¿Cómo funciona la inteligencia artificial (IA)?

A medida que se ha acelerado el revuelo en torno a la IA, los proveedores se han apresurado a promocionar la forma en que sus productos y servicios la utilizan. A menudo se refieren a la IA como un componente de la IA, como el aprendizaje automático. La IA requiere una base de hardware y software especializado para escribir y entrenar algoritmos de aprendizaje automático. Ningún lenguaje de programación es sinónimo de IA, pero algunos, como Python, R y Java, son populares.

Los sistemas de IA suelen funcionar ingiriendo grandes cantidades de datos de entrenamiento etiquetados, analizando los datos en busca de correlaciones y patrones, y utilizando estos patrones para hacer predicciones sobre estados futuros. De este modo, un chatbot alimentado con ejemplos de chats de texto puede aprender a producir intercambios realistas con las personas, o una herramienta de reconocimiento de imágenes puede aprender a identificar y describir objetos en imágenes revisando millones de ejemplos.

La programación de IA se centra en tres habilidades cognitivas: aprendizaje, razonamiento y autocorrección. Los sistemas son procesos de aprendizaje; este aspecto de la programación de IA se centra en la adquisición de datos y la creación de reglas sobre cómo convertir los datos en información procesable. Las reglas, denominadas algoritmos, proporcionan a los dispositivos informáticos instrucciones paso a paso para completar una tarea específica.

¿Qué ejemplos hay de tecnología de IA y cómo se utiliza hoy en día?
La IA está incorporada a diversos tipos de tecnología. He aquí cinco ejemplos:

Cuando se combinan con tecnologías de IA, las herramientas de automatización pueden ampliar el volumen y los tipos de tareas realizadas. Un ejemplo es la automatización robótica de procesos (RPA), un tipo de software que automatiza tareas de procesamiento de datos repetitivas y basadas en reglas que tradicionalmente realizaban los humanos. Cuando se combina con el aprendizaje automático y las herramientas de IA emergentes, la RPA puede automatizar partes más significativas de los trabajos empresariales, permitiendo a los robots tácticos de RPA transmitir la inteligencia de la IA y responder a los cambios en los procesos.

Es la ciencia de conseguir que un ordenador actúe sin programar. El aprendizaje profundo es un subconjunto del aprendizaje automático que, en términos sencillos, puede considerarse como la automatización del análisis predictivo. Existen tres tipos de algoritmos de aprendizaje automático:

Con este tipo de aprendizaje automático, se dispone tanto de las variables de entrada como de las de salida: por tanto, se tiene un conjunto de datos completo. Durante el entrenamiento del modelo, se dan ejemplos de "cómo se supone que debe ser", de modo que la máquina puede aprender a predecir el resultado futuro basándose en nuevos datos de entrada. Si ya sabe qué debe predecir un modelo basándose en una determinada entrada y dispone de estos datos, el aprendizaje supervisado es el algoritmo más adecuado para su caso.

A continuación le damos un ejemplo de cómo puede utilizar una empresa el aprendizaje supervisado. Imagínese que es usted un profesor al que le gustaría hacer predicciones sobre los resultados del próximo examen de sus alumnos. Primero necesitarías un conjunto de datos, en este caso: su asistencia a clase y lo bien que están haciendo sus tareas (datos de entrada) y su nota en el último examen (datos de salida). Con estos datos de entrada, el algoritmo puede aprender a reconocer una correlación entre el comportamiento durante el curso y los resultados del examen. Ahora puede hacer predicciones sobre los resultados de exámenes futuros. Para ello, tendrías que recoger los mismos datos de entrada y dárselos al modelo entrenado, que te proporcionará los resultados esperados del examen.

El aprendizaje no supervisado puede considerarse lo contrario del aprendizaje supervisado. Este método puede utilizarse si se dispone de un conjunto de datos con sólo datos de entrada, pero aún no se tiene un resultado deseado. En este caso, se trata de buscar grupos o categorías en los datos existentes: una relación entre observaciones para definir grupos. La máquina analizará los datos de entrada y los estructurará en categorías o grupos.

Por tanto, el aprendizaje no supervisado se utiliza principalmente en procesos de exploración. Digamos que tienes un gran conjunto de datos con alimentos, pero no sabes en qué categorías te gustaría dividirlos. El algoritmo puede buscar similitudes, por ejemplo: frutas y verduras. Esto serían dos categorías. En última instancia, esto se puede subdividir aún más, por ejemplo, la fruta se puede clasificar en cítricos y frutas exóticas.

El aprendizaje por refuerzo es una forma de aprendizaje automático en la que una máquina aprende a base de ensayo y error. Con el aprendizaje por refuerzo, el modelo se optimiza mediante la retroalimentación de acciones y experiencias previas. Normalmente, la optimización se basa en recompensas, lo que significa que algunas acciones pueden proporcionar experiencias más significativas, por ejemplo, que un ratón reciba queso al salir de un laberinto. El modelo se actualizará a sí mismo utilizando esta retroalimentación para optimizar las recompensas, dependiendo de la acción a emprender.

Para dar un ejemplo impresionante de cómo se utiliza realmente el aprendizaje por refuerzo, explicaremos cómo se enseña a un ordenador a terminar un nivel de Super Mario. Al modelo se le enseña que cuanto más tiempo se juegue a un nivel y más puntos recoja, mejor. Así, el algoritmo empieza a jugar. Cada vez que "muere" en el juego, sabe que tiene que hacer mejoras en ese punto. Cuando el algoritmo va ganando más puntos en el juego, esto se considera una recompensa. En ese momento, el algoritmo sabe que debe volver a intentar esas jugadas. Al final, el algoritmo ha aprendido a terminar una partida de Super Mario por ensayo y error.

Esta tecnología confiere a una máquina la capacidad de ver. La visión artificial capta y analiza la información visual mediante una cámara, la conversión analógico-digital y el procesamiento digital de señales. A menudo se compara con la vista humana, pero la visión artificial no está limitada por la biología y puede programarse para ver a través de paredes, por ejemplo. Se utiliza en diversas aplicaciones, desde la identificación de firmas al análisis de imágenes médicas. La visión por ordenador, centrada en el procesamiento de imágenes basado en máquinas, suele confundirse con la visión artificial.

Los vehículos autónomos utilizan una combinación de visión por ordenador, reconocimiento de imágenes y aprendizaje profundo para desarrollar habilidades automatizadas para pilotar un vehículo mientras permanece en un carril determinado y evita obstáculos inesperados, como peatones.