menu icon

Inteligencia artificial (IA)

La inteligencia artificial permite que las computadoras y las máquinas imiten la percepción, el aprendizaje, la resolución de problemas y las capacidades de toma de decisiones de la mente humana.

¿Qué es la inteligencia artificial?

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

Después de décadas de ser relegada a la ciencia ficción, hoy en día, la IA es parte de nuestra vida cotidiana. El aumento en el desarrollo de IA es posible gracias a la disponibilidad repentina de grandes cantidades de datos y el desarrollo correspondiente y la amplia disponibilidad de sistemas informáticos que pueden procesar todos los datos de forma más rápida y precisa que los humanos. La IA está completando nuestras palabras a medida que las digitamos, que nos da instrucciones de conducción cuando las pedimos, aspira el piso y recomienda lo que debemos comprar o ver a continuación. Y las aplicaciones de conducción, como el análisis de imágenes médicas, que ayudan a los profesionales calificados a hacer un trabajo importante más rápido y con mayor éxito.

Tan común como la inteligencia artificial es hoy, puede ser difícil comprender la IA y la terminología de la IA porque muchos de los términos se utilizan indistintamente y, aunque en realidad son intercambiables en algunos casos, no en otros ¿Cuál es la diferencia entre inteligencia artificial y machine learning? ¿Entre machine learning y deep learning? ¿Entre reconocimiento de voz y procesamiento del lenguaje natural? ¿Entre IA débil e IA robusta? Este artículo tratará de ayudarle a entender estos y otros términos, así como los fundamentos de la IA.

Inteligencia artificial, machine learning y deep learning

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

  • Piense en inteligencia artificial como todo el universo de la tecnología informática que exhibe algo remotamente parecido a la inteligencia humana. Los sistemas de IA pueden incluir cualquier cosa de un sistema experto —una aplicación de resolución de problemas que toma decisiones basadas en reglas complejas o lógica condicional— a algo como el equivalente al personaje ficticio de Pixar Wall-E, una computadora que desarrolla la inteligencia, el libre albedrío y las emociones de un ser humano.  
  • El machine learning es un subconjunto de la aplicación de IA que aprende por sí mismo. Realmente se reprograma a sí mismo, ya que digiere más datos, para realizar la tarea específica que está diseñado para realizar con una precisión cada vez mayor. 
  • Deep learning es un subconjunto de aplicaciones de machine learning que se enseña a realizar una tarea específica con una precisión cada vez mayor, sin intervención humana.
Diagrama de la relación entre la inteligencia artificial, el machine learning y el deep learning

Vamos a analizar más en detalle el machine learning y el deep learning, y cómo difieren.

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 les aplican ponderaciones, sesgos y umbrales.
  • Una capa de salida, donde surgen varias conclusiones y 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 tener aprendizaje supervisado (es decir, aprendizaje que requiere supervisión humana), como el ajuste periódico de los algoritmos en el modelo.

Deep learning

Los modelos de deep learning se basan en redes neuronales profundas, redes neuronales con varias capas ocultas, cada una de las cuales refina aún más las conclusiones de la capa anterior. Este movimiento de cálculos de las capas ocultas a la capa de salida se llama propagación hacia delante. Otro proceso, llamado retropropagación, identifica errores en los cálculos, les asigna ponderaciones y los lleva 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 funcionar con una enorme cantidad de datos no etiquetados. Los modelos de deep learning también son capaces de tener aprendizaje no supervisado al detectar características y patrones en los datos con el mínimo de supervisión humana.

Una simple ilustración de la diferencia entre el deep learning y otro machine learning es la diferencia entre Siri de Apple o Alexa de Amazon (que reconoce comandos de voz sin entrenamiento) y las aplicaciones de dictado de voz a texto de hace una década, que requerían que los usuarios “entrenaran” el programa (y etiquetaran los datos) al decir varias palabras al sistema antes de usarlo. Pero los modelos de deep learning permiten aplicaciones mucho más sofisticadas, incluyendo sistemas de reconocimiento de imágenes que pueden identificar objetos cotidianos con mayor rapidez y precisión que los humanos.

Para profundizar en las diferencias matizadas entre estas tecnologías, lea “IA vs. machine learning vs. deep learning vs. redes neuronales: ¿cuál es la diferencia?

Tipos de inteligencia artificial: IA débil vs. IA robusta

La IA débil, también llamada IA estrecha (ANI), es un tipo de IA entrenada y enfocada a realizar tareas específicas. La IA débil impulsa la mayor parte de la IA que hoy nos rodea. El concepto “estrecho” describe de manera más precisa esta IA, porque es cualquier cosa menos débil; habilita algunas aplicaciones muy impresionantes, incluyendo Siri de Apple y Alexa de Amazon, la computadora de IBM Watson que venció a los competidores humanos en Jeopardy!, y los vehículos autónomos.

La IA robusta, también llamada inteligencia artificial general (AGI), es un tipo de IA que replica más plenamente la autonomía del cerebro humano: puede resolver muchos tipos o clases de problemas e incluso elegir los problemas que quiere resolver sin intervención humana. La IA robusta aún es completamente teórica, sin ejemplos prácticos en uso hoy en día. Pero eso no significa que los investigadores de IA no estén también explorando (con recelo) la súper inteligencia artificial (ASI), que es una inteligencia artificial superior a la inteligencia o capacidad humana. Un ejemplo de ASI podría ser HAL, el asistente de computadoras superhumano (y, finalmente, malévolo) en 2001: Odisea del espacio.

Aplicaciones de inteligencia artificial

Como se señaló anteriormente, la inteligencia artificial está en todas partes hoy en día, pero parte de ella ha existido por más tiempo de lo que usted piensa. Estos son solamente algunos de los ejemplos más comunes:

  • Reconocimiento de voz: también llamado conversión de voz en 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 por computadora, los controles remotos de voz, la mensajería de texto habilitada por voz y el GPS, y los menús de respuesta telefónica con voz.
  • Procesamiento del lenguaje natural (PLN): el PLN habilita una aplicación de software, un sistema o una máquina para entender, interpretar y generar texto humano. El PLN es la IA detrás de los asistentes digitales (como los mencionados Siri y Alexa), chatbots y otra asistencia virtual basada en texto. A veces, el PLN utiliza análisis del parecer para detectar el estado de ánimo, la actitud u otras cualidades subjetivas en el lenguaje.
  • Reconocimiento de imágenes (visión por computadora 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 impulsado por redes neuronales profundas, el reconocimiento de imágenes se utiliza para sistemas de identificación de huellas dactilares, aplicaciones móviles de depósito de cheques, análisis de imágenes médicas y de videos, vehículos autónomos y mucho más.
  • Recomendaciones en tiempo real:  los sitios web de distribución y entretenimiento utilizan redes neuronales para recomendar compras o medios adicionales que puedan apelar a un cliente con base en la actividad anterior de este y de otros clientes y otros diversos factores, incluyendo la hora del día y el clima. Algunas investigaciones han descubierto que las recomendaciones en línea pueden aumentar las ventas en cualquier lugar del 5 % al 30 %.
  • Prevención de virus y spam: una vez impulsado por sistemas de expertos basados en reglas, el software actual de detección de virus y spam emplea redes neuronales profundas que pueden aprender a detectar nuevos tipos de virus y spam tan rápido como los cibercriminales pueden hacerlo.
  • Comercio de acciones automatizado: diseñado para optimizar las carteras de acciones, las plataformas de comercio de alta frecuencia impulsadas por IA hacen miles o incluso millones de operaciones por día sin intervención humana.
  • Servicios de transporte: Uber, Lyft y otros servicios de transporte compartido utilizan inteligencia artificial para que se encuentren los pasajeros con los conductores y minimizar los tiempos de espera y los desvíos, proporcionar tiempos estimados de llegada confiables e incluso eliminar la necesidad de aumentar los precios durante los periodos de alto tráfico.
  • Robots domésticos: la aspiradora Romba 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 piso. Tecnología similar impulsa podadoras robóticas de césped y limpiadores de piscinas.
  • Tecnología de piloto automático: ha estado presente en aviones comerciales y militares durante décadas. Hoy en día, el piloto automático utiliza una combinación de sensores, tecnología GPS, reconocimiento de imágenes, tecnología para evitar colisiones, robótica y procesamiento del lenguaje natural para guiar un avión de forma segura y actualizar a los pilotos humanos según sea necesario. Dependiendo de a quién se le pregunte, los pilotos comerciales de hoy pasan apenas tres minutos y medio pilotando manualmente.

Historia de la inteligencia artificial: fechas y nombres clave

La idea de “una máquina que piensa” se remonta a la antigua Grecia. Pero, desde el advenimiento de la computación electrónica (y en relación con algunos de los temas tratados en este artículo), se han presentado acontecimientos importantes e hitos en la evolución de la inteligencia artificial:

  • 1950: Alan Turing publica Computing Machinery and Intelligence (Maquinaria computacional e inteligencia). En el 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 una computadora puede demostrar la misma inteligencia (o los resultados de la misma inteligencia) que un humano. 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 en Dartmouth College. (McCarthy pasaría a inventar el lenguaje Lisp). Posteriormente ese año, Allen Newell, J.C.Shaw y Herbert Simon crean el Logic Theorist, el primer programa de software de IA.
  • 1967: Frank Rosenblatt crea el perceptrón Mark 1, 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 Perceptrones, 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.
  • Década de 1980: Las redes neuronales con retropropagación, algoritmos para entrenar la red, se utilizan ampliamente en aplicaciones de IA.
  • 1997: la Deep Blue de IBM vence al campeón mundial de ajedrez Garry Kasparov, en un partido 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 $400 millones de dólares.

Inteligencia artificial e IBM Cloud

IBM ha sido líder en tecnologías basadas en la IA para empresas y pionero en el futuro de los sistemas de machine learning para varias industrias. Basado en décadas de investigación de IA, años de experiencia trabajando con organizaciones de todos los tamaños y aprendizajes de más de 30.000 contratos de IBM Watson, IBM ha desarrollado el IA Ladder para implementaciones eficaces de inteligencia artificial:

  • Recopilar: se simplifica la recopilación y accesibilidad de datos.
  • Analizar: se crean sistemas basados en IA escalables y confiables.
  • Integrar: se integran y optimizan sistemas en todo un marco de negocio.
  • Modernizar: sus aplicaciones y sistemas de IA pasan 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 ayudarle a completar su ruta hacia la IA, explore el portafolio de IBM de servicios y soluciones administrados.

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