Inteligencia artificial

La inteligencia artificial (IA) es, básicamente, la capacidad que tienen las máquinas de exhibir inteligencia similar a la humana. Lo que se entiende exactamente por "inteligencia similar a la humana" es una fuente de mucho debate, algunos incluso argumentarían que la verdadera IA aún no puede alcanzarse, dados los estrictos requisitos de "inteligencia". Sin embargo, hay algunos factores que conforman un entendimiento común de la "inteligencia", que incluyen los siguientes:
La capacidad de percibir el propio entorno.
La capacidad de tomar acciones con la finalidad de lograr metas.
La capacidad de obtener conocimiento y aplicarlo a un problema con el fin de resolver ese problema.

En un sentido más práctico, la IA es una disciplina científica que rige el estudio, la creación y el funcionamiento de la inteligencia artificial. Si bien esta disciplina ha existido durante décadas, ha visto un resurgimiento reciente en muchas facetas diferentes de la sociedad. La IA tiene el potencial de revolucionar la investigación, la innovación científica, la colaboración e interacción humana y todos los sectores de la industria. En muchos casos, esa revolución ya ha comenzado. Aunque la IA es un campo sumamente técnico que incluye muchos elementos complejos diferentes, no se necesita una gran cantidad de conocimientos técnicos para comprender su impacto y cómo se puede utilizar.

Información adicional:

Una breve historia de la IA

Es útil observar el progreso de la IA a lo largo de los años, ya que muestra la evolución de la IA y hacia dónde se dirige.
La historia de la IA tiene sus raíces en la antigüedad. En un sentido ficticio, mitos como los de la antigua Grecia hablaban de seres artificiales; un precursor de la idea moderna de los robots. En un sentido realista, los seres humanos crearon máquinas automáticas durante miles de años. Luego, el auge del razonamiento formal y, finalmente, el desarrollo de la informática allanaron el camino para la IA. Sin embargo, no fue hasta después de la Segunda Guerra Mundial que la investigación sobre la "máquina de pensar" realmente comenzó en serio.

La siguiente es una línea de tiempo de los principales eventos que conducen directamente a nuestra interpretación actual de la IA como una disciplina científica.

Información adicional

Para obtener más información sobre la historia y la evolución de la IA, consulte aquí

Panorama general sobre el aprendizaje automático

Puede pensar en el aprendizaje automático como un subconjunto de IA que se centra en el uso de equipos, computadores y software, para aprender a partir de un conjunto determinado de datos y hacer estimaciones en función de esos datos. Estas estimaciones se realizan sin la ayuda de instrucciones programadas directamente en el equipo en sí. En su lugar, el equipo se somete a un proceso llamado entrenamiento, en el que los datos se introducen en uno o más algoritmos. Los algoritmos son conjuntos de reglas para llevar a cabo operaciones de resolución de problemas que pueden tomar decisiones inteligentes sobre los datos y cómo pertenecen a un entorno. Las estimaciones se pueden utilizar para hacer predicciones o tomar otras decisiones, así como para implementar medidas. El algoritmo "aprende" midiendo la eficacia con la que sus tareas toman decisiones, luego mejora sus propias capacidades de toma de decisiones con base en estas mediciones de rendimiento. Como su nombre lo indica, el aprendizaje automático garantiza que no solo una máquina puede tomar decisiones inteligentes, sino que también puede mejorar en la toma de esas decisiones con tiempo y experiencia.

Aprendizaje profundo

Cómo se relacionan los conceptos de IA

• La inteligencia artificial es el término general que abarca muchas técnicas diferentes.

• El aprendizaje automático es un subconjunto de la IA, aunque bastante prominente en el mundo actual.

• El aprendizaje profundo es un tipo de aprendizaje automático que puede resolver problemas más complejos.

Aprendizaje automático frente a aprendizaje profundo: un ejemplo

Para ayudarlo a comprender la diferencia entre el aprendizaje automático y el aprendizaje profundo, considere el siguiente ejemplo: está desarrollando una aplicación que puede examinar cualquier imagen para determinar si contiene o no un rostro humano.

En el aprendizaje automático tradicional, le daría a la máquina varias imágenes como entrada. Algunas de estas imágenes tienen rostros, otras no. Las que tienen rostros muestran diferentes personas, solo para asegurarse de que el algoritmo tenga una amplia variedad de datos de los que aprender. No necesariamente le dice al algoritmo "esto es un rostro" o "esto no es un rostro", pero aun así tiene que darle alguna orientación. Le dice al algoritmo cuáles son algunas de las características de los rostros, como:

• Una forma general consistente con el rostro general.

• Una nariz en el centro del rostro que tiene una forma general consistente.

• Dos ojos con la misma forma general y tres partes visibles en cada ojo: una pupila, un iris y la esclerótica (blanca).

• Una boca con una forma general consistente que puede estar abierta o cerrada.

• Y muchas más.

El algoritmo utiliza estas características, junto con las imágenes que le da, como entrada para formar lo que considera un "rostro". A continuación, se proporciona otro conjunto de datos al algoritmo; utiliza este conjunto de datos para validar sus predicciones. Por último, le proporciona al algoritmo nuevas imágenes de prueba y debería poder identificar si esas imágenes incluyen rostros.

En el aprendizaje profundo, no se le da al algoritmo ninguna orientación sobre cuáles son las características de un rostro. En su lugar, solo debe proporcionarle al algoritmo imágenes como entrada y muchas de ellas. El algoritmo comienza a analizar cada imagen y colocar diferentes dimensiones de la imagen en capas. Como se mencionó anteriormente, las capas inferiores comienzan de manera simple (hay cambios abruptos de color entre los píxeles, es decir, estos son bordes) y pueden volverse progresivamente más complejas (hay un único objeto centrado, de forma ovalada cerca de la parte inferior, es decir, esta es una boca). Depende del algoritmo de aprendizaje profundo formar su propia concepción de un "rostro" basada en las características comunes que aprende de la entrada. Esto permite que el aprendizaje profundo tome determinaciones que incluso los humanos pueden no ser capaces de tomar.

Información adicional

Para obtener información adicional sobre las diferencias entre el aprendizaje automático y el aprendizaje profundo, consulte aquí

Aprendizaje automático frente a aprendizaje profundo: La elección

La elección entre usar el aprendizaje automático y el aprendizaje profundo depende en gran medida de los datos con los que se trabaja y de lo que se desea hacer con esos datos.

El aprendizaje automático tradicional se aplica más comúnmente a conjuntos de datos más pequeños en los que un experto ya ha determinado qué parte de ellos es relevante para resolver un problema, en general haciendo que el algoritmo identifique de manera más fácil los patrones. Por ejemplo, las respuestas a las encuestas de los clientes, la información sobre la salud del paciente y la actividad de las cuentas bancarias son algunas aplicaciones comunes para el aprendizaje automático tradicional, ya que en general le permitiría saber qué características son útiles para predecir las preferencias de los clientes, los problemas de la salud y el fraude.

Por otro lado, el aprendizaje profundo es una mejor opción en situaciones en las que es difícil determinar las características que contribuyen a una predicción. Por ejemplo, el reconocimiento de objetos en imágenes y video es una aplicación común del aprendizaje profundo porque usted no necesariamente sabe cómo describir con precisión un objeto complejo. Del mismo modo, el aprendizaje profundo también se utiliza para ayudar a las máquinas a comprender y recrear el habla humana, ya que el lenguaje también es un concepto muy complejo. Además, el aprendizaje profundo es preferible cuando se cuenta con grandes cantidades de datos, tiempo y recursos.

Información adicional

Identificación de conceptos de aprendizaje automático