (por ejemplo, evaluación de datos de imágenes radiológicas), etc.

    Inteligencia Artificial y reconocimiento de patrones

    En el amplio campo de aplicación de la inteligencia artificial, el reconocimiento de patrones, juega un papel especial. Por un lado, porque numerosos avances actuales en IA se remontan a avances en el reconocimiento de patrones y, por otro lado, porque diferentes campos de aplicación (por ejemplo, reconocimiento de imágenes, texto y voz, etc.) también utilizan el reconocimiento de patrones, al menos en parte.

    Se trata de extraer información significativa y relevante de grandes cantidades de datos no estructurados mediante el registro automático de regularidades, repeticiones o similitudes. La base es la capacidad de clasificación: las características deben identificarse que sean idénticas dentro de una categoría de características, pero que no aparezcan fuera de esta categoría. 

    De esta forma, se pueden reconocer rostros en fotografías digitales, identificar canciones o filtrar señales de tráfico a partir de una avalancha de datos de imágenes. El reconocimiento sistemático de patrones también es de gran relevancia en el reconocimiento de voz y texto.

    Inteligencia Artificial y Lenguaje

    Una de las áreas de aplicación de la inteligencia artificial más desafiantes y al mismo tiempo más emocionantes es el procesamiento automático del lenguaje natural, más conocido bajo el término Procesamiento del lenguaje natural (PNL). Como disciplina transversal interdisciplinaria entre la lingüística y la inteligencia artificial, el objetivo es desarrollar algoritmos que descompongan y mecanicen elementos del lenguaje humano.

    Eso significa: Todo lo que la gente expresa por escrito o verbalmente, la PNL puede traducirse en información legible digitalmente. Sin embargo, este proceso también funciona en la dirección opuesta: los datos también se pueden procesar en voz o texto. Estas dos direcciones de proceso marcan las dos subdisciplinas en las que se puede dividir la PNL: Comprensión del lenguaje natural (también: NLU) y Generación del lenguaje natural (también: NLG o generación automática de lenguaje y texto).

    Generación de lenguaje natural

    Si bien la traducción de lenguaje natural o texto a datos es una forma típica de comprensión del lenguaje natural, lo contrario se denomina generación de lenguaje natural. Con NLU, el texto natural generalmente se procesa en datos, con los procesos NLG, el texto natural se crea a través de datos. 

    Seguro te interesa saber: ¿Qué es una dirección MAC?

    En todas aquellas áreas en las que surgen datos estructurados, por ejemplo, en el comercio electrónico, en el mundo financiero o en la información sobre deportes, clima o elecciones, los programas NLG pueden crear textos fáciles de leer a partir de datos en cuestión de segundos. De esta manera, los sistemas NLG liberan a los redactores y editores del monótono trabajo rutinario. Por tanto, el tiempo ahorrado se puede invertir más en trabajo creativo o conceptual.

    Comprensión del lenguaje natural

    Natural Language Understanding, por otro lado, tiene como objetivo «comprender» un texto en lenguaje natural y generar datos estructurados a partir de él. El término genérico NLU se puede aplicar a una amplia variedad de aplicaciones informáticas, que van desde tareas pequeñas y relativamente simples, como comandos breves a robots, hasta tareas muy complejas como la comprensión completa de artículos de periódicos.

    Diferencias y similitudes: IA, Aprendizaje Automático, Aprendizaje Profundo

    Los términos aprendizaje automático y aprendizaje profundo están estrechamente relacionados con el término inteligencia artificial. Los términos se utilizan a menudo como sinónimos en debates públicos. Una breve clasificación de conceptos conduce a un manejo transparente de las diferentes terminologías.

    Si bien la inteligencia artificial sirve como término genérico para todas las áreas de investigación y desarrollo que, como ya se mostró anteriormente, se ocupan de la simulación y automatización de habilidades cognitivas, el aprendizaje automático y el aprendizaje profundo pueden entenderse más como términos parciales de IA. 

    El aprendizaje automático en particular a menudo se entiende como congruente con la IA, pero es mucho más una subárea de la misma. Básicamente, sin embargo, la gran mayoría de los avances actuales en las aplicaciones de IA se relacionan con el aprendizaje automático. Por lo tanto, parece aún más útil examinar primero más de cerca el término aprendizaje automático.

    Aprendizaje automático

    El aprendizaje automático (ML) es una categoría específica de algoritmos que utilizan estadísticas para encontrar patrones en grandes cantidades de datos, conocido como big data. Luego, utilizan los patrones encontrados en los datos históricos (y en el mejor de los casos representativos) para hacer predicciones sobre ciertos eventos, como qué serie le podría gustar a un usuario en Netflix o qué se entiende exactamente por una entrada de voz específica en Alexa. 

    Con el aprendizaje automático, los algoritmos pueden aprender patrones a partir de grandes conjuntos de datos y encontrar de forma independiente la solución a un problema específico sin que cada caso individual haya sido programado explícitamente de antemano. Con la ayuda del aprendizaje automático, los sistemas pueden generar conocimiento a partir de la experiencia. En este sentido, el término fue descrito por el informático estadounidense y pionero de la IA Arthur L. Samuel ya en 1959 como un sistema que tiene la «capacidad de aprender sin haber sido programado explícitamente».

    Extrae datos relevantes de big data y haz predicciones

    En la práctica esto significa lo siguiente: En los servicios de streaming, los algoritmos aprenden (sin programación previa de ninguna manera qué géneros de series existen), por ejemplo, que hay ciertos tipos de series que son vistas por una determinada clase de usuarios. 

    A diferencia de los sistemas basados ​​en reglas, con el aprendizaje automático, por lo tanto, no es absolutamente necesario implementar reglas específicas para cada caso individual nuevo, que luego se aplican a un conjunto de datos (por ejemplo, con fines de clasificación). Por el contrario, el aprendizaje automático utiliza el conjunto de datos existente para extraer y resumir de forma independiente los datos relevantes y, por lo tanto, realizar predicciones.

    Automatizar procesos

    Por lo tanto, se pueden utilizar para optimizar o (parcialmente) automatizar procesos que de otro modo tendrían que realizarse manualmente, como el reconocimiento de texto o imágenes. El aprendizaje automático es el proceso que impulsa muchos de los servicios que usamos hoy: sistemas de recomendación como Netflix, YouTube, Spotify, motores de búsqueda como Google y Baidu, feeds de redes sociales como Facebook y Twitter, asistentes de voz como Siri y Alexa. 

    En todos estos casos, cada plataforma recopila la mayor cantidad de datos posible sobre sus usuarios (qué géneros les gustan, en qué enlaces se hace clic, qué canciones se prefieren escuchar) y utiliza el aprendizaje automático para proporcionar la estimación más precisa posible de lo que están haciendo los usuarios.

    Aprendizaje profundo

    El aprendizaje profundo se asigna nuevamente al aprendizaje automático como un subtérmino y, por lo tanto, también debe entenderse como una subárea de la inteligencia artificial. 

    Si bien ML es una especie de algoritmo autoadaptativo que mejora a través de la experiencia o los datos históricos, el aprendizaje profundo tiene la capacidad de fortalecer significativamente el proceso de aprendizaje automático y de capacitarse a sí mismo. La tecnología utilizada para hacer esto se llama red neuronal. Es una especie de modelo matemático, cuya estructura se basa en cómo funciona el cerebro humano.

    Redes neuronales y cajas negras

    Las redes neuronales contienen numerosas capas de nodos informáticos (similares a las neuronas humanas) que trabajan juntos de manera orquestada para buscar datos y proporcionar un resultado final. Dado que el contenido de estas capas se vuelve cada vez más abstracto y menos comprensible, estas capas también se conocen como capas ocultas. Mediante la interacción de varias de estas capas, se puede formar información «nueva» entre las capas, que es una especie de representación abstracta de la información original o las señales de entrada.

    No te vayas sin leer: Que es Outlook

    Por lo tanto, incluso los desarrolladores no son capaces de comprender, o solo en una medida limitada, lo que las redes están aprendiendo realmente o cómo llegaron a cierto resultado. Aquí se habla del llamado carácter de caja negra de los sistemas de IA. Finalmente, se distingue entre tres tipos de aprendizaje en máquina y aprendizaje profundo: monitoreado, no supervisado y reforzado.

    Aprendizaje supervisado

    En el aprendizaje supervisado, los datos a analizar se clasifican de antemano para indicarle al sistema de aprendizaje automático qué patrones buscar. La clasificación automática de imágenes se aprende según este principio: Primero, las imágenes se marcan manualmente con respecto a determinadas variables (por ejemplo, si se trata de una expresión facial triste, feliz o neutra); Después de crear miles de ejemplos, un algoritmo puede categorizar automáticamente los datos de la imagen.

    Aprendizaje sin supervisión

    Con aprendizaje no supervisado, los datos a analizar no tienen ningún nombre clasificado previamente. Por lo tanto, no es necesario proporcionar al algoritmo ninguna especificación de destino exacta en una fase de entrenamiento anterior. Más bien, el propio sistema ML busca cualquier patrón que pueda encontrar. Por lo tanto, se prefieren los métodos de aprendizaje no supervisados ​​para explorar grandes conjuntos de datos. Actualmente, las tecnologías no supervisadas son poco comunes en la práctica (excepto en el área de ciberseguridad).

    Aprendizaje reforzado

    El método en el que un algoritmo aprende mediante recompensas y castigos se describe como aprendizaje por refuerzo. Un algoritmo de refuerzo aprende a través de pura prueba y error si se logra un objetivo se recibe una recompensa. 

    El aprendizaje por refuerzo se utiliza, por ejemplo, al entrenar programas de ajedrez: en un juego (simulado) contra otros programas de ajedrez, un sistema puede aprender muy rápidamente si un determinado comportamiento condujo al objetivo deseado, a saber, la victoria (recompensa) o no (castigo). El aprendizaje por refuerzo es también la base de entrenamiento de AlphaGo de Google, el programa que derrotó a los mejores jugadores humanos en el complejo juego de Go.

    Límites y posibilidades: ¿Qué puede (NO) hacer la Inteligencia Artificial?

    No solo en los discursos de los medios, sino también en los círculos de expertos, a veces hay definiciones bastante diferentes de inteligencia artificial. Sin embargo, las ideas y definiciones poco claras de lo que es y no es la IA, lo que puede y no puede hacer, contribuyen a la incertidumbre más que a la aceptación en la sociedad. 

    Conducen a un debate a menudo polarizado impulsado por ideas poco realistas. Por tanto, una explicación de los límites y posibilidades de la inteligencia artificial es de la mayor relevancia. Esta es la única forma de evaluar de manera realista el impacto de la IA en la sociedad, la economía, la cultura y la ciencia.

    En general, hay grandes esperanzas asociadas con el uso de la inteligencia artificial: los diagnósticos médicos (del cáncer) basados ​​en la inteligencia artificial, por ejemplo, prometen importantes avances en el sector de la salud y en el tráfico por carretera, una reducción de los accidentes o atascos podría llevar a un menor número de muertes en la carretera por un lado y a un número menor por el otro.

    Conduce a la contaminación ambiental. La forma en que trabajamos también parece estar enfrentando cambios disruptivos: la IA podría liberar a los trabajadores de un trabajo peligroso y monótono.

    Pero que piensan los escépticos de la IA

    Por otro lado, los escépticos críticos con la tecnología advierten con pronósticos de futuro distópicos contra el uso de la IA y la supuesta toma de poder resultante por una superinteligencia o singularidad. Incluso Stephen Hawking y el visionario tecnológico Elon Musk han advertido sobre la amenaza que representa la IA. Sin embargo, debe tenerse en cuenta que tales temores se relacionan mucho menos con los sistemas de inteligencia artificial (débiles) que han existido hasta la fecha.

    Es esencial un debate equilibrado en el que las (posibles) ventajas y desventajas del desarrollo y la implementación de la IA se puedan debatir de forma transparente e informada. En última instancia, el objetivo de todos los sistemas de IA debería ser crear valor añadido social, cultural y económico y contribuir así al bienestar de las personas. 

    La inteligencia artificial debe apoyar inteligentemente a las personas en la vida cotidiana y en el trabajo donde tiene sentido y asumir trabajos desagradables o peligrosos sin hacer que las personas sean superfluas. El resultado: Más tiempo y recursos para dedicarse a tareas creativas o valiosas emocional y socialmente que hacen felices a las personas y que crean significado y valor agregado en la sociedad, la economía y la cultura.

    Ética e IA: ¿Qué se permite (NO) hacer la Inteligencia Artificial?

    La inteligencia artificial está impregnando cada vez más nuestra vida cotidiana; y con ella la cuestión de la responsabilidad ética y social. Ya hoy en día, los algoritmos deciden qué mensajes recibe el lector y qué productos muestra el consumidor. La mayoría de ellos no saben ni son comprensibles sobre qué base y mediante qué mecanismos tecnológicos se toman estas decisiones. 

    También se vuelve problemático cuando un sistema de IA toma decisiones incorrectas o incluso discriminatorias o cuando se abusa de las posibilidades de control, seguimiento e intrusión de la IA en la esfera privada de los ciudadanos, por ejemplo, por parte de sus gobiernos. En general y muy destacado, surge la pregunta, lo que la Inteligencia Artificial puede y no puede hacer .

    IA en Europa

    La Comisión Europea fue la primera institución internacional en abordar estas cuestiones y establecer criterios para el desarrollo y la aplicación de una IA fiable sobre la base de la Carta de los Derechos Fundamentales de la UE y bajo el título “Directrices éticas para una IA fiable” . Se definieron cuatro áreas temáticas como decisivas para una “IA confiable”: equidad, transparencia y trazabilidad, responsabilidad y orientación al valor. 

    La cooperación multilateral entre empresa, política y sociedad es absolutamente necesaria para garantizar un progreso tecnológico sostenible basado en estándares orientados al bien común. Después de todo, la inteligencia artificial tiene el mayor potencial de nuestro tiempo: para el crecimiento económico, la investigación en salud, el medio ambiente y nuestra vida cotidiana.

    Programación de Inteligencia Artificial

    Desde una perspectiva de TI, la programación de tecnologías de software basadas en inteligencia artificial es una especie de disciplina suprema. Sin embargo, las herramientas que son útiles para desarrollar la Inteligencia Artificial en muchos casos están disponibles gratuitamente para el público. 

    El lenguaje de programación Python, de fácil lectura, es de particular relevancia; Sus bibliotecas de programación, a las que se puede acceder libremente en la web, permiten la evaluación de grandes cantidades de datos y, por tanto, están predestinadas para el aprendizaje automático. 

    Los desarrolladores profesionales confían en Tensorflow, una plataforma de código abierto de extremo a extremo para el aprendizaje automático, que también está detrás de las aplicaciones de Google. Tensorflow fue programado originalmente por el equipo de Google Brain para fines internos, pero luego se publicó de forma gratuita y accesible bajo una licencia de código abierto Apache-2.

    Charles Stuberhttps://tecnologiandroid.com
    Nuevo dueño y administrador de Tecnología Android, estaré encargado de todo el contenido de blog junto con mis nuevos colegas. Espero que nos podamos llevar muy bien. Para contactarte conmigo, escríbeme por la sección de contacto.
    Articulos relacionados