Unidad 2.1. De que estamos hablando: Concepto y Definiciones de IA

IntroduccióIntroducción

"Lo siento, Dave. Tengo miedo. No puedo hacer eso." - HAL 9000, 2001: Una odisea en el espacio.

"La verdadera pregunta no es si las mámáquinas pueden pensar o si pueden tener conciencia, sino si nosotros, como seres humanos, estamos dispuestos a reconocer la inteligencia y la conciencia en formas diferentes a las nuestras." - Ray Kurzweil

La Inteligencia Artificial (IA) es un campo de estudio que busca desarrollar sistemas capaces de realizar tareas que normalmente requerirírequerirían de la inteligencia humana. Estos sistemas utilizan algoritmos y modelos para procesar informacióinformación, aprender de ella y tomar decisiones basadas en patrones y reglas.

Dentro de la IA, el Machine Learning (Aprendizaje AutomáAutomático) es una rama fundamental que se centra en desarrollar algoritmos y tétécnicas que permiten a las mámáquinas aprender y mejorar su rendimiento a partir de datos, sin ser programadas explíexplícitamente. En lugar de seguir reglas especíespecíficas, los algoritmos de Machine Learning se basan en la detecciódetección de patrones y en la extraccióextracción de conocimientos a partir de grandes conjuntos de datos.

Uno de los enfoques mámás destacados dentro del Machine Learning es el Deep Learning (Aprendizaje Profundo), que se inspira en el funcionamiento de las redes neuronales del cerebro humano. Las redes neuronales artificiales utilizadas en el Deep Learning estáestán compuestas por múmúltiples capas de neuronas interconectadas, lo que les permite procesar informacióinformación de manera jerájerárquica y aprender representaciones complejas de los datos. El Deep Learning ha demostrado un rendimiento impresionante en tareas como el reconocimiento de imáimágenes, el procesamiento del lenguaje natural y la generaciógeneración de contenido.

Estos conceptos de IA, Machine Learning y Deep Learning han experimentado un rárápido crecimiento en las úúltimas dédécadas, impulsado por avances en la capacidad de computaciócomputación, el acceso a grandes volúvolúmenes de datos, algoritmos mámás potentes y el desarrollo de GPUs (procesadores grágráficos). Su aplicabilidad abarca una amplia gama de campos, incluyendo la medicina, la industria, la investigacióinvestigación cientícientífica, la conduccióconducción autóautónoma, la traducciótraducción automáautomática y mucho mámás.

A medida que la tecnologítecnología continúcontinúa evolucionando, se espera que la IA y sus ramas sigan desempeñdesempeñando un papel fundamental en el desarrollo de soluciones inteligentes y en la mejora de la forma en que interactuamos con el mundo digital.

Conceptos de IA

La Inteligencia Artificial (IA) es un campo de estudio que busca desarrollar sistemas y programas capaces de realizar tareas que normalmente requerirírequerirían de la inteligencia humana. Estos sistemas utilizan algoritmos y modelos matemámatemáticos para procesar informacióinformación, aprender de ella y tomar decisiones o realizar acciones basadas en patrones y reglas.

En primer lugar conviene definir de algúalgún modo ambos tétérminos, Inteligencia y Artificial, cuestiócuestión ya comentada al principo del curso pero que creemos conveniente recordar en varias de sus posibles definiciones:

Inteligencia

• DefinicióDefinición PsicolóPsicológica:

  • "La inteligencia es la capacidad para aprender, razonar, resolver problemas, pensar abstractamente, comprender ideas complejas, adaptarse al ambiente y aprender de la experiencia." - Carole Wade y Carol Tavris, psicópsicólogas.

• DefinicióDefinición BiolóBiológica:

  • "La inteligencia es un conjunto de habilidades de adaptacióadaptación al entorno, especialmente habilidades de aprendizaje, memoria, razonamiento y percepciópercepción." - Stephen Ceci, psicópsicólogo especializado en inteligencia.

• DefinicióDefinición Operacional:

  • "La inteligencia es lo que miden los tests de inteligencia." - Alfred Binet, uno de los pioneros en el desarrollo de pruebas de inteligencia.

Artificial

• DefinicióDefinición General:

  • "Artificial se refiere a algo que es hecho por el hombre o producido en lugar de ser algo natural."

• DefinicióDefinición TecnolóTecnológica:

  • "En el contexto de la tecnologítecnología y la ciencia, artificial describe algo que ha sido producido mediante un proceso controlado, a menudo imitando o replicando algo que ocurre en la naturaleza."

• DefinicióDefinición FilosóFilosófica:

  • "Desde una perspectiva filosófilosófica, artificial puede referirse a una imitacióimitación o simulaciósimulación de algo natural, buscando emular sus propiedades o funciones."

En el contexto de "Inteligencia Artificial", el tétérmino "artificial" indica que la inteligencia que se estáestá describiendo no es una inteligencia biolóbiológica o natural, sino una creada y diseñdiseñada por humanos mediante algoritmos y sistemas computacionales

En tétérminos generales, se pueden distinguir varios tipos de IA:

IA dédébil: TambiéTambién conocida como IA estrecha o IA especíespecífica, se refiere a sistemas diseñdiseñados para realizar tareas especíespecíficas de manera eficiente y precisa, pero que carecen de la capacidad de razonamiento o generalizaciógeneralización mámás alláallá de esas tareas. Ejemplos de IA dédébil incluyen los asistentes virtuales, sistemas de recomendaciórecomendación y chatbots.

IA fuerte: La IA fuerte se refiere a sistemas que poseen la capacidad de igualar o superar la inteligencia humana en una amplia gama de tareas. Estos sistemas seríserían capaces de comprender, razonar, aprender y adaptarse en diferentes situaciones, y podrípodrían tener una conciencia de sísí mismos. Sin embargo, hasta el momento, la IA fuerte sigue siendo un objetivo teóteórico y aúaún no se ha logrado completamente.

IA generalizada: TambiéTambién conocida como IA general, se refiere a sistemas que tienen la capacidad de superar a los humanos en todas las tareas intelectuales, tanto en las tareas especíespecíficas como en la capacidad de razonar y generalizar en nuevas situaciones. La IA generalizada es un objetivo a largo plazo y aúaún no se ha alcanzado.

Es importante tener en cuenta que los avances en IA se han centrado principalmente en la IA dédébil, desarrollando sistemas especializados para tareas especíespecíficas. Sin embargo, los esfuerzos continúcontinúan en la búbúsqueda de lograr una IA mámás fuerte y generalizada, aunque aúaún hay muchos desafídesafíos tétécnicos y ééticos por resolver.

Es fundamental tener en cuenta los lílímites y las implicaciones ééticas de la IA a medida que avanza, y asegurarse de que se utilice de manera responsable y beneficie a la sociedad en su conjunto.

La idea de una IA con conciencia, tambiétambién conocida como inteligencia artificial consciente o IA consciente, plantea la posibilidad de que las mámáquinas puedan tener una experiencia subjetiva o conciencia similar a la de los seres humanos. Sin embargo, es importante destacar que actualmente no existe un consenso claro sobre cócómo definir o lograr la conciencia en una mámáquina.

Debe notarse ademáademás que la IA es un campo amplio de estudio, que lleva en desarrollo decenas de añaños y que no solamente abarca lo relacionado con el lenguaje, sino tambiétambién otros campos como la robórobótica o la comunicaciócomunicación hombre-mámáquina

En general tiene que ver con todo lo que signifique imitar el comportamiento humano, especialmente en los campos de la IA conversacional, la sísíntesis y reconocimiento de voz, la generaciógeneración de lenguaje natural y la predicciópredicción de lenguaje.

EvolucióEvolución de la inteligencia artificial versus humana en el ajedrez a lo largo del tiempo

En general distinguimos los siguientes campos de estudio:

Campos de Estudio en Inteligencia Artificial

En vez de intentar producir un programa que simule la mente adulta, ¿¿por quéqué no tratar de producir uno que simule la mente del niñniño? Si éésta se sometiera entonces a un curso educativo adecuado, se obtendríobtendría el cerebro de adulto.

Alan Mathison Turing (1912 - 1954), MatemáMatemático IngléInglés

Aprendizaje Automáticobasado en patrones (Machine Learning o ML)

El machine learning es una rama de la inteligencia artificial que se centra en el uso de datos y algoritmos para imitar la forma en la que aprenden los seres humanos. En otras palabras, es un mémétodo estadíestadístico para aprender patrones en base a ejemplos.

Por ejemplo, si queremos enseñenseñar a una computadora a reconocer imáimágenes de perros, le proporcionamos un conjunto de imáimágenes etiquetadas como “perros”“perros” y otro conjunto etiquetado como ““no perros”perros”. La computadora utiliza estos datos para aprender a distinguir entre las dos categorícategorías y, con el tiempo, se vuelve mámás precisa en su capacidad para identificar imáimágenes de perros

Se utiliza en una amplia variedad de aplicaciones, desde la detecciódetección de fraudes hasta la predicciópredicción del clima y la recomendaciórecomendación de productos. A medida que la cantidad de datos disponibles sigue creciendo, el llamado ML se estáestá convirtiendo en una herramienta cada vez mámás importante para ayudar a las empresas a tomar decisiones informadas y mejorar la eficiencia de los procesos productivos.

Dentro del Machine Learning distinguimos especialmente el Aprendizaje Profundo (Deep Learning o DL)

Estudiaque estudia las redes neuronales con múmúltiples capas (profundas) para procesar grandes conjuntos de datos.

Es una técnica de ML que seSe basa en el uso de redes neuronales artificiales para imitar la forma en que aprenden los seres humanos. A diferencia del machine learning, que se enfoca en el aprendizaje a partir de datos estructurados, el deep learning se utiliza para aprender patrones a partir de datos no estructurados, como imáimágenes, audio y texto. 

Se utiliza tambiétambién en una amplia variedad de aplicaciones, desde la detecciódetección de fraudes hasta la predicciópredicción del clima y la recomendaciórecomendación de productos. A medida que la cantidad de datos disponibles sigue creciendo, el deep learning se estáestá convirtiendo en una herramienta cada vez mámás importante para ayudar a las empresas a tomar decisiones informadas y mejorar la eficiencia, pero tambiétambién en una poderosa herramienta para la generaciógeneración de contenidos de audio texto y vívídeo asíasí como chats conversacionales de cualquier temátemática o dominio de conocimiento.

Procesamiento del Lenguaje Natural (NLP)

El Procesamiento del Lenguaje Natural (NLP, por sus siglas en ingléinglés) es una rama de la inteligencia artificial que se centra en la interaccióinteracción entre los ordenadores y el lenguaje humano. Su objetivo es permitir que las mámáquinas comprendan, interpreten y respondan a textos y voces humanas de una manera úútil y natural.

En tétérminos simples, el NLP trata de "enseñenseñar" a las computadoras cócómo entender el lenguaje humano, incluyendo sus sutilezas, ambigüambigüedades y variaciones. Esto implica procesos como la traducciótraducción automáautomática (por ejemplo, convertir texto de un idioma a otro), la respuesta a preguntas (responder preguntas formuladas en lenguaje natural), y la comprensiócomprensión de sentimientos (detectar emociones en el texto).

Es una tecnologítecnología que encontramos en la vida cotidiana en cosas como los asistentes virtuales (Siri, Alexa), los correctores ortográortográficos automáautomáticos, los sistemas de chatbot para atencióatención al cliente, y las recomendaciones de productos basadas en reseñreseñas. Es un campo en constante evolucióevolución que busca mejorar la forma en que las mámáquinas y los humanos interactúinteractúan.

VisióVisión por Computadora

Estudia cócómo las mámáquinas pueden obtener informacióinformación a partir de imáimágenes o videos.

La visióvisión por computadora, tambiétambién conocida como visióvisión artificial, es un campo de la inteligencia artificial que se enfoca en dar a las mámáquinas la capacidad de "ver" o identificar y entender el contenido visual del mundo. Esto significa procesar y analizar imáimágenes y videos para identificar objetos, personas, escenas y actividades.

En tétérminos bábásicos, la visióvisión por computadora permite que las computadoras interpreten y hagan uso de la informacióinformación visual de la misma manera que lo haríharía un ser humano, pero a una velocidad y escala mucho mayores. Esto incluye tareas como reconocer rostros en fotografífotografías, identificar objetos en imáimágenes para sistemas de navegaciónavegación autóautónoma (como los utilizados en los coches autóautónomos), analizar imáimágenes mémédicas para diagnosticar enfermedades, y mucho mámás.

Se utiliza en una amplia gama de aplicaciones práprácticas: desde la seguridad y vigilancia hasta la interaccióinteracción y entretenimiento en redes sociales, pasando por el control de calidad en la fabricaciófabricación y la agricultura de precisióprecisión. Este campo combina tétécnicas de aprendizaje automáautomático, procesamiento de imáimágenes y patrones, y anáanálisis de datos para entrenar a las computadoras en el reconocimiento y procesamiento de imáimágenes.

RobóRobótica

Se centra en el diseñdiseño, construccióconstrucción y operacióoperación de robots que pueden interactuar y operar en entornos fífísicos.

La robórobótica es un campo de la ingenieríingeniería y la ciencia de la computaciócomputación que se ocupa del diseñdiseño, construccióconstrucción, operacióoperación y uso de robots. Los robots son sistemas que pueden moverse, percibir su entorno, procesar informacióinformación y realizar acciones o tareas en el mundo real, ya sea de manera autóautónoma o controlada por humanos.

En tétérminos sencillos, la robórobótica combina elementos de la mecámecánica (para el diseñdiseño y fabricaciófabricación de las estructuras fífísicas de los robots), la electróelectrónica (para los sistemas de control y sensores) y la informáinformática (para el procesamiento de datos y la toma de decisiones). Esto permite que los robots realicen una amplia gama de tareas, desde la fabricaciófabricación industrial y la exploracióexploración espacial hasta la asistencia en tareas domédomésticas y el cuidado de la salud.

La robórobótica moderna tambiétambién se entrelaza con la inteligencia artificial, especialmente cuando los robots requieren capacidades avanzadas de percepciópercepción, toma de decisiones y aprendizaje. Por ejemplo, los robots que utilizan IA pueden aprender de su entorno y adaptarse a nuevos retos, lo que les permite ser mámás eficientes y versáversátiles.

Tiene aplicaciones en numerosos campos, como la manufactura (robots de ensamblaje y soldadura), la medicina (robots quirúquirúrgicos y de rehabilitaciórehabilitación), el servicio al cliente (robots de asistencia), el transporte (vehívehículos autóautónomos) y muchos mámás. Es un campo en constante evolucióevolución, impulsado por avances tecnolótecnológicos y la creciente integracióintegración de sistemas inteligentes.

Planificación y Razonamiento Automático

Estudia cómo las máquinas pueden representar el conocimiento y usarlo para lograr objetivos específicos.

El razonamiento automático es un área de la inteligencia artificial que se centra en desarrollar sistemas capaces de entender y aplicar lógica para resolver problemas, probar teoremas, o tomar decisiones basadas en información disponible. Básicamente, es el proceso de hacer que las computadoras "razonen" de manera similar a cómo lo hacen los humanos, pero de forma automática y a menudo a una escala y velocidad que superan nuestras capacidades.

En términos simples, el razonamiento automático implica el uso de algoritmos para procesar datos y reglas para llegar a conclusiones o realizar predicciones. Esto puede incluir probar teoremas, planificación o determinar una serie de acciones para alcanzar un objetivo específico, entendimiento y manipulación del lenguaje natural o la inferencia lógica basada en conocimientos.

El razonamiento automático es fundamental en muchas aplicaciones de IA, permitiendo que los sistemas no solo realicen tareas, sino que también "comprendan" y actúen de manera lógica y coherente en un contexto dado. Este campo combina elementos de lógica matemática, ciencias de la computación y psicología cognitiva, y juega un papel crucial en el desarrollo de sistemas de inteligencia artificial más sofisticados y capaces.

Sistemas Expertos

Un sistema experto es un programa de computadora diseñdiseñado para imitar la capacidad de toma de decisiones de un experto humano en un campo especíespecífico. Estos sistemas estáestán programados con una gran cantidad de conocimientos y reglas especíespecíficas del áárea en la que se especializan, lo que les permite ofrecer consejos, resolver problemas o tomar decisiones como lo haríharía un experto real.

Para entenderlo de manera sencilla, piensa en un sistema experto como un "libro de consejos" muy avanzado y especíespecífico. Por ejemplo, en medicina, un sistema experto puede diagnosticar enfermedades basábasándose en los sísíntomas del paciente, la informacióinformación mémédica y las reglas establecidas por mémédicos reales. Este sistema puede preguntar al usuario (como un mémédico o paciente) sobre varios sísíntomas y luego, basábasándose en su "conocimiento" programado, sugerir posibles diagnódiagnósticos o tratamientos.

Son úútiles en campos donde la toma de decisiones es compleja y requiere un alto nivel de conocimiento especializado, como la medicina, la ingenieríingeniería, las finanzas y el derecho. Estos sistemas no reemplazan a los expertos humanos, sino que sirven como herramientas para ampliar su alcance y mejorar la eficiencia en la toma de decisiones.

Aprendizaje por Refuerzo

El aprendizaje por refuerzo es un tipo de aprendizaje automáautomático en el que un agente (un programa de computadora) aprende a tomar decisiones mediante la experimentacióexperimentación y la retroalimentacióretroalimentación sobre las acciones que realiza. En lugar de ser enseñenseñado explíexplícitamente quéqué hacer en cada situaciósituación, el agente descubre quéqué acciones producen los mejores resultados a travétravés de un proceso de prueba y error.

Para entenderlo de manera sencilla, piensa en el aprendizaje por refuerzo como el proceso de enseñenseñar a un niñniño a andar en bicicleta no solo diciédiciéndole cócómo hacerlo, sino dejádejándolo intentarlo y aprender de sus errores. Cada vez que el niñniño se inclina demasiado y se cae (un resultado negativo), aprende a evitar esa accióacción en el futuro. De manera similar, si logra mantener el equilibrio y avanzar (un resultado positivo), aprenderáaprenderá a repetir y perfeccionar esa accióacción.

En el aprendizaje por refuerzo, el agente recibe recompensas o penalizaciones basadas en las consecuencias de sus acciones. Su objetivo es maximizar la suma total de recompensas. Este enfoque es particularmente úútil en situaciones donde no es factible o posible programar todas las posibles acciones y resultados, como en juegos complejos (como el ajedrez o el Go), la navegaciónavegación de robots, o la optimizacióoptimización de sistemas.

Este vívídeo en el que se enseñenseña a andar a un robot es muy ilustrativo del proceso general

https://www.youtube.com/watch?v=xAXvfVTgqr0    

AgentesEn Inteligentesdefinitiva la IA trata de todo lo que tiene que ver con el comportamiento y el razonamiento humano intentando imitaro o reproducirlo basándose en la propia biología humana,.

EstudiaSe cómoinvita crearal entidadesalumno a reflexionar acerca del proceso de aprendizaje que puedentodos operarhemos seguido en nuestras vidas y de maneracomo autónoma en un entorno para lograr objetivos específicos.

Los agentes inteligentes son sistemas de software que realizan tareas específicas de forma autónoma para un usuario o para otro programa, con cierto grado de inteligencia y adaptabilidad. Estos agentes pueden operar de manera independiente o en un entorno con otros agentes, y están diseñados para tomar decisiones y realizar acciones basadas engeneramos el entornopropio en el que se encuentranlenguaje y los objetivosrecuerdos quebasados seen lespatrones hano asignado.similitudes con registros del pasado o de otros tetos o conversaciones.

UnaA de los características clave de los agentes inteligentes es la capacidad para operar y tomar decisiones sin intervención humana.

De hecho en el futuro próximo se especula con agentes de IA que sean capaces de ejecutar acciones en base a un objetivo específico de manera que puedan por ejemplo llevar a cabo una campañdía de marketinghoy oparece modificarclaro unaque claselas enmáquinas tiempono realpiensan, segúnpero elsí nivel y percepción de los alumnos.aprenden.

En lo que respecta al curso, dentro de la IA nos centraremos especialmente en el campo del Deep Learning (uso de redes neuronales para la aprender de los datos), subcampo del Machine Learning (aprendizaje basado en datos) que a su vez es una rama de la AI (imitación del comportamiento y razonamiento humanos).

Imagen generada con DALL-E de chatGPT4