Aunque durante las últimas décadas ha surgido una serie de definiciones de la inteligencia artificial (IA), John McCarthy ofrece la siguiente en este artículo  publicado en 2004 (PDF, 106 KB) (enlace externo a IBM): "Es la ciencia y la ingeniería de la fabricación de máquinas inteligentes, especialmente programas informáticos inteligentes. Está relacionada con la tarea similar de usar computadoras para entender la inteligencia humana, pero la IA no tiene que limitarse a métodos que son biológicamente observables".

Sin embargo, décadas antes de esta definición, la conversación sobre la inteligencia artificial se inició con el trabajo trascendental de Alan Turing, "Computing Machinery and Intelligence" (PDF, 89,8 KB) (enlace externo a IBM), que se publicó en 1950. En este artículo, Turing, al que muchos conocen como el "padre de la informática", hace la siguiente pregunta: "¿Pueden pensar las máquinas?"  Partiendo de esa idea, ofrece una prueba, hoy conocida como la "Prueba de Turing", en la que un evaluador humano intenta distinguir entre la respuesta textual de una computadora y la de un ser humano. 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 en curso dentro de la filosofía, ya que utiliza ideas en torno a la lingüística.

Stuart Russell y Peter Norvig procedieron entonces a publicar "Artificial Intelligence: A Modern Approach" (enlace externo a IBM), convirtiéndose en uno de los principales libros de texto en el estudio de la IA. En él profundizan en cuatro posibles objetivos o definiciones de la IA, que se diferencia de los sistemas informáticos sobre la base de la racionalidad y el pensamiento frente a la acción:

Enfoque humano:

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

Enfoque ideal:

• Sistemas que piensan racionalmente
• Sistemas que actúan racionalmente

La definición de Alan Turing entraría en la categoría de "sistemas que actúan como los humanos".

En su forma más simple, la inteligencia artificial es un campo que combina la ciencia informática y los conjuntos de datos robustos para permitir la resolución de problemas. También abarca los subcampos del machine learning y el deep learning, que se mencionan frecuentemente junto con la inteligencia artificial. Estas disciplinas están conformadas por algoritmos de IA que buscan crear sistemas expertos que hagan predicciones o clasificaciones basadas en datos de entrada.

Hoy en día, todavía hay mucho bombo publicitario en torno al desarrollo de la IA, lo que se espera de cualquier nueva tecnología emergente en el mercado. Como se señaló en El ciclo de exageraciones de Gartner (el enlace reside fuera de IBM), las innovaciones de productos, como los automóviles autónomos y los asistentes personales, siguen "una progresión típica de innovación, desde el entusiasmo excesivo a través de un período de desilusión hasta una comprensión final de la relevancia y el papel de la innovación en un mercado o dominio. " Como señala Lex Fridman aquí (01:08:15) (enlace externo a IBM) en la conferencia que dio en el MIT en 2019, estamos en el punto máximo de las expectativas exageradas, acercándonos al punto más bajo, la desilusión.  

A medida que surgen las conversaciones en torno a la ética de la IA, podemos empezar a ver los primeros indicios de esta desilusión. Para conocer más sobre la posición de IBM en la conversación sobre la ética de la IA, lea más aquí.

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.

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.

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

• 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.

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.

IBM ha sido líder en la promoción de tecnologías impulsadas por inteligencia artificial para empresas y ha abierto camino en el futuro de los sistemas de machine learning para diversas industrias. Basado en décadas de investigación de IA, años de experiencia trabajando con organizaciones de todos los tamaños y el aprendizaje de más de 30.000 contratos de IBM Watson, IBM ha desarrollado el modelo conceptual AI Ladder para implementar inteligencia artificial de forma exitosa:

• Recopilar: simplificación de la recopilación y accesibilidad de datos.
• Organizar: creación de una base de analítica preparada para el uso empresarial.
• Analizar: creación de sistemas basados en IA escalables y confiables.
• Incorporar: integración y optimización de sistemas en todo un entorno empresarial.
• Modernizar: llevar sus aplicaciones y sistemas de IA a la nube.

IBM Watson ofrece a las empresas las herramientas de IA que necesitan para transformar sus sistemas de negocio y flujos de trabajo, a la vez que mejora significativamente la automatización y la eficiencia. Para obtener más información sobre cómo IBM puede ayudarlo a completar su proceso de IA, explore la cartera de IBM de servicios y soluciones gestionados.