Tabla de contenidos
La inteligencia artificial es ubicua. Ya sea en asistentes de voz, chatbots, análisis de texto semántico, servicios de transmisión, fábricas inteligentes o vehículos autónomos, la IA cambiará la forma en que damos forma a nuestra vida cotidiana profesional y privada, así como la forma en que hacemos negocios y vivimos juntos como sociedad. La política también declara que la IA es una condición fundamental para nuestra prosperidad futura.
Y aunque cada vez más personas utilizan la inteligencia artificial, solo unos pocos saben qué es exactamente. Esto no es de extrañar: definir la inteligencia artificial es muy difícil. Así como la inteligencia humana no puede describirse claramente (por ejemplo, se hace una distinción entre inteligencia cognitiva, emocional y social), no existe una definición de aplicación general para la inteligencia artificial que todos los actores utilicen de manera coherente.
Más bien, es un término genérico para todas las áreas de investigación que se ocupan de cómo las máquinas pueden proporcionar un rendimiento de la inteligencia humana. Por tanto, la siguiente limitación debería intentar crear algo de claridad y transparencia.
IA: Definición e historia
Históricamente, el término se remonta al científico informático estadounidense John McCarthy, quien en 1956 invitó a investigadores de diversas disciplinas a un taller titulado “Proyecto de investigación de verano de Dartmouth sobre inteligencia artificial” .
El tema principal de la reunión fue: «El estudio debe realizarse sobre la base de la conjetura de que todos los aspectos del aprendizaje o cualquier otra característica de la inteligencia pueden, en principio, describirse con tanta precisión que se puede hacer una máquina para simularlos». La primera piedra se colocó en 1956 para lo que más tarde se convirtió en el campo de la inteligencia artificial.
IA: simulación y automatización de habilidades cognitivas
Hoy en día, numerosas entradas de léxico definen la inteligencia artificial como una rama de la informática que se ocupa de la imitación mecánica de la inteligencia humana. El Oxford Living Dictionary describe la IA de la siguiente manera: «La teoría y el desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones y la traducción entre idiomas».
Mientras tanto, los expertos en inteligencia artificial en investigación y práctica coinciden en una definición de trabajo igualmente abstracta: la inteligencia artificial es la automatización y / o la simulación de habilidades cognitivas, incluida la percepción visual, el reconocimiento y la generación del habla, el razonamiento, la toma de decisiones y la acción, así como en general. También incluyen la adaptabilidad a entornos cambiantes.
El desempeño de estas habilidades cognitivas simuladas y / o automatizadas puede variar mucho. Si bien todavía son muy rudimentarios con asistentes de voz como Alexa y Siri, ya superan con creces las capacidades humanas en algunas áreas, por ejemplo, en medicina al analizar millones de evaluaciones de resonancias magnéticas.
IA fuerte e IA Débil
De una manera muy abstracta, las direcciones de desarrollo de la inteligencia artificial se pueden dividir en dos categorías: IA débil y fuerte. La IA débil (también: IA estrecha) comprende la mayoría de todas las actividades de desarrollo y permite la simulación eficiente de habilidades humanas individuales específicas. La IA fuerte, que tiene las mismas o incluso mayores habilidades intelectuales que los humanos, está actualmente muy lejos de la realidad.
Diferencias y similitudes: IA, Aprendizaje Automático, Aprendizaje Profundo
Los términos aprendizaje automático y aprendizaje profundo están estrechamente relacionados con el término inteligencia artificial. Los términos se utilizan a menudo como sinónimos en debates públicos. Una breve clasificación de conceptos conduce a un manejo transparente de las diferentes terminologías.
Si bien la inteligencia artificial sirve como término genérico para todas las áreas de investigación y desarrollo que, como ya se mostró anteriormente, se ocupan de la simulación y automatización de habilidades cognitivas, el aprendizaje automático y el aprendizaje profundo pueden entenderse más como términos parciales de IA.
El aprendizaje automático en particular a menudo se entiende como congruente con la IA, pero es mucho más una subárea de la misma. Básicamente, la gran mayoría de los avances actuales en las aplicaciones de IA se relacionan con el aprendizaje automático. Por lo tanto, parece aún más útil examinar primero más de cerca el término aprendizaje automático.
Aprendizaje automático
El aprendizaje automático (ML) es una categoría específica de algoritmos que utilizan estadísticas para encontrar patrones en grandes cantidades de datos, conocido como big data. Luego, utilizan los patrones encontrados en los datos históricos (y en el mejor de los casos representativos) para hacer predicciones sobre ciertos eventos, como qué serie le podría gustar a un usuario en Netflix o qué se entiende exactamente por una entrada de voz específica en Alexa.
Con el aprendizaje automático, los algoritmos pueden aprender patrones a partir de grandes conjuntos de datos y encontrar de forma independiente la solución a un problema específico sin que cada caso individual haya sido programado explícitamente de antemano. Con la ayuda del aprendizaje automático, los sistemas pueden generar conocimiento a partir de la experiencia.
Aprendizaje profundo
El aprendizaje profundo se asigna nuevamente al aprendizaje automático como un subtérmino y, por lo tanto, también debe entenderse como una subárea de la inteligencia artificial.
Si bien ML es una especie de algoritmo autoadaptativo que mejora a través de la experiencia o los datos históricos, el aprendizaje profundo tiene la capacidad de fortalecer significativamente el proceso de aprendizaje automático y de capacitarse a sí mismo. La tecnología utilizada para hacer esto se llama red neuronal. Es una especie de modelo matemático, cuya estructura se basa en cómo funciona el cerebro humano.
Redes neuronales y cajas negras
Las redes neuronales contienen numerosas capas de nodos informáticos (similares a las neuronas humanas) que trabajan juntos de manera orquestada para buscar datos y proporcionar un resultado final. Dado que el contenido de estas capas se vuelve cada vez más abstracto y menos comprensible, estas capas también se conocen como capas ocultas. Mediante la interacción de varias de estas capas, se puede formar información «nueva» entre las capas, que es una especie de representación abstracta de la información original o las señales de entrada.
Por lo tanto, incluso los desarrolladores no son capaces de comprender, o solo en una medida limitada, lo que las redes están aprendiendo realmente o cómo llegaron a cierto resultado. Aquí se habla del llamado carácter de caja negra de los sistemas de IA. Finalmente, se distingue entre tres tipos de aprendizaje en máquina y aprendizaje profundo: monitoreado, no supervisado y reforzado.
Límites y posibilidades: ¿Qué puede (NO) hacer la Inteligencia Artificial?
No solo en los discursos de los medios, sino también en los círculos de expertos, a veces hay definiciones bastante diferentes de inteligencia artificial. Sin embargo, las ideas y definiciones poco claras de lo que es y no es la IA, lo que puede y no puede hacer, contribuyen a la incertidumbre más que a la aceptación en la sociedad.
Conducen a un debate a menudo polarizado impulsado por ideas poco realistas. Por tanto, una explicación de los límites y posibilidades de la inteligencia artificial es de la mayor relevancia. Esta es la única forma de evaluar de manera realista el impacto de la IA en la sociedad, la economía, la cultura y la ciencia.
En general, hay grandes esperanzas asociadas con el uso de la inteligencia artificial: los diagnósticos médicos (del cáncer) basados en la inteligencia artificial, por ejemplo, prometen importantes avances en el sector de la salud y en el tráfico por carretera, una reducción de los accidentes o atascos podría llevar a un menor número de muertes en la carretera por un lado y a un número menor por el otro.
Conduce a la contaminación ambiental. La forma en que trabajamos también parece estar enfrentando cambios disruptivos: la IA podría liberar a los trabajadores de un trabajo peligroso y monótono.
Programación de Inteligencia Artificial
Desde una perspectiva de TI, la programación de tecnologías de software basadas en inteligencia artificial es una especie de disciplina suprema. Sin embargo, las herramientas que son útiles para desarrollar la Inteligencia Artificial en muchos casos están disponibles gratuitamente para el público.
El lenguaje de programación Python, de fácil lectura, es de particular relevancia; sus bibliotecas de programación, a las que se puede acceder libremente en la web, permiten la evaluación de grandes cantidades de datos y, por tanto, están predestinadas para el aprendizaje automático.
Los desarrolladores profesionales confían en Tensorflow, una plataforma de código abierto de extremo a extremo para el aprendizaje automático, que también está detrás de las aplicaciones de Google. Tensorflow fue programado originalmente por el equipo de Google Brain para fines internos, pero luego se publicó de forma gratuita y accesible bajo una licencia de código abierto Apache-2.