Todo lo que debes saber sobre inteligencia artificial en 13 palabras

Estos son los términos más importantes de la inteligencia artificial.
Estos son los términos más importantes de la inteligencia artificial.
Estos son los términos más importantes de la inteligencia artificial.

Desde smartphones hasta carros autónomos, no hay duda de que la inteligencia artificial se está tomando nuestra era dispositivo a dispositivo.

Muchos expertos podrán decir que la IA no es una tecnología nueva (algunos investigadores ya estaban desarrollando la computación autónoma en la década de los 50). Pero actualmente tenemos una gran disponibilidad de la computación a la mano. Hace 50 años, los científicos necesitaban computadores que llenaban edificios enteros para hacer lo que hoy podemos realizar con chips del tamaño de una moneda.

Pero ¿qué significa esta posibilidad para todos los que no somos científicos de la computación? Explicar esta pregunta es un poco difícil. De acuerdo con The Next Web, los avances que afectan a todo el planeta, como la IA, se demoran un tiempo antes de que las personas entiendan lo que está sucediendo. Tal como pasó en los 90 con el Internet.

Es por eso que el medio recopiló un excelente glosario con los términos más básicos de la inteligencia artificial. Desde ya, y en los próximos años, comenzarás a ver estas palabras en todas partes, así que no te quedes sin saber qué significan.

1. Inteligencia Artificial

Lo primero, evidentemente, es entender qué es IA. El término ‘inteligencia artificial’ se refiere a un campo específico de la ingeniería de computadores que se enfoca en crear sistemas capaces de recopilar datos, tomar decisiones y/o resolver problemas. Un ejemplo de IA básico es un computador que puede analizar 1.000 fotos de gatos, determinar qué los hace similares y luego poder encontrar fotos de gatos en Internet. Entonces el computador aprende cómo se ve un gato y usa ese conocimiento para encontrar cosas similares.

2. Autónomo

La autonomía, en el campo de la IA, significa que un equipo de computación no necesita de la ayuda de las personas. Los carros autónomos ilustran el término en varios niveles. El nivel 4 de autonomía representa un vehículo que no necesita ni un timón ni pedales. No requiere de un humano dentro para operar a su completa capacidad. Si alguna vez vemos un vehículo que puede operar sin un conductor, pero que tampoco se necesita conectar a ningún servidor, GPS o fuente externa para funcionar, entonces ese sería un nivel cinco de autonomía, dice el medio.

3. Algoritmo

La parte más importante de la IA es el algoritmo. Éstas son fórmulas matemáticas y/o comandos de programación que le informan a un computador convencional no inteligente cómo solucionar problemas con inteligencia artificial. Los algoritmos son reglas que le enseñan a los computadores cómo descubrir cosas por su cuenta.

4. Aprendizaje de Máquinas

inteligencia artificial

Este término, en muchas ocasiones, sustituye a inteligencia artificial. Significan casi lo mismo, con una sutil diferencia. El aprendizaje de máquinas es el proceso específico con el que una IA usa algoritmos para desempeñar funciones de inteligencia artificial. Es el resultado de aplicar reglas para crear resultados a través de IA.

5. ‘Black Box’

Cuando las reglas correspondientes se aplican, un sistema de IA realiza muchas operaciones de matemáticas complejas. Estas matemáticas, por lo general, no la pueden entender los humanos (o a veces no vale el tiempo que nos toma comprenderla). Sin embargo, los sistemas arrojan la información útil que sacaron a partir de esas operaciones. Cuando eso sucede, se le llama aprendizaje de caja negra o ‘black box’.

El aprendizaje ‘black box’ es igual a cuando en el colegio debíamos mostrar el resultado de una operación matemática, sin necesidad de mostrar el cómo llegamos al mismo.

6. Redes Neuronales

Cuando queremos que una IA sea mejor en alguna tarea, creamos una red neuronal. Estas redes están diseñadas para que funcionan parecido al sistema nervioso humano y al cerebro. Usa etapas de aprendizaje para darle al IA la habilidad de resolver problemas complejos divididos en niveles de datos.

El primer nivel de la red puede estar enfocado solamente en algunos pixeles de una imagen y luego busca similitudes en otras imágenes. Una vez que se acaba la etapa inicial, la red neuronal pasa sus resultados al siguiente nivel, que tratará de analizar otros pixeles. El proceso continúa en cada nivel de una red.

7. ‘Deep Learning’

‘Deep Learning’ es lo que sucede cuando una red neuronal se pone manos a la obra. A media que que las etapas procesan los datos, el AI obtiene el conocimiento básico que necesita. En el ejemplo que estamos llevando, si bien le estás enseñando al sistema a reconocer a los gatos, una vez que el AI aprende qué son las patas, el sistema podría aplicar ese conocimiento a otra tarea.

‘Deep Learning’ significa que en lugar de sólo entender qué es una cosa, el sistema comienza a aprender el ‘por qué’. Es decir que profundiza en lo que aprende. Algunas compañías, como Google, usan ‘Deep Learning’ para que sus sistemas de IA logren aprender por sí mismos sin seguir una lista de tareas estipulada. Ese es el caso del proyecto DeepMind (de Google) que le enseñó a un personaje virtual a jugar fútbol, solo mediante su experiencia en el juego.

8. Procesamiento de lenguaje natural

inteligencia artificial

En computación se requiere de una red neuronal avanzada para analizar gramaticalmente el idioma humano. Cuando un sistema IA está entrenado para interpretar la comunicación humana, se le llama procesamiento de lenguaje natural. Este procedimiento es útil para los servicios de chatbots y traducciones, pero también se usa para construir los asistentes como Alexa y Siri.

9. Aprendizaje por Refuerzos

Los sistemas de IA se parecen a los humanos en muchos sentidos. Ambos aprendemos casi de la mismas forma. Uno de los métodos para enseñarle a una máquina, al igual que a los humanos, es usar refuerzos. Esto implica darle al IA una meta que no está definida con una métrica específica, como decirle que ‘mejora su eficiencia’ o que ‘encuentre soluciones’.

En lugar de encontrar una única respuesta específica, el IA reproducirá escenarios y reportará resultados. Esos escenarios y resultados luego son evaluados y juzgados por los humanos. El IA finalmente toma esas críticas y ajusta los próximos escenarios para mejorar sus resultados. Google ha usado esta técnica para ‘entrenar’ a sus sistemas en juegos sencillos como una serie de laberintos virtuales. La máquina ha aprendido a resolver los laberintos mediante la práctica y el error.

10. Aprendizaje supervisado

Cuando se está entrenando a un modelo IA usando un método de aprendizaje supervisado, las personas proveen a la máquina con la respuesta correcta antes de tiempo. Básicamente el IA sabe la respuesta y sabe la pregunta. Este es el método más común de entrenamiento porque abarca la mayoría de datos: define patrones entre preguntas y respuestas. Si quieres saber por qué sucede algo, cómo sucede algo, el IA puede revisar los datos y determinar conexiones usando el método de aprendizaje supervisado.

11. Aprendizaje no supervisado

Con el aprendizaje no supervisado, no le damos al IA una respuesta. En lugar de encontrar patrones que están predefinidos, como ‘por qué las personas eligen una marca sobre otra’, simplemente alimentamos a la máquina con muchos datos para que ella encuentre cualquier patrón que le parezca. Para muchas personas, este tipo de aprendizaje es una de las formas más ‘tenebrosas’ en que las máquinas pueden pensar.

12. Aprendizaje Transfer

inteligencia artificial

Una vez que un IA ha aprendido algo, como determinar si una imagen es un gato o no, puede continuar construyendo su aprendizaje. Esto incluso si no se le pide. Puedes pedirle a un IA que aprenda a distinguir los gatos con una precisión de 90%, por ejemplo. Luego, el sistema podría ponerse a identificar zapatos. Y después de eso podría volver a los gatos y haber mejorado su porcentaje de precisión anterior.

13. Test de Turing

La mayoría de expertos en IA son optimistas sobre el futuro que nos depara la tecnología pero al tiempo son cautelosos y tienen reservar sobre nuestra seguridad, cada vez que los robots se vuelven menos distintos a los humanos.

Alan Turing tenía esas preocupaciones. A pesar de que murió en 1954, su legado nos acompaña de dos formas. La primera es que el es el padre de la computación moderna: ayudó a descifrar los códigos nazis durante la Segunda Guerra Mundial. Y la segunda es que es el creador del Test de Turing. Esta prueba se usa para determinar si un sistema de IA puede ‘engañar’ a una persona para que crea que está viendo o interactuando con una persona real.

Imágenes: Pixabay.

Susana Angulo

Susana Angulo

Antes de Internet ya me gustaban la música clásica, los animales,
cocinar postres, y leer cuentos de terror. La tecnología me ha
permitido ahondar en estas y tantas otras pasiones, que sería un error
pensar en la cultura digital como tema exclusivo de 'geeks'. Soy
periodista de la Universidad del Rosario.

View all posts

Archivos