Blog

Inteligencia artificial: glosario de términos

El concepto de inteligencia artificial o computación autónoma ha estado en la mesa de los científicos desde la década del 50. La diferencia hoy es la capacidad de computación para hacerla posible.

La IA se refiere a un campo específico de ingeniería informática que se centra en la creación de sistemas capaces de recopilar datos, tomar decisiones y resolver problemas. Vamos a mencionar algunos términos básicos que definen la naturaleza de lo que es la IA y que seguramente ya nos están resultando familiares.

Algoritmo

El núcleo de donde parte la inteligencia artificial. Son las fórmulas matemáticas y/o comandos de programación que indican a una computadora cómo resolver problemas. Son las reglas para enseñar a las computadoras cómo resolver situaciones o problemas.

Aprendizaje automático

Se define como la capacidad de las computadoras de aprender y actuar como los humanos. Esto incluye el desarrollo de su aprendizaje en forma autónoma a lo largo del tiempo, proporcionándoles datos como interacciones del mundo real y otro tipo de observaciones.

Aprendizaje profundo

Es el resultado del trabajo de una red neuronal. A medida que las capas procesan los datos, más allá de entender qué es algo, la IA comienza a aprender el por qué. Hay diferentes ejemplos de aprendizaje profundo:

  • la visión artificial es una aplicación de aprendizaje profundo que puede "entender" imágenes digitales.
  • el caso de Amazon, que utiliza este aprendizaje para analizar la actividad de compra de sus clientes y ofrecer así recomendaciones de productos.

Aprendizaje reforzado

Implica dar a la IA un objetivo que no está definido con una métrica específica, sino que se requiere encontrar una solución o mejorar la eficiencia. En lugar de encontrar una respuesta específica, la IA ejecutará varias hipótesis e informará los resultados para evaluar y ajustar las siguientes suposiciones.

Aprendizaje supervisado

En el modelo de IA se proporciona la respuesta correcta con anticipación: la IA conoce tanto la pregunta como la respuesta. Este método de preparación es el más común, porque define los modelos de pregunta y respuesta ofreciendo la mayor cantidad de datos.

Aprendizaje sin supervisión

Los modelos de IA pueden aprender por sí mismos, sin tener que alimentarles estructuras predefinidas. Utilizan capas y capas de información no estructurada, procesan los datos, establecen las relaciones existentes entre ellos y encuentran un patrón en los mismos.

Autonomía

Los dispositivos con IA aplican el término "autónomo" cuando no necesitan ayuda de las personas; esa autonomía se clasifica en diferentes niveles. Los coches autónomos, por ejemplo, alcanzan un nivel 4 de autonomía cuando no necesitan una persona para funcionar a plena capacidad y por tanto no tienen volante ni pedales.

Caja negra

La IA, mediante las reglas que aplica, realiza matemática compleja que genera información útil para tomar sus decisiones. Aunque ni siquiera podemos entender a veces el proceso por el que llega a esos datos, sí conocemos las reglas por las cuales llega a ese resultado. Este proceso se conoce como un aprendizaje de caja negra (black box).

Procesamiento natural del lenguaje

Solamente una red neuronal avanzada es capaz de analizar y comprender la estructura del lenguaje humano; esta interpretación y su procesamiento resulta indispensable para servicios de traducción, chatbots o asistentes de IA como Alexa o Siri.

Red neuronal

Con un diseño similar al sistema nervioso y al cerebro humanos, una red neuronal organiza las etapas de aprendizaje para dar a la IA la capacidad de resolver problemas complejos dividiéndolos en niveles de datos. Las redes neuronales aplican la táctica de la división en conjuntos de datos más pequeños para ir superando cada capa de su aprendizaje.

Test de Turing

Muchos de los expertos en IA tienen reservas sobre el desarrollo de la inteligencia artificial. Alan Turing, el padre de la computación moderna, también las tenía, y desarrolló una prueba para evaluar si las máquinas podían comportarse de una manera similar al ser humano. En el test un humano evalúa las conversaciones entre humano y máquina, y trata de distinguir cuál es cuál. En 2014, un chatbot logró superar el test.

Transferencia de aprendizaje

Este término se refiere a cómo la IA puede almacenar el conocimiento adquirido al resolver un problema y utilizarlo luego para solucionar otra situación, distinta pero relacionada con el primer caso. Por ejemplo, si un modelo de IA aprende a reconocer automóviles, ese conocimiento le facilitará posteriormente el reconocimiento de otro tipo de vehículos, como pueden ser los camiones.

La IA y su avance sin límites

En resumen, la IA no es un término acuñado en la era digital. Hoy en día representa un cambio fundamental en nuestra trayectoria como especie gracias a los avances tecnológicos. Su posicionamiento en los próximos años afectará notablemente a los modelos de negocio y a la productividad personal.