Para entender qué es la Inteligencia Artificial o IA, primero tenemos que estar en sintonía con respecto a ¿qué es ser inteligente? La inteligencia se define como la capacidad de la mente para aprender, comprender, razonar, tomar decisiones y formarse una idea de una realidad determinada.

La siguiente pregunta que podríamos hacernos es ¿cuál es la criatura más inteligente que existe?La respuesta es sencilla: humanos. Tienen la capacidad de realizar varias tareas complejas diferentes que querríamos que también tuvieran las computadoras.

La comunicación oral es una de esas tareas complejas: escuchamos y hablamos, nos comunicamos mediante un lenguaje oral. En la IA, el subcampo que copia la forma en que los humanos se comunican oralmente se denomina Reconocimiento de voz. Esto es lo que hacen Siri, Alexa o Google Home para entender nuestras solicitudes.

Además, estás leyendo este artículo... así que te estás comunicando conmigo (el escritor) por medio de un lenguaje escrito. Yo escribo y tú lees, e incluso puedes responder y yo podría decodificar tu mensaje. Esto se logra en el campo de Procesamiento del lenguaje natural o PNL. A veces también se denomina comprensión del lenguaje natural o NLU.

Además, al mirar las imágenes de arriba, se nota que hay un cielo en la primera y no hace falta mucho para darse cuenta de que la segunda tiene palmeras y probablemente sea una playa. Los ordenadores pueden llegar a las mismas conclusiones gracias al campo de Visión por computador, que también es un subcampo de la IA.

La visión por computador forma parte de lo que se llama Aprendizaje simbólico mientras que tradicionalmente el reconocimiento de voz y la PNL forman parte de Aprendizaje estadístico.

Los seres humanos también se mueven y pueden interactuar con el medio ambiente. Los ordenadores lo hacen gracias a la robótica. La robótica es otro subcampo de la IA. En realidad, estrictamente hablando, la robótica incluye muchos otros campos, como la física y la electrónica, que en realidad no son IA. Los coches autónomos y otros vehículos autónomos forman parte de la robótica y la robótica también forma parte del aprendizaje simbólico que mencionamos anteriormente.

Los seres humanos también son capaces de reconocer patrones. Si una empresa determinada vendió 1000$ hace tres años, 2000$ hace dos y 3000$ el año pasado, probablemente puedas deducir que venderá 4000$ este año con cierto grado de confianza. Las computadoras también pueden ver este patrón y también podrán hacer predicciones basadas en lo que hayan aprendido. Además, mientras que los humanos pueden trabajar fácilmente con dos o tres dimensiones al mismo tiempo, los ordenadores pueden hacerlo con cientos o miles al mismo tiempo, por lo que nos superan en el reconocimiento de patrones. El campo de la IA que estudia el reconocimiento de patrones se llama Aprendizaje automático y se usa para resolver dos tipos diferentes de problemas:

• Clasificación
• Predicción

La diferencia entre ellos es sutil, pero si, por ejemplo, estás intentando entender si un cliente es realmente un VIP o no, entonces estás clasificando. Si estás intentando entender si es probable que un cliente determinado compre o no a un competidor, estás haciendo predicciones.

Entonces, ahora sabemos que si enseñamos a una computadora a replicar diferentes tareas que los humanos hacen que nos hagan inteligentes, entonces habríamos creado un sistema de Inteligencia Artificial. Pero, ¿cómo vamos a enseñar esto a las computadoras? Bueno, un buen punto de partida es entender cómo aprenden los humanos. Aprendemos usando nuestro cerebro, que puede verse como una red de neuronas. Si pudiéramos replicar la estructura y/o la funcionalidad del cerebro, habríamos enseñado a la computadora a ser inteligente. Este enfoque para la enseñanza de las computadoras se llama Aprendizaje profundo y en realidad es un subcampo del aprendizaje automático.

El aprendizaje profundo es un campo importante dentro de la IA y se puede dividir en tareas específicas. Por ejemplo, si ves estas partes de una imagen:

Puedes deducir que hay un sol, pero te será más difícil darte cuenta de que allí también hay una colina de arena. Esto se debe a que parte de la información espacial se perdió cuando la imagen se partió en pedazos. Si las neuronas utilizan la información espacial para identificar patrones o resolver problemas de clasificación, se denominan redes neuronales convolucionales y son un subcampo del aprendizaje profundo. Son un enfoque diferente para resolver tareas de visión artificial.

Los humanos también tenemos la capacidad de recordar cosas. Por ejemplo, cuándo va a hacer su próxima visita al médico. También contamos con redes neuronales especializadas para ello. Se llaman redes neuronales recurrentes.

Por lo tanto, resumiendo, la IA se puede dividir de la siguiente manera:

Es importante señalar que podemos construir muchos IA específica aplicaciones pero no un IA general solicitud (al menos no todavía). Esto significa que podemos crear una aplicación que prediga las acciones de una empresa (una aplicación de IA específica) y otra que decodifique la voz, etc., pero Terminator (IA general) sigue siendo solo ciencia ficción.

Mencionamos anteriormente el aprendizaje estadístico y el aprendizaje simbólico. El aprendizaje simbólico consiste en enseñar al ordenador los símbolos que los humanos pueden entender, mientras que el aprendizaje estadístico consiste en proporcionarle una gran cantidad de información y el ordenador decide por sí mismo qué es importante para tomar una decisión y qué no. Por ejemplo, si le dices a un vehículo autónomo que se detenga cuando ve una señal roja a un lado de la carretera con la palabra «Pare» escrita en blanco, eso es aprendizaje simbólico. Por otro lado, si le enseñas a un vehículo autónomo muchas horas de vídeos de coches que se detienen cuando aparecen señales de alto, eso es aprendizaje estadístico.

¿Por qué ahora?

Ok, la IA es genial, estamos de acuerdo con eso. Pero, ¿por qué tanto alboroto en los últimos años? Sobre todo teniendo en cuenta que la IA existe desde hace mucho tiempo. Existe desde la década de 1950. De hecho, Turing propuso su famosa prueba de Turing en 1950 y el término «inteligencia artificial» se utilizó por primera vez en un taller del Dartmouth College en 1956. De hecho, algunos de los asistentes recibieron millones de dólares para crear una máquina tan inteligente como un ser humano, pero no pudieron lograrlo en ese momento. Con el tiempo, esa y otras iniciativas se quedan sin dinero, y la primera»Invierno de IA» llegó. Eso fue alrededor de la década de 1970 y duró hasta la década de 1980, cuando el gobierno japonés invirtió dinero en investigación. Una nueva»Verano de IA» había llegado y duró varios años hasta que las iniciativas volvieron a quedarse sin dinero: llegó otro invierno. Ese invierno duró hasta la década del 2000, cuando llegó otro verano. Esta vez, las grandes empresas como Google, Facebook, Baidu y otras son las que invierten dinero en la investigación (suena como un deja vu ¿verdad?). Pero, ¿cómo saber si este no es solo otro verano o si esta vez la IA está aquí para siempre?

En la IA, se utiliza mucha teoría matemática para crear algoritmos que se alimentan de datos y se ejecutan en un hardware determinado para que puedas tomar una decisión. La gran diferencia esta vez es el hardware. Los avances del hardware ahora nos permiten ejecutar algoritmos mucho más complejos en tiempos razonables, así como guardar toneladas de datos que antes no teníamos en cuenta. Todo esto combinado nos permite crear aplicaciones que logren buenos resultados en períodos de tiempo razonables.

Imagina que si le pido a Alexa o Siri que pongan un temporizador mientras cocino, querré una respuesta inmediata. Si Alexa tarda 10 minutos en decodificar «pon un temporizador durante 5 minutos», entonces no sirve. En lugar de esto, mi voz se decodifica inmediatamente y me dan una respuesta en cuestión de milisegundos.

En Marvik.ai creemos que el invierno no llegará pronto porque el hardware ha llegado a un punto en el que podemos crear muchas aplicaciones de uso comercial. La IA acaba de empezar.