¿Buscas una explicación breve y sencilla sobre qué es la Inteligencia Artificial? No la hay, pero vamos a intentarlo. Conocemos la IA como todos aquellos algoritmos informáticos que tienen como propósito imitar y replicar la inteligencia humana. ¿Algo más simple? La Inteligencia Artificial pretende que las máquinas piensen y actúen como un ser humano. Parece sencillo, pero nada más lejos de la realidad. Más allá de esta definición que se podría sacar de cualquier glosario de términos, la Inteligencia Artificial tiene un trasfondo de tal complejidad que, de hecho, es una materia que apenas estamos comenzando a dominar.

Hoy más que nunca, la Inteligencia Artificial tiene una importancia capital debido en buena parte a la cantidad ingente de datos que se están generando. La cantidad es tal, que la capacidad de los humanos para absorber, procesar e interpretar esos datos para tomar decisiones de valor, se ha visto ampliamente rebasada. En potencia bruta de cálculo, la diferencia entre una persona y una máquina es incuestionable, pero los ordenadores hace tiempo que también son extremadamente eficientes cuando se trata de tomar la decisión adecuada basándose en datos.

Inteligencia Artificial, breve introducción y contexto

 

En 1872, se publicó de forma anónima Erewhon: O al otro lado de las montañas, una novela de Samuel Butler que plasmó un mundo distópico en el que las máquinas adquirían consciencia sobre sí mismas y que eran capaces de autorreplicarse. En ningún momento se habla de inteligencia artificial, claro, pero parecía que la semilla ya estaba plantada y germinando.

Al ser humano siempre la ha fascinado, aunque quizás también atemorizado, la Inteligencia Artificial. Probablemente por puro desconocimiento, y también debido a la influencia de, precisamente, la literatura y el cine, siempre se ha tenido una visión algo catastrofista sobre este concepto.

El origen de la Inteligencia Artificial es, desde luego, mucho menos derrotista y seguramente también menos espectacular. En 1956, un grupo de científicos de Darmouth College en EE. UU, puso en marcha la primera investigación registrada sobre Inteligencia Artificial (Dartmouth Summer Research Project on Artificial Intelligence). También fue la primera vez que se acuñó el término de Inteligencia Artificial que ya nos resulta tan cotidiano como familiar. El objetivo del proyecto era lograr un sistema que describiera de forma detallada y precisa la inteligencia humana para que así pudiera ser asimilada, entendida y, sobre todo, simulada por una máquina. Quizás por ambicioso, el proyecto no cumplió con su propósito, pero sí fue el punto de partida hacia su ‘ramificación’. De pretender construir una IA genérica que abarcase toda la inteligencia humana, se pasó a idear varias más especializadas. De hecho, los avances y los resultados positivos comenzaron a llegar cuando se trabajó en aspectos concretos como el procesamiento del lenguaje o las redes neuronales.

Ahora que ya sabes lo que es la Inteligencia Artificial…

 

Teniendo más claro lo que es la Inteligencia Artificial, seguro que a tu cabeza vienen otras muchas preguntas. ¿Qué tipos existen? ¿Hay diferentes técnicas? ¿Qué aplicaciones tiene? ¡Lo vemos!

Tipos de Inteligencia Artificial

 

Stuart J. Russell y Peter Norvig, expertos en computación, son dos de las personas que más contribuciones han hecho al campo de la Inteligencia Artificial en las últimas décadas. Juntos publicaron en 1994 Inteligencia Artificial: un enfoque moderno, un libro de referencia que aún hoy se sigue estudiando en universidades y facultades tecnológicas de todo el mundo. En dicho libro se hace una catalogación ampliamente aceptada sobre los diferentes tipos de Inteligencia Artificial:

  • Sistemas que piensan como humanos, o aquellos que automatizan actividades relacionadas con la toma de decisiones, la resolución de problemas y el aprendizaje. En máximo exponente de este tipo de IA se encuentra en las redes neuronales artificiales.
  • Sistemas que actúan como humanos, o máquinas realizando tareas de una forma parecida, idéntica o incluso superior, a como lo harían los humanos. ¿El mejor ejemplo? Los robots.
  • Sistemas que piensan racionalmente, o sistemas creados para emular el pensamiento lógico y racional que caracteriza a los humanos. Se busca que las máquinas perciban, razonen y actúen en función de su entorno. Los Sistemas Expertos ejemplifican esto a la perfección.
  • Sistemas que actúan racionalmente, aquellos que imitan el comportamiento humano de una forma racional. Aquí destacan los denominados agentes inteligentes.

Técnicas de Inteligencia Artificial

 

Existen múltiples técnicas que se aplican en función del ámbito y de las necesidades, pero algunas de las más utilizadas y versátiles son:

  • Machine Learning o aprendizaje automático: algoritmos creados para identificar patrones en datos y, en base a ellos, realizar predicciones, diferenciar y segmentar grupos de datos. El fin último es lograr que la máquina aprenda por sí misma, sin supervisión humana.
  • Lógica Heurística: se trata de una técnica que toma dos valores aleatorios que comparten contexto y que se encuentran referidos entre sí. El ejemplo que se utiliza siempre para comprender a qué se refiere esta técnica es el siguiente: una persona que mida 2 metros es una persona alta si antes se ha identificado a una persona de 1 metro como una persona baja.
  • Sistema experto: utiliza conocimientos procedentes de los humanos que proporcionan soluciones a problemas muy, muy concretos y aplica el razonamiento tal y como lo haría una persona.
  • Minería de datos: sistemas que realizan una labor de sondeo, exploración y preparación en volúmenes de datos de gran tamaño con el fin de extraer información valiosa que no sea visible en primera instancia.
  • Redes neuronales artificiales: un modelo computacional formado por un conjunto de nodos que procesa y envía información entre sí. En cada uno de dichos nodos se realizan operaciones. Estos modelos están inspirados en las redes neurológicas biológicas propias del ser humano y formados por varios elementos que se comportar de una forma similar a como lo harían las neuronas humanas. Están preparados para adquirir conocimiento a través del estudio, el ejercicio y la experiencia. En conjunto, las redes son capaces de resolver problemas mediante representaciones abstractas de datos.
  • Procesamiento del lenguaje natural (NLP): rama de la IA basada en la lingüística computacional, utilizada para procurar que las máquinas entiendan e interpreten el lenguaje humano.

 

Hablamos de Inteligencia Artificial desde una perspectiva diferente

 

The AI Hierarchy of Needs, por Monica Rogati

La Jerarquía de necesidades de Maslow es una teoría que diferencia y clasifica las necesidades de las personas en distintos niveles (cinco, para ser exactos) en función de su importancia. Así, en el nivel más bajo de la pirámide (que es como se suele representar esta teoría) encontraremos las necesidades fisiológicas básicas del ser humano para, a continuación, encontrar en niveles superiores aquellas que se refieren a la seguridad, la afiliación, el reconocimiento y, por último, la autorrealización.

Este modelo se ha aplicado en diferentes ámbitos, desde el entorno empresarial hasta el marketing, por poner un par de ejemplos, y Monica Rogati, reputada data scientist y consultora de Inteligencia Artificial, lo aplicó recientemente y con éxito también a esta disciplina.

Rogati quería responder a una pregunta crucial para muchas empresas: ¿Cómo utilizar la Inteligencia Artificial y el aprendizaje automático para mejorar nuestros procesos? El problema es que, antes de ‘aplicar’ IA a cualquier proceso dentro de una empresa, hay que cubrir una serie de necesidades previas para las que la mayoría no están preparadas.

Así, representado en la Pirámide de Maslow, podemos ver que el primer nivel se corresponde con la recolección de datos. Pero antes de recolectar información, hay que saber qué se necesita y cómo se recoge.

El siguiente paso, según este modelo, sería establecer los flujos de datos a través del sistema y saber dónde se almacenan. Después, hay que procurar que el acceso a ellos sea fácil, rápido y sobre todo confiable.

Una vez que los datos son accesibles, se puede comenzar con el proceso que los explora y que acaba por transformarlos en información valiosa, no sin antes haber realizado las correspondientes e imprescindibles tareas de limpieza de datos, porque, efectivamente, no todos serán útiles.

Después, el siguiente nivel: analiza, analiza y analiza. Establece métricas, segmenta, detecta patrones, etiqueta. Todo ello servirá para, posteriormente, entrenar el modelo de aprendizaje automático adecuado.

Cuando dicho modelo posee la información suficiente, es el momento de iniciar una fase de testeo experimental y test A/B. Puede que el modelo funcione a la primera o puede que no. En el peor de los casos, servirá para que siga aprendiendo.

;