En relación a la Inteligencia Artificial hay que tener presente los siguientes conceptos básicos:
Machine learning: es la parte de la IA que se encarga de que un sistema informático aprenda por sí solo a partir de los datos obtenidos al realizar tareas anteriores, o sea, se puede decir que es una autoprogramación del sistema partiendo de su experiencia. También se denomina “Aprendizaje automático”.
Deep learning (aprendizaje profundo): es un nivel superior del machine learning. Se refiere a la capacidad de un sistema informático para tomar datos de distintas fuentes, analizarlos y utilizarlos para resolver nuevos problemas. Para ello utiliza las redes neuronales artificiales.
Redes Neuronales Artificiales: es un algoritmo que imita el funcionamiento de los circuitos neuronales del cerebro humano, dando sentido a los acontecimientos.
Procesamiento de Datos: es un procedimiento en el que se crea un modelo de predicción en el que se basa el análisis de los datos. Consiste en descartar los datos que no ayudan a la predicción y de esa manera limpiar el modelo de datos inútiles.
Big Data: múltiples datos que sirven para analizarlos por el modelo y obtener conclusiones.
Algoritmo: es un proceso de pasos bien estructurado que permiten resolver un problema.
Bot: es un programa que realiza tareas reiteradamente de forma automatizada.
Computer visión: es el reconocimiento de patrones para detectar lo que hay en una imagen o video e interpretarlos.
NPL: Procesamiento del lenguaje natural. Es la disciplina que hace que las máquinas comprendan y utilicen la lengua. Se basa en la capacidad de interactuar la computadora con los humanos.
NGL: Generación del Lenguaje Natural. Consiste en una programación para desarrollar narrativa escrita o hablada.
Sistema experto: es un programa informático que simula el razonamiento humano como lo haría una persona especializada en un área de conocimiento determinada.
Aprendizaje supervisado: se dice del aprendizaje automático cuando los datos están formados por observaciones y respuestas correctas.
Aprendizaje no supervisado: cuando los datos se presentan sin clasificar. En este caso el algoritmo de aprendizaje consiste en buscar patrones comunes en los datos.
Aprendizaje por refuerzo: es un modelo con algunas reglas simples, suficientes para realizar una tarea y evaluar el resultado, aprender de sus errores e intentar diferentes formas de hacerlo, hasta que eventualmente lo puede lograr. se basa en el principio de acción-recompensa.
Concluyendo esta introducción se podría decir que la AI está aquí para quedarse, no se trata simplemente de un programa informático ya que esta se limita a ejecutar una serie de ordenes con los datos que se le proporcionan (si pasa esto, haces esto, si pasa lo otro haces esto otro) de manera que la máquina no “piensa”. La AI no recibe ordenes, sino que la propia programación está capacitada para resolver por sí misma los problemas.
Hemos visto que existen dos niveles de IA, la llamada ANI diseñada para tareas simples, y la llamada AGI que tiende a acercarse a la inteligencia humana. La primera aplicación de la ANI fue Deep Blue, un ordenador que venció una partida de ajedrez a Kaspárov en el año 1997.
De momento el machine learning es lo que más está triunfando, como vimos es una especie de entrenamiento de la máquina por acierto u error. Dentro de este tenemos el entrenamiento supervisado donde el hombre le dice a la máquina lo que hace bien o mal; y el entrenamiento no supervisado donde la propia AI aprende sola en función de ciertas reglas.
