¿Qué es la computación cognitiva?

Basada en los amplios marcos informáticos de la inteligencia artificial (IA) y el procesamiento de señales, la informática cognitiva combina una serie de disciplinas de machine learning (ML) con principios de interacción humano-computadora, diálogo y técnicas de generación narrativa para crear máquinas que puedan aprender, razonar y entender como los humanos. Los sistemas de la informática cognitiva eficaces pueden procesar grandes cantidades de datos para identificar patrones y relaciones más allá de las capacidades humanas. 

Si bien hay muchas áreas en las que las computadoras pueden superar a los seres humanos, incluso los sistemas avanzados de IA todavía tienen dificultades con algunas tareas, como comprender el lenguaje natural y reconocer objetos específicos. La computación cognitiva busca emular los sistemas cognitivos del cerebro humano (por ejemplo, reconocimiento de patrones, reconocimiento de voz, etc.) para mejorar la toma de decisiones. Los sistemas de computación cognitiva pueden diseñarse para utilizar conjuntos de datos dinámicos en tiempo real y múltiples fuentes de información en combinación, incluidas entradas sensoriales como datos visuales, gestuales, auditivos o proporcionados por sensores. 

Algunos casos de uso del mundo real para la computación cognitiva incluyen el análisis de sentimientos, la evaluación de riesgos y formas de reconocimiento de imágenes , como la detección facial y de objetos . La computación cognitiva es de particular valor en los campos de la robótica, la salud, la banca, las finanzas y la venta minorista. 

El objetivo general de la computación cognitiva es desarrollar sistemas capaces de resolver problemas complejos de varios pasos que normalmente requieren la cognición humana. Este tipo de problemas suelen implicar un reconocimiento de patrones de alto nivel y dependiente del contexto. Cuando se trata de cosas como la interpretación del lenguaje o las imágenes, los humanos son muy buenos para reconocer las pistas contextuales que pueden informar la toma de decisiones precisas. Este tipo de tareas pueden ser mucho más desafiantes para los sistemas informáticos basados en reglas.

Las computadoras cognitivas, a diferencia de los sistemas tradicionales, se desarrollan para analizar grandes cantidades de datos no estructurados de diversas fuentes con el objetivo específico de generar insights precisos y valiosos a través del reconocimiento de patrones más sofisticado. Los sistemas de computación cognitiva pueden interpretar texto (en fuentes regulares e irregulares), imágenes y voz, y pueden hacer conexiones entre tipos de datos Dispar. Este tipo de sistemas también son capaces de mejorar con el tiempo, imitando la forma en que aprenden los seres humanos. 

Los modelos de computación cognitiva se basan más comúnmente en redes neuronales, un tipo de IA que utiliza capas de nodos, o neuronas artificiales, inspiradas en las vías neuronales del cerebro humano. Este tipo de redes pueden mejorar con el tiempo aprendiendo eficazmente de cada dato que reciben para mejorar su proceso de toma de decisiones.

Si bien las redes neuronales pueden ser poderosas para tipos específicos de tareas, los sistemas cognitivos también incorporarán con frecuencia otros tipos de tecnologías impulsadas por IA o adyacentes a la IA, como el procesamiento de lenguaje natural y el machine learning, para comprender e interpretar mejor diversas entradas y señales. 

Los sistemas de computación cognitiva están diseñados para combinar grandes cantidades de datos de varios tipos de fuentes. Para analizar y sopesar entradas diferentes, y a veces contradictorias, y hacer inferencias fundamentadas basadas en el contexto aprendido, los sistemas cognitivos utilizan diversas tecnologías de autoaprendizaje diseñadas para imitar la inteligencia humana. Estos métodos incluyen analytics predictivo, análisis de datos, minería de big data y varios modelos de reconocimiento de patrones para optimizar el proceso de toma de decisiones.

El entrenamiento de los tipos de algoritmos de machine learning utilizados en los sistemas cognitivos requiere grandes cantidades de datos estructurados y no estructurados. Durante el entrenamiento, este tipo de sistemas comienzan a identificar patrones y, con el tiempo, refinan sus técnicas de procesamiento de datos para hacer conexiones más rápidas y precisas. 

Por ejemplo, un sistema de IA entrenado para identificar diferentes tipos de flores puede alimentarse con una base de datos que almacena cientos de miles de imágenes diferentes de flores. A medida que el sistema se presenta con más datos, mejora su capacidad para reconocer diferencias y similitudes entre variedades de flores, y más preciso y ágil se vuelve. 

Sin embargo, un sistema entrenado para identificar flores basándose únicamente en imágenes de flores podría malinterpretar ciertas pistas contextuales que las imágenes no pueden transmitir. Para lograr capacidades similares a la toma de decisiones humana, los sistemas de computación cognitiva deben hibridar varios tipos de tecnología y poseer ciertos atributos específicos. Es decir, para ser considerado un ordenador cognitivo, un sistema debe tener los siguientes atributos.

Los sistemas de computación cognitiva se crean conectando muchos tipos diferentes de modelos informáticos en un sistema híbrido que puede aproximar mejor a los procesos de pensamiento e inteligencia humanos. Estos modelos incluyen varios tipos de inteligencia artificial y modelos adyacentes a la IA o relacionados con la IA, como:

• IA estrecha: Abarca todas las formas existentes de IA, la inteligencia artificial estrecha o IA débil, es el único tipo de IA realizada disponible actualmente. Si bien se ha planteado la hipótesis de formas teóricas más potentes de IA, la IA estrecha solo puede entrenarse para realizar tareas únicas o limitadas. Si bien la IA estrecha tiene un alcance limitado, normalmente puede realizar tareas específicas más rápido que los humanos, con una precisión creciente, aunque no perfecta. Sin embargo, la IA estrecha no es capaz de funcionar fuera de su conjunto de tareas programadas. La IA estrecha está diseñada para apuntar a subconjuntos específicos de habilidades cognitivas. Incluso los sistemas de IA aparentemente avanzados, como Siri de Apple, Alexa de Amazon o ChatGPT, se consideran IA estrecha.

• Sistemas expertos: Los sistemas expertos están diseñados para funcionar como un reemplazo limitado de la IA para expertos en la materia altamente capacitados. Se capacitan con conjuntos de datos completos que contienen información objetiva y reglas diferenciadas, combinados con un motor de inferencia ajustado para aplicar las reglas con mayor precisión. El objetivo de los sistemas expertos es ofrecer asesoramiento o soluciones tal como lo haría un experto humano. Estos sistemas se pueden emplear para descubrir tendencias y patrones, y a menudo se emplean para ayudar a las compañías a predecir eventos futuros o a comprender mejor sucesos pasados. 

• Machine learning: el machine learning (ML) es una rama de la IA centrada en permitir que los sistemas informáticos aprendan de la misma manera que lo hacen los humanos. Los algoritmos de ML ayudan a los sistemas informáticos a realizar tareas de forma autónoma y mejoran su rendimiento y precisión con el tiempo a medida que se les presentan más datos y feedback positivo y negativo.
• Redes neuronales: los modelos de redes neuronales son un subconjunto de los modelos de machine learning que utilizan el aprendizaje por refuerzo para tomar decisiones. Estos tipos de redes utilizan capas para imitar la forma en que las neuronas biológicas trabajan juntas para sopesar opciones e identificar fenómenos.

• Aprendizaje profundo: el aprendizaje profundo también es un subconjunto del aprendizaje automático que utiliza redes neuronales multicapa llamadas redes profundas para aproximar las complejas capacidades de toma de decisiones de la mente humana. La principal diferencia entre el aprendizaje profundo y el machine learning es la mayor capa de complejidad en la arquitectura de red. Mientras que los modelos tradicionales de machine learning utilizan redes neuronales simples con una o dos capas computacionales, los modelos de aprendizaje profundo utilizan más, normalmente cientos o miles de capas. 

• Procesamiento de lenguaje natural (NLP): el procesamiento de lenguaje natural combina la lingüística computacional, un enfoque de modelado basado en reglas para el lenguaje, con el modelado estadístico, el aprendizaje automático y aprendizaje profundo para permitir que las computadoras comprendan y respondan con voz o texto natural. El PLN también incorpora las disciplinas de subconjunto de natural language understanding y generación de lenguaje natural para proporcionar una experiencia de usuario holística.

• Reconocimiento automático de voz (ASR): el reconocimiento de voz, también conocido como reconocimiento de voz por computadora o Speech to Text, se refiere a técnicas que permiten a los programas informáticos procesar el habla humana en un formato escrito. No debe confundir con el reconocimiento de voz, que es una técnica que permite a las computadoras identificar la voz de un usuario individual y diferenciarla de otras.

• Detección de objetos: la detección de objetos, un componente de la visión artificial, utiliza redes neuronales para localizar y clasificar objetos en imágenes según categorías semánticas. La detección de objetos es una herramienta útil para una amplia gama de industrias y aplicaciones, incluidos los vehículos autónomos autónomos, la búsqueda visual y las imágenes médicas.

• Robótica: los sistemas cognitivos incorporan a menudo la robótica en su aplicación. Los robots equipados con sistemas cognitivos pueden emplear una estrecha IA para realizar tareas repetitivas y rutinarias, desde aspiradoras domésticas de consumo hasta asistentes quirúrgicos médicos. En agricultura, la robótica ayuda a los sistemas cognitivos a realizar tareas como la poda autónoma, el traslado, el clareo, la siembra y la pulverización. 

Los recientes avances en las tecnologías de IA han tenido un gran impacto en las aplicaciones de computación cognitiva, desde programas de IA generativa como ChatGPT y Midjourney hasta coches autónomos y más allá. Algunas aplicaciones comunes del mundo real para la computación cognitiva incluyen varios aspectos, como:

Asistentes virtuales de IA populares como Alexa, Siri y Google Assistant confían en la informática cognitiva para mejorar sus servicios a través de la automatización y la interactividad. Asistentes como estos utilizan sistemas de machine learning para procesar el lenguaje natural y adaptar sus sugerencias para proporcionar mejores resultados a los usuarios individuales.      

Los sistemas de computación cognitiva han demostrado ser valiosos para muchas aplicaciones bancarias y financieras. Los sistemas cognitivos se utilizan para monitorizar las condiciones económicas, como las variables de la cadena de suministro y las tendencias del mercado, para predecir y modelar tanto las oportunidades futuras como las posibles crisis.

Los sistemas de computación cognitiva han demostrado ser hábiles en el análisis profundo de datos y el reconocimiento de patrones. Estas habilidades se han utilizado especialmente en el campo de la ciberseguridad. Aquí, los especialistas utilizan la computación cognitiva para analizar el comportamiento de los usuarios, como las transacciones financieras, para detectar patrones de posible fraude y riesgo. 

Los sistemas cognitivos han sido útiles en aplicaciones de venta minorista. Los minoristas tecnológicos como Amazon y Netflix utilizan la computación cognitiva para obtener un insight más profundo del historial de compras de los usuarios y ofrecer mejores recomendaciones de productos dirigidas a los intereses personales de las personas.

Los sistemas cognitivos también han sido útiles en la atención al cliente en todas las industrias, impulsando chatbots avanzados para que sirvan como agentes virtuales. Estos agentes brindan soporte detallado e informado a mayor velocidad y escala que nunca.

Sin duda, uno de los sistemas cognitivos más famosos y destacados, IBM® watsonx saltó a la fama compitiendo en el popular programa de juegos de trivia Jeopardy, mientras que el predecesor de Watson, Deep Blue, conmocionó al mundo cuando se convirtió en el primer sistema informático en vencer a un mundo. campeón de ajedrez.

La iteración actual (IBM watsonx) y las aplicaciones son aún más impresionantes. Un caso de uso notable es la industria de la atención médica, donde watsonx ha ayudado a los proveedores a mejorar los diagnósticos médicos. watsonx es capaz de acumular y comprender algunas de las investigaciones más actualizadas e historias complicadas de pacientes, y ha extrapolado con éxito los planes de tratamiento sugeridos para reforzar la atención al paciente.