fbpx

Inteligencia Artificial, Machine Learning y Deep Learning

Inteligencia Artificial, Machine Learning y Deep Learning

Un poco de historia sobre la Inteligencia Artificial

Nos remontaremos a 1950, cuando Alan Turing publicó el artículo “Computing machinery and intelligence”, Turing defendió la idea de que las máquinas podían tener comportamientos inteligentes y propuso el famoso “juego de la imitación” para determinar si una computadora era inteligente. 

Este test, relativamente sencillo, donde un operador humano interactúa, sin saberlo, con un computador. Pretendía conocer si al cabo de un tiempo el operador lograba darse cuenta de que estaba interactuando con una máquina y no con otro humano, de esta manera, podría afirmarse que el computador tiene un comportamiento inteligente. Tal como lo hacen los Chatbots, donde muchas veces no puede diferenciarse si es una máquina o un humano quien responde.

En 1956, pocos años después de que fueran publicadas las primeras ideas de Turing, un grupo de científicos, entre ellos Marvin Minsky, Arthur Samuel y John McCarthy, se reunieron en Dartmouth College y afirmaron que se podría lograr avances significativos en Inteligencia Artificial. En 2006, admitieron también que la IA era un objetivo mucho más difícil de lo que llegaron a imaginar.

Inteligencia Artificial (IA)

A lo largo de los años se han construido muchas definiciones, pero aún la comunidad científica no logra emitir un concepto unánime. Sin embargo, podemos hacernos una idea de lo que realmente significa Inteligencia Artificial, siguiendo algunas de sus acepciones:

“La IA es la ciencia e ingeniería que permitirá replicar la inteligencia humana mediante máquinas.” (López, González, Meseguer, 2017)

Incluso algunos autores se han atrevido a definir el concepto de Inteligencia Artificial de una forma poco ortodoxa:

“La inteligencia artificial es la ciencia de construir máquinas para que hagan cosas que, si la hicieran los humanos requerirían inteligencia” (Marvin Misky, 1950)

 

“La IA es la ciencia e ingeniería que permite diseñar y programar ordenadores de forma que realicen tareas que requieren inteligencia” (López, González, Meseguer, 2017)

Podemos decir (con algo de cautela) que la Inteligencia Artificial es la ciencia que tiene por objetivo construir máquinas capaces de imitar la inteligencia humana para resolver problemas y aprender mediante la experiencia.

Banner IA Y ML

La era de la Inteligencia Artificial

La Inteligencia Artificial es una enorme ambición humana de la cual aún queda mucho camino por andar. Existen dos tipos de IA: la Inteligencia Artificial fuerte (o amplia) y la Inteligencia Artificial débil (o estrecha)

La IA fuerte es la que hemos visto en el cine Sci Fi: Terminator, Westworld, Yo Robot, Chappie, Avengers: Age Of Ultron, entre muchos otros ejemplos. Inteligencia Artificial que iguala o supera a la inteligencia humana, capaz de realizar cualquier tarea que se le asigne. Un objetivo extremadamente difícil de alcanzar en la realidad, pues para ello, es necesario lograr que la máquina adquiera además conocimiento general, conciencia, sensibilidad y autoconocimiento. No existe en la actualidad nada semejante a ello.

Más común en nuestras vidas, es la Inteligencia Artificial débil o estrecha, este tipo de IA tiene un campo de acción más limitado, han sido diseñados para realizar tareas específicas. Por ejemplo, el asistente de voz en tu teléfono, no podrás ordenarle que te entregue un informe para el lunes, pero sí podrás preguntarle por el clima y la agenda de la semana.

Existe infinidad de ejemplos y aplicaciones de este tipo de IA: reconocer imágenes, identificar la mejor ruta a casa, coches autónomos y tiernos robots como “Spot”, capaz de moverse por entornos industriales.

 

El Robot ‘Spot’ de Boston Dynamics abriendo la puerta a su compañero

 

Machine Learning y Deep Learning

La mejor forma de entender cómo Machine Learning y Deep Learning se relacionan con la Inteligencia Artificial es a través de un diagrama: 

Machine Learning (ML)

También conocido como Aprendizaje Automático, el Machine Learning es una rama de la Inteligencia Artificial que tiene por objetivo el desarrollo de algoritmos para ordenar y codificar datos que serán utilizados como base del aprendizaje por la máquina. Con el conocimiento adquirido se podrán hacer predicciones y dar respuesta a problemas puntuales en diversos campos del conocimiento. Los programadores deben crear algoritmos cada vez más precisos para que la máquina sea capaz de aprender de un conjunto de variables y lograr un mejor porcentaje de asertividad.

En el Aprendizaje Automático se entrena a la máquina bajo una experiencia supervisada. Es decir, los programadores controlan las variables y conjuntos de datos (miles y hasta cientos de Gigabytes de información) con los que se entrena a la máquina. En la actualidad existen cientos de librerías disponibles para crear soluciones de ML, entre las más destacadas están Sklearn (Anaconda Inc, 2018) y Tensor Flow  para el reconocimiento de imágenes (Tensor Flow Team, 2018)

En la era del Cloud Computing, las organizaciones tienen un enorme poder de cómputo disponible a tan solo unos cuantos clics. IBM, por ejemplo, tiene a su supercomputadora Watson; Microsoft, su entorno Azure; Amazon a su imbatible AWS y Google a Cloud. Todas capaces de procesar enormes cantidades de datos y entrenar modelos de Machine Learning efectivos en tan solo minutos.

También existen algoritmos de aprendizaje no supervisado. En este tipo de aprendizaje no es necesario que entreguemos datos etiquetados a la máquina para que aprenda, pues es capaz de reconocer patrones por si sola y tomar decisiones con base en su experiencia.

Deep Learning

En los últimos años se ha hecho popular una técnica especial del Machine Learning conocida como Deep Learning (aprendizaje profundo), este se encuentra menos sometido a la supervisión. El adjetivo “profundo” se aplica a la forma en cómo se adquiere el conocimiento (Gómez Gil, 2016). Esto implica el uso de Redes Neuronales Artificiales (RNA) a gran escala, que le permiten a la máquina aprender y “razonar” por sí misma sin necesidad de la intervención humana. El sistema es capaz de extraer patrones y modificar su razonamiento cuando se produzcan errores.

En el Deep Learning no existe ninguna instrucción programada indicando que si algo es verdad entonces haga x o y cosa. Sus procesos lógicos están basados en las teorías acerca del funcionamiento del cerebro.

Gráfico 2 RNA

 

Ilustración del funcionamiento de las Redes Neuronales Artificiales RNA

 

Una Red Neuronal Artificial – RNA es un modelo matemático capaz de “aprender” con ejemplos tomados del medio ambiente. Está compuesta por varias capas, conexiones y una dirección en la que se propagan los datos. Las RNA pueden almacenar y utilizar ese conocimiento en la resolución de problemas.

Una de las aplicaciones actuales del Deep Learning está en el desarrollo de coches autónomos, donde se utiliza para reconocer señales y obstáculos en la vía. Esta es una de las técnicas más avanzadas de Inteligencia Artificial y lo más cercano que tenemos a una IA fuerte.

Uno de sus problemas es la enorme cantidad de datos que requieren para dar resultados confiables. En 2018, por ejemplo, un auto autónomo de Uber atropelló a una persona en Arizona. Esto demuestra que este tipo de tecnología aún no está lista para su uso comercial.

La Inteligencia Artificial potencia el trabajo humano

La IA al igual que lo hizo la revolución industrial cambiará la forma en que hombre-máquina colaboran para lograr grandes fines. Permitirá que nos dediquemos a tareas estratégicas, donde las máquinas aún no tienen cabida, como la creatividad, el liderazgo, la investigación y la empatía.

Los Chatbots por ejemplo, se hacen cada día más populares y eficientes para atender los problemas y necesidades de los usuarios. Las empresas comienzan a implementar Machine Learning para aprovechar su talento humano en otras áreas e impulsar la rentabilidad de sus recursos.

La Inteligencia Artificial también es capaz de diagnosticar a los pacientes sin ningún tipo de intervención humana, mediante el análisis de imágenes radiológicas. Como la IA que Alibaba desarrolló para detectar el virus COVID-19.

De ahora en adelante, debemos aprender a convivir con la Inteligencia Artificial. No se debe temer a ella, por el contrario, debemos aprovechar cada una de las bondades que la IA puede aportar a nuestra vida.

En Stradata, la Inteligencia Artificial hace parte del ADN de nuestras soluciones.

Autor: L. Benítez.

Puedes aprender más sobre Inteligencia Artificial con esta selección de contenido gratuito:

  1. Introducción y conceptos de Inteligencia Artificial , Youtube
  2. Introducción al Machine Learning con Python, Google Education
  3. Curso de Machine Learning con Python, Udemy

Referencias

Anaconda Inc. (2018). ANACONDA. Recuperado el 20 de Septiembre de 2018, de ANACONDA: https://www.anaconda.com/

Gómez Gil, M. (6 de Abril de 2016). Aprendizaje profundo. Instituto nacional de Astrofísica, Óptica y Electrónica: http://ccc.inaoep.mx/~pgomez/conferences/PggTSys16.pdf

López, de Mántaras Badia, Ramon, and González, Pedro Meseguer. Inteligencia Artificial, Editorial CSIC Consejo Superior de Investigaciones Científicas, 2017. ProQuest Ebook Central

REAL ACADEMIA ESPAÑOLA: Diccionario de la lengua española, 23.ª ed., [versión 23.3 en línea]. https://dle.rae.es/inteligencia

Tensor Flow Team (2018). Tensor Flow. Tensor Flow: https://www.tensorflow.org/?hl=es

Aprendizaje Profundo (2016). BBVA OpenMind

https://www.bbvaopenmind.com/tecnologia/mundo-digital/que-es-el-aprendijaze-profundo/

Compartir en medios sociales

No Comments

Sorry, the comment form is closed at this time.

¿Necesitas ayuda? Chatea con nosotros!
Iniciar una Conversación
¡Hola! En que podemos ayudarte.