5 min de lectura
Las primeras iteraciones de las aplicaciones de IA con las que más interactuamos hoy en día se basaron en modelos tradicionales de machine learning. Estos modelos se basan en algoritmos de aprendizaje desarrollados y mantenidos por científicos de datos. En otras palabras, los modelos tradicionales de machine learning necesitan la intervención humana para procesar nueva información y realizar cualquier tarea nueva que quede fuera de su formación inicial.
Por ejemplo, Apple convirtió a Siri en una característica de su iOS en 2011. Esta primera versión de Siri fue entrenada para comprender un conjunto de declaraciones y solicitudes muy específicas. Se requirió la intervención humana para expandir la base de conocimientos y la funcionalidad de Siri.
Sin embargo, las capacidades de IA han evolucionado constantemente desde el revolucionario desarrollo de las redes neuronales en 2012, que permiten a las máquinas participar en el aprendizaje por refuerzo y simular cómo el cerebro humano procesa la información.
A diferencia de los modelos básicos de machine learning, los modelos de deep learning permiten que las aplicaciones de IA aprendan a realizar nuevas tareas que necesitan inteligencia humana, adoptar nuevos comportamientos y tomar decisiones sin intervención humana. Como resultado, el deep learning ha permitido la automatización, la generación de contenido, el mantenimiento predictivo y otras capacidades en todos los sectores de sectores.
Debido al deep learning y otros avances, el campo de la IA permanece en un estado de flujo constante y acelerado. Nuestra comprensión colectiva de la IA realizada y la IA teórica continúa cambiando, lo que significa que las categorías de IA y la terminología de la IA pueden diferir (y superponerse) de una fuente a otra. Sin embargo, los tipos de IA pueden entenderse en gran medida examinando dos categorías que la abarcan: las capacidades de la IA y las funcionalidades de la IA.
Boletín del sector
Obtenga conocimientos organizados sobre las noticias más importantes e intrigantes de la IA. Suscríbase a nuestro boletín semanal Think. Consulte la Declaración de privacidad de IBM.
Su suscripción se enviará en inglés. Encontrará un enlace para darse de baja en cada boletín. Puede gestionar sus suscripciones o darse de baja aquí. Consulte nuestra Declaración de privacidad de IBM para obtener más información.
La inteligencia artificial estrecha, también conocida como IA débil (a la que nos referimos como IA estrecha), es el único tipo de IA que existe en la actualidad. Cualquier otra forma de IA es teórica. Puede entrenarse para realizar una tarea única o limitada, a menudo mucho más rápido y mejor de lo que puede hacerlo una mente humana.
Sin embargo, no puede actuar fuera de su tarea definida. En su lugar, se dirige a un único subconjunto de capacidades cognitivas y avanza en ese espectro. Siri, Alexa de Amazon e IBM watsonx son ejemplos de IA estrecha. Incluso el ChatGPT de OpenAI se considera una forma de IA estrecha porque se limita a la única tarea del chat basado en texto.
La inteligencia artificial general (IAG), también conocida como IA sólida, hoy en día no es más que un concepto teórico. La IA general puede utilizar conocimientos y habilidades previos para realizar nuevas tareas en un contexto diferente sin necesidad de que los seres humanos entrenen los modelos subyacentes. Esta capacidad permite a la IAG aprender y realizar cualquier tarea intelectual que un ser humano puede realizar.
La súper IA se conoce comúnmente como superinteligencia artificial y, al igual que la IAG, es estrictamente teórica. Si alguna vez se hiciera realidad, la súper IA pensaría, razonaría, aprendería, emitiría juicios y poseería capacidades cognitivas que superarían las de los seres humanos.
Las aplicaciones que poseen capacidades de la súper IA habrán evolucionado más allá del punto de entender los sentimientos y la experiencia humana para sentir emociones, tener necesidades y poseer creencias y deseos propios.
Debajo de la IA estrecha, uno de los tres tipos basados en capacidades, hay dos categorías de IA funcional:
Las máquinas reactivas son sistemas de IA sin memoria y están diseñados para realizar una tarea muy específica. Como no pueden recordar resultados o decisiones anteriores, solo trabajan con datos actualmente disponibles. La IA reactiva proviene de la matemática estadística y puede analizar grandes cantidades de datos para producir un resultado aparentemente inteligente.
A diferencia de la IA de máquina reactiva, esta forma de IA puede recordar eventos y resultados pasados y monitorizar objetos o situaciones específicas a lo largo del tiempo. La IA de memoria limitada puede utilizar datos del momento pasado y presente para decidir el curso de acción más probable para ayudar a lograr el resultado deseado.
Sin embargo, aunque la IA de memoria limitada puede utilizar datos pasados durante un período de tiempo específico, no puede retener esos datos en una biblioteca de experiencias pasadas para utilizarlos durante un período a largo plazo. A medida que se entrena con más datos a lo largo del tiempo, la IA de memoria limitada puede mejorar su rendimiento.
Teoría de la mente en IA es una clase funcional de IA que se encuentra por debajo de la IA general. Aunque se trata de una forma de IA no desarrollada en la actualidad, la IA con funcionalidad de Teoría de la Mente comprendería los pensamientos y emociones de otras entidades. Esta comprensión puede afectar a la forma en que la IA interactúa con quienes la rodean. En teoría, esto permitiría a la IA simular relaciones similares a las humanas.
Dado que la Teoría de la mente en IA podría inferir los motivos y el razonamiento humanos, personalizaría sus interacciones con las personas en función de sus necesidades e intenciones emocionales únicas. La Teoría de la mente en IA también sería capaz de comprender y contextualizar obras de arte y ensayos, algo que las herramientas actuales de IA generativa no pueden hacer.
La IA emocional es una teoría de la IA mental actualmente en desarrollo. Los investigadores de IA esperan que tenga la capacidad de analizar voces, imágenes y otros tipos de datos para reconocer, simular, monitorear y responder adecuadamente a los humanos a nivel emocional. Hasta la fecha, la IA emocional es incapaz de comprender y responder a los sentimientos humanos.
La IA autoconsciente es un tipo de clase de IA funcional para aplicaciones que poseerían capacidades de súper IA. Al igual que la teoría de la IA mental, la IA autoconsciente es estrictamente teórica. Si alguna vez se logra, tendría la capacidad de comprender sus propias condiciones y rasgos internos junto con las emociones y pensamientos humanos. También tendría su propio conjunto de emociones, necesidades y creencias.
La IA emocional es una IA de la teoría de la mente actualmente en desarrollo. Los investigadores esperan que tenga la capacidad de analizar voces, imágenes y otros tipos de datos para reconocer, simular, monitorizar y responder adecuadamente a los humanos a nivel emocional. Hasta la fecha, la IA emocional es incapaz de comprender y responder a los sentimientos humanos.
Las aplicaciones de IA estrecha con visión artificial pueden entrenarse para interpretar y analizar el mundo visual. Esto permite a las máquinas inteligentes identificar y clasificar objetos dentro de imágenes y secuencias de vídeo.
Las aplicaciones de visión artificial incluyen:
La visión artificial es crítica para los casos de uso que implican que las máquinas de IA interactúen y atraviesen el mundo físico que las rodea. Algunos ejemplos son los coches autónomos y las máquinas que circulan por almacenes y otros entornos.
Los robots industriales pueden utilizar IA estrecha para realizar tareas rutinarias y repetitivas de manipulación de materiales, ensamblaje e inspecciones de calidad. En sanidad, los robots equipados con IA estrecha pueden ayudar a los cirujanos a controlar las constantes vitales y detectar posibles problemas durante las intervenciones.
Las máquinas agrícolas pueden podar, mover, ralear, sembrar y pulverizar de forma autónoma. Y los dispositivos domésticos inteligentes, como el iRobot Roomba, pueden navegar por el interior de una casa mediante visión artificial y utilizar los datos almacenados en la memoria para comprender su progreso.
Los sistemas expertos equipados con capacidades de IA estrecha pueden entrenarse en un corpus para emular el proceso humano de toma de decisiones y aplicar la experiencia para resolver problemas complejos. Estos sistemas pueden evaluar grandes cantidades de datos para descubrir tendencias y patrones y tomar decisiones. También pueden ayudar a las empresas a predecir acontecimientos futuros y comprender por qué ocurrieron los pasados.
IBM ha sido pionera en IA desde el principio, aportando un avance tras otro al campo. IBM ha lanzado recientemente una gran actualización del portfolio de productos de IA de IBM watsonx. IBM watsonx.ai reúne nuevas capacidades de IA generativa impulsadas por modelos fundacionales y machine learning tradicional en un potente estudio que abarca todo el ciclo de vida de la IA. Con watsonx.ai, los científicos de datos pueden crear, entrenar e implementar modelos de machine learning en un único entorno de estudio colaborativo.
Hemos encuestado a 2000 organizaciones sobre sus iniciativas de IA para descubrir qué funciona, qué no y cómo puede adelantarse.
IBM Granite es nuestra familia de modelos de IA abiertos, eficaces y de confianza, adaptados a la empresa y optimizados para escalar sus aplicaciones de IA. Explore las opciones de idioma, código, series de tiempo y salvaguardas.
Acceda a nuestro catálogo completo de más de 100 cursos en línea al adquirir hoy mismo una suscripción individual o multiusuario, que le permitirá ampliar sus conocimientos en una amplia gama de nuestros productos a un precio reducido.
Dirigido por los principales líderes de opinión de IBM, el plan de estudios está diseñado para ayudar a los líderes empresariales a conseguir el conocimiento necesario para priorizar las inversiones en IA que pueden impulsar el crecimiento.
¿Quiere obtener un mayor rendimiento de sus inversiones en IA? Descubra cómo escalar la IA generativa en áreas clave impulsa el cambio ayudando a sus mentes más brillantes a crear y ofrecer nuevas soluciones innovadoras.
Aprenda a incorporar con confianza la IA generativa y el machine learning a su negocio.
Profundice en los tres elementos cruciales de una estrategia de IA sólida: crear una ventaja competitiva, ampliar la IA en toda la empresa y promover una IA fiable.