Вы находитесь на странице: 1из 10

INTELIGENCIA ARTIFICIAL

¿Qué es una inteligencia artificial?

Permite capacitar a un sistema informático y aplicar los conocimientos


adquiridos a nuevos insumos. Esta habilidad se basa en matemáticas y
algoritmos y es aplicable solo a las tareas para las que el sistema ha sido
entrenado

La IA resume los esfuerzos para que los ordenadores piensen como nosotros
pensamos, para poder simular a los humanos y en última instancia, para ser
mejores y más rápidos en la resolución de problemas que nosotros.

Hace posible que las maquinas utilicen la experiencia para el aprendizaje, se


ajusten a nuevos insumos y realicen tareas similares a los humanos.

¿CÓMO DEBEMOS DEFINIR LA IA?

Autonomía

La capacidad de realizar tareas en entornos complejos sin la guía constante de


un usuario.

Adaptabilidad

La capacidad de mejorar el rendimiento aprendiendo de la experiencia.

CAMPOS RELACIONADOS

Además de AI, hay varios otros temas estrechamente relacionados que es bueno
saber al menos por su nombre. Estos incluyen aprendizaje automático, ciencia
de datos y aprendizaje profundo.
Se puede decir que el aprendizaje automático es un subcampo de IA, que en sí
mismo es un subcampo de la informática (tales categorías a menudo son algo
imprecisas y algunas partes del aprendizaje automático podrían pertenecer
igualmente o mejor a las estadísticas). El aprendizaje automático permite
soluciones de IA que son adaptativas. Se puede dar una definición concisa de la
siguiente manera:

APRENDIZAJE AUTOMÁTICO

Sistemas que mejoran su rendimiento en una tarea determinada con más y más
experiencia o datos.

Aprendizaje profundoes un subcampo de aprendizaje automático, que en sí


mismo es un subcampo de IA, que en sí mismo es un subcampo de la
informática. "profundidad" del aprendizaje profundo se refiere a la complejidad
de un modelo matemático, y que la mayor potencia informática de las
computadoras modernas ha permitido a los investigadores aumente esta
complejidad para alcanzar niveles que aparecen no solo cuantitativamente sino
también cualitativamente diferentes de antes. Como notará, la ciencia a menudo
involucra una serie de subcampos progresivamente más especiales, subcampos
de subcampos, etc. Esto permite a los investigadores enfocarse en un tema en
particular para que sea posible ponerse al día con la cantidad cada vez mayor de
conocimiento acumulado a lo largo de los años y producir nuevos
conocimientos sobre el tema.

LA CIENCIA DE DATOS es un término general reciente (término que cubre varias


subdisciplinas) que incluye aprendizaje automático y estadísticas, ciertos
aspectos de la informática, incluidos algoritmos, almacenamiento de datos y
desarrollo de aplicaciones web. La ciencia de datos también es una disciplina
práctica que requiere la comprensión del dominio en el que se aplica, por
ejemplo, en negocios o ciencias: su propósito (lo que significa "valor agregado"),
suposiciones básicas y restricciones. Las soluciones de ciencia de datos a
menudo implican al menos una pizca de inteligencia artificial (pero
generalmente no tanto como cabría esperar de los titulares).

La robótica significa construir y programar robots para que puedan operar en


escenarios complejos del mundo real. En cierto modo, la robótica es el último
desafío de la IA, ya que requiere una combinación de prácticamente todas las
áreas de la IA. Por ejemplo:

 Visión por computadora y reconocimiento de voz para detectar el


entorno.
 Procesamiento del lenguaje natural, recuperación de información y
razonamiento bajo incertidumbre para procesar instrucciones y predecir
las consecuencias de posibles acciones.
 Modelado cognitivo y computación afectiva (sistemas que responden a
expresiones de sentimientos humanos o que imitan sentimientos) para
interactuar y trabajar junto con humanos

Muchos de los problemas de IA relacionados con la robótica se abordan mejor


mediante el aprendizaje automático, lo que hace que el aprendizaje automático
sea una rama central de la IA para la robótica.

¿QUÉ ES UN ROBOT?

En resumen, un robot es una máquina que comprende sensores (que detectan el


entorno) y actuadores (que actúan sobre el entorno) que pueden programarse
para realizar secuencias de acciones. Las personas acostumbradas a las
representaciones de robots de ciencia ficción generalmente piensan en
máquinas humanoides que caminan con un paso incómodo y hablan con un
tono metálico y monótono. La mayoría de los robots del mundo real
actualmente en uso se ven muy diferentes, ya que están diseñados de acuerdo
con la aplicación. La mayoría de las aplicaciones no se beneficiarían de que el
robot tenga forma humana, al igual que no tenemos robots humanoides para
lavar los platos, sino máquinas en las que colocamos los platos para lavarlos con
chorros de agua.
Puede que no sea obvio a primera vista, pero cualquier tipo de vehículo que
tenga al menos cierto nivel de autonomía e incluya sensores y actuadores
también se cuenta como robótica. Por otro lado, las soluciones basadas en
software, como un chatbot de servicio al cliente, incluso si a veces se les llama
"robots de software", no se cuentan como robótica (real).
INTELIGENCIA ARTIFICIAL (IA)

Parte de la informática

APRENDIZAJE AUTOMATICO (MACHINE LEARNING)

El aprendizaje automático generalmente se considera parte de la IA.

Informática

La informática es un campo relativamente amplio que incluye IA, pero también


otros subcampos como la informática distribuida, la interacción humano-
computadora y la ingeniería de software.

CIENCIA DE DATO (DIG DATA )

La ciencia de datos necesita informática y IA. Sin embargo, también involucra


una gran cantidad de estadísticas, negocios, leyes y otros dominios de
aplicación, por lo que generalmente no se considera parte de la informática.

APRENDIZAJE PROFUNDO (DEEP LEARNING)

El aprendizaje profundo es parte del aprendizaje automático.

APRENDIZAJE AUTOMATICO

Desde hace tiempo se entiende que el aprendizaje es un elemento clave de la


inteligencia. Esto vale tanto para la inteligencia natural (todos nos volvemos más
inteligentes al aprender) como para la inteligencia artificial.

I .Los tipos de aprendizaje automático

Tres tipos de aprendizaje automático

Las raíces del aprendizaje automático están en las estadísticas, que también
pueden considerarse como el arte de extraer conocimiento de los
datos . Especialmente los métodos como la regresión lineal y las estadísticas
bayesianas, que ya tienen más de dos siglos de antigüedad (!), Son incluso hoy
el corazón del aprendizaje automático

Aprendizaje supervisado : se nos da una entrada, por ejemplo, una fotografía


con una señal de tráfico, y la tarea es predecir la salida o etiqueta correcta, por
ejemplo, qué señal de tráfico está en la imagen (límite de velocidad, señal de
stop, etc.). En los casos más simples, las respuestas son en forma de sí / no
(llamamos a estos problemas de clasificación binaria ).

Aprendizaje no supervisado : no hay etiquetas ni resultados correctos. La tarea


es descubrir la estructura de los datos: por ejemplo, agrupar elementos similares
para formar "grupos" o reducir los datos a un pequeño número de
"dimensiones" importantes. La visualización de datos también puede
considerarse un aprendizaje no supervisado.

Aprendizaje de refuerzo : se usa comúnmente en situaciones en las que un


agente de inteligencia artificial como un automóvil autónomo debe operar en un
entorno y donde la retroalimentación sobre buenas o malas opciones está
disponible con cierto retraso. También se usa en juegos donde el resultado
puede decidirse solo al final del juego.

Las categorías son algo superpuestas y difusas, por lo que un método particular
a veces puede ser difícil de ubicar en una categoría. Por ejemplo, como su
nombre lo indica, el llamado aprendizaje semisupervisado es en parte
supervisado y en parte no supervisado.
RERDES NEURONALES

¿Qué son las redes neuronales?

Para comprender mejor el todo, comenzaremos discutiendo las unidades


individuales que lo componen. Una red neuronal puede significar una red
neuronal biológica "real" como la de su cerebro, o una red neuronal artificial
simulada en una computadora.

Aislada de sus neuronas compañeras, una sola neurona es bastante poco


impresionante y solo es capaz de un conjunto muy restringido de
comportamientos. Sin embargo, cuando se conectan entre sí, el sistema
resultante de su acción concertada puede volverse extremadamente
complejo. Para encontrar evidencia de esto, no busque más allá (para usar la
jerga legal)¡su cerebro! El comportamiento del sistema está determinado por las
formas en que las neuronas están conectadas entre sí. Cada neurona reacciona a
las señales entrantes de una manera específica que también puede adaptarse
con el tiempo. Se sabe que esta adaptación es la clave para funciones como la
memoria y el aprendizaje.

¿Por qué desarrollar redes neuronales artificiales?

Es utilizar sistemas biológicos como inspiración para construir mejores técnicas


de inteligencia artificial y aprendizaje automático. La idea es muy natural: el
cerebro es un sistema de procesamiento de información increíblemente
complejo capaz de una amplia gama de comportamientos inteligentes (más
ocasionalmente algunos no tan inteligentes) y, por lo tanto, tiene sentido buscar
inspiración cuando lo intentamos. para crear sistemas artificialmente inteligentes.

Las redes neuronales han sido una tendencia importante en la IA desde la


década de 1960. Volveremos a las olas de popularidad en la historia de la IA en
la parte final. Actualmente, las redes neuronales vuelven a estar en lo más alto
de la lista, ya que el aprendizaje profundo se utiliza para lograr mejoras
significativas en muchas áreas, como el lenguaje natural y el procesamiento de
imágenes, que tradicionalmente han sido puntos débiles de la IA.

¿Qué tienen de especial las redes neuronales?


El caso de las redes neuronales en general como un enfoque para la IA se basa
en un argumento similar al de los enfoques basados en la lógica. En el último
caso, se pensó que para lograr inteligencia a nivel humano, necesitamos simular
procesos de pensamiento de nivel superior y, en particular, la manipulación de
símbolos que representan ciertos conceptos concretos o abstractos usando
reglas lógicas.

El argumento a favor de las redes neuronales es que al simular el procesamiento


de datos "subsimbólico" de nivel inferior en el nivel de las neuronas y las redes
neuronales, emergerá la inteligencia. Todo esto suena muy razonable, pero
tenga en cuenta que para construir máquinas voladoras, no construimos aviones
que agiten sus alas, o que estén hechos de huesos, músculos y plumas. Del
mismo modo, en las redes neuronales artificiales, el mecanismo interno de las
neuronas generalmente se ignora y las neuronas artificiales a menudo son
mucho más simples que sus contrapartes naturales. Los mecanismos de
señalización electroquímica entre las neuronas naturales también se ignoran
principalmente en los modelos artificiales cuando el objetivo es construir
sistemas de IA en lugar de simular sistemas biológicos.

II .PARTE DE LAS REDES NEURONALES


TERMINO CLAVES

Aprendizaje profundo

El aprendizaje profundo se refiere a ciertos tipos de técnicas de aprendizaje


automático en las que varias "capas" de unidades de procesamiento simples
están conectadas en una red para que la entrada al sistema pase a través de
cada una de ellas. Esta arquitectura se ha inspirado en el procesamiento de
información visual en el cerebro que entra por los ojos y es capturada por la
retina. Esta profundidad permite que la red aprenda estructuras más complejas
sin requerir grandes cantidades de datos poco realistas.

Neuronas, cuerpos celulares y señales.

Una red neuronal, ya sea biológica o artificial, consta de una gran cantidad de
unidades simples, neuronas, que reciben y transmiten señales entre sí. Las
neuronas son procesadores de información muy simples, que consisten en un
cuerpo celular y cables que conectan las neuronas entre sí. La mayoría de las
veces, no hacen nada más que quedarse sentados y observar las señales que
ingresan a través de los cables.

Las implicaciones sociales de la IA


Implicación 1: sesgo algorítmico
La IA, y en particular el aprendizaje automático, se está utilizando para tomar
decisiones importantes en muchos sectores. Esto trae a colación el concepto de
sesgo algorítmico. Lo que significa es la incorporación de una tendencia a
discriminar según el origen étnico, el género u otros factores al tomar decisiones
sobre solicitudes de empleo, préstamos bancarios, etc.

La razón principal del sesgo algorítmico es el sesgo humano en los datos. Por
ejemplo, cuando una herramienta de filtrado de solicitudes de empleo se
capacita en decisiones tomadas por humanos, el algoritmo de aprendizaje
automático puede aprender a discriminar a mujeres o individuos con un
determinado origen étnico. Tenga en cuenta que esto puede suceder incluso si
se excluye la etnia o el género de los datos, ya que el algoritmo podrá explotar
la información en el nombre o la dirección del solicitante.

Publicidad online
Se ha observado que los anunciantes en línea como Google tienden a mostrar
anuncios de trabajos con salarios más bajos a las mujeres usuarias en
comparación con los hombres. Del mismo modo, hacer una búsqueda con un
nombre que suene afroamericano puede producir un anuncio de una
herramienta para acceder a los antecedentes penales, lo que es menos probable
que ocurra de otra manera.