Una guía rápida sobre la inteligencia artificial



Si sigues oyendo hablar de la inteligencia artificial pero no estás seguro de lo que significa ni de cómo funciona, no eres el único.

Existe mucha confusión entre el público sobre el término, especialmente por noticias dramáticas sobre cómo la «IA» destruirá empleos, o compañías que aseguran «aprendizaje profundo» (deep learning) para mejorar su eficiencia.

Mucha de esa confusión proviene del mal uso de términos como “inteligencia artificial” y “aprendizaje automático” (machine learning). Así que aquí te presentamos una breve guía para que entiendas de que se trata todo.

¿Cuál es la diferencia entre la IA y el aprendizaje automático?

Piensa en esto como la diferencia entre economía y contabilidad. La economía es un campo de estudio, pero usted no contrataría a un economista ganador del Premio Nobel para que declare sus impuestos.

Asimismo, la inteligencia artificial es el campo de la ciencia que abarca cómo los computadores pueden tomar decisiones, de la misma manera que los seres humanos. Pero el aprendizaje automático se refiere a una técnica para crear software que aprende de los datos.

Esta diferencia es importante cuando hay dinero en juego. Los inversores a menudo descartan la IA. Prefieren las startups que hacen software de aprendizaje automático como una aplicación comercial clara.

Ejemplos actuales de esto son plataformas que puede filtrar los correos electrónicos de la empresa con procesamiento de lenguaje natural o rastrear a los clientes en una tienda con reconocimiento facial.

Por el otro lado, las universidades y algunas grandes empresas tecnológicas como Facebook y Google cuentan con grandes laboratorios que llevan a cabo investigaciones que impulsan el campo más amplio de la IA. Muchas de las herramientas que inventan, como TensorFlow de Google o Pytorch de Facebook, están disponibles gratuitamente en línea.

¿Por qué el término «aprendizaje» aparece en todas partes?

Porque la aplicación más emocionante de la IA hoy en día da a los ordenadores la capacidad de «aprender» a realizar una tarea a partir de los datos, sin estar programados para ello. La terminología es confusa porque se trata de una mezcla de diferentes técnicas, muchas de las cuales también tienen la palabra «aprendizaje» en sus nombres.

Existen, por ejemplo, tres tipos principales de aprendizaje automático, que pueden llevarse a cabo de diferentes maneras: sin supervisión, supervisado y reforzado, y también pueden utilizarse con el aprendizaje automático estadístico, el aprendizaje automático Baeysean o el aprendizaje automático simbólico.

Sin embargo, no es necesario estar al tanto de esto, ya que las aplicaciones más populares del aprendizaje automático utilizan una red neural.

¿Pero qué es una red neural?

Es un sistema informático inspirado en el cerebro humano que ha sido teorizado e implementado varias veces durante los últimos 60 años

¿Qué tiene que ver esto con el aprendizaje profundo (Deep learning)?

Ese es un enfoque específico para usar una red neural, esencialmente una red profunda con muchas capas. Esta técnica ha dado lugar a servicios populares que utilizamos hoy en día, como el reconocimiento de voz en los teléfonos inteligentes y la traducción automática de Google.

En la práctica, cada capa puede representar rasgos cada vez más abstractos. Una compañía de redes sociales podría, por ejemplo, utilizar una «red neural profunda» para reconocer rostros.

Una de las primeras capas reconoce los bordes oscuros alrededor de la cabeza de alguien, otra reconoce los bordes de la nariz y la boca, y otra reconoce las sombras sobre la cara. Las capas se vuelven cada vez más abstractas, pero juntas pueden representar y reconocer una cara entera.

¿Son las redes neuronales de aprendizaje profundo el mejor enfoque para la IA?

La realidad es que no todos están de acuerdo con esto. Mientras que las redes neuronales combinadas con el aprendizaje profundo son vistas como el enfoque más prometedor para la IA hoy en día, esto podría cambiar en pocos años. Algo que ya ha ocurrido antes con otros enfoques.

Notas relacionadas

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *