Inteligencia artificial (IA)

menu icon

Inteligencia artificial (IA)

La inteligencia artificial permite a los ordenadores y las máquinas imitar la percepción, el aprendizaje, la resolución de problemas y la capacidad de tomar decisiones de la mente humana.

¿Qué es la inteligencia artificial?

En ciencia informática, el término inteligencia artificial (IA) se refiere a cualquier inteligencia similar a la humana exhibida por un ordenador, un robot u otra máquina. En el uso popular, la inteligencia artificial se refiere a la capacidad de un ordenador o una máquina para imitar las capacidades de la mente humana (aprender de ejemplos y la experiencia, reconocer objetos, comprender y responder al lenguaje, tomar decisiones, resolver problemas) y combinar estas y otras capacidades para realizar funciones que un ser humano podría realizar, como saludar a un huésped del hotel o conducir un automóvil.

Después de décadas de ser relegada a la ciencia ficción, actualmente, la IA forma parte de nuestra vida cotidiana. El auge del desarrollo de IA es posible gracias a la disponibilidad repentina de grandes cantidades de datos y el correspondiente desarrollo y la amplia disponibilidad de sistemas informáticos capaces de procesar todos los datos de forma más rápida y precisa que las personas. La IA completa nuestras palabras a medida que las tecleamos, proporciona direcciones cuando se las pedimos, aspira nuestros pisos y recomienda lo que debemos comprar o ver. Y también dirige aplicaciones, como el análisis de imágenes médicas, que ayudan a los profesionales cualificados a realizar trabajo importante de forma más rápida y eficiente.

A pesar de lo común que es hoy la inteligencia artificial, comprender la IA y su terminología puede resultar difícil porque muchos de los términos se utilizan indistintamente; y aunque en realidad son intercambiables en algunos casos, en otros no lo son. ¿Cuál es la diferencia entre inteligencia artificial y machine learning? ¿Entre machine learning y deep learning? ¿Entre reconocimiento de voz y procesamiento de lenguaje natural? ¿Entre IA débil e IA fuerte? Este artículo tratará de ayudarle a clasificar estos y otros términos y a comprender los aspectos básicos del funcionamiento de la IA.

Inteligencia artificial, machine learning y deep learning

La forma más fácil de comprender la relación entre inteligencia artificial (IA), machine learning y deep learning es la siguiente:

  • Piense en inteligencia artificial como todo el universo de la tecnología informática que presenta algo remotamente parecido a la inteligencia humana. Los sistemas de IA pueden incluir cualquier cosa, desde un sistema experto (una aplicación de resolución de problemas que toma decisiones basadas en reglas complejas o lógica condicional) hasta algo como el equivalente al personaje de ficción de Pixar Wall-E, un ordenador que desarrolla la inteligencia, la voluntad propia y las emociones de un ser humano.  
  • Machine learning es un subconjunto de la aplicación de IA que aprende por sí mismo. Realmente se reprograma solo, a medida que digiere más datos, para realizar la tarea específica para la cual ha sido diseñado con una precisión cada vez mayor. 
  • Deep learning es un subconjunto de aplicación de machine learning que se enseña a sí mismo a realizar una tarea específica con una precisión cada vez mayor, sin intervención humana.
Diagama de la relación entre la inteligencia artificial, machine learning y deep learning

Vamos a examinar más detenidamente machine learning y deep learning, y en qué se diferencian.

Machine Learning

Las aplicaciones de machine learning (también llamadas modelos de machine learning) se basan en una red neuronal,  que es una red de cálculos algorítmicos que intenta imitar la percepción y el proceso de pensamiento del cerebro humano. En esencia, una red neuronal consiste en lo siguiente:

  • Un nivel de entrada, donde los datos entran en la red.
  • Al menos un nivel oculto, donde los algoritmos de machine learning procesan las entradas y aplican ponderaciones, sesgos y umbrales a las entradas.
  • Una capa de salida, donde se generan varias conclusiones, en las que la red tiene varios grados de confianza.
Diagrama de una red neuronal básica.

Los modelos de machine learning que no son modelos de deep learning se basan en redes neuronales artificiales con una sola capa oculta. Estos modelos se alimentan de datos etiquetados, datos mejorados con etiquetas que identifican sus características de una manera que ayuda al modelo a identificar y comprender los datos. Son capaces de realizar aprendizaje supervisado (es decir, aprendizaje que requiere supervisión humana), como un ajuste periódico de los algoritmos en el modelo.

Deep learning

Los modelos de deep learning se basan en redes neuronales profundas, que son redes neuronales con múltiples capas ocultas, cada una de las cuales refina aún más las conclusiones de la capa anterior. Este movimiento de cálculos a través de las capas ocultas hasta la capa de salida se llama propagación hacia adelante. Otro proceso, llamado retropropagación, identifica errores en los cálculos, les asigna ponderaciones y los envía de nuevo a capas anteriores para refinar o entrenar el modelo.

Diagrama de una red neuronal profunda.

Mientras que algunos modelos de deep learning funcionan con datos etiquetados, muchos pueden trabajar con datos no etiquetados, y con gran cantidad de ellos. Los modelos de deep learning también son capaces de realizar aprendizaje no supervisado, esto es, detectar características y patrones en los datos con el mínimo de supervisión humana.

Una simple ilustración de la diferencia entre deep learning y otro machine learning es la diferencia entre Siri de Apple o Alexa de Amazon (que reconocen mandatos de voz sin entrenamiento) y las aplicaciones de voz a texto de hace una década, que requerían que los usuarios "entrenaran" el programa (y etiquetaran los datos) diciéndole al sistema miles de palabras antes de su uso. Pero los modelos de deep learning permiten aplicaciones mucho más sofisticadas, que incluyen sistemas de reconocimiento de imágenes que pueden identificar objetos cotidianos con mayor rapidez y precisión que las personas.

Para un análisis más exhaustivo de las diferencias matizadas entre estas  tecnologías, lea el artículo "AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?"

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 es la que predomina en nuestro entorno. "Estrecha" es un descriptor más preciso para esta IA, porque es cualquier cosa menos débil, ya que permite algunas aplicaciones verdaderamente impresionantes, como Siri de Apple y Alexa de Amazon, el sistema de IBM Watson que ganó a competidores humanos en el concurso de televisión Jeopardy y los coches de conducción autónoma.

La IA fuerte, también llamada inteligencia general artificial (AGI, Artificial General Intelligence), es la IA que replica más plenamente la autonomía del cerebro humano, la IA que puede resolver muchos tipos o clases de problemas e incluso elegir los problemas que quiere resolver sin intervención humana. La IA fuerte es todavía completamente teórica, sin ejemplos prácticos en uso actualmente. Pero eso no significa que los investigadores de IA no estén también explorando (con recelo) la súper inteligencia artificial (ASI), que es inteligencia artificial superior a la inteligencia o capacidad humana. Un ejemplo de ASI podría ser HAL, el asistente computacional superhumano (que se acaba corrompiendo) de 2001: Una odisea del espacio.

Aplicaciones de inteligencia artificial

Como se ha señalado anteriormente, la inteligencia artificial está en todas partes hoy en día, pero en algunas de ellas lleva más tiempo de lo que cree. Estos son solo algunos de los ejemplos más comunes:

  • Reconocimiento de voz: también llamado de voz a texto (STT), el reconocimiento de voz es la tecnología de IA que reconoce las palabras habladas y las convierte en texto digitalizado. El reconocimiento de voz es la capacidad que impulsa el software de dictado, los controles remotos de voz de TV, la mensajería de texto habilitada por voz y el GPS, y los menús de respuesta telefónica con voz.
  • Procesamiento de lenguaje natural (NLP): NLP habilita una aplicación de software, un sistema o una máquina para que comprenda, interprete y genere texto humano. NLP es la IA detrás de los asistentes digitales (como los ya mencionados Siri y Alexa), los chatbots y demás asistencia virtual basada en texto. Algunos sistemas de NLP utilizan análisis de opinión para detectar el estado de ánimo, la actitud u otras cualidades subjetivas en el lenguaje.
  • Reconocimiento de imagen (visión computacional o visión de máquina): tecnología de IA que puede identificar y clasificar objetos, personas, escritura e incluso acciones dentro de imágenes fijas o en movimiento. Normalmente basada en redes neuronales profundas, el reconocimiento de imágenes se utiliza para sistemas de identificación de huellas dactilares, aplicaciones de depósito de cheques móviles, análisis de imágenes médicas y de vídeo, coches con conducción autónoma y mucho más.
  • Recomendaciones en tiempo real: los sitios web comerciales y de entretenimiento utilizan redes neuronales para recomendar compras o medios adicionales que pueden atraer a un cliente basándose en la actividad pasada del cliente, la actividad pasada de otros clientes y otros muchos factores, incluida la hora del día y la meteorología. La investigación ha concluido que las recomendaciones en línea pueden aumentar las ventas en cualquier ámbito entre un 5 y un 30 %.
  • Prevención de virus y correo no deseado: el software de detección de virus y spam, antes dirigido por sistemas expertos basados en reglas, ahora utiliza redes neuronales profundas que tardan en aprender a detectar nuevos tipos de virus y correo no deseado el mismo tiempo que los ciberdelincuentes en inventarlos.
  • Comercio de acciones automatizado: las plataformas de comercio de alta frecuencia basadas en IA, diseñadas para optimizar las carteras de acciones, realizan miles o incluso millones de transacciones al día sin intervención humana.
  • Servicios de transporte compartido: Uber, Lyft y otros servicios de transporte compartido utilizan inteligencia artificial para emparejar a los pasajeros con los conductores para minimizar los tiempos de espera y los desvíos, proporcionar una hora de llegada estimada fiable e incluso eliminar la necesidad de incrementar el precio durante horas punta de tráfico.
  • Robots domésticos: la aspiradora Roomba de iRobot utiliza inteligencia artificial para determinar el tamaño de una habitación, identificar y evitar obstáculos y aprender la ruta más eficiente para aspirar un suelo. Tecnología similar dirige las cortadoras de césped y los limpiadores de piscinas robóticos.
  • Tecnología de piloto automático: esta tecnología lleva décadas en vuelos de aviones comerciales y militares. Hoy en día, el piloto automático utiliza una combinación de sensores, tecnología GPS, reconocimiento de imágenes, tecnología anticolisión, robótica y procesamiento de lenguaje natural para guiar a un avión de forma segura a través de los cielos y actualizar a los pilotos humanos según sea necesario. Dependiendo de a quién le preguntemos, los pilotos comerciales de hoy pasan tan solo tres minutos y medio pilotando manualmente un vuelo.

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 (enlace externo a IBM) 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 con retropropagación (algoritmos para entrenar la red) 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.
  • Analizar: crear sistemas basados en IA escalables y fiables.
  • Infundir: integrar y optimizar sistemas en toda una infraestructura empresarial.
  • 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.