La inteligencia artificial Pág

Inteligencia Artificial - IA

Tomado de la página de Aura Quantic

Qué es la Inteligencia Artificial

A lo largo de la historia se ha especulado con la posibilidad de crear sistemas artificiales capaces de pensar y actuar como seres humanos. Era cuestión de tiempo que una idea tan atractiva como la Inteligencia Artificial fuera cogiendo relevancia en esta era en la que la informática y la digitalización crecen exponencialmente. Pero, ¿qué es la Inteligencia Artificial?

Definiciones

La Inteligencia Artificial es la simulación de inteligencia humana por parte de las máquinas. Dicho de otro modo, es la disciplina que trata de crear sistemas capaces de aprender y razonar como un ser humano, aprendan de la experiencia, averigüen cómo resolver problemas ante unas condiciones dadas, contrasten información y lleven a cabo tareas lógicas.

El hecho de que un sistema posea hardware humanoide y actúe físicamente como tal es un campo perteneciente a la robótica, y se aleja del concepto de Inteligencia Artificial, que se centra en emular el modo de pensar y razonar de los humanos. Cabe destacar que, de conseguir que un sistema pudiera aprender y pensar como un humano, poseería notables ventajas sobre éste gracias a su velocidad y capacidad de cálculo.

Contexto histórico e hitos de la inteligencia artificial

Inteligencia Artificial no es para nada un concepto nuevo; por poner un ejemplo, en el siglo XVII el filósofo Descartes ya teorizó sobre la posibilidad de autómatas inteligentes. Eso sí, no fue hasta mediados del siglo XX cuando el tema empezó a tomar relevancia. Uno de los primeros retos formales en este campo lo propuso Alan Turing en 1950, el cual consistía en el siguiente test: “Un sistema es lo suficientemente inteligente si consigue hacerse pasar por humano ante las preguntas de un juez”. Curiosamente, este test sigue siendo un gran reto a día de hoy. Años después, el reconocido informático John McCarthy acuñó el término “Inteligencia Artificial” en la famosa Conferencia de Darthmouth de 1956. Sin embargo, lo que parecía el auge de una rama de investigación tecnológica acabó en especulación y

proyectos aislados durante décadas, entre otros motivos porque resultó ser un campo en el que nadie se atrevió a invertir dinero seriamente. A pesar de ello, se fueron realizando importantes avances, como ELIZA, el primer chatbot que implementó lenguaje natural (NLP) en 1966; el programa BKG 9.8 que ganó al campeón mundial de backgammon en 1979, los primeros vehículos autónomos en recorrer importantes distancias en París en 1994, o la IA Deep Blue creada por IBM, que venció al campeón ajedrecista Gary Kaspàrov en 1997. Con la entrada del nuevo siglo y la notable evolución tecnológica la IA se ha convertido en una de las tendencias imparables y los hitos en este campo empiezan a ser muy numerosos, desde sistemas expertos capaces de vencer a un humano en cualquier actividad intelectual hasta asistentes virtuales capaces de organizarnos el día a día.

Ejemplos y casos de uso de inteligencia artificial

La Inteligencia Artificial se encuentra en cada rincón del mundo moderno, eso sí, no siempre la encontramos en forma de lujosos asistentes virtuales capaces de reconocer nuestra voz. Veamos algunos ejemplos, desde los más sencillos a los más complejos:

Dispositivos en el hogar

Desde termostatos inteligentes hasta aspiradoras que pasean por todos los rincones de nuestra casa. La domótica es uno de los campos “sencillos” de la Inteligencia Artificial que los usuarios hemos podido disfrutar desde hace muchos años.

Filtros de SPAM

No es una de las IA más llamativas, pero empresas como Google o Microsoft aplican multitud de algoritmos en constante evolución con el objetivo de detectar correos fraudulentos y de tipo SPAM.

Anuncios personalizados

Sistemas de IA principalmente impulsados por buscadores y redes sociales, son aquellos que analizan toda la información que disponen del usuario, para mostrarle anuncios con los que probablemente interactuará.

Agentes expertos

Suelen ser sistemas muy entrenados en una actividad intelectual específica, partiendo de los conocimientos de los expertos en la materia. Un ejemplo clásico es el de los sistemas que juegan al ajedrez.

Chatbots

Sistemas que realizan un interesante uso del NLP (Natural Language Processing) y mejoran con cada experiencia; permiten una comunicación bidireccional coherente con seres humanos, ya sea oral o escrita.

Videojuegos

Quizá uno de los más obvios, y que por ello muchas veces queda en el olvido, pero siempre ha sido una de las principales fuentes de mejora de la IA, en esa eterna búsqueda por conseguir que “la máquina” actúe de forma coherente y realista en una partida, ya sea un soldado enemigo o un coche de carreras.

Vehículos autónomos

Son muchas las empresas, y no sólo automovilísticas, que se han subido al carro (nunca mejor dicho) de la automoción inteligente, desarrollando sistemas que procesan ingentes cantidades de datos en tiempo real para determinar una trayectoria correcta del vehículo, prevención de accidentes, etc.

Asistentes virtuales

Es lo más cercano a una IA de película con la que podemos interactuar hoy en día. Reconoce nuestra voz, se adapta a la forma en que pedimos las cosas, y es capaz de recomendarnos entretenimiento acorde a nuestros gustos. Uno de los fuertes de estas tecnologías es que cuentan con un inmenso número de usuarios que los alimentan de forma constante y ayudan a reforzar sus algoritmos de aprendizaje.

Algoritmos de aprendizaje automático

Por. Pamela Fox. Kahn Academy

El aprendizaje automático (ML en inglés) es un tipo de algoritmo que se mejora automáticamente a sí mismo basado en la experiencia, no por un programador que escribe un mejor algoritmo. El algoritmo gana experiencia al procesar más y más datos, y luego modificándose basado en las propiedades de los datos.

Tipos de aprendizaje automático

Hay muchas variedades de técnicas de aprendizaje automático, pero aquí hay tres enfoques generales:

Aprendizaje reforzado: El algoritmo ejecuta las acciones que serán las más recompensadas. Con frecuencia se usa en IA para juegos, o en robots de navegación.

Aprendizaje automático no supervisado: El algoritmo encuentra patrones en los datos no etiquetados al agrupar e identificar similaridades entre ellos. Usos populares incluyen sistemas de recomendación y publicidad enfocada.

Aprendizaje automático supervisado: El algoritmo analiza los datos etiquetados y aprende a asignar etiquetas de salida a datos de entrada. A menudo se usa para clasificación y predicción.

Sumerjámonos en uno de los enfoques más comunes para entender mejor cómo funciona un algoritmo de aprendizaje automático.

Redes neuronales

Un enfoque cada vez más popular para el aprendizaje automático supervisado es la red neuronal. Una red neuronal opera de manera similar a cómo pensamos que funcionan los cerebros, con entradas que fluyen a través de muchas capas de "neuronas", y que eventualmente llevan a una salida.

Diagrama de una red neuronal, con círculos que representan cada neurona y líneas que representan conexiones entre neuronas. La red comienza a la izquierda con una columna de 3 neuronas etiquetadas "Entrada". Esas neuronas están conectadas a otra columna de 4 neuronas, que se conecta a su vez con otra columna de 4, y esas neuronas están etiquetadas como "Capas ocultas". La segunda capa oculta de neuronas está conectada a una columna de 3 neuronas etiquetadas "Salida".

Entrenamiento de una red

Los programadores de computadoras en realidad no programan cada neurona. Más bien entrenan una red neuronal mediante una cantidad masiva de datos etiquetados. Los datos de entrenamiento dependen del objetivo de la red. Si su propósito es clasificar imágenes, un conjunto de datos de entrenamiento podría contener miles de imágenes etiquetadas como "ave", "avión", etc.

Imágenes del conjunto de datos de formación CIFAR10. Fuente de la imágen: CIFAR10

El objetivo de la fase de entrenamiento es determinar los pesos para las conexiones entre neuronas, que clasificarán correctamente los datos de entrenamiento.

Los pesos entre las neuronas son desconocidos (etiquetados con una "?"), y la red neuronal necesita determinar los pesos que dan por resultado la clasificación correcta de cada imagen.

La red neuronal comienza con todos los pesos inicializados a valores aleatorios, por lo que sus clasificaciones iniciales están muy lejos de ser las correctas. Sin embargo, aprende de sus errores, y finalmente encuentra un conjunto de pesos que realizan el mejor trabajo posible para clasificar todos los datos de entrenamiento.

A cada una de las conexiones entre neuronas se le asigna un peso (representado por los tonos del verde). Una neurona multiplica cada peso de conexión por el valor de la neurona de entrada, y suma todos para llegar a un solo número (mostrado en cada neurona). La neurona solo enviará este valor a la capa siguiente, si el valor está por encima de un umbral.

Uso de la red

Cuando se le pide a la red neuronal que clasifique una imagen, usa los pesos aprendidos y produce como salida las posibles clases y sus probabilidades correspondientes.

Precisión

La precisión de una red neuronal depende en gran medida de sus datos de entrenamiento, tanto en cantidad como en diversidad. ¿Ha visto la red el objeto desde múltiples ángulos y condiciones de iluminación? ¿Ha visto realmente todas la variedades de ese objeto? Si queremos que una red neural entienda realmente nuestro mundo, necesitamos exponerla a su inmensa diversidad.

Las empresas, los gobiernos y las instituciones están utilizando cada vez más el aprendizaje automático para tomar decisiones por ellos. A menudo lo llaman "inteligencia artificial", pero un algoritmo de aprendizaje automático es sólo tan inteligente como sus datos de entrenamiento. Si los datos de entrenamiento son sesgados, el algoritmo es sesgado, y por desgracia los datos de entrenamiento frecuentemente son sesgados.