ndice:

Resumen.
.2

Introduccin
3
Desarrollo
3

El test de
Turing4

Tipos/niveles de inteligencia
artificial..6

Machine
learning...7
Discusin y
resultados...9

1
Conclusin.1
1
Lecturas
recomendadas.12
Bibliografa...1
2

Resumen
En el mbito de las ciencias de la computacin se denomina como inteligencia
artificial a la facultad de razonamiento que ostenta un agente que no est vivo, tal es
el caso de un robot, por citar uno de los ejemplos ms populares, y que le fue
conferida gracias al diseo y desarrollo de diversos procesos gestados por los seres
humanos. Cabe destacarse que adems del poder de razonar, estos dispositivos son
capaces de desarrollar muchas conductas y actividades especialmente humanas
como puede ser resolver un problema dado, practicar un deporte, entre otros.

El concepto de Inteligencia Artificial, tambin conocido por las siglas AI, se le debe al
informtico estadounidense John McCarthy, quien en el ao 1956 lo pronunci por
primera vez en una conferencia causando un gran impacto en el mbito de la
tecnologa. A partir de ese entonces, el concepto se disemin fantsticamente por el
mundo y por ello hoy es tan comn su uso cuando queremos referirnos a aquellas
mquinas o aparatos dotados de una inteligencia smil a la de los seres humanos.
McCarthy adems del concepto aport muchsimos conocimientos de vanguardia al
campo de la inteligencia artificial.

Ahora bien, es importante destacar que nos podremos encontrar con diversos tipos
de inteligencia artificial, como ser: sistemas que piensan como los seres humanos

2
(se ocupan de imitar el pensamiento humano, siendo un ejemplo las redes
neuronales artificiales, que justamente imitan el funcionamiento del sistema
nervioso), sistemas que actan como los humanos (son aquellos que imitan el
comportamiento del hombre, el ejemplo ms claro es el del robot), sistemas que
piensan de modo racional (se caracterizan por imitar el pensamiento lgico de los
humanos, es decir, en una cuestin concreta razonan como expertos. Se los emplea
especialmente a la hora de buscar mejoras en la calidad y en la rapidez de un
servicio) y sistemas que actan de manera racional (imitan de manera racional el
comportamiento de una persona, siendo capaces de percibir el entorno y actuar en
consecuencia).

Introduccin
En este trabajo prctico se hablar de la inteligencia artificial, un tema que siempre
se actualiza y evoluciona a travs de los aos, el cual se basa en el estudio de las
ciencias de la computacin focalizado en la inteligencia exhibida por mquinas. A lo
largo del Trabajo Practico se estudiarn, detallaran y analizaran las etapas por las
que ha ido transitando la inteligencia artificial, desde que Alan Turing comenz a
idear su concepcin y hasta los descabellados avances que se han logrado y que se
seguirn logrando en la actualidad. Adems de ello, iremos abordando ejemplos de
la inteligencia artificial aplicada y de otros subcampos de estudio interesantes que
han ido apareciendo en el rea de la computacin relacionados con el tema, como es
el caso del machine learning.

Desarrollo

3
Para el desarrollo podemos empezar por el punto de partida cronolgico sobre el
tema , la Inteligencia Artificial surge definitivamente a partir de algunos trabajos
publicados en la dcada de 1940 que no tuvieron gran repercusin, pero a partir del
influyente trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva
disciplina de las ciencias de la informacin.
Si bien las ideas fundamentales se remontan a la lgica y algoritmos de los griegos, y
a las matemticas de los rabes, varios siglos antes de Cristo, el concepto de
obtener razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se
obtienen lgicas formales suficientemente poderosas y a mediados del siglo XX, se
obtienen mquinas capaces de hacer uso de tales lgicas y algoritmos de solucin.
En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar
una mquina? era demasiado filosfica para tener valor y, para hacerlo ms
concreto, propuso un juego de imitacin. En la prueba de Turing intervienen dos
personas y una computadora. Una persona, el interrogador, se sienta en una sala y
teclea preguntas en la terminal de una computadora. Cuando aparecen las
respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra
persona o por una computadora. Si acta de manera inteligente, segn Turing es
inteligente. Turing, seal que una mquina podra fracasar y an ser inteligente.
Aun as, crea que las mquinas podran superar la prueba a finales del siglo XX.
De todas maneras, esta prueba no tuvo el valor prctico que se esperaba, aunque
sus repercusiones tericas son fundamentales. El enfoque de Turing de ver a la
inteligencia artificial como una imitacin del comportamiento humano no fue tan
prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento
racional, de manera similar, en el campo de la aeronutica se dej de lado el enfoque
de tratar de imitar a los pjaros y se tom el enfoque de comprender las reglas
de aerodinmica. Aunque desde luego, el enfoque del comportamiento humano y el
del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y
continan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.

El test de Turing, un punto de partida en el

desarrollo del concepto de inteligencia
artificial:
El Test de Turing nace como un mtodo para determinar si una mquina puede
pensar. Su desarrollo se basa en el juego de imitacin.
La idea original es tener tres personas, un interrogador, un hombre y una mujer. El
interrogador est apartado de los otros dos, y slo puede comunicarse con ellos
escribiendo en un lenguaje que todos entiendan. El objetivo del interrogador es
descubrir quin es la mujer y quien es el hombre, mientras que el de los otros dos es
convencer al interrogador de que son la mujer.

4
La variante introducida por Turing consiste en sustituir a uno de los interrogados por
un ordenador. Se pueden dar dos casos, que se sustituya al hombre, con lo cual slo
el ordenador tendra que aparentar ser una mujer, o que se sustituya a la mujer, con
lo cual tanto el hombre como el ordenador estaran imitando. Aunque esta ltima
opcin podra ser un experimento interesante, no se intenta comprobar la habilidad
de imitar a una mujer, as Turing cambia el objetivo de conocer el sexo por el de
reconocer la mquina. La finalidad de estos cambios es hacer el juego lo ms justo
posible. Lo primero, es que no tiene que consistir en un concurso de engaos, por lo
que uno de los implicados no tendra por qu aparentar ser otra cosa. Otro detalle es
que a Turing poco le importa si el ordenador emplea trucos preestablecidos para
eludir o manipular las respuestas (por ejemplo, equivocndose en preguntas
aritmticas o tardando ms tiempo del necesario en responderlas). Supone que el
interrogador tambin les emplear para reconocerle, as que lo importante es lo que
resulta del juego, no los mtodos que se emplean para jugar ni los mecanismos
internos de razonamiento, que, entre otras cosas, tambin son desconocidos en el
ser humano.

Una mquina podra pasar el test de Turing cuando el interrogador no lograra

reconocerlo en un nmero significativo de ocasiones.

Objeciones:

Nada ms aparecer el Test de Turing, tambin salen a la luz las primeras crticas. La
mayora de ellas estaban basadas en temas ticos y religiosos, y muchas de las
posiciones ms crticas venan de personas que consideraban que el ser humano era
muy especial y que ninguna mquina podra ni siquiera acercarse a las capacidades
de este.

5
Una de las primeras objeciones es matemtica. El teorema de Gdel afirma que en
un sistema lgico con la suficiente potencia se pueden crear frases que no pueden
ser ni probadas ni refutadas dentro de l. Sin embargo, Turing afirma que de los
errores o confusiones tampoco est libre la mente humana, y esto merma la
capacidad intelectual.

Otra dificultad es la falta de conciencia. Se afirmaba que para que una mquina fuera
mentalmente activa debera tener conciencia, tanto de s misma como de los dems,
y generar sentimientos positivos o negativos sobre la informacin que le llega o las
acciones que realiza. El solipsismo es una radicalizacin de esta idea, que sostiene
que la nica manera de saber si una mquina piensa es ser esa mquina. El
problema es que, siguiendo esta idea, la nica manera de saber si otro ser humano
piensa es ser ese ser humano, lo que se conoce como el problema de las otras
mentes. Turing afirma que, si entre los seres humanos se considera polticamente
correcto obviar el solipsismo, tambin debera hacerse con las mquinas. Y cmo la
nica forma de resolver el problema de la falta de conciencia es el solipsismo, lo ms
adecuado es que tampoco se considere.

Con la objecin de Lady Lovelace se quiere mostrar la idea de que las mquinas
nunca podran generar nada nuevo, sorprendente o distinto. Como dice Turing (y
como cualquiera que haya utilizado, por ejemplo, un programa de clculo estructural
o simplemente conocidos sistemas operativos de ventanas, podra ratificar), el
ordenador, siendo una mquina, puede sorprender continuamente. Aunque esto no
puede considerarse como un proceso mental creativo, puede que la creatividad se
realice en la mente del observador, y no en el generador. Por ejemplo, tanto puede
sorprender un libro como una persona o un coche.

Al problema de que la mquina sea un sistema discreto mientras que la mente

humana un sistema continuo (problema de la continuidad del sistema nervioso),
Turing responde que cualquier sistema continuo se puede discretizar con suficientes
recursos de forma que no se note la diferencia entre uno y otro.

Para finalizar, se puede hablar del problema de la informalidad de la personalidad. El

comportamiento humano no puede describirse con un conjunto de reglas tiles en
cualquier situacin. La respuesta de Turing consiste en que hay diferencias entre
reglas de conducta (por ejemplo, con el semforo en rojo, pare) y reglas de
actuacin. Las reglas de conducta pueden enumerarse, pero no las de actuacin,
porque, entre otras cosas, muchas se desconocen. Pero Turing tambin afirma que
an con unas pocas reglas de actuacin en un sistema discreto las respuestas
pueden ser totalmente inesperadas y distintas, de forma que, al igual que en un ser
humano, no se pueden prever.

Las predicciones de Turing:

6
El artculo de Turing recoge muchos comentarios audaces sobre las posibilidades de
la inteligencia de las mquinas, que en aquel momento muchas parecan de ciencia
ficcin. Turing crea a los computadores capaces de desarrollar tareas humanas y de
un modo humano, que las dificultades de disear mquinas pensantes eran
principalmente de programacin y que las "proezas" que l esperaba de las
mquinas seran realizables en un futuro previsible (como ajustar su propio programa
o predecir el efecto de alteraciones en su propia estructura).
Lo que en 1950, en trminos de velocidad y capacidad en ordenadores era
inimaginable, es ahora realidad. Sin embargo, las predicciones de Turing sobre
mquinas y el Juego de Imitacin, son todava un desafo (Turing pens que en unos
50 aos habra mquinas que "jugaran" tan bien al Juego de Imitacin que un
interrogador no tendra una probabilidad mayor al 70 % de realizar la adecuada
identificacin tras cinco minutos de cuestiones)

Tipos/niveles de inteligencia artificial:

Mquinas reactivas
Sin duda, el estadio ms bsico de la inteligencia artificial. Ni se almacenan recuerdos
ni se utilizan para la toma de decisiones. El gran exponente fue Deep Blue, la mquina
que bati a Kasparov, por entonces campen del mundo de ajedrez. Su misin es
simplemente actuar a partir de lo que ven. Otro ejemplo es AlphaGo, perfecto para
comprobar que el funcionamiento no tiene en cuenta el historial de cada jugador, sino
que las predicciones siempre funcionan de la misma forma.

Mquinas con memoria limitada

La memoria limitada es un ejemplo de la inteligencia artificial de los coches
autnomos, segn el autor. Los coches s tienen un mundo sobre el que recordar
aspectos como autovas o semforos, y a l aaden los detalles del momento
presente, con datos sobre peatones o coches de alrededor. De momento, tampoco se
almacenan como recuerdos, aunque de cara al futuro podra ser til en una misma
ciudad antes de alcanzar un nivel de inteligencia superior.

Mquinas con una teora de la mente

Este nivel comprende aquellas mquinas que son capaces de entender y expresar las
emociones e ideas que del mundo a la vez que son capaces de tenerlas propias,
adaptadas al mundo y respetando lo existente, pudiendo as trabajar en equipo y
formar parte del da a da a da de los seres humanos.

Mquinas con conciencia propia

El nivel mximo, en el que las mquinas son capaces de verse a s mismas con
perspectiva en su entorno, de manera interna y siento capaces de predecir
comportamientos y sentimientos ajenos. El sector est muy lejos de esto, la
pregunta es cundo llegar.

7
Machine learning:
A grandes rasgos podramos decir que el Machine Learning o aprendizaje
automtico es un tipo de Inteligencia Artificial dirigido al desarrollo de tcnicas para
que las mquinas puedan aprender y tomar decisiones por s mismas.
Este aprendizaje es posible gracias a la deteccin de patrones dentro de un conjunto
de datos de manera que es el propio programa el que predice qu situaciones
podran darse o no. Estos clculos son los que les permiten aprender para,
finalmente, generar decisiones y resultados fiables.

Machine Learning Supervisado y Machine Learning no Supervisado:

El Machine Learning es un campo muy amplio. Su rpida expansin est haciendo,

adems, que este se vea continuamente dividido en diferentes especialidades entre
las que cabe destacar:
Machine Learning Supervisado. Es el ms utilizado y requiere de intervencin
humana para la creacin de etiquetas en el histrico de datos de manera que la
mquina pueda predecir un resultado probable a partir de las mismas. Este
mtodo se utiliza, por ejemplo, para la prediccin de posibles reclamaciones en
sistemas de atencin al cliente.
Machine Learning no Supervisado. El aprendizaje no supervisado es menos
comn y utiliza datos histricos que no han sido etiquetados. El objetivo es
encontrar patrones a partir del propio anlisis de datos. Un uso muy frecuente es
el de segmentacin de clientes con atributos similares para campaas de
marketing.
Como resultado, lo que obtenemos son predicciones de alto valor que derivan en
acciones inteligentes a tiempo real.

Cul es el impacto del Machine Learning en los negocios?

En pocas palabras, podra afirmarse que su impacto est siendo y ser enorme. A
corto plazo lo ms probable es que el Machine Learning se siga empleando como
una solucin adquirida. Sin embargo, a largo plazo ser muy posible encontrar
mtodos de Machine Learning diseados a medida segn las necesidades de cada
empresa.

Existen ciertos sectores en los que el Machine Learning resulta clave para la toma de
decisiones. En el mbito quirrgico, por ejemplo, resultara de gran utilidad a la hora
de decidir si es conveniente llevar a cabo una operacin partiendo de la tasa de xito
y de las caractersticas personales de pacientes anteriores. En el campo de los
negocios sus aplicaciones son de lo ms diversas permitiendo desde establecer en
qu fechas es mejor subir o bajar los precios de acuerdo a la demanda.

8
Aplicaciones del Machine Learning

El aprendizaje automtico prcticamente cuenta con tantas aplicaciones como

imaginemos, pudindose adaptar a tantas situaciones como datos con los que
contemos.

Motores de bsqueda, diagnsticos mdicos, reconocimiento del habla y del

lenguaje, robtica Entre otras, stas son algunas de las actividades de nuestro da
a da que se ven impulsadas por el machine learning:

Deteccin de rostro. Podemos verlo en nuestras cmaras mviles.

Reconocimiento facial, de voz o de objetos.
Buscadores. Para mejorar los resultados y sugerencias de bsqueda.
Anti-spam. Mediante el uso de etiquetas.
Anti-virus. Para la deteccin de software malicioso.
Gentica. Por ejemplo, en la clasificacin de secuencias de ADN.
Prediccin y pronsticos. De clima, trfico o para evitar fallos tecnolgicos en
equipos.
Comprensin de textos. Se aplica a resmenes estructurados de noticias o
comentarios sobre un tema especfico.
Vehculos autnomos y robots.
Mtodos de optimizacin ms rpidos y flexibles. Se evala qu momento es
el adecuado para una tarea concreta.
Anlisis de imgenes de alta calidad.
Anlisis de datos econmicos. Para operar en el mercado de valores o evitar el
fraude en transacciones.
Anlisis de comportamiento de consumo y productividad. Para la
identificacin de clientes potenciales, prever qu empleados pueden ser ms
rentables, adaptar servicios a las necesidades del usuario

9
El Machine Learning resulta especialmente efectivo en problemas de naturaleza
compleja en los que la aplicacin de algoritmos ayuda a la obtencin de soluciones
precisas y, claro est, con el consecuente ahorro de tiempo que este mtodo implica.

Redes informaticas neuronales

A pesar de su nombre, las redes neuronales no tienen un

concepto demasiado complicado detrs de ellas. El nombre,
como podis imaginar, viene de la idea de imitar el
funcionamiento de las redes neuronales de los organismos
vivos: un conjunto de neuronas conectadas entre s y que
trabajan en conjunto, sin que haya una tarea concreta para
cada una. Con la experiencia, las neuronas van creando y
reforzando ciertas conexiones para "aprender" algo que se
queda fijo en el tejido.

Ahora bien, por bonito que suene esto, el enfoque biolgico no

ha sido especialmente til: las redes neuronales han ido
movindose para tener un foco en matemticas y estadstica.
Se basan en una idea sencilla: dados unos parmetros hay una
forma de combinarlos para predecir un cierto resultado. Por
ejemplo, sabiendo los pxeles de una imagen habr una forma
de saber qu nmero hay escrito, o conociendo la carga de
servidores de un Centro de Procesamiento de Datos (CPD), su
temperatura y dems existir una manera de saber cunto van
a consumir, como haca Google. El problema, claro est, es
que no sabemos cmo combinarlos.

Las redes neuronales permiten buscar

la combinacin de parmetros que

10
 mejor se ajusta a un determinado
problema.

Las redes neuronales son un modelo para encontrar esa

combinacin de parmetros y aplicarla al mismo tiempo. En el
lenguaje propio, encontrar la combinacin que mejor se ajusta
es "entrenar" la red neuronal. Una red ya entrenada se puede
usar luego para hacer predicciones o clasificaciones, es decir,
para "aplicar" la combinacin.

Para entender bien cmo funciona esta red vamos a ir con un

ejemplo. Supongamos que sois alumnos de una clase en la que
el profesor no ha dicho exactamente cmo va a poner las notas.
Para empezar, supongamos que slo habis hecho dos
exmenes y tenis la nota de cada uno de ellos y la final.

La unidad bsica de la red neuronal: el perceptrn. Las entradas son las dos notas, n1 y n2, cada
una con su correspondiente peso wn (lo que hay que encontrar). La salida, nf, ser 1 si est
aprobado y 0 si se va a septiembre.

Cmo usamos una red neuronal para saber cunto vale cada
examen? Aqu nos bastar con la unidad fundamental de la red
neuronal: el perceptrn. Un perceptrn es un elemento que

11
tiene varias entradas con un cierto peso cada una. Si la suma
de esas entradas por cada peso es mayor que un determinado
nmero, la salida del perceptrn es un uno. Si es menor, la
salida es un cero.

En nuestro ejemplo, las entradas seran las dos notas de los

exmenes. Si la salida es uno (esto es, la suma de las notas
por su peso correspondiente es mayor que cinco), es un
aprobado. Si es cero, suspenso. Los pesos son lo que tenemos
que encontrar con el entrenamiento. En este caso, nuestro
entrenamiento consistir en empezar con dos pesos aleatorios
(por ejemplo, 0.5 y 0.5, el mismo peso a cada examen) y ver
qu resultado da la red neuronal para cada alumno. Si falla en
algn caso, iremos ajustando los pesos poco a poco hasta que
est todo bien ajustado.

Por ejemplo, si un alumno con muy buena nota en el segundo

examen ha suspendido el curso, bajaremos el peso del
segundo examen porque claramente no influye demasiado.
Poco a poco acaberemos encontrando los pesos que se ajusten
a las notas que puso el profesor. La idea del ajuste o
retroalimentacin es ir adaptando la red a la informacin
"oculta" que tienen los datos que le pasamos para que
aprenda.

Como deca antes, esto es el ejemplo simple. Quizs queramos

complicarlo ms, poniendo ms exmenes (ms nodos de

12
entrada) o queriendo sacar ms resultados, como pueda ser un
perceptrn cuya salida sea uno si el alumno tiene matrcula de
honor.

Multiplicando la potencia: redes multicapa

El ejemplo que he puesto antes funciona pero no se puede
decir que sea demasiado potente. Pero quizs es que es
demasiado simple. No decamos al principio que las redes
neuronales eran un grupo de neuronas conectadas entre s?
Cmo se logra esa "conexin" en las redes neuronales?

El concepto que nos falta aqu es el de las capas. Y para

explicarlo vamos a seguir con nuestro ejemplo del profesor que
pone notas sin decir cmo, aadiendo un trabajo que haba que
entregar.

Resulta que se da una situacin curiosa. Hay dos alumnos que

tienen la misma nota en los exmenes, dos dieces, pero uno
tiene un 7 en el trabajo y otro un 4. El del 7 ha aprobado el
curso, pero el del 4 no. Hay un alumno que tiene un 10 en el
trabajo y 4.99 en los dos exmenes y que est suspenso.

Podemos intentar entrenar una red neuronal como la de antes

todo lo que queramos en esta situacin que no va a funcionar
bien. Es posible que funcione en muchos casos, pero no va a
ser perfecta. Y es que parece que la nota del trabajo no influye
salvo que lo suspendas, en cuyo caso ests suspenso
directamente. Es un filtro, un uno o un cero que tenemos que
sacar en la red neuronal antes de poder dar el resultado de
aprobado o suspendido en el curso... Ya deberais ver por
dnde van los tiros.

Efectivamente: necesitamos ms capas. Necesitamos un

perceptrn intermedio que nos diga si el trabajo est aprobado

13
o no, y contar eso en el perceptrn de salida. Una posiblidad
sera una red como la siguiente:

El primer perceptrn mira si la nota del trabajo multiplicada por

menos uno es mayor que menos cinco (o, lo que es lo mismo,
si la nota es menor que cinco). Si lo es, entonces su salida es
uno. Al multiplicarla por menos diez en la entrada del segundo
perceptrn, forzar siempre un suspenso. Si el trabajo est
aprobado, la salida del primer perceptrn ser 0 y no afectar a
la media de los exmenes.

Qu hemos logrado con esto? O, ms generalmente, para

qu nos sirven las capas? Lo que hemos logrado ha
sido aadir informacin que no estaba antes. Cogemos los
datos de entrada, los exploramos y sacamos las caractersticas
que mejor nos ayuden a entender qu est pasando.

Lo ms interesante de las capas es algo que aqu no hemos

visto. En el ejemplo he puesto otra capa muy burdamente, pero
lo que se suele hacer es poner varias con varios nodos, cada
uno conectado a todas las entradas anteriores. Lo bueno viene
cuando, durante el proceso de aprendizaje, cada
capa "aprende" a encontrar y detectar las caractersticas
que mejor ayudan a clasificar los datos. En nuestro ejemplo,
durante el ajuste la primera capa aprendera que los alumnos
con el trabajo suspenso suspenden el curso. Si cogisemos
una red para detectar nmeros escritos a mano, puede que las

14
capas ocultas aprendiesen a detectar trazos rectos o curvados
que sirvan para decidir si estamos ante un uno o un ocho, por
ejemplo.

Ms all de perceptrones: sigmoides, redes profundas y

redes convolucionales

En rojo, la funcin "escaln". En azul, la sigmoide, una aproximacin ms suave pero con la
misma idea.

Como siempre, hasta ahora nos hemos centrado

en simplificaciones para entender bien los conceptos de redes
neuronales. En la realidad, las cosas se complican bastante.
Por ejemplo, se dejan de usar perceptrones para usar otras
"neuronas" con un comportamiento ms suave, usando
funciones como la sigmoide. La idea es que pequeos
cambios en los pesos provoquen pequeos cambios en la
salida de la red, para as poder hacer ms "fcil" el aprendizaje.

Las capas tambin se complican. Nos podemos

encontrar varias capas intermedias con varias neuronas cada
una, llegando a lo que llaman "redes neuronales profundas". La
idea es que con ms capas con ms neuronas cada una se
pueden mejorar las predicciones en conjuntos de datos ms
complicados. Este artculo, por ejemplo, explica desde un punto

15
de vista visual y matemtico cmo afectan las multiples capas y
unidades al funcionamiento de la red neuronal.

El siguiente paso son redes convolucionales, que estn

funcionando muy bien en reconocimiento de voz y
procesamiento de imgenes. En una red neuronal como las que
hemos visto antes, pondramos una neurona para cada pxel de
una imagen y despus pondramos varias capas con varias
neuronas, todas conectadas entre s, para tratar de encontrar
un nmero en una foto, por ejemplo. El problema es que no es
demasiado efectivo (imaginaos todos los pesos que habra
computar para una red que acepte imgenes de 1920x1080
pxeles).

La idea de las redes convolucionales es tratar de buscar

caractersticas locales en pequeos grupos de entradas (en el
caso de las imgenes, de pxeles), como puedan ser bordes o
colores ms o menos homogneos. Es la misma idea que
comentbamos cuando introducamos las capas unos prrafos
ms arriba, pero con una variacin: buscamos caractersticas
no en toda la imagen sino slo en pequeas regiones. Adems,
buscamos siempre detectar la misma caracterstica en todos los

16
grupos, por lo que podemos repetir esa estructura y reducir los
ajustes que tenemos que hacer.

Para llevar a cabo esta idea, ponemos un mismo grupo de

neuronas por cada grupo de entradas (por ejemplo, un
cuadrado de 3x3 pxeles en una imagen o una secuencia de 4
mediciones en un archivo de sonido). La idea es que todos los
elementos que metamos en la capa (llamada capa de
convolucin) tienen los mismos pesos por cada entrada, y se
reduce considerablemente el nmero de parmetros. Si
metemos ms capas, la red neuronal podr descubrir ms y
ms complejas caractersticas de la imagen: se puede
empezar por colores o bordes orientados y acabar con capas
que se activan con formas circulares o cuadradas, por poner un
ejemplo.

Despus de las capas de convolucin se suele poner otra red

neuronal "tradicional", que ahora tendr ms fcil el trabajo: no
tiene que valorar cada pxel por separado sino que mira a un
conjunto de caractersticas de alto nivel de la imagen. Ya no se
trata de decidir si la imagen es un coche sabiendo que el pxel
1208 es amarillo y el 1209 es verde, sino quizs sabiendo que
hay una forma rectangular en la imagen con dos formas
circulares en la parte inferior. De nuevo, se trata de extraer la
informacin "oculta" en la entrada para tratar de encontrar
qu es lo que define esos datos.

17
Una nueva poca dorada para redes
neuronales?

Las redes neuronales no son una idea nueva. Datan de los

aos 40 y 50, cuando se empezaron a publicar los primeros
conceptos. Sin embargo, nunca tuvieron un gran xito, ms que
nada porque se necesita una cantidad importante de
recursos de un ordenador para entrenar y ejecutar una red
neuronal con buenos resultados.

En los ltimos aos se han conseguido grandes avances

gracias a la mejora de los ordenadores y al uso de GPUs para
este tipo de computaciones. Hace poco os hablbamos en
Xataka de los pies de foto generados por ordenador gracias a
una red neuronal de convolucin (para el reconocimiento de
imagen) junto con una red neuronal recurrente para formar las
frases. Los investigadores de Stanford usaron tarjetas GPU
para poder entrenar y ejecutar este tipo de redes neuronales en
un tiempo razonable.

18
Reconocimiento de nmeros, de voz,
de objetos en imgenes... las redes
neuronales estn empezando a
resolver problemas que se le
escapaban a los ordenadores.

Algo parecido mont Google con Street View: una red

neuronal convolucional que lograba una precisin del 96% a
la hora de reconocer nmeros de calle en las imgenes que
toman sus coches. Los de Mountain View estn bastante
enamorados de las redes neuronales, de hecho: tambin las
usaron para mejorar el reconocimiento de voz de Android o
para ahorrar electricidad en sus centros de datos.

Las redes neuronales parece que incluso podran

acabar dominando uno de los juegos que se les resiste a los
ordenadores: el juego de Go. En la Universidad de Edimburgo,
unos investigadores han logrado usar redes convolucionales
para detectar patrones en los tableros y tratar de sacar el mejor
movimiento con una efectividad considerable: 90% de juegos
ganados contra GNU Go y 10% contra Fuego, dos de los
programas que mejor juegan a Go. Aunque pueda parecer
poco, hay que tener en cuenta que ambos exploran un buen
nmero de movimientos posibles para ver cul da ms ventaja.
La red neuronal slo mira al estado actual del tablero y emite un
veredicto en muchsimo menos tiempo.

19
Por supuesto, estas redes tampoco son la panacea. A modo
de curiosidad, unos investigadores usaron una red neuronal
para generar imgenes que engaaban a otra red neuronal
diseada para reconocer objetos. As, lo que a nosotros nos
parece una imagen aleatoria, para la red neuronal es un bikini o
un armadillo. Es parte del problema del sobreajuste: redes que
se comportan muy bien para los datos de ejemplo o parecidos,
pero que con datos muy distintos dan resultados absurdos.

Sea como sea, es un campo muy interesante y que

promete bastantes avances a corto plazo sobre todo en
reconocimiento de imagen y de sonido. Estaremos atentos para
ver qu sorpresas nos deparan.

El proceso de Ensearle a las maquinas

Podemos decir que la parte ms importante de una inteligencia

artificial es la capacidad de aprender, de cambiar su
comportamiento en base a nueva informacin. Es, en cierto
sentido, la parte ms espectacular de todo esto: ver cmo a
medida que se entrena un sistema mejora y acaba siendo
capaz de hacer cosas para las que no se le haba programado
explcitamente.

Aunque hay muchas herramientas que hacen que un sistema

"aprenda", hay una bastante sencilla que nos resulta muy til.
Los sistemas antispam muchas veces usan lo que se llama

20
un clasificador bayesiano ingenuo. Este algoritmo es la
aplicacin de un teorema probabilstico, el Teorema de Bayes,
que para los propsitos de este artculo no nos interesa
demasiado. Este clasificador, como su nombre indica, lo que
hace es clasificar. Obviedades aparte, lo podemos usar para
clasificar un correo electrnico como spam o como "no spam".

Y cmo lo hace? Usando un enfoque bastante intuitivo. Del

correo extraemos varios datos, como por ejemplo cuntas
veces aparece cada palabra. Entonces, miramos cunto valen
esos datos en otros correos que hayamos marcado como
spam. Si en todos ellos aparece siempre la palabra "Viagra" y
en el que estamos analizando tambin aparece, entonces es
ms probable que el correo sea spam. Fcil y sencillo. Para
mejorar el algoritmo, se tiene en cuenta tambin cual es la
probabilidad de que un correo aleatorio sea spam: si el 99% de
los mensajes que recibimos lo son, entonces es muy probable
que el que estemos analizando lo sea aunque no tenga muchas
palabras "sospechosas". Por el contrario, si apenas recibimos
spam, necesitaremos evidencias ms fuertes para clasificarlo
como spam.

Pero lo interesante del clasificador es cmo aprende. Cada

vez que pulsas el botn "esto es spam" o "esto no es spam" se
actualizan esos valores para mejorar la clasificacin. Con cada
indicacin que le das sobre la naturaleza de un correo, va
aprendiendo mejor a distinguir unos de otros.

La cuestin es que, aunque esto parezca muy sencillo, en el

fondo nos dice cmo aprenden muchos de los sistemas de
inteligencia artificial, principalmente los de clasificacin. Se le
pasan unos datos y su clasificacin esperada, y se ajustan los
valores del sistema para que "absorba" ese conocimiento y
pueda aplicarlo a nuevas entradas. Las redes neuronales, que
ltimamente estn dando resultados muy interesantes, aplican

21
esa misma idea: van ajustando poco a poco los pesos de sus
"neuronas" hasta que sale lo que se espera.

El aprendizaje automtico imita

nuestro comportamiento, aunque sin
las limitaciones de la imaginacin y la
intuicin

Aunque este enfoque pueda parecer simple, es en realidad muy

potente. En el fondo, no es ms que imitar nuestro proceso
de aprendizaje, pero sin las limitaciones de nuestra
imaginacin, prejuicios e intuicin. As, los sistemas de
aprendizaje automtico son capaces de extraer las
caractersticas ms importantes y sintetizar la informacin que
reciben. Como ejemplo, slo hay que ver los grandes avances
que se han logrado en reconocimiento de voz con redes
neuronales profundas. Estos sistemas pueden ser entrenados:
se les alimenta con "pedazos" de audio y su transcripcin para
que aprendan cmo funciona el habla. As extraen reglas que,
aunque probablemente incomprensibles y extraas para
nosotros, sirven para identificar palabras mucho mejor que
otros modelos inspirados en supuestos de cmo funciona
nuestro lenguaje y nuestra voz.

22
Por desgracia, no todo es perfecto, y el aprendizaje automtico
no es siempre tan directo como "pasar unos datos, que aprenda
y ya". Es, de hecho, ms arte que ciencia. El principal problema
que uno se puede encontrar es el del sobreajuste: un sistema
que funciona perfectamente con los datos de ejemplo pero que
funciona terriblemente mal con otros datos. Por ejemplo,
nuestro clasificador antispam podra tener un problema para
funcionar en el mundo real si lo entrenamos con los correos de
un comercial de Viagra. Otros casos son todava ms curiosos,
como por ejemplo las redes neuronales que clasifican imgenes
abstractas como si fueran un bikini o un mando de televisin.

El otro problema es ver qu tipo de clasificador usar. Resulta

que no hay ningn "clasificador supremo". Las redes
neuronales son bastante relevantes por los resultados que
consiguen, pero no son las nicas ni los mejores algoritmos
para ciertos problemas. Por ejemplo, para identificar la
estructura de las protenas, las mquinas de vectores de
soporte (SVM) dan mejores resultados que las redes
neuronales. Y para la clasificacin de spam los mtodos
bayesianos y de aprendizaje estadstico consiguen muy buenos
resultados con una implementacin muy sencilla.

23
Creando conocimiento nuevo: deduccin y
razonamiento
Aprender est muy bien, pero no podemos dejar de lado algo
muy interesante: razonar y hacer deducciones para aadir ms
conocimientos al sistema. La primera opcin es usar la
lgica. Hay hasta varios lenguajes de programacin dedicados
a ello. El ms conocido es Prolog, con un paradigma muy
distinto al de lenguajes ms habituales.

La idea es que en lugar de darle instrucciones de cmo hacer

algo, simplemente le damos algunas reglas lgicas y hechos y
el sistema deduce las soluciones. Por ejemplo, se puede
resolver el problema del granjero, el lobo, la cabra y la col que
cruzan el ro sin decirle cmo. Simplemente se escriben las
reglas del acertijo formalmente: tienes que decirle a Prolog qu
significa eso de "cruzar el ro" y qu estados no estn
permitidos (es decir, tienes que decirle que el lobo no puede
estar con la cabra, ni la cabra con la col). Despus, le explicas
qu es lo que quieres: una lista de movimientos que lleven a
todos de un lado del ro a otro. Por ltimo, le preguntas si existe
alguna serie de movimientos que resuelvan ese acertijo y, por
arte de magia, te responde.

No es, por supuesto, magia. Prolog usa las reglas de la lgica

para razonar (todo sea dicho, bastante ms rpido que t y
que yo) y ver cul es la solucin. De esta forma, evitas tener
que decirle cmo resolver la pregunta. Puede parecer un ahorro
trivial, pero no lo es cuando tienes montones de hechos, reglas
y preguntas posibles: un sistema lgico puede enfrentarse a
preguntas que su creador ni siquiera habra imaginado.

Sin embargo, aqu nos encontramos con varios problemas. El

primero es fcil de ver: hay que tener el conocimiento base. No

24
nos sirve de nada razonar si no tenemos nada sobre qu
hacerlo. Hay que crear esa base, y puede no ser fcil. Por un
lado, es complicado enumerar todas las reglas y relaciones de
un campo en concreto. Por otro, puede ser difcil escribirlo
formalmente y ordenarlo para que un ordenador lo
entienda. Pensadlo: serais capaces de expresar sin lugar a
dudas todo lo que sabis?

Hay otro problema adicional, y es que el mundo real

(especialmente el mundo que percibimos y del que hablamos
los humanos) no se adapta del todo bien a algo tan estricto
como la lgica. No hace falta decir que los humanos somos de
todo menos lgicos, y que no todo es verdadero o falso.

Para lo primero hay poco que hacer, pero lo segundo s tiene

solucin: la lgica difusa. Pongamos que somos parte de un
equipo para desarrollar un asistente de voz estilo Siri, Cortana o
Google Now, y nos dicen que tenemos que lograr que el
asistente responda al usuario cuando pregunte si tiene que
ponerse un abrigo para salir a la calle y/o llevar paraguas.

Parece fcil: si hace fro lleva abrigo, y si llueve lleva paraguas.

Ahora bien, qu temperatura es exactamente "hace fro"? Y
vamos a hacer llevar al pobre usuario un paraguas si estn
cayendo cuatro gotas, cuando podra llevar slo el abrigo?
Pero, como sabemos si caen cuatro gotas o llueve a
cntaros? Hacemos que el usuario saque el mvil por la
ventana a ver qu pasa?

25
 En la prctica, no hay
una temperatura en la que de repente deja de hacer calor y se est templado. La lgica difusa
nos permite trabajar con estos conceptos imprecisos, como "hace fro".

La lgica difusa permite trabajar con

conceptos imprecisos como "mucho
fro" o "llueve poco"

Para solucionarlo, en lugar de complicarnos tratando de definir

esos conceptos imprecisos que a los humanos se nos dan
tambin, lo que hacemos es aceptarlos en nuestro sistema y
trabajar con ellos. Usando lgica difusa, escribiremos reglas
del estilo "si hace calor, no lleves abrigo", "si llueve poco, lleva
abrigo" o "si llueve mucho, lleva paraguas". Por debajo, esos
predicados no se transforman en "s o no", sino que se le
asignan grados en un rango entre 0 y 1 (o 0-100%, por
comodidad). Por ejemplo, a la pregunta de "hace calor" nuestro
sistema de lgica difusa no respondera "s", sino algo como
"50%". Igualmente, la accin no sera o llevar o no llevar abrigo,
sino llevarlo con un cierto grado intermedio (por supuesto, luego
transformaramos eso en acciones concretas para evitar decirle
al usuario "lleva un 80% de abrigo y un 20% de paraguas").

26
Aunque podis pensar que os estoy tomando el pelo, en
realidad esto es muy til porque refleja bien nuestro
razonamiento humano. Por ejemplo, si est lloviendo un poco
ms que cuatro gotas pero hace mucho calor, nuestro asistente
nos dira que no llevemos nada: como hace mucho calor, la
opcin "llevar abrigo" pierde puntos, por as decirlo, y a pesar
de que llueva algo la recomendacin sera no llevar abrigo.

La lgica difusa sirve

hasta para simular de manera realista el comportamiento de grandes grupos de gente, como en
esta escena de El Seor de los Anillos.

Precisamente por parecerse ms a nuestro pensamiento, la

lgica difusa ha tenido bastantes usos. Uno muy famoso es el
de control de ciertos trenes de metro en Japn, ms eficiente y
suave que los conductores humanos. Tambin ha servido para
darle algo ms de vida a pelculas tan famosas como la triloga
de El Seor de los Anillos, creando enormes grupos de
personajes animados en 3D que se mueven y responden de
forma realista en funcin de lo que tienen a su alrededor.

27
Cuando el ordenador habla tu idioma:
procesamiento de lenguaje

Todava nos falta una parte de los sistemas inteligentes: la

comunicacin natural. Es quizs la parte ms llamativa, la que
permite que un ordenador se comunique con nosotros y
nosotros con l, sin tener que aprender lenguajes de
programacin ni miles de comandos con poco sentido. Este es
el rea de la IA llamada procesamiento de lenguaje natural.

La primera parte es que el ordenador sea capaz de entender

una frase natural. Hay varias posibilidades para lograrlo. Una
de ellas, la ms simple, es buscar coincidencias en una base de
datos de acciones predefinidas. En otras palabras, que cuando
a tu programa de control por voz le dices "Reproducir la lista de
rock", lo que har ser detectar la palabra "reproducir", la
palabra "lista" y "rock" y, usando instrucciones que los
programadores han incluido explcitamente, buscara en tu
msica una lista que sea "rock" y lo reproducir.

La cuestin es que ese enfoque es limitado. No podemos decir

que un sistema es inteligente si lo nico que hemos hecho ha
sido preprogramarle las respuestas explcitamente. Queremos

28
que un sistema nos entienda incluso las frases que "oye" o "lee"
por primera vez.

Para resolver este problema, una de las tcnicas ms

interesantes que se usa consiste en usar algo que deberais
recordar del instituto: anlisis sintctico. Conociendo la
estructura del lenguaje, la gramtica, un ordenador puede
convertir una frase como "Cul es la sede del ministerio que
se encarga de la agricultura en Espaa?" en una consulta que
le haga buscar, entre los ministerios de Espaa, el que entre
sus responsibilidades tiene "agricultura" y que de l saque la
propiedad "sede".

Recordis el anlisis sintctico del

instituto? Eso mismo se puede usar
para que un ordenador "entienda" lo
que le quieres decir

El sistema necesitar tambin el significado de las palabras.

El anlisis sintctico le puede decir que el "ministerio" est en
"Espaa", pero necesitara saber que "Espaa" es un pas para
poder entender qu significa exactamente eso de "estar en
Espaa".

Algo as es lo que haca el sistema SHRDLU, creado en 1971.

Usando la gramtica del ingls, el sistema era capaz de
entender las preguntas y rdenes que se le daban sobre un
mundo virtual con varios objetos, como cubos y pirmides.

29
 Este es el mundo virtual
de SHRDLU, que entiende el lenguaje natural. As, es capaz de mover objetos o apilarlos unos
sobre otros en base a lo que le pidas, o responderte preguntas como "Dnde est el cubo
verde?".

Es una tarea compleja, como podis imaginar. Hay que tener

bien organizadas y clasificadas las palabras y todos sus
posibles significados (lo que se llama el lxico). Hay que tener
en cuenta las ambigedades y lo que se da por supuesto en el
lenguaje, y tambin el contexto. Por ejemplo, qu hara un
ordenador con la frase "La primera planta de la casa est hecha
un desastre"? Podemos estar hablando de una planta vegetal o
del primer piso, eso depende del contexto. Adems, el
ordenador debera saber que "estar hecho un desastre" es una
frase hecha y no queremos decir que la planta que tenamos en
una maceta se haya convertido en un huracn o algo as.

Para saltarnos estos problemas, muchas veces se

usan tcnicas que no requieren tanto "entendimiento" del
lenguaje. Identificacin de palabras claves o nombres,
resmenes, clasificacin de frases o anlisis de sentimientos
son algunas de las tcticas que se usan para que un ordenador
"entienda" lo que un humano le est queriendo decir.

Un ejemplo es el sistema IBM Watson, capaz de jugar y ganar a

humanos en un concurso llamado Jeopardy! que consiste en
responder a preguntas tipo trivia sobre varios temas lo ms

30
rpido posible. Para ello, Watson usa varias tcnicas para
entender la pregunta y otras tantas para buscar la respuesta en
su base de datos. Si varias tcnicas proporcionan la misma
respuesta, el sistema la da por buena. Es un enfoque
pragmtico: como es difcil simular la mente humana, es mejor
usar varias tcnicas distintas que, aunque no sean "inteligentes"
y no entiendan realmente lo que se pregunta, s sean capaces
de dar respuestas y no sean tan complejas de programar.

La otra parte del procesamiento del lenguaje es recorrer el

camino en sentido contrario: generar un texto natural que
represente el conocimiento que quiere transmitir el sistema.
Igualmente, aqu hay varios enfoques: desde el uso de plantillas
predefinidas (por ejemplo, un asistente de voz cuando le
preguntas qu tiempo va a hacer responde "Hoy/maana/el da
X va llover/hacer sol/nevar/diluviar") hasta sistemas que, de
nuevo, "entienden" la gramtica y traducen su representacin
formal a una estructura sintctica y despus buscan en el lxico
las palabras que necesitan para crear la frase.

31
Juntando los bloques y creando
"inteligencia"

A lo largo de este artculo hemos ido comentando algunas

tcnicas (no todas, y por supuesto no con completa precisin)
para lograr ciertos aspectos de un sistema "inteligente". Lo que
falta es unirlos para crear sistemas completos.

Por ejemplo, cmo funcionan los asistentes de voz como

Cortana, Siri o Google Now? Por un lado tienen que pasar tu
voz a un texto, y despus entender ese texto y hacer una
accin. Para lo primero, usan redes neuronales (Apple est en
proceso de hacerlo con Siri) bastante complejas, que entrenan
con muchsimos sonidos para que traduzcan voz a texto de
forma eficiente. De hecho, envan algunos comandos que t le
dictas a telfonos a humanos que los interpretan y se lo pasan
de vuelta a la red neuronal para mejorarla todava ms.

La otra parte de este tipo de asistentes es el procesamiento del

lenguaje, usando las tcnicas que veamos para tratar de
"entender" qu es lo que quieres. Ahora bien, de lo que no son
capaces es de mantener una conversacin y razonar. Eso es

32
un nivel ms alto, que requiere las tcnicas lgicas de
deduccin.

El sistema SHRDLU que comentbamos antes s llegaba a ese

nivel. Una vez que la parte de procesado de lenguaje traduca
las frases en representaciones formales, aada los nuevos
hechos a su base de conocimiento y era capaz de "aprender"
que, por ejemplo, no puedes poner un cubo encima de una
pirmide. En base a esos hechos y propiedades, SHRDLU era
capaz de responderte a preguntas como "Qu puedo poner
encima de un cubo?" usando su base de conocimientos y la
lgica para hacer deducciones.

El coche autnomo, que ahora est muy de moda, tambin

puede usar la inteligencia artificial para funcionar. Por un lado,
puede tener sistemas de aprendizaje automtico para detectar
coches y peatones basndose en la informacin de sensores y
cmaras: as, no hay que programar directamente los patrones
para ver que esos pxeles en la imagen son un peatn, sino
decirle al sistema en qu imgenes hay peatones y dnde
estn colocados para que "aprenda" a detectarlos. Adems,
pueden usar lgica difusa para controlar la navegacin y la
conduccin de forma suave, similar a como conducira una
persona.

33
Por supuesto, aqu no est todo lo que existe o hace falta para
crear "inteligencia", pero s que hemos logrado ver, a grandes
rasgos, qu es lo que se est haciendo para avanzar en ese
camino hacia la imitacin de la inteligencia humana.

Ejemplos de IA y Machine Learning :

Algoritmos de bsqueda de Google:

Despus de haber descripto la teora sobre la inteligencia artificial, estamos aptos
para poder ver el desarrollo de la misma en la prctica, como por ejemplo el
algoritmo que utiliza google para realizar su tarea principal, la de bsquedas en lnea:

La compaa Google ha explicado cmo funciona el algoritmo de su buscador de

Internet. A travs de una web interactiva, el equipo de Mountain View explica los
distintos pasos que lleva a cabo Google desde que el usuario introduce palabras
clave en la barra de bsqueda hasta que el buscador ofrece las pginas de
resultados. Para el director ejecutivo de Google, Larry Page, "el perfecto motor de
bsqueda entendera exactamente qu es lo que quieres decir y darte exactamente
lo que buscas". Por ello, desde Google se ofrecen cada vez mayores mejoras en la
bsqueda semntica, pretendiendo mostrar lo que exactamente el usuario est
buscando de entre todo el contenido que existe en Internet.
Para explicar el proceso que el buscador lleva a cabo desde que el usuario escribe
su bsqueda hasta que obtiene los resultados, Google ha distinguido varias fases en
su proceso interno de rastreo: el 'crawling' (que traducido literalmente significa
"gateo", de "gatear") y la indexacin, los algoritmos, y la lucha contra el 'spam'. El
perfecto motor de bsqueda entendera exactamente qu es lo que quieres decir y
darte exactamente lo que buscas Durante la primera fase, el proceso de bsqueda
de Google comienza a realizar un rastreo de las ms de 30 billones de pginas
existentes en Internet, cifra que se encuentra en continuo crecimiento. En este
proceso, Google busca, en nfimas fracciones de segundo, los enlaces pgina a
pgina. Mientras, los propietarios de stas son los que deciden si el buscador puede
'gatear' en su web establecindolo as en su cdigo. Tras el "gateo", Google clasifica
las pginas segn su contenido y otros factores manteniendo una monitorizacin de
todas las pginas que se encuentran 'indexadas', las cuales constituyen cerca de
ms de 100 millones de GB de contenido. Adems de la informacin obtenida
mediante el "gateo" a travs de las pginas webs, Google tambin recoge
informacin acerca del mundo 'real' como la recogida por el sistema de StreetView o
el contenido de millones de textos procedentes de gran cantidad de libros

34
almacenados en libreras de todo el mundo. Para la segunda fase del proceso de
bsqueda, Google pone en marcha sus programas y frmulas para ofrecer el mejor
resultado posible en el momento en el que el usuario escribe sus caracteres de
bsqueda. A travs de algoritmos, la compaa de Mountain View intenta "entender
mejor" lo que el usuario pretende buscar. Estos algoritmos realizan distintas tareas
entre las que se encuentran: deletrear la bsqueda, autocompletarla, buscar
sinnimos, buscar y entender las preguntas realizadas. Basndose en estas pistas
dadas por los algoritmos, el buscador extrae los documentos relevantes de aquellos
indexados ordenando los resultados usando hasta 200 factores. Estos algoritmos se
encuentran en continuo cambio a travs del equipo del Laboratorio de Bsqueda que
pretende mejorar los sistemas de bsqueda mediante la aplicacin de nuevos
algoritmos evaluados por los ingenieros de la compaa. Tras la bsqueda realizada
por el algoritmo, se pueden encontrar diversos resultados: grficos de conocimiento,
vistas previas, noticias, respuestas a consultas online, vdeos, imgenes... En las
pginas de resultados tambin se encuentran herramientas como las bsquedas por
voz, las bsquedas avanzadas o las mejoras diseadas para los dispositivos mviles.
Durante la tercera fase, Google lucha contra el contenido que no interesa.
"Luchamos contra el spam 24/7 para mantener sus resultados relevantes", se lee en
el grfico. Pese a que la mayor parte del spam se elimina automticamente, el
equipo de Google tambin examina otros documentos susceptibles de formar parte
de este fenmeno a mano. As, en el momento en el que detectan una pgina de
cualquier tipo de spammer es eliminada de forma manual. En el momento en el que
se toma la accin, se notifica la decisin a los propietarios del 'site' para darles la
oportunidad de arreglar el fallo detectado y notificarlo al equipo de Mountain View.
Desde que en diciembre de 2011 se ampli el concepto de spam a todas sus
categoras, se experiment un aumento en la deteccin de este tipo de pginas
llegando a detectarse en junio de 2012 hasta 655.274 webs fraudulentas. Los ltimos
datos publicados, corresponden al pasado mes de septiembre donde se notificaron
fallos a 398.473 webs.

AutoDraw
Otra herramienta de Google para destacar es un aplicativo web que ha lanzado hace
poco llamado AutoDraw, una herramienta dirigida a personas que no saben dibujar.
Esta plataforma, a la que se puede acceder desde el navegador o descargando
la aplicacin sin cargos adicionales, cuenta con un lpiz inteligente, identifica los
trazos que dibuja el usuario y automticamente te propone dibujos prediseados y
mejorados.

Para esto, emplea la inteligencia artificial que puede leer los grficos que realiza el
usuario. Con esa informacin, recurre a un banco de imgenes desarrolladas por
diferentes artistas y ofrece alternativas para que el dibujante elija la que desee.

35
Adems de esta funcin, se pueden hacer posters, libros de colorear o incluso jugar
al tres en raya.

Una vez que se cuenta con el trabajo terminado, se puede compartir esa creacin en
las redes sociales o bien descargar el archivo al telfono, tablet o computadora.

Esta herramienta ser ms eficiente conforme la vayan utilizando los usuarios

gracias al machine learning, que permite que Auto Draw vaya identificando mejor los
trazos y relacionarlos con los objetos que representan. Podemos ver cmo funciona
en la diapositiva de AutoDraw del trabajo o en el siguiente video de YouTube:

https://www.youtube.com/watch?v=VwRbvVrUXTc

Vehculos autnomos

Durante los ltimos meses se est hablando bastante de ellos a raz de

diversas investigaciones que se estn llevando a cabo. Sin embargo, en una
menor medida hace tiempo que existen vehculos que son autnomos y que
funcionan con normalidad.

36
Por ejemplo, desde hace un tiempo hay unos pequeos vehculos en las
fbricas que se encargan de transportar determinadas piezas de un lugar a
otro. Estos funcionan solos, comnmente guiados por sensores situados en
el pavimento de la fbrica. No se trata de un simple ral por el cual estos
robots se mueven, sino que dentro de los limites tienen una libertad casi
completa y a pesar de esto no se produce choques entre ellos, debido a
otros sensores que llevan y que detectan si en su camino hay algn
obstculo, ya sea otro vehculo o una persona. Y en caso de que as sea, se
paran.

Pero podramos decir que esto es un juego de nios si lo comparamos con la

gran hazaa que supondra tener un coche completamente autnomo
circulando por nuestras calles, con miles de coches a su alrededor y
enfrentndose a todos los imprevistos que pueden surgir en una conduccin
diaria. Como es conocido por todos existen diversos proyectos que tienen
dicho objetivo, lo ms populares son el que est llevando a cabo Google o el
de la Universidad Libre de Berln.

Ambos proyectos han tenido buenos resultados interesantes durante los

ltimos meses y de hecho han sido capaces de realidad pruebas en entornos
reales, aunque tambin ha habido algn que otro percance, cmo el
accidente que tuvo uno de los coches de la compaa estadounidense,
aunque poco despus informaron que este se debi a un fallo humano.

Cmo funciona un coche autnomo

Cada uno de los investigadores de este campo han tomado sus propios
caminos, pero hay elementos en comn en todos los proyectos, decir cmo
funciona un vehculo que se conduce slo a estas alturas es algo que solo
conocen unos pocos, pero si sabemos algunos de los elementos comunes
de estos coches, como los que han usado en el Volkswagen de la
Universidad Libre de Berlin. Los elementos con los que cuenta son los
siguientes:

GPS: una tecnologa que todos conocemos y que muchos utilizamos.

En este tipo de vehculos sern utilizados de forma muy profunda y
han de ser capaces de dar un rendimiento muy bueno, siendo posible

37
 obtener la posicin del coche con una precisin de 30 centmetros.
Este sistema ser, como lo es hoy en da para muchos de los
conductores, el que indique al coche por donde tiene que ir para llegar
a su destino.
Radares: el coche tambin lleva incorporado una serie de radares los
cuales estn situados en diferentes posiciones estrategias por el
exterior del vehculo, lo normal es que estn situadas en el frontal del
vehculo. Estos radares tienen como objetivo detectar obstculos que
pueda haber en el trayecto del coche, los cuales son detectados
estando a cien metros o ms del vehculo.
Cmaras: situada en la parte superior de la luna delantera del coche
hay una serie de cmaras pticas que se encargan de identificar las
seales de trficos y las marcas que hay en la carretera.
Lidar: es un radar que est situado en la parte ms alta del coche y
que tiene va girando a diez revoluciones por minuto. Su alcance es de
100 metros y tiene como objetivo el de dibujar el entorno en el que se
encuentra el coche. Cmo funciona? Se manda un haz laser que
despus de rebotar procesa la informacin la cual ser interpretada
por los procesadores.
Procesamiento: toda la informacin captada por los anteriores
elementos han de ser procesados de forma rpida, para obtener una
respuesta rpida que permita al coche realizar la accin en el menor
tiempo posible. Segn algunos estudios el tiempo de reaccin media
de algunas personas para accionar los frenos es de algo menos de
dos segundos, mientras que el de un vehculo autnomo es de tan
solo 3 dcimas de segundo. Todo ello gracias a la capacidad de
procesamiento que llevan estos vehculos en su interior con unos siete
procesadores de doble ncleo cifra que sube hasta 17 en algunos
casos.
El futuro con estos vehculos
El futuro se presenta prometedor y muy interesante. Las pruebas que se han
realizado en entornos reales parece no haber ido demasiado mal y el
desarrollo sigue, y seguir durante mucho tiempo ya que las investigaciones
que se tienen que realizar son muchas. Pero no hablamos de coches que
van por las carreteras ms lentos que un dos caballos por una autopista. Se

38
ha visto que en determinadas situaciones un coche autnomo puede ir
rpido. Para muestra el siguiente vdeo con el coche de Google.

Evidentemente esta prueba en un circuito cerrado no servir mucho para

compararlo con las condiciones reales de nuestras carreteras, pero si nos
demuestran que el sistema autnomo, bajo esas condiciones, es capaz de
realizar dicho circuito entre los conos de forma rpida sin tirar muchos de
ellos, algo que muchas personas no podran hacer, lo cual ya es un paso.

Sin embargo a diario los conductores se enfrentan a muchas situaciones

diferentes, de todos los tipos y colores, est preparado un automvil de
este tipo para enfrentarse a esos desafos? Por el momento no. Y es que
hay situaciones extremas en las que el sistema no tendra el suficiente
tiempo de reaccin para evitar un impacto, o al menos no tanto como un
humano. En la actualidad sus sistemas son capaces de detectar elementos a
ms de 100 metros, pero queda por ver si son lo suficientemente rpidos a
distancias ms cortas, qu hara ante el cambio de carril repentino del
coche que nos adelanta en una autopista?

Sea como fuere y como he dicho anteriormente el futuro es prometedor y no

debemos ser pacientes. Que algn da haya coches que se puedan conducir
slo ser algo muy importante, un tremendo salto para la calidad de vida de
muchas personas gracias a la inteligencia artificial que lleven estos coches.
Habr a quien no le guste demasiado separarse del volante, como el que os
escribe, pero lo cierto es que ser un importante salto que cambiar nuestras
vidas, las de las personas, la de las grandes ciudades y quien sabe hasta
dnde puede llegar. En este sentido, estamos en el comienzo del camino y
probablemente, los investigadores todava slo estn dando los primeros
pasos,

Aplicaciones de la inteligencia artificial

A continuacin, se enlistan ocho aplicaciones prcticas de la tecnologa en diferentes
segmentos de mercado:

1. Agricultura

39
Simplificar y acelerar la toma de decisin ms importante de negocio de cualquier
productor o ingeniero agrnomo: cundo es el mejor momento para sembrar y
cosechar, o incluso, qu insumos utilizar? Ya existen plataformas especficas para
agroindustria en el mercado que se utilizan de base de datos diversos sobre el tipo
de suelo, semillas y clima para analizar y sugerir el mejor camino a seguir.

2. Logstica y Transporte
En la ciudad de Mountain View, es comn ver coches autnomos recorriendo las
calles cada da. Es muy probable que en los prximos cinco aos sea normal
encontrar miles de estos vehculos circulando en todo el mundo. Adems, trenes,
camiones y otros medios de transporte tambin pueden ser conducidos por robots.

3. Salud y Biotecnologa
En el segmento de salud, la Inteligencia Artificial ayuda a mdicos y pacientes a
tener un diagnstico ms rpido y preciso. Uno de los aspectos ms destacados
es la deteccin del cncer mediante muestras de sangre en los pacientes. El material
recolectado tiene una enorme cantidad de datos que necesitan ser analizados para
encontrar ciertos patrones. La tcnica ayuda a identificar los factores genticos que
podran conducir al desarrollo o no de una enfermedad.

4. Retail
Para hacer pronsticos de ventas y elegir el producto adecuado para recomendarse
a un cliente en particular, son algunas de las capacidades que la IA puede ofrecer
hoy en da. Empresas como Amazon, utilizan robots para identificar si un libro tendr
o no xito, inclusive antes de su lanzamiento. Otra excelente aplicacin para el sector
minorista (y otras industrias) es la optimizacin de inventario, donde la IA puede
ayudar a las empresas a prever ingresos y determinar cunto de un insumo debe
adquirirse.

5. Educacin
Permite la creacin de diferentes tipos de servicios, como saber si un estudiante est
a punto de cancelar su registro o retirarse de un curso, sugerir nuevos cursos para
un estudiante, o incluso, crear ofertas personalizadas para optimizar el
aprendizaje y fomentar la educacin.

6. Servicios Financieros
Las tecnologas inteligentes pueden ayudar a las instituciones financieras a
reconocer los riesgos que un cliente puede representar y hasta predecir patrones
del mercado y sus consecuencias, as como recomendacin de operaciones; todo
ejecutado de forma automtica para tener respuestas y anlisis listos para los
funcionarios.

7. Manufactura y Supply Chain

Realizar un estudio de los productos y las piezas que requieren mantenimiento, aun
antes de la presentacin de problemas, ayudando a las empresas de manufactura
sobre cundo comprar y/o producir, as como predecir impactos y riesgos de
proveedores, son acciones posibles con el uso de la innovacin.

40
8. Asistentes personales virtuales
Todos nosotros somos o seremos afectados por asistentes personales. En los
prximos aos los bancos tendrn empleados digitales ayudndonos a realizar
algunas operaciones y adems, para responder a nuestras preguntas, agilizando as
la atencin al pblico. Con este mismo tipo de apoyo virtual tambin ser
posible organizar mejor los viajes de vacaciones, por ejemplo, planeando y
programando los detalles, tales como vuelos, hoteles y traslados.

http://mundocontact.com/8-aplicaciones-practicas-en-inteligencia-artificial/

Discusin y resultados
Hay varios temas discutibles que giran en torno al concepto de inteligencia artificial
que tienen en vilo a muchos cientficos, expertos de la computacin, socilogos,
psiclogos y dems, ellos son:

1. La sustitucin ya es una realidad

La automatizacin ha ganado la carrera al trabajo humano y mientras

necesitemos una divisa fiduciaria para pagar el alquiler o la hipoteca los seres
humanos sern expulsados del sistema en masa.

Se considera que los nicos sectores libres de este auge son los que requieren de
mayor trabajo manual, como los jardineros, pintores o nieras; de esfuerzo humano
distante como editores, entrenadores o coordinadores; y finalmente las posiciones
directivas ms altas.El resto ser sustituido por la automatizacin, sentencia.
Entretanto Mike Roberts, pionero de internet, cree que "la situacin se complica,
adems, por el fracaso total de los economistas para encontrar cualquier sistema
sostenible alternativo a nuestro moderno modelo consumista y para acabar con la
nocin de que slo se puede cobrar un precio justo por un da de trabajo justo.

41
2. Habr mayor desigualdad

La robtica tendr un impacto notoriamente superior a las anteriores revoluciones

tecnolgicas, asegura el director de la edicin digital de The Economist, Tom
Standage, ya que las anteriores revoluciones tecnolgicas fueron mucho ms lentas,
as que la gente tuvo ms tiempo para adaptarse y moverse de un tipo de trabajo no
cualificado a otro. Pero los robots y la IA amenazan a trabajos cualificados. La
brecha adquisitiva entre los trabajadores cualificados cuyo trabajo no pueda
ser automatizado y el resto se agrandar. Y eso es una receta para la
inestabilidad.
Por citar slo un aspecto del auge de los robots y la inteligencia artificial, el uso
generalizado de coches y camiones con piloto automtico acabar con los
taxistas y los camioneros, la ocupacin nmero uno de los hombres en Estados
Unidos, argumenta Stowe Boyd, el investigador de GigaOM. Por su parte el profesor
de la Universidad de Harvard, Justin Reich, considera que la destruccin de empleo
es inevitable, y que "los empleos que queden se van a pagar peor y van a ser ms
temporales que los que tenemos ahora. La clase media se va a hundir".

Sin embargo la robtica abre las puertas a una nueva realidad

El 52% del informe considera que la tecnologa no destruir empleos, sino que crear
ms de los que podr destruir. Las ocupaciones cambiarn, como cambian a diario, y
as se descubrirn nuevos nichos de empleo. Otros, algo ms escpticos, creen que
la tecnologa no se desarrollar tan velozamente como para preocuparnos por
nuestros empleos en la prxima dcada. Algunos de los argumentos a favor de la
postura son:

1. La tecnologa siempre ha creado trabajo

Alguien tiene que crear y mantener todos estos nuevos dispositivos, indica uno de
los "padres" del internet, Vint Cerf. Histricamente, la tecnologa ha creado ms
trabajos de los que ha destruido y no hay razn para pensar que esta vez no va a
ocurrir lo mismo, sentencia.
Entretanto, el experimentado investigador de Microsoft, Jonathan Grudin explica
que cuando la poblacin del mundo era de 100 millones de personas haba 100
millones de trabajos y aunque siempre va a haber gente en paro, cuando seamos
miles de millones de personas habr miles de millones de trabajos. No va a haber

42
menos cosas que hacer. Si bien los robots pueden acabar con los trabajos en
algn sector, alguien deber desarrollar los propios robots, lo que implica un gran
nicho laboral para el futuro, cualificado y no cualificado.

2. Hay trabajos que no pueden ser hechos por robots

Si bien la mayora considera que la robtica va a acarrear cambios radicales, muchos

consideran que algunas profesiones no peligrarn porque no pueden
automatizarse, entre ellos el pionero en telecomunicaciones y ex coronel del ejrcito
estadounidense, David Hughes, quin explica que por mucho que avance la robtica
y la IA, la mano del hombre seguira siendo necesaria a gran escala.
Sostiene que "la capacidad del ser humano para detectar eventos inesperados y
tomar medidas de urgencia sin depender de la conduccin automtica seguir siendo
necesaria mientras los coches particulares sigan en las carreteras. La directora
del Media Psychology Research Center, Pamela Rutledge, explica que hay cosas
que los robots jams podrn hacer, entre ellas las tareas que requieran
creatividad, capacidad de sntesis, resolucin de problemas, innovacin

3. El avance tecnolgico no tendr un impacto significativo en el mundo

laboral

El cientfico del laboratorio de inteligencia artificial del Instituto Tecnolgico de

Massachusetts (MIT), David Clark, argumenta que el mayor impacto de los robots
ser en el sector servicios, pero que no llegar para la prxima dcada, ya que no
considera que "los dispositivos autnomos vayan a ser verdaderamente autnomos.
Creo que simplemente nos permitirn ofrecer unos servicios de mayor calidad pero
con el mismo nivel de participacin humana".

La mayora de la poblacin permanecer ajena a estas tecnologas en el futuro

cercano, afirma Christopher Wilkison, exfuncionario de la Unin Europea y experto
en internet, puesto que la robtica y la IA tendrn su nicho, sobre todo en
banca, comercio y transporte. El riesgo de error y la imputacin de la
responsabilidad siguen siendo importantes obstculos para la aplicacin de estas
tecnologas en el da a da.

43
4. Las estructuras legales y sociales reducirn el impacto de
la automatizacin

El director de investigacin del Computer Science Laboratory de Xerox, Glenn

Edens, declara que en ltima instancia, necesitamos una base amplia de poblacin
activa, de lo contrario no habr nadie que pueda pagar este nuevo mundo, y esto
debe ser asegurado por los gobiernos, previniendo la destruccin de trabajo hasta un
punto insostenible. Entretanto, el presidente de Tenacity5 Media, Geoff Livingston,
piensa que quizs ya contamos con la tecnologa suficiente para suplir gran parte de
los trabajos, pero la sociedad todava no est preparada para aceptarlo.

Conclusion:
Para concluir con el desarrollo de este trabajo y como opinin personal del tema
expongo que a mi parecer, el tema ha sido bastante desviado de su ncleo central,
creo que el anlisis que se ha estado haciendo sobre un posible ataque de las
maquinas hacia los humanos y dems, ha sido viciado por miles de novelas literarias
y pelculas sobre el tema, donde las maquinas nos toman como sus rehenes de su
deseo de dominarnos y someternos a un castigo o exterminio de la raza humana.
Creo que la inteligencia artificial hace de cierta forma nuestra vida ms sencilla en
aspectos que antes no lo eran y que la gente que defiende la eliminacin de las
nuevas tecnologas tiene cierto pensamiento retrogrado y negacin a los cambios.
Es innegable que la tecnologa y la maquinaria en estos tiempos estn muy
presentes en las sociedades actuales y a mi manera de ver las cosas esas
herramientas deben ser correctamente utilizadas en manos de quienes tienen la
posibilidad de obtenerlas.
Por ello no se debe culpar a las herramientas tecnolgicas de los cambios que
tambin producen desenlaces no satisfactorios, sino que habra que analizar ms de
fondo a quienes las utilizan , con qu responsabilidad y conciencia.

Lecturas recomendadas:
http://www.bbc.com/mundo/noticias/2015/07/150731_tecnologia_vert_fut_prueba_turi
ng_lv

http://www.muyinteresante.es/tecnologia/articulo/ventajas-y-riesgos-de-la-
inteligencia-artificial-651449483429

Bibliografa

44
http://matap.dmae.upm.es/cienciaficcion/DIVULGACION/3/TestTuring.html
http://www.intelygenz.es/que-es-machine-learning-y-que-aplicaciones-tiene-dia-a-dia/
https://blogs.iadb.org/trabajo/2015/10/15/maquinas-frente-a-humanos-donde-esta-el-
limite/
https://www.bbvaopenmind.com/alan-turing-y-el-sueno-de-la-inteligencia-artificial/
http://www.bbc.com/mundo/noticias/2012/06/120621_turing_inteligencia_artificial_lp.s
html
https://www.wikipedia.org/
http://www.20minutos.es/noticia/1751329/0/google/algoritmo/buscador/#xtor=AD-
15&xts=467263
https://hipertextual.com/2011/10/inteligencia-artificial-vehiculos-autonomos
http://mundocontact.com/8-aplicaciones-practicas-en-inteligencia-artificial/
https://www.xataka.com/robotica-e-ia/las-redes-neuronales-que-son-y-por-que-estan-
volviendo
https://www.xataka.com/robotica-e-ia/estos-son-los-tipos-de-algoritmos-clave-en-la-
busqueda-de-la-inteligencia-artificial

45