IA: Inteligencia Artificial

IA: Inteligencia Artificial

En pocas palabras, la inteligencia artificial es un sub-campo de la informática. Su objetivo es permitir el desarrollo de computadoras que sean capaces de hacer cosas que normalmente hacen las personas, en particular, las cosas asociadas con las personas que actúan inteligentemente.

El investigador de Stanford, John McCarthy, acuñó el término en 1956 durante lo que ahora se llama La Conferencia de Dartmouth, donde se definió la misión central del campo IA.

Si empezamos con esta definición, cualquier programa puede considerarse IA si hace algo que normalmente pensamos como inteligente en los seres humanos. Cómo el programa lo hace no es el problema, sólo que es capaz de hacerlo en absoluto. Es decir, es IA si es inteligente, pero no tiene que ser inteligente como nosotros.

IA fuerte e IA débil

Resulta que las personas tienen objetivos muy diferentes con respecto a la construcción de sistemas de inteligencia artificial, y tienden a caer en tres campos, basado en la proximidad de las máquinas que están construyendo y la forma en que la gente trabaja.

Para algunos, el objetivo es construir sistemas que piensen exactamente de la misma manera que las personas. Otros sólo quieren hacer el trabajo y no les importa si el cálculo tiene algo que ver con el pensamiento humano. Y algunos están en medio, utilizando el razonamiento humano como un modelo que puede informar e inspirar, pero no como el objetivo final.

El trabajo dirigido a simular genuinamente el razonamiento humano tiende a llamarse "IA fuerte", en el sentido de que cualquier resultado puede utilizarse no sólo para construir sistemas que piensan sino también para explicar cómo piensan los humanos también. Sin embargo, todavía tenemos que ver un modelo real de IA fuerte o sistemas que son simulaciones reales de la cognición humana, ya que este es un problema muy difícil de resolver.

El trabajo en el segundo tipo, dirigido sólo a que los sistemas funcionen, se suele denominar "IA débil" porque, aunque podamos construir sistemas que se comporten como seres humanos, los resultados no nos dirán nada acerca de cómo piensan los humanos. Uno de los mejores ejemplos de esto es Deep Blue de IBM, un sistema que era un jugador de ajedrez maestro, pero ciertamente no jugaba de la misma manera que los humanos.

En algún lugar en medio de IA fuerte y débil es un tercer campo, el "intermedio": sistemas que están informados o inspirados por el razonamiento humano. Esto tiende a ser la mayor parte del trabajo que está sucediendo hoy. Estos sistemas usan el razonamiento humano como guía, pero no están impulsados por el objetivo de modelarlo perfectamente.

Un buen ejemplo de esto es IBM Watson. Watson acumula evidencia de las respuestas que encuentra al mirar miles de piezas de texto que le dan un nivel de confianza en su conclusión. Combina la capacidad de reconocer patrones en el texto con la capacidad muy diferente de sopesar la evidencia que coincide con esos patrones. Su desarrollo se guió por la observación de que las personas son capaces de llegar a conclusiones sin tener reglas duras y rápidas y pueden, en cambio, crear colecciones de evidencia. Al igual que las personas, Watson es capaz de observar patrones en el texto que proporcionan un poco de evidencia y luego añadir todas las pruebas hasta llegar a una respuesta.

Del mismo modo, el trabajo de Google en el aprendizaje profundo tiene una mirada similar en que se inspira en la estructura real del cerebro. Informado por el comportamiento de las neuronas, los sistemas de Aprendizaje Profundo funcionan aprendiendo capas de representaciones para tareas tales como reconocimiento de imagen y de voz. No exactamente como el cerebro, sino inspirado por él.

Lo importante aquí es que para que un sistema sea considerado IA, no tiene que funcionar de la misma manera que lo hacemos nosotros. Sólo tiene que ser inteligente.

AI estrecha vs. IA general

Hay otra distinción que debe hacerse aquí: la diferencia entre los sistemas de IA diseñados para tareas específicas (a menudo llamados "IA estrecha") y los pocos sistemas que están diseñados para la capacidad de razonar en general (conocida como "IA general”).

La gente a veces se confunde con esta distinción y, en consecuencia, interpreta erróneamente resultados específicos en un área específica, ya que de alguna manera se extiende a través de toda la conducta inteligente.

Los sistemas que pueden recomendarle cosas basadas en su comportamiento pasado serán diferentes de los sistemas que pueden aprender a reconocer imágenes de los ejemplos, que también serán diferentes de los sistemas que pueden tomar decisiones basadas en la síntesis de evidencia.

Pueden todos ser ejemplos de IA estrecha en la práctica, pero pueden no ser generalizables para abordar todos los problemas que una máquina inteligente tendrá que tratar por sí misma.

Principales plataformas para hacer IA

 

Azure Machine Learning Studio

Azure Machine Learning Studio, la solución más popular para IA. Studio es un entorno de desarrollo de arrastrar y soltar visual basado en el navegador y muy simple, donde no es necesaria la programación. Pase de la idea a la implementación en cuestión de clics.

Google Prediction API

Google Cloud Prediction API proporciona una API RESTful para crear modelos de Machine Learning. Las herramientas de aprendizaje automático basadas en la nube pueden ayudarlo a analizar sus datos para agregar varias características a sus aplicaciones, como análisis de sentimiento del cliente, detección de spam, sistemas de recomendación y más.

Tensorflow

TensorFlow es una biblioteca de software de código abierto para el cálculo numérico utilizando gráficos de flujo de datos. Los nodos en el gráfico representan operaciones matemáticas, mientras que los bordes del gráfico representan los conjuntos de datos multidimensionales (tensores) comunicados entre ellos.