La idea de que una máquina sea capaz de aprender, tener cierta independencia o que pueda escoger entre varias opciones y que a su vez esta elección esté condicionada en función de uno o varios estímulos externos, es algo de lo que se ha hablado desde hace mucho tiempo, sin embargo, hasta hace relativamente pocos años no es cuando se han realizado avances realmente importantes. Tanto es así que se dice que acabamos de entrar en una nueva era marcada por el progreso tecnológico más importante y revolucionario desde la invención de la informática, la Inteligencia Artificial.
QUE ES LA IA
La Inteligencia Artificial (más conocida por sus siglas IA, o AI, Artificial Intelligence, en inglés), no es un concepto único y limitado, si no todo lo contrario, es un término bastante amplio y algo complejo de explicar ya que abarca diversas ramas y su funcionalidad y aplicación se puede ver modificada en cada una de ellas, pero si se conceptualiza bastante este término podemos obtener un breve resumen fácil de entender.
Pues bien, la AI (Artificial Intelligence) se puede definir como una rama de la informática que busca desarrollar algoritmos y sistemas que puedan realizar tareas que normalmente requieren de la inteligencia humana, como el aprendizaje, la comprensión del lenguaje, el razonamiento y la toma de decisiones. Esto se logra mediante el uso de técnicas de aprendizaje automático, procesamiento del lenguaje natural, visión por computadora y otras áreas relacionadas.
Es decir, la Inteligencia Artificial se puede definir como el desarrollo, en ciertos sistemas y máquinas, de la capacidad de imitar el pensamiento y el comportamiento del ser humano mediante el uso de datos, algoritmos y distintas tecnologías.
TIPOS DE IA
Aunque todavía se están dando los primeros pasos dentro de esta ciencia y aún quede un lago recorrido por hacer, actualmente, los tipos de Inteligencia Artificial existentes son los siguientes:
- Aprendizaje Automático o Machine Learning (ML): es la capacidad que tiene un dispositivo, máquina o software de aprender por su cuenta.
Lo más importante a distinguir dentro de este es que puede ser un aprendizaje supervisado o no supervisado. Y que sigue siempre un proceso de tres fases, siendo el aprendizaje la primera de todas, luego el entrenamiento y, por último, la de resultados.
- Aprendizaje Profundo: en comparación al aprendizaje automático, es capaz de comprender y procesar un mayor número de datos e información simultáneamente. Hace uso de las Redes Neuronales (RNA), son un conjunto interconectado de distintos tipos de unidades de procesamiento que tratan de imitar el funcionamiento de una red neuronal del cerebro humano, de este modo poder operar con un mayor volumen de datos.
Se suele usar en los Big Data.
- Sistema Experto: si el anterior trataba de asemejarse a las neuronas en su forma de operar, esta inteligencia busca copiar el comportamiento humano de un experto, es decir, es capaz de actuar y razonar del mismo modo que una persona experta en un tema determinado.
La aplicación de esta inteligencia se puede ver en chats de atención al cliente, se puede decir que es un tipo de Inteligencia Artificial muy enfocada al cliente.
TIPOS DE APRENDIZAJE DE LA IA
Para lograr que una máquina sea capaz de realizar actividades más allá del cálculo o del almacenamiento del información, como puede ser, por ejemplo, aprender, generar cierto nivel de creatividad, de autoconciencia o independencia, requiere de un proceso de aprendizaje por parte de esos dispositivos.
Aunque hay que dejar claro que realmente son varios algoritmos los encargados de hacer que estas acciones sean posibles. Dichos algoritmos trabajan modificando el comportamiento, de las máquinas en las que se instalan, en función de ciertos datos adquiridos, información recogida de experiencias anteriores o nuevos estímulos externos, es decir, información adquirida sin una experiencia previa.
Lo que se traduce en que son capaces de aprender de sus errores y de este modo optimizar los resultados.
Los distintos métodos de Machine Learning son:
- Aprendizaje Supervisado: su función principal es la resolución de problemas conocidos, para ellos se suministra a la máquina los llamados datos etiquetados, que no son más que aquella información de acontecimientos de la cual ya sabe la respuesta.
A medida que se introduce esa información, la máquina la procesa y va aprendiendo, a esto se le conoce como fase de entrenamiento. Un ejemplo, podría ser el reconocimiento facial, una forma de entrenarlo sería dando a la máquina miles de fotos de distintas caras y señalarle en las que apareces, lo que hace es entrenarse para que la próxima foto que le sea introducida pueda decidir si eres tú o no. Se puede extender al reconocimiento de voz, huellas dactilares, coches automáticos, etc.
- Aprendizaje No Supervisado: su finalidad es detectar ciertas anomalías o patrones nuevos en conjunto de datos.
A este tipo de aprendizaje se le administran datos no etiquetados, y como se ha comentado anteriormente, su forma de trabajar es agrupando aquellos datos que tienen ciertas similitudes o se encuentran patrones de comportamiento.
Por ejemplo, se puede aplicar al marketing, agrupando a aquellos usuarios que tienen tendencias de compra similares para poder ofrecerles un tipo de publicidad más adaptada.
- Aprendizaje Semi-Supervisado: se usan tanto datos etiquetados como no etiquetados.
Este aprendizaje se da cuando hay pocos datos etiquetados, por lo que resulta necesario realizar un aprendizaje no supervisado, es decir, hacer uso de datos no etiquetados.
- Aprendizaje por Refuerzo: variable de Machine Learning, la cual permite generar métodos cada vez más precisos gracias a datos obtenidos de experiencias anteriores.
Esta información la recoge interactuando con el medio, tratando de resolver ciertos problemas por medio de una estrategia de prueba y error, con la finalidad de recoger información hasta obtener un comportamiento adecuado ante ciertas situaciones. Esa estrategia de prueba y error se ve reforzada, es decir, cuando un comportamiento resulta adecuado en un problema y se obtiene un resultado satisfactorio la probabilidad de volverlo a usar en ejercicios futuros es mayor.
Si quieres profundizar más sobre el tema del Machine Learning, en el siguiente link podrás encontrar información que te puede ser útil https://www.ibm.com/es-es/cloud/learn/machine-learning?utm_content=SRCWW&p1=Search&p4=43700068108430253&p5=p&gclid=Cj0KCQiAw8OeBhCeARIsAGxWtUzAH-4s61AhqMd7IyL7JWyE9Hu5e-zn2U0_9d2d7GgK-C6wqpYRSEYaAkiyEALw_wcB&gclsrc=aw.ds
ALGORITMOS MÁS TILIZADOS EN LA IA
Como se ha mencionado anteriormente, el aprendizaje es posible gracias a ciertos algoritmos que se instalan en la máquina, estos pueden haber sido creados de forma específica para resolver un problema, de forma más generalizada e incluso se pueden llegar a mezclar ambos tipos.
Es cierto que hay una gran variedad de algoritmos, pero los más usados son los siguientes:
- Algoritmo de Árboles de Decisión: se apoyan en aquellas características reales de los atributos que componen los datos.
Es un método para afrontar un problema plasmando los posibles caminos para solucionarlo, lo interesante es encontrar el que lo resuelva de la forma más satisfactoria posible.
- Algoritmos Bayesianos: como su propio nombre indica hacen uso del Teorema de Bayes para obtener la solución, se suelen usar cuando hay ciertos problemas de regresión y clasificación.
- Algoritmos de Cluster: como su nombre indica se basa en el Teorema de Cluster, su función es agrupar aquella información de datos disponibles, de los cuales se desconocen sus características y se busca averiguarlas.
Los más usados son: Hierarchial Clusering, K-Means y K-Medians.
- Algoritmo de Regresión: establecen y miden la relación entre distintas variables, buscando minimizar la medida de error que hay entre estos, utilizando la elasticidad y la probabilidad para tratar de predecir los resultados de ciertas interacciones con un problema. También se hace uso de la regresión lineal, la regresión estadística, etc.
- Algoritmos que se Apoyan en la Instancia: entre otros, se suelen usar para resolver problemas de decisión.
Su forma de funcionar es generar un modelo apoyándose en una Base de Datos, la cual va incrementando su volumen conforme va comparando nuevos datos con muestras ya existentes, y de este modo asociarlos a aquellos con los que tiene una mayor semejanza.
Para ello los algoritmos más usados son: K-Neighbours (KNN), ayuda a clasificar ciertos datos usando como referencia a sus “vecinos” más cercanos, para ello es primordial definir como debe ser un dato cercano (en base a ciertas características y parámetros) y otro algoritmo muy utilizado es el Self-Organizing Map (SOM)
- Algoritmos de Redes Neuronales: se califican de este modo porque trata de reproducir el concepto y las funciones biológicas de las neuronas humanas, realmente son un conjunto de pequeñas funciones matemáticas llamadas neuronas, que se combinan entre sí formando una red.
Suelen ser usadas para dar solución a problemas de clasificación y regresión.
Los algoritmos más usados de redes neuronales son: Bacl-Proppagation, Compuerta XOR, Hopfield Network y Multi Layered Perception.
Si quieres conocer algún algoritmo más puedes hacerlo en el siguiente enlace, https://www.aprendemachinelearning.com/principales-algoritmos-usados-en-machine-learning/
APLICACIÓN DE LA IA
Realmente la Inteligencia Artificial está disponible para el uso cotidiano desde hace bastante tiempo, no es algo tan novedoso, es cierto que actualmente se han hecho grandes avances.
Como concepto se podría decir que surgió en 1950 de la mano de Alan Turing, por un artículo que escribió para la revista Mind llamado “Computing machinery and intelligence”. Aunque es cierto que la idea de que una máquina fuese capaz de pensar por si misma o incluso pudiese llegar a reemplazar a un ser humano es algo más antiguo.
La IA es ahora cuando mayor desarrollo está teniendo y cuanto mayor está siendo su demanda por ser algo bastante novedoso y útil, pero en realidad lleva implantada en el día a día de las personas bastante tiempo. Un ejemplo muy fácil de ver es el servidor correo electrónico, es capaz de detectar el correo SPAM y llevarlo directamente a esa carpeta, se puede ver también que va aprendiendo y modificando su conducta en función del comportamiento del usuario.
Otros ejemplos de aprendizaje no supervisado serían YouTube o Spotify, ya que en base a los vídeos o canciones que escuchas te recomienda otros que cree que te pueden interesar.
Es cierto que ha avanzado rápidamente y por ello es útil para poder automatizar aquellas tareas que lo humanos consideran difíciles, que pueden tomar mucho tiempo o simplemente es más cómo automatizándolas. También facilita la toma de decisiones y reduce la probabilidad de error.
La Inteligencia Artificial no solo se ha expandido a procesos productivos o de gestión, se puede encontrar en la ciencia, la salud e incluso el arte.
Post redactado por Jorge Portillo Júdez, alumno del MeBA.
