INTELIGENCIA ARTIFICIAL O DE LAS MÁQUINAS

 

En su forma más simple, la IA es un campo que combina la informática y conjuntos de datos para permitir la resolución de problemas. Hoy, los sistemas de IA son herramientas especializadas diseñadas para realizar tareas específicas, basándose en algoritmos y patrones aprendidos a partir de datos, y sus capacidades están limitadas por su programación y entrenamiento. Es el futuro de la tecnología, al permitir que las computadoras simulen la inteligencia y capacidades humanas en la resolución de problemas.

La IA es una rama de la informática centrada en la creación y gestión de tecnología capaz de llevar a cabo acciones y aprender a tomar decisiones de forma autónoma. Funciona con hardware convencional basado en CMOS e incorpora una mezcla de algoritmos y modelos de aprendizaje automáticos basados en datos. Sin embargo, a medida que la tecnología se ha ido incorporando a las aplicaciones cotidianas, ha crecido el interés por el cómputo neuromórfico, tratando de emular la arquitectura del cerebro humano con el diseño de hardware especializado y algoritmos optimizados.

La IA requiere muchísimos datos y repeticiones. Con el tiempo mejora su desempeño, y mientras que los sistemas de IA tradicionales se usan principalmente para analizar, reconocer y hacer predicciones, la IA generativa va más allá y crea otros similares a sus datos de entrenamiento, muy utilizados en estadística, pero el auge del aprendizaje profundo permitió ampliarlos a datos más complejos (GPT-3, BERT, DALL-E 2). La IA generativa se refiere a modelos de aprendizaje profundo que toman datos sin procesar, y “aprender” a generar resultados probables cuando se le solicite. Por sí sola o combinada con otras, la IA realiza tareas que de otro modo requerirían intervención humana. Los asistentes digitales, los GPS, los vehículos autónomos y las herramientas de IA generativa (Chat GPT) son algunos ejemplos.

Como campo de la informática, la IA abarca el aprendizaje automatizado (AA), computacional de las máquinas (ML), con el objetivo de desarrollar técnicas que permitan que las computadoras aprendan. El lanzamiento de Chat-GPT de Open-AI marcó un punto de inflexión, y hoy, la IA generativa puede aprender y sintetizar no sólo el lenguaje humano sino también imágenes, vídeos, códigos de software e incluso estructuras moleculares.

Para su funcionamiento, debemos profundizar en conceptos como:

• Aprendizaje: el automático permite a las máquinas aprender de los datos, identificar patrones y tomar decisiones sin programación explícita.
• Razonamiento: capacidad fundamental para la IA, ya que permite a las computadoras imitar el cerebro humano.
• Resolución de problemas: su capacidad se basa en la manipulación de datos a través de técnicas de ensayo y error.
• Procesamiento del lenguaje: natural o PLN, para analizar los datos del lenguaje humano de forma que tengan sentido para las computadoras.
• Percepción: la IA captura el ambiente circundante con detectores, sensores de temperatura y cámaras (visión artificial), y permite a las máquinas interpretar y comprender datos visuales, para el reconocimiento de imágenes, y detección de objetos.

Aprendizaje profundo y automático. El deep learning (subcampo del machine learning) y el machine learning se utilizan indistintamente, pero se diferencian por su forma de aprender. El deep learning automatiza características del proceso, elimina parte de la intervención humana y permite el uso de conjuntos de datos más grandes. El machine learning tradicional depende más de la intervención humana de aprender. El desarrollo de algoritmos de IA capaces de aprender sin ser programados por el procesamiento de grandes conjuntos de datos se conoce como “aprendizaje profundo”.

Aplicaciones de IA. Existen numerosas aplicaciones y algunos de sus usos más comunes son:

• Reconocimiento de voz (ASR) o conversión de voz a texto, con PLN para procesar el habla humana a formato escrito. Siri, Alexa, la tecnología que usas al decir “SÍ” en una transacción bancaria, o si le pides al tfno. que te diga qué tiempo va a hacer.
• Atención al cliente. Los agentes virtuales en línea y los chatbots, grandes modelos de lenguaje (LLM), responden a preguntas frecuentes (FAQ). El LLM considera oraciones, además de aprender las reglas gramaticales y averiguar el significado de palabras por sí mismo.
• Visión artificial. Esta permite que las computadoras deriven información significativa a partir de imágenes digitales, videos y otras entradas visuales, y tomen medidas (etiquetado de fotos, obtención de imágenes radiológicas, reconocimiento facial…).
• Pronóstico meteorológico. Sus modelos son algoritmos complejos que se ejecutan en supercomputadoras.
• Detección de anomalías. Al analizar muchos datos y descubrir puntos atípicos dentro de un conjunto de datos.
• Asistencia personal digital: A través de smartphones, tabletas y ordenadores.
• Compras por internet y publicidad. La IA crea recomendaciones personalizadas para los consumidores, basadas, en sus búsquedas y compras previas o en otros comportamientos en línea. En finanzas (detección de fraudes).
• Búsquedas en la web. Los motores de búsqueda (Netflix y Amazon) y navegadores aprenden y dan resultados relevantes. La IA de CGI realista y de “efectos especiales” mejora la experiencia visual de películas y juegos.
• Traducciones automáticas. Los programas de traducción, tanto en texto escrito como oral, recurren a la IA para mejorar la traducción.
• Casas, ciudades e infraestructuras inteligentes. Los termostatos. La regulación y eficiencia del tráfico en el transporte. Los vehículos de conducción autónoma usan sistemas de asistencia a la conducción basado en visión VI-DAS, que detecta situaciones peligrosas y accidentes. Los GPS. Google Maps. En el sector agrícola optimiza el rendimiento y reduce el despilfarro. Los drones minimizan el uso de pesticidas y riego…
• Ciberseguridad. Los sistemas de IA ayudan a reconocer y luchar contra los ciberataques y amenazas en línea, así como detectar fraudes, prevenir violaciones de seguridad y mejorar la seguridad pública.
• Salud. Diagnóstico por imagen, investigación de fármacos y cirugía, y otras mejoras para los diagnósticos.
• Manufacturas. La IA ayuda a que los productores sean más eficientes. Automatización en fábricas y laboratorios. Robots domésticos (cocina, limpieza y cuidado de niños). Fabricación (gestión de la cadena de suministro, inventario y servicios al consumidor).
• Filtros de correo no deseado: las computadoras utilizan la IA estrecha para redirigir los spam a la carpeta de spam.
• Función de autocorrección: cuando el iPhone corrige la ortografía al escribir, usa el poder de la IA débil en acción.
• Las empresas se benefician de la detección de fraudes, la evaluación de riesgos y el análisis de las tendencias del mercado con robots dotados de IA en las líneas de producción.
• La IA educativa incluye sistemas de tutoría inteligente que se adaptan a las necesidades del alumnado, lo cual les proporciona retroalimentación y orientación personalizadas. También ofrece calificaciones automatizadas, creación de contenido y simulaciones de realidad virtual.

 ¿Qué sabe la IA sobre mí? Tu tarjeta de fidelización del supermercado rastrea tus hábitos y gustos a través de tu compra semanal. Las agencias de crédito rastrean cuánto tienes en el banco y cuánto debes de tus tarjetas de crédito. Netflix y Amazon llevan un registro de cuántas horas de contenido viste anoche. Tus cuentas de redes sociales saben cuántos videos comentaste hoy. Etc.

Tipos de IA:

• La IA débil o estrecha (ANI), está entrenada y enfocada para realizar tareas específicas dentro de unos parámetros bien definidos. Permite aplicaciones como Siri de Apple, Alexa de Amazon, IBM Watson y vehículos autónomos.
• La IA robusta o fuerte está compuesta por la IA general (IAG) y la super IA (SIA). La IA general (IAG) es una forma teórica de IA en la que la máquina tendría una inteligencia igual a la del humano. La IA robusta todavía es teórica y no tiene ejemplos prácticos de uso hoy.

Comprender los cuatro tipos de IA arroja luz sobre el panorama cambiante de la inteligencia de las máquinas:

• Máquinas reactivas: estos funcionan con reglas predefinidas, pero carecen de la capacidad de aprender de nuevos datos o experiencias. Por ejemplo, los chatbots que no pueden adaptarse ni evolucionar más allá de su programación inicial.
• Memoria limitada: estos poseen la capacidad de aprender, y poder tomar decisiones con conocimiento de causa y adaptarse hasta cierto punto en función de su capacitación. Por ejemplo, los automóviles autónomos equipados con sensores y algoritmos de aprendizaje automático que les permiten navegar por ambientes dinámicos de forma segura. Las aplicaciones de procesamiento del lenguaje natural también utilizan datos históricos para mejorar la comprensión e interpretación del lenguaje a lo largo del tiempo.
• Teoría de la mente: este tipo describe la idea de un sistema que pueda percibir y comprender las emociones humanas, y luego utilizar esa información para predecir acciones futuras y tomar decisiones por sí mismo. Por ejemplo, la interacción persona-computadora y la robótica social, al permitir un comportamiento más empático e intuitivo de las máquinas.
• La IA autoconsciente: es el escenario hipotético de un sistema de IA que tenga sensaciones de identidad. Posee una consciencia similar a la humana y comprende su propia existencia en el mundo, así como el estado emocional de los demás. Hasta ahora, este tipo de IA sólo se encuentra en el mundo de la ciencia ficción, popularizado en películas como Blade Runner.

Historia de la IA. La idea de una máquina que piensa se remonta a la antigua Grecia.

En el s. XIX la “máquina diferencial” de Charles Babbage, se considera la primera calculadora automática. Pero no fue hasta la década de 1980 cuando renació la IA gracias a la ampliación del conjunto de herramientas de algoritmos y el aumento de los fondos destinados.

En 1950 Alan Turing, considerado el padre de la informática, (famoso por descifrar el código de los nazis durante la II Guerra Mundial) formula la pregunta ¿pueden pensar las maquinas?, en la que un interrogador humano intentaría distinguir entre una respuesta de computadora y humana. Luego Geoffrey Hinton, Yoshua Bengio, Yann LeCun, Stuart Russell y Peter Norvig publicaron un libro con cuatro posibles definiciones de la IA, que diferencia los sistemas informáticos en función de la racionalidad y el pensamiento frente a la actuación:

• Enfoque humano: Sistemas que piensan, y actúan como humanos.
• Enfoque ideal: Sistemas que piensan, y actúan racionalmente.

En 1956 un grupo de científicos se reúne en el Proyecto de Investigación de Verano sobre IA de Dartmouth College. En el John McCarthy acuña el término IA. Luego McCarthy inventaría el lenguaje Lisp. Allen Newell, JC Shaw y Herbert Simon crearon Logic Theorist, el primer programa de software de IA que funcionó.

El periodo entre 1966-74 se conoce como el “primer invierno” de la IA, debido a la reducción financiera y el freno a la investigación de la IA.

En 1967 Frank Rosenblatt crea el Mark 1 Perceptron, la primera computadora basada en una red neuronal que aprendió mediante prueba y error. Un año después, Marvin Minsky y Seymour Papert publican Perceptrons, y se convierte en el trabajo de referencia en redes neuronales.

En 1980 las redes neuronales que utilizan un algoritmo de retro propagación para entrenarse a sí mismas se utilizan en aplicaciones de IA.

En 1997 se implementó en Windows el software de reconocimiento del habla desarrollado por Dragon Systems. El sistema Deep Blue de IBM vence al campeón mundial de ajedrez Garry Kasparov, y demuestra el gran potencial de los sistemas IA.

En 2004 John McCarthy la definió como “La ciencia e ingeniería de hacer máquinas inteligentes, especialmente programas informáticos inteligentes”.

En 2011 en el concurso televisivo Jeopardy la computadora Watson DeepQA de IBM derrota a dos de sus campeones (Ken Jennings y Brad Rutter) del concurso y demuestra la capacidad de los sistemas de IA para comprender el lenguaje natural.

En 2012 el enfoque del aprendizaje profundo, inspirado en el cerebro humano, revoluciona aplicaciones de IA y da paso al actual auge de la IA.

En 2015 la supercomputadora Minwa de Baidu usa la llamada red neuronal convolucional, para identificar y categorizar imágenes con una mayor precisión que el promedio humano.

En 2016 el programa informático AlphaGo de DeepMind capta la atención del mundo al derrotar a Lee Sedol, el campeón del mundo de Go, en un partido de cinco juegos. Más tarde, Google compró DeepMind por 400 millones de dólares.

A partir de 2017 los avances en visión artificial, procesamiento del lenguaje natural, robótica y sistemas autónomos son impulsados por el progreso en el aprendizaje profundo y el aumento de la potencia de computación.

En 2023 el auge de los modelos lingüísticos grandes (LLM), como GPT-3 y sus sucesores, demuestra el potencial de los sistemas de IA para generar textos como los creados por humanos, responder preguntas y ayudar en una amplia gama de tareas.

En 2024 los nuevos avances en IA multimodal permiten a los sistemas procesar e integrar varios tipos de datos (texto, imágenes, audio y video) para obtener soluciones más completas e inteligentes, y participar en conversaciones naturales y contextualizadas.