Cómo definir la inteligencia artificial
La inteligencia artificial existe desde hace mucho tiempo: los mitos griegos contienen historias de hombres mecánicos diseñados para imitar nuestro propio comportamiento. Los primeros ordenadores europeos se concibieron como «máquinas lógicas» y, al reproducir capacidades como la aritmética básica y la memoria, los ingenieros veían su trabajo, fundamentalmente, como un intento de crear cerebros mecánicos.
A medida que la tecnología y, sobre todo, nuestra comprensión del funcionamiento de nuestras mentes han ido progresando, nuestro concepto de lo que constituye la IA ha cambiado. En lugar de realizar cálculos cada vez más complejos, los trabajos en el campo de la IA se concentraron en imitar los procesos de toma de decisiones de los seres humanos y realizar tareas de forma cada vez más humana.
Las inteligencias artificiales -dispositivos diseñados para actuar de forma inteligente- suelen clasificarse en uno de los dos grupos fundamentales: aplicada o general. La IA aplicada es mucho más común: los sistemas diseñados para comerciar con acciones y valores de forma inteligente, o para maniobrar un vehículo autónomo, entrarían en esta categoría.
Las IA generalizadas -sistemas o dispositivos que, en teoría, pueden realizar cualquier tarea- son menos comunes, pero es aquí donde se están produciendo algunos de los avances más interesantes de la actualidad. También es el área que ha llevado al desarrollo del aprendizaje automático. Aunque a menudo se le denomina un subconjunto de la IA, en realidad es más preciso considerarlo como el estado actual de la técnica.
Dónde conseguir conjuntos de datos para el aprendizaje automático
La inteligencia artificial (IA) y el aprendizaje automático (AM) son términos que han creado mucho revuelo en el mundo de la tecnología, y con razón. Ayudan a las organizaciones a agilizar los procesos y a descubrir datos para tomar mejores decisiones empresariales. Están haciendo avanzar a casi todos los sectores ayudándoles a trabajar de forma más inteligente, y se están convirtiendo en tecnologías esenciales para que las empresas mantengan una ventaja competitiva.
Estas tecnologías son responsables de funciones como el reconocimiento facial en los teléfonos inteligentes, las experiencias de compra online personalizadas, los asistentes virtuales en los hogares e incluso el diagnóstico médico de enfermedades.
La demanda de estas tecnologías -y de profesionales cualificados en ellas- está en auge. Según un informe de la empresa de investigación Gartner, se espera que el número medio de proyectos de IA en una organización se triplique con creces en los próximos dos años.
Este crecimiento exponencial está planteando problemas a las organizaciones. Entre los principales problemas que plantean estas tecnologías se encuentran la falta de conocimientos, la dificultad para comprender los casos de uso de la IA y la preocupación por el alcance o la calidad de los datos.
Diferencia de las redes neuronales de aprendizaje profundo
La inteligencia artificial es el futuro. La inteligencia artificial es ciencia ficción. La inteligencia artificial ya forma parte de nuestra vida cotidiana. Todas esas afirmaciones son ciertas, sólo que depende del tipo de IA al que se refiera.
La forma más fácil de pensar en su relación es visualizarlas como círculos concéntricos con la IA -la idea que surgió primero- la más grande, luego el aprendizaje automático -que floreció más tarde- y finalmente el aprendizaje profundo -que está impulsando la explosión de la IA de hoy- encajando dentro de ambos.
La IA ha formado parte de nuestra imaginación y se ha cocinado a fuego lento en los laboratorios de investigación desde que un puñado de informáticos se reunió en torno al término en las Conferencias de Dartmouth en 1956 y dio origen al campo de la IA. En las décadas siguientes, la IA ha sido anunciada alternativamente como la clave del futuro más brillante de nuestra civilización, y arrojada al montón de basura de la tecnología como una noción descabellada de cabezas de hélice exageradas. Francamente, hasta 2012, era un poco de ambas cosas.
En los últimos años, la IA se ha disparado, especialmente desde 2015. Gran parte de ello tiene que ver con la amplia disponibilidad de GPUs que hacen que el procesamiento paralelo sea cada vez más rápido, más barato y más potente. También tiene que ver con el golpe simultáneo de un almacenamiento prácticamente infinito y una avalancha de datos de todo tipo (todo ese movimiento de Big Data): imágenes, texto, transacciones, datos cartográficos, lo que sea.
Ai, ml dl
La tecnología está cada vez más incrustada en nuestra vida cotidiana y, para seguir el ritmo de las expectativas de los consumidores, las empresas se apoyan más en los algoritmos de aprendizaje para facilitar las cosas. Se puede ver su aplicación en las redes sociales (mediante el reconocimiento de objetos en las fotos) o en la conversación directa con los dispositivos (como Alexa o Siri).
Estas tecnologías se asocian comúnmente con la inteligencia artificial, el aprendizaje automático, el aprendizaje profundo y las redes neuronales, y si bien todos juegan un papel, estos términos tienden a usarse indistintamente en la conversación, lo que lleva a cierta confusión en torno a los matices entre ellos. Esperemos que esta entrada del blog sirva para aclarar parte de la ambigüedad.
Tal vez la forma más fácil de pensar en la inteligencia artificial, el aprendizaje automático, las redes neuronales y el aprendizaje profundo sea considerarlos como muñecas rusas. Cada uno es esencialmente un componente del término anterior.
Es decir, el aprendizaje automático es un subcampo de la inteligencia artificial. El aprendizaje profundo es un subcampo del aprendizaje automático, y las redes neuronales constituyen la columna vertebral de los algoritmos de aprendizaje profundo. De hecho, es el número de capas de nodos, o la profundidad, de las redes neuronales lo que distingue una red neuronal simple de un algoritmo de aprendizaje profundo, que debe tener más de tres.