¿Qué es la inteligencia artificial (IA)?
La inteligencia artificial aprovecha computadoras y máquinas para imitar las capacidades de resolución de problemas y toma de decisiones de la mente humana
Explore watsonx Regístrese para recibir actualizaciones sobre IA
Robot ayudando en instalaciones de embalaje
¿Qué es la inteligencia artificial?

Aunque varias definiciones de inteligencia artificial (IA) han surgido durante las últimas décadas, John McCarthy ofrece la siguiente definición en este documento del 2004 (enlace externo a ibm.com), "Es la ciencia e ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes. Se relaciona con la tarea similar de usar equipos para comprender la inteligencia humana, pero la IA no tiene que ajustarse a los métodos biológicos observables".

Sin embargo, décadas antes de esta definición, el nacimiento de la conversación sobre inteligencia artificial lo marcó el trabajo fundamental de Alan Turing, "Computing Machinery and Intelligence" (enlace externo a ibm.com), que se publicó en 1950. En este artículo, Turing, a menudo referido como el "padre de la informática", hace la siguiente pregunta: "¿Pueden pensar las máquinas?"  A partir de ahí, ofrece una prueba, ahora conocida como la "Prueba de Turing", en la que un interrogador humano intentaría distinguir entre una respuesta de texto de computadora y humana. Si bien esta prueba ha sido objeto de mucho escrutinio desde su publicación, sigue siendo una parte importante de la historia de la IA, así como un concepto continuo dentro de la filosofía, ya que utiliza ideas en torno a la lingüística.

Stuart Russell y Peter Norvig procedieron a publicar Inteligencia Artificial: Un Enfoque Moderno (enlace externo a ibm.com), convirtiéndose en uno de los principales libros de texto en el estudio de IA. En él, profundizan en cuatro posibles objetivos o definiciones de la IA, que diferencia los sistemas informáticos en función de la racionalidad y el pensamiento frente a la actuación:

Enfoque humano:

  • Sistemas que piensan como humanos
  • Sistemas que actúan como humanos

Enfoque ideal:

  • Sistemas que piensan racionalmente
  • Sistemas que actúan racionalmente

La definición de Alan Turing habría caído bajo la categoría de "sistemas que actúan como humanos".

En su forma más simple, la inteligencia artificial es un campo que combina la informática y conjuntos de datos robustos para permitir la resolución de problemas. También engloba los subcampos del aprendizaje automático y el aprendizaje profundo, que se mencionan con frecuencia junto con la inteligencia artificial. Estas disciplinas están compuestas por algoritmos de IA que buscan crear sistemas expertos que hagan predicciones o clasificaciones basadas en datos de entrada.

A lo largo de los años, la inteligencia artificial ha pasado por muchos ciclos de exageración, pero incluso para
escépticos, el lanzamiento de ChatGPT de OpenAI parece marcar un punto de inflexión. La última vez que la IA generativa fue tan importante, los avances se produjeron en la visión por ordenador, pero ahora el salto adelante se produce en el procesamiento de lenguaje natural. Y no es solo lenguaje: los modelos generativos también pueden aprender la gramática del código de software, moléculas, imágenes naturales y una variedad de otros tipos de datos.

Las aplicaciones para esta tecnología están creciendo cada día, y apenas estamos empezando a
explorar las posibilidades. Pero a medida que se extiende el uso de la IA en las empresas,
las conversaciones sobre ética adquieren una importancia crítica. Para leer más sobre dónde se encuentra IBM dentro de la conversación en torno a la ética de la IA, lea más aquí.

Ya disponible: watsonx

Multiplique la potencia de la IA para su empresa con la plataforma de datos e IA de nueva generación de IBM.

Contenido relacionado

IBM® watsonx Orchestrate

Asistente de IBM Watsonx

Conozca el aprendizaje de Gen AI para desarrolladores

Cómo crear IA responsable a escala
Tipos de inteligencia artificial: IA débil frente a IA fuerte

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 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.

Aprendizaje profundo vs. Aprendizaje automático

Dado que el deep learning y el machine learning tienden a ser utilizados indistintamente, vale la pena señalar sus diferencias. Como se mencionó anteriormente, ambos son subcampos de la inteligencia artificial, y el deep learning es en realidad un subcampo del machine learning.

En realidad, el aprendizaje profundo se compone de redes neuronales. "Profundo" en el deep learning se refiere a una red neuronal compuesta por más de tres capas (que incluirían las entradas y la salida), que se puede considerar un algoritmo de deep learning. 

La diferencia entre el deep learning y el machine learning es cómo aprende cada algoritmo.

El deep learning automatiza gran parte de la fase de extracción de características del proceso, lo que elimina parte de la intervención humana manual necesaria y permite el uso de conjuntos de datos más grandes. El deep learning se podría considerar como "machine learning escalable", tal como Lex Fridman señaló en la misma conferencia del MIT mencionada anteriormente.

El machine learning tradicional, o "non-deep", depende más de la intervención humana para aprender. Los expertos humanos determinan la jerarquía de características para comprender las diferencias entre las entradas de datos, lo que por lo general requiere más datos estructurados para aprender.

El "deep" machine learning puede utilizar los conjuntos de datos etiquetados, también conocidos como aprendizaje supervisado, para informar a su algoritmo, pero no requiere necesariamente un conjunto de datos etiquetados. Puede ingerir datos no estructurados en su forma original (como por ejemplo texto o imágenes) y puede determinar automáticamente la jerarquía de características que distinguen diferentes categorías de datos.

A diferencia del machine learning, no requiere intervención humana para procesar datos, lo que permite escalarlo de maneras más interesantes.

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.

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.

Aplicaciones de inteligencia artificial

Hoy en día existen numerosas aplicaciones prácticas de sistemas de IA. Algunos de los ejemplos más comunes son:

  1. Reconocimiento del habla
  2. Servicio al cliente
  3. Visión artificial
  4. Motores de recomendaciones

Reconocimiento del habla

También denominado reconocimiento automático de voz (ASR), reconocimiento de voz por computadora o conversión de voz a texto, es una funcionalidad que utiliza el procesamiento de lenguaje natural (NLP) para procesar el habla humana y trasladarla a un formato escrito. 

Muchos dispositivos móviles incorporan el reconocimiento del habla en sus sistemas para realizar búsquedas por voz, por ejemplo, Siri, o proporcionar más accesibilidad en torno a los mensajes de texto. 

Servicio al cliente

Los agentes virtuales en línea están reemplazando a los agentes humanos en la experiencia del cliente. Responden a preguntas frecuentes de diferentes temas (como el envío) o proporcionan asesoramiento personalizado, realizan venta cruzada de productos o sugieren tallas para los usuarios, cambiado la forma de interactuar con los clientes en los sitios web y las plataformas de redes sociales.

Algunos ejemplos incluyen bots de mensajería en sitios de comercio electrónico con agentes virtuales, aplicaciones de mensajería (como Slack y Facebook Messenger) y tareas generalmente realizadas por asistentes virtuales y asistentes de voz.

Visión artificial

Esta tecnología de IA permite que las computadoras y los sistemas obtengan información significativa de imágenes digitales, videos y otras entradas visuales, y que actúen con base en ellas.

Esta capacidad de proporcionar recomendaciones lo distingue de las tareas de reconocimiento de imágenes. Impulsada por redes neuronales convolucionales, la visión artificial se puede aplicar en el etiquetado de fotos en redes sociales, las imágenes radiológicas en la salud y los vehículos autónomos en la industria automotriz.  

Motores de recomendaciones

Utilizando datos del comportamiento pasado de los consumidores, los algoritmos de IA pueden ayudar a descubrir tendencias de datos para desarrollar estrategias de venta cruzada más eficaces.

Esto se usa para que los minoristas en línea puedan hacer recomendaciones adicionales relevantes a los clientes durante el proceso de compra.

Comercio bursátil automatizado

Diseñado para optimizar las carteras de acciones, las plataformas bursátiles de alta frecuencia impulsadas por IA hacen miles o incluso millones de operaciones por día sin intervención humana.

 

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.
  • 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.
Soluciones relacionadas
Soluciones de inteligencia artificial (IA)

Ponga IBM watsonx a trabajar a escala en su negocio con la experiencia en IA líder del sector y la cartera de soluciones de IBM a su lado.

Conozca las soluciones de IA
Servicios de IA

Reinvente los flujos de trabajo y las operaciones críticas añadiendo IA para maximizar las experiencias, la toma de decisiones y el valor empresarial.

Conozca los servicios de IA
IA para la ciberseguridad

La IA está cambiando el juego de la ciberseguridad, analizando cantidades masivas de datos de riesgo para acelerar los tiempos de respuesta y aumentar las operaciones de seguridad con pocos recursos.

Conozca la IA para la ciberseguridad
Recursos Descargar el libro electrónico de Inteligencia Artificial

Descubra nueva información estratégica sobre las oportunidades, los desafíos y las lecciones aprendidas a partir de la infusión de la IA en las empresas.

Ahorre hasta un 70 % con nuestra suscripción de aprendizaje digital

Acceda a nuestro catálogo completo de más de 100 cursos en línea comprando hoy una suscripción de aprendizaje digital individual o multiusuario, lo que le permitirá ampliar sus habilidades en una gama de nuestros productos a un precio bajo.

Cuadrante Mágico para plataformas de IA conversacional empresarial, 2023

IBM fue nombrado líder en Gartner® Magic Quadrant™ 2023 en plataformas de IA conversacional empresariales.

Dé el siguiente paso

IBM ha sido líder en el avance de tecnologías impulsadas por IA para empresas y ha sido pionero en el futuro de los sistemas de aprendizaje automático para múltiples industrias. Descubra cómo IBM watsonx ofrece a las empresas las herramientas de IA que necesitan para transformar sus sistemas empresariales y flujos de trabajo, al tiempo que mejora significativamente la automatización y la eficiencia. 

Conozca las soluciones de IA