Inteligencia artificial (IA)

menu icon

Inteligencia artificial (IA)

La inteligencia artificial utiliza ordenadores y máquinas para imitar las capacidades de resolución de problemas y toma de decisiones de la mente humana.

¿Qué es la inteligencia artificial?

Aunque han surgido varias definiciones de inteligencia artificial (IA) en las últimas décadas, John McCarthy ofrece la siguiente definición en este artículo (PDF, 106 KB) de 2004 (enlace externo a IBM): "es la ciencia y la ingeniería de crear máquinas inteligentes, especialmente programas informáticos inteligentes. Está relacionada con la tarea similar de utilizar ordenadores para comprender la inteligencia humana, pero la IA no se limita a métodos que sean observables biológicamente".

Sin embargo, décadas antes de esta definición, el nacimiento de la conversación de inteligencia artificial ya apareció en la obra fundamental de Alan Turing "Computing Machinery and intelligence" (PDF, 89,8 KB) (enlace externo a IBM), que se publicó en 1950. En este artículo, Turing, a menudo conocido como el "padre de la informática", formula la siguiente pregunta: "¿pueden pensar las máquinas?". A partir de ahí, ofrece una prueba, ahora famosa y conocida como la "prueba de Turing", en la que un interrogador humano trata de distinguir entre la respuesta de un ordenador y la de un ser humano. Si bien esta prueba ha sido objeto de mucho análisis desde su publicación, sigue siendo una parte importante de la historia de la IA, así como un concepto en desarrollo dentro de la filosofía, ya que utiliza ideas en torno a la lingüística.

Más tarde, Stuart Russell y Peter Norvig publicaron Artificial Intelligence: A Modern Approach (enlace externo a IBM), que se convirtió en uno de los principales manuales de estudio de la IA. En esta obra, ahondan en cuatro posibles objetivos o definiciones de la IA, que diferencia a los sistemas informáticos en función de la racionalidad y el pensamiento frente a la acción:

Enfoque humano:

  • Sistemas que piensan como las personas
  • Sistemas que actúan como las personas

Enfoque ideal:

  • Sistemas que piensan racionalmente
  • Sistemas que actúan racionalmente

La definición de Alan Turing habría correspondido a la categoría de "sistemas que actúan como las personas".

En su forma más simple, la inteligencia artificial es una disciplina que combina la informática y sólidos conjuntos de datos para permitir la resolución de problemas. También abarca las subcategorías machine learning y deep learning, que aparecen mencionadas con frecuencia junto a la inteligencia artificial. Estas disciplinas se componen de algoritmos de IA que buscan crear sistemas expertos que hagan previsiones o clasificaciones en función de los datos de entrada.

Hoy en día, todavía se genera mucha expectación en torno al desarrollo de la IA, que se espera que esté presente en cualquier nueva tecnología emergente que aparece en el mercado. Como se indica en el ciclo de sobreexpectación de Gartner (enlace externo a IBM), los productos innovadores como, por ejemplo, los coches autónomos y los asistentes personales, siguen "una progresión típica de la innovación, desde el entusiasmo excesivo, a través de un periodo de desilusión, hasta una eventual comprensión de la relevancia y el papel de la innovación en un mercado o dominio". Como señala Lex Fridman aquí (enlace externo a IBM), en su conferencia del MIT en 2019, nos encontramos en el pico de las expectativas sobredimensionadas y nos acercamos al abismo de desilusión.

A medida que surge el debate sobre la ética de la IA, observamos los primeros atisbos del abismo de desilusión. Para obtener más información sobre la posición de IBM dentro de la conversación en torno a la ética de la IA, consulte este enlace.

Tipos de inteligencia artificial: IA débil frente a IA fuerte

La IA débil, también llamada IA estrecha o inteligencia estrecha artificial (ANI, Artificial Narrow Intelligence), es una IA entrenada y centrada en realizar tareas específicas. La IA débil está detrás de la mayor parte de la IA que nos rodea hoy en día. "Estrecha" sería un descriptor más preciso para este tipo de IA, ya que es cualquier cosa menos débil; habilita algunas aplicaciones muy sólidas, como Siri de Apple, Alexa de Amazon, IBM Watson y los vehículos autónomos.

La IA fuerte se compone de inteligencia artificial general (AGI, Artificial General Intelligence) e inteligencia artificial superior (ASI, Artificial Super Intelligence). La inteligencia artificial general (AGI), o la IA general, es una forma teórica de IA en la que una máquina tendría una inteligencia equivalente a la humana; tendría conciencia de sí misma con la capacidad de resolver problemas, aprender y planear el futuro. La inteligencia artificial superior (ASI) —también conocida como superinteligencia— superaría la inteligencia y a la capacidad del cerebro humano. Si bien la IA fuerte es todavía completamente teórica, sin ejemplos prácticos en uso hoy en día, eso no significa que los investigadores de IA no estén explorando su desarrollo. Mientras tanto, los mejores ejemplos de ASI los podemos encontrar en la ciencia ficción, tales como HAL, el ordenador asistente superhumano de 2001: Una odisea del espacio.

Comparación entre deep learning y machine learning

Como deep learning y machine learning tienden a utilizarse indistintamente, es interesante señalar las diferencias entre ambos. Como se ha mencionado más arriba, tanto deep learning como machine learning son subcategorías de inteligencia artificial, y de hecho deep learning es una subcategoría de machine learning.

Representación visual de la relación entre IA, ML y DL

 

Deep learning está compuesto por redes neuronales. "Deep" en deep learning se refiere a una red neuronal compuesta por más de tres capas, incluidas las de entrada y salida, que se puede considerar un algoritmo de deep learning. Se suele representar mediante el diagrama siguiente:

Diagrama de red neuronal profunda

Deep learning y machine learning se diferencian en cómo aprende cada algoritmo. Deep learning automatiza gran parte de la extracción de características del proceso, elimina parte de la intervención humana manual necesaria y permite el uso de conjuntos de datos más grandes. Deep learning se puede considerar "machine learning escalable", como señaló Lex Fridman en la mencionada conferencia del MIT. El machine learning clásico o "no profundo" depende más de la intervención humana para aprender. Los expertos humanos determinan la jerarquía de características necesarias para comprender las diferencias entre las entradas de datos y, por lo general, requieren más datos estructurados para aprender.

El machine learning "profundo" puede aprovechar los conjuntos de datos etiquetados, lo que se conoce también como aprendizaje supervisado, para informar a su algoritmo, pero no requiere necesariamente un conjunto de datos etiquetado. Puede ingerir datos no estructurados en formato bruto (por ejemplo, texto, imágenes) y puede determinar automáticamente la jerarquía de características que distinguen las distintas categorías de datos entre sí. A diferencia de machine learning, no requiere intervención humana para procesar los datos, lo que nos permite escalar machine learning de maneras más interesantes.

Aplicaciones de inteligencia artificial

Hoy en día, en el mundo real, hay una gran cantidad de aplicaciones de los sistemas de IA. A continuación se indican algunos de los ejemplos más comunes:

  • Reconocimiento de voz: también denominado reconocimiento automático de voz (ASR), reconocimiento de voz por ordenador o Speech to Text, es una funcionalidad que utiliza el procesamiento de lenguaje natural (NLP) para procesar el habla humana en formato escrito.Muchos dispositivos móviles incorporan el reconocimiento de voz en sus sistemas para realizar búsquedas de voz, por ejemplo, Siri, o aumentar la accesibilidad de la escritura.
  • Servicio al cliente: los chatbots en línea están sustituyendo a los agentes humanos en la interacción con el cliente. Responden a preguntas frecuentes (FAQ) sobre distintos temas, por ejemplo, el envío, o proporcionan asesoramiento personalizado; ofrecen productos de venta cruzada o recomiendan distintos tamaños para los usuarios, cambiado la forma de interactuar con los clientes en los sitios web y las plataformas de redes sociales. Los ejemplos incluyen bots de mensajería en sitios de e-commerce con agentes virtuales, aplicaciones de mensajería como Slack y Facebook Messenger y tareas generalmente realizadas por asistentes virtuales y asistentes de voz.
  • Visión computacional: esta tecnología de IA permite a los ordenadores y sistemas obtener información significativa a partir de imágenes digitales, vídeos y otras entradas visuales y, en función de esas entradas, realizar distintas acciones. Esta función de proporcionar recomendaciones la distingue de las tareas de reconocimiento de imágenes. Basada en redes neuronales convolucionales, la visión computacional tiene aplicaciones en el etiquetado de fotografías en redes sociales, las imágenes radiológicas en la atención médica y los coches de conducción autónoma en la industria del automóvil.
  • Motores de recomendación: utilizando datos de comportamiento de consumo anteriores, los algoritmos de IA permiten descubrir tendencias de datos que pueden utilizarse para desarrollar estrategias de venta cruzada más eficaces. Esto se utiliza para hacer recomendaciones complementarias relevantes a los clientes durante el proceso de compra en las tiendas en línea.
  • Comercio bursátil automatizado: diseñado para optimizar las carteras de acciones, las plataformas de comercio de alta frecuencia basadas en IA realizan miles o incluso millones de operaciones al 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 llegada de la informática electrónica (y en relación con algunos de los temas tratados en este artículo), entre los acontecimientos importantes e hitos en la evolución de la inteligencia artificial destacamos los siguientes:

  • 1950: Alan Turing publica Computing Machinery and Intelligence. En este artículo, Turing, famoso por descifrar 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 un ordenador puede demostrar la misma inteligencia (o los resultados de la misma inteligencia) que una persona. El valor de la prueba de Turing se ha debatido desde entonces.
  • 1956: John McCarthy acuña el término "inteligencia artificial" en la primera conferencia de IA de la historia en Dartmouth College. (McCarthy pasaría a ser el inventor del lenguaje Lisp). Posteriormente, ese mismo año, Allen Newell, J.C.Shaw y Herbert Simon crean Logic Theorist, el primer programa de software de IA en ejecutarse.
  • 1967: Frank Rosenblatt construye el Perceptrón Mark 1, el primer sistema basado en una red neuronal que "aprendía" a través de prueba y error. Apenas un año después, Marvin Minsky y Seymour Papert publican un libro titulado Perceptrones, que se convierte en el trabajo de referencia sobre redes neuronales y, al menos por un tiempo, en un argumento contra futuros proyectos de investigación de redes neuronales.
  • Década de 1980: se generaliza el uso de las redes neuronales que utilizan un algoritmo de propagación inversa para entrenarse 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 al campeón Ken Jennings y Brad Rutter en el concurso de televisión Jeopardy!
  • 2015: el superordenador Minwa de Baidu utiliza un tipo especial de red neuronal profunda llamada red neuronal convolucional para identificar y categorizar imágenes con una tasa de precisión más elevada que el promedio humano.
  • 2016: el programa AlphaGo de DeepMind, basado en una red neuronal profunda, vence a Lee Sodol, el campeón mundial de Go, en un juego de cinco partidas. La victoria es significativa dado el gran número de movimientos posibles a medida que el juego progresa (¡más de 14,5 billones después de solo cuatro movimientos!). Más tarde, Google compró DeepMind por 400 millones de dólares.

Inteligencia artificial e IBM Cloud

IBM ha sido líder en tecnologías basadas en IA avanzadas para empresas y pionero en el futuro de los sistemas de machine learning en varios sectores. Tras décadas de investigación de IA, años de experiencia trabajando con organizaciones de todos los tamaños y aprendizajes de más de 30 000 interacciones de IBM Watson, IBM ha desarrollado la escalera de IA para despliegues de inteligencia artificial con éxito:

  • Recopilar: simplificar la recopilación y la accesibilidad de los datos.
  • Organizar: crear una base de analítica preparada para el negocio.
  • Analizar: crear sistemas basados en IA escalable y fiable.
  • Integrar: integrar y optimizar sistemas en toda una infraestructura de negocio.
  • Modernizar: migrar sus aplicaciones y sistemas de IA al cloud.

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 ayudarle a completar su transición a la IA, explore el portfolio de IBM de soluciones y servicios gestionados

Regístrese para obtener un ID de IBM y crear su cuenta de IBM Cloud.