¿Qué es la inteligencia artificial o IA?
La inteligencia artificial (IA) es un conjunto de tecnologías que
permiten que las computadoras realicen una variedad de funciones avanzadas,
incluida la capacidad de ver, comprender
y traducir lenguaje
hablado y escrito, analizar datos, hacer
recomendaciones y mucho más.
La IA es la columna
vertebral de la innovación en la computación moderna, lo que libera valor para
las personas y las empresas. Por ejemplo, el reconocimiento óptico de caracteres
(OCR) usa la IA para extraer texto y datos de imágenes y documentos, y
convierte el contenido no estructurado en datos estructurados listos para las
empresas, además de brindar estadísticas valiosas.
¿Todo listo para comenzar? Los clientes nuevos obtienen $300 en créditos gratuitos que pueden usar en Google Cloud.
Definición de
inteligencia artificial
La inteligencia artificial es un campo de la ciencia relacionado con la
creación de computadoras y máquinas que pueden razonar, aprender y actuar de
una manera que normalmente requeriría inteligencia humana o que involucre datos
cuya escala exceda lo que los humanos pueden analizar.
La IA es un campo
amplio que abarca muchas disciplinas diferentes, incluidas la informática, el
análisis de datos y las estadísticas, la ingeniería de hardware y software, la
lingüística, la neurociencia y hasta la filosofía y la psicología.
A nivel operativo
para el uso empresarial, la IA es un conjunto de tecnologías que se basan
principalmente en el aprendizaje automático y el aprendizaje profundo, que se usan
para el análisis de datos, la generación de predicciones y previsiones, la
categorización de objetos, el procesamiento de lenguaje natural, las
recomendaciones, la recuperación inteligente de datos y mucho más.
Tipos de inteligencia artificial
La inteligencia
artificial se puede organizar de varias maneras, según las etapas de desarrollo
o las acciones que se están realizando.
Por ejemplo, se
suelen reconocer cuatro etapas de desarrollo de la IA.
1. Máquinas reactivas: IA limitada
que solo reacciona a diferentes tipos de estímulos basados en reglas
preprogramadas. No usa memoria y, por lo tanto, no puede aprender con datos
nuevos. Deep Blue de IBM, que venció al campeón de ajedrez Garry Kasparov
en 1997, fue un ejemplo de una máquina reactiva.
2. Memoria limitada: Se considera
que la mayor parte de la IA moderna es de memoria limitada. Puede usar la
memoria para mejorar con el tiempo mediante el entrenamiento con datos nuevos,
por lo general, a través de una red neuronal artificial o algún otro modelo de
entrenamiento. El aprendizaje profundo, un subconjunto del aprendizaje
automático, se considera inteligencia artificial con memoria limitada.
3. Teoría de la mente: Actualmente
no existe IA con teoría de la mente, pero se están investigando distintas
posibilidades. El término hace referencia a IA que puede emular la mente humana
y tiene capacidades de toma de decisiones similares a las de un ser humano, lo
cual incluye reconocer y recordar emociones, y reaccionar en situaciones sociales
como lo haría un ser humano.
4. Autoconocimiento: Un paso más allá de
la IA con teoría de la mente, el concepto de IA con autoconocimiento describe
una máquina mítica que tiene conocimiento de su propia existencia y tiene las
capacidades intelectuales y emocionales de un ser humano. Al igual que la IA
con teoría de la mente, la IA con autoconciencia no existe en la actualidad.
Una forma más útil
de categorizar ampliamente los tipos de inteligencia artificial es según lo que
puede hacer la máquina. Todo lo que llamamos inteligencia artificial
actualmente se considera inteligencia “estrecha” porque solo puede realizar un
conjunto reducido de acciones en función de su programación y entrenamiento.
Por ejemplo, un algoritmo de IA que se use para la clasificación de objetos no
podrá realizar procesamiento de lenguaje natural. La
Búsqueda de Google es una forma de IA estrecha, al igual que las
estadísticas predictivas o los asistentes virtuales.
La inteligencia
artificial general (AGI) sería la capacidad de una máquina de "sentir,
pensar y actuar" como lo haría una persona. La AGI no existe actualmente.
El siguiente nivel sería la superinteligencia artificial (ASI), en la que la
máquina podría funcionar de manera superior a la humana en todo aspecto.
Modelos de entrenamiento de inteligencia artificial
Cuando las empresas
hablan de IA, suelen hablar de "datos de entrenamiento". Pero ¿qué
significa eso? Recuerda que la inteligencia artificial con memoria limitada es
una IA que mejora con el tiempo, ya que se entrena con datos nuevos. El
aprendizaje automático es un subconjunto de la
inteligencia artificial que usa algoritmos para entrenar datos y
obtener resultados.
A grandes rasgos,
suelen usarse tres tipos de modelos de aprendizaje en el aprendizaje
automático:
El aprendizaje
supervisado es un modelo de aprendizaje automático que asigna una
entrada específica a un resultado mediante datos de entrenamiento etiquetados
(datos estructurados). En términos simples, para entrenar un algoritmo que
reconozca imágenes de gatos, se lo alimenta con imágenes etiquetadas como
gatos.
El aprendizaje
no supervisado es un modelo de aprendizaje automático que aprende
patrones en función de datos no etiquetados (datos no estructurados). A
diferencia del aprendizaje supervisado, el resultado final no se conoce con
anticipación. En cambio, el algoritmo aprende de los datos y
los clasifica en grupos en función de diversos atributos. Por ejemplo, el
aprendizaje no supervisado es bueno para identificar patrones y realizar
modelado descriptivo.
Además del
aprendizaje supervisado y no supervisado, suele emplearse un enfoque mixto
llamado aprendizaje semisupervisado, en el que solo se etiquetan algunos de los
datos. En el aprendizaje semisupervisado, se conoce un resultado final, pero el
algoritmo debe determinar cómo organizar y estructurar los datos para lograr
los resultados deseados.
El aprendizaje
por refuerzo es un modelo de aprendizaje automático que se puede
describir en términos generales como “aprender haciendo”. Un "agente"
aprende a realizar una tarea definida mediante prueba y error (un ciclo de
reacción) hasta que su rendimiento está dentro de un rango deseado. El agente
recibe un refuerzo positivo cuando realiza la tarea de forma correcta y un
refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo de aprendizaje por
refuerzo sería enseñarle a una mano robótica a recoger una pelota.
Tipos comunes de redes neuronales artificiales
Un tipo común de
modelo de entrenamiento en la IA es una red neuronal artificial, que se basa a
grandes rasgos en el cerebro humano.
Una red neuronal es
un sistema de neuronas artificiales (a veces llamadas perceptrones), que son
nodos de procesamiento que se usan para clasificar y analizar datos. Los datos
se ingresan en la primera capa de una red neuronal, y cada perceptrón toma una
decisión, y luego pasa esa información a varios nodos de la siguiente capa. Los
modelos de entrenamiento con más de tres capas se denominan "redes
neuronales profundas" o "aprendizaje profundo". Algunas redes
neuronales modernas tienen cientos o miles de capas. Las salida de los
perceptrones finales permite realizar la tarea impuesta a la red neuronal, como
clasificar un objeto o encontrar patrones en los datos.
Estos son algunos
de los tipos más comunes de redes neuronales artificiales que puedes encontrar:
Las redes
neuronales prealimentadas (FF) son una de las formas más antiguas de
redes neuronales, ya que los datos fluyen en una dirección a través de capas de
neuronas artificiales hasta que se obtiene el resultado. En la actualidad, la
mayoría de las redes neuronales prealimentadas se consideran
"prealimentadas profundas" con varias capas (y más de una
capa "oculta"). Las redes neuronales prealimentadas suelen vincularse
a un algoritmo de corrección de errores llamado "propagación inversa"
que, en términos simples, comienza con el resultado de la red neuronal y hace
el proceso en sentido inverso para llegar al principio, detectando errores para
mejorar la exactitud de la red neuronal. Muchas redes neuronales simples, pero
potentes, son prealimentadas profundas.
Las redes
neuronales recurrentes (RNN) difieren de las redes neuronales
prealimentadas en que suelen usar datos de series temporales o datos que
involucran secuencias. A diferencia de las redes neuronales prealimentadas, que
usan ponderaciones en cada nodo de la red, las redes neuronales recurrentes
tienen “memoria” de lo que sucedió en la capa anterior como contingente a la
salida de la capa actual. Por ejemplo, cuando se realiza procesamiento de
lenguaje natural, las RNN pueden “tener en cuenta” otras palabras usadas en una
oración. Las RNN a menudo se usan para el reconocimiento de voz, la traducción
y la generación de descripciones de imágenes.
Las RNN de memoria
a largo/corto plazo (LSTM) son una forma avanzada de RNN que puede
usar memoria para "recordar" lo que sucedió en capas anteriores. La
diferencia entre las RNN y las LTSM es que pueden recordar lo que sucedió hace
varias capas mediante el uso de "celdas de memoria". La LSTM suele
usarse para el reconocimiento de voz y la realización de predicciones.
Las redes
neuronales convolucionales (CNN) incluyen algunas de las
redes neuronales más comunes en la inteligencia artificial moderna. Las CNN
suelen usarse en el reconocimiento de imágenes y emplean varias capas distintas
(una capa convolucional y, luego, una capa de agrupación) que filtran
diferentes partes de una imagen antes de volver a unirla (en la capa
completamente conectada). Es posible que las capas convolucionales anteriores
busquen características simples de una imagen, como colores y bordes, antes de
buscar características más complejas en capas adicionales.
En las redes
generativas adversarias (GAN), se usan dos redes neuronales que compiten
entre sí en un juego que, en última instancia, mejora la exactitud del
resultado. Una red (el generador) crea ejemplos que la otra red (el
discriminante) juzga como verdaderos o falsos. Las GAN se han usado para crear
imágenes realistas y hasta hacer arte.
Beneficios de la IA
Automatización
La IA puede automatizar flujos de trabajo y
procesos, o trabajar de forma independiente y autónoma de un equipo humano. Por
ejemplo, la IA puede ayudar a automatizar aspectos de la seguridad cibernética
mediante la supervisión y el análisis continuos del tráfico de red. De manera
similar, una fábrica inteligente puede tener decenas de tipos diferentes de IA
en uso, como robots que usan visión artificial para navegar por las fábricas o
inspeccionar productos en busca de defectos, crear gemelos digitales o usar
analítica en tiempo real para medir la eficiencia y la producción.
Reduce errores humanos
La IA puede eliminar errores manuales en el
procesamiento de datos, las estadísticas, el ensamblaje en la fabricación y
otras tareas a través de automatización y algoritmos que siguen los mismos
procesos cada vez.
Elimina las tareas repetitivas
La IA se puede usar para realizar tareas
repetitivas, lo que libera al capital humano a fin de que trabaje en los
problemas de mayor impacto. La IA se puede usar para automatizar procesos, como
verificar documentos, transcribir llamadas telefónicas o responder preguntas
sencillas de los clientes, como “¿A qué hora cierran?”. Con frecuencia, los
robots se usan para realizar tareas “aburridas, sucias o peligrosas” en lugar
de que las haga un ser humano.
Rápido y preciso
La IA puede procesar más información de forma más
rápida que un ser humano, mediante la búsqueda de patrones y el descubrimiento
de relaciones en datos que el humano podría no detectar.
Disponibilidad infinita
La IA no tienen limitaciones en términos de
horarios, necesidad de descansar ni ningún otro factor que pueda interrumpir la
labor de un ser humano. Cuando se ejecutan en la nube, la IA y el aprendizaje
automático pueden estar “siempre activos”, y trabajar continuamente en las
tareas asignadas.
Investigación y desarrollo acelerados
La capacidad de analizar grandes cantidades de
datos con rapidez puede acelerar los avances en investigación y desarrollo. Por
ejemplo, la IA se usó en el modelado predictivo de nuevos tratamientos
farmacéuticos potenciales o para cuantificar el genoma humano.
Aplicaciones y
casos de uso de inteligencia artificial
Reconocimiento de voz
Convertir automáticamente una frase hablada en un texto
escrito.
Reconocimiento de imágenes
Identificar y categorizar diversos aspectos de una
imagen.
Traducción
Traducir palabras escritas o habladas de un idioma
a otro.
Modelado predictivo
Extraer datos para prever resultados específicos
con altos niveles de detalle.
Analítica de datos
Encontrar patrones y relaciones en los datos para
la inteligencia empresarial.
Seguridad cibernética
Analiza de forma autónoma redes en busca de
ciberataques y amenazas.
Productos y servicios relacionados
Google ofrece varios productos, soluciones y
aplicaciones de inteligencia artificial de alta sofisticación en una plataforma
de nube confiable que permite a las empresas crear e implementar fácilmente
algoritmos y modelos de IA.
Mediante
el uso de productos como Vertex AI, CCAI, DocAI,
o las API de IA, las organizaciones pueden interpretar todos los datos que
producen, recopilan o analizan de cualquier otra forma, sin importar el formato
que tengan, a fin de tomar decisiones empresariales prácticas.
Automatiza la captura de datos a gran
escala para reducir los costos de procesamiento de documentos.
Ofrece recomendaciones de productos
altamente personalizadas a gran escala.
https://cloud.google.com/learn/what-is-artificial-intelligence?hl=es-41
