La inteligencia artificial (IA) es una rama de gran alcance de las ciencias de la computación que se ocupa de construir máquinas inteligentes capaces de realizar tareas que normalmente requieren inteligencia humana.
¿CUÁLES SON LOS CUATRO TIPOS DE INTELIGENCIA ARTIFICIAL?
- Máquinas reactivas
- Memoria limitada
- Teoria de la mente
- Conciencia de sí mismo
¿CUÁLES SON EJEMPLOS DE INTELIGENCIA ARTIFICIAL?
- Siri, Alexa y otros asistentes inteligentes
- autos sin conductor
- Robo-asesores
- Robots conversacionales
- Filtros de spam de correo electrónico
- recomendaciones de netflix
¿Cómo funciona la inteligencia artificial?
Enfoques y conceptos de IA
Menos de una década después de romper la máquina de encriptación nazi Enigma y ayudar a las Fuerzas Aliadas a ganar la Segunda Guerra Mundial, el matemático Alan Turing cambió la historia por segunda vez con una simple pregunta: «¿Pueden pensar las máquinas?»
El artículo de Turing » Computing Machinery and Intelligence » (1950), y su posterior Test de Turing, establecieron el objetivo fundamental y la visión de la inteligencia artificial.
En esencia, la IA es la rama de la informática que pretende responder afirmativamente a la pregunta de Turing. Es el esfuerzo por replicar o simular la inteligencia humana en máquinas.
El objetivo expansivo de la inteligencia artificial ha dado lugar a muchas preguntas y debates. Tanto es así, que ninguna definición singular del campo es universalmente aceptada.
¿Pueden pensar las máquinas? – Alan Turing, 1950
La principal limitación al definir la IA simplemente como «construir máquinas que sean inteligentes» es que en realidad no explica qué es la inteligencia artificial. ¿Qué hace que una máquina sea inteligente? La IA es una ciencia interdisciplinaria con múltiples enfoques, pero los avances en el aprendizaje automático y el aprendizaje profundo están creando un cambio de paradigma en prácticamente todos los sectores de la industria tecnológica.
En su innovador libro de texto Inteligencia artificial: un enfoque moderno , los autores Stuart Russell y Peter Norvig abordan la cuestión unificando su trabajo en torno al tema de los agentes inteligentes en las máquinas. Con esto en mente, la IA es «el estudio de agentes que reciben percepciones del entorno y realizan acciones».
Norvig y Russell continúan explorando cuatro enfoques diferentes que históricamente han definido el campo de la IA:
- pensando humanamente
- pensar racionalmente
- Actuando humanamente
- Actuar racionalmente
Las dos primeras ideas se refieren a los procesos de pensamiento y al razonamiento, mientras que las otras tratan del comportamiento. Norvig y Russell se enfocan particularmente en agentes racionales que actúan para lograr el mejor resultado, señalando que «todas las habilidades necesarias para la Prueba de Turing también permiten que un agente actúe racionalmente». (Russel y Norvig 4).
Patrick Winston, profesor de inteligencia artificial y ciencias de la computación de Ford en el MIT, define la IA como «algoritmos habilitados por restricciones, expuestos por representaciones que respaldan modelos dirigidos a bucles que unen el pensamiento, la percepción y la acción».
Si bien estas definiciones pueden parecer abstractas para la persona promedio, ayudan a enfocar el campo como un área de la informática y brindan un modelo para infundir máquinas y programas con aprendizaje automático y otros subconjuntos de inteligencia artificial. https://www.youtube.com/embed/y5swZ2Q_lBw?autoplay=0&start=0&rel=0TIPOS DE INTELIGENCIA ARTIFICIAL | EXPLICACIÓN DE LA INTELIGENCIA ARTIFICIAL | ¿QUÉ ES LA IA? | EDUREKA
Los cuatro tipos de inteligencia artificial
Máquinas reactivas
Una máquina reactiva sigue los principios más básicos de la IA y, como su nombre lo indica, solo es capaz de usar su inteligencia para percibir y reaccionar ante el mundo que tiene delante. Una máquina reactiva no puede almacenar una memoria y, como resultado, no puede confiar en experiencias pasadas para informar la toma de decisiones en tiempo real.
Percibir el mundo directamente significa que las máquinas reactivas están diseñadas para completar solo un número limitado de tareas especializadas. Sin embargo, reducir intencionalmente la visión del mundo de una máquina reactiva no es ningún tipo de medida de reducción de costos y, en cambio, significa que este tipo de IA será más confiable y confiable: reaccionará de la misma manera a los mismos estímulos cada vez.
Un ejemplo famoso de una máquina reactiva es Deep Blue , que fue diseñada por IBM en la década de 1990 como una supercomputadora para jugar al ajedrez y derrotó al gran maestro internacional Gary Kasparov en un juego. Deep Blue solo era capaz de identificar las piezas en un tablero de ajedrez y saber cómo se mueve cada una según las reglas del ajedrez, reconocer la posición actual de cada pieza y determinar cuál sería el movimiento más lógico en ese momento. La computadora no perseguía futuros movimientos potenciales de su oponente ni intentaba colocar sus propias piezas en una mejor posición. Cada giro fue visto como una realidad propia, separada de cualquier otro movimiento que se haya hecho con anterioridad.
Otro ejemplo de una máquina reactiva de juego es AlphaGo de Google . AlphaGo tampoco es capaz de evaluar movimientos futuros, pero depende de su propia red neuronal para evaluar los desarrollos del juego actual, lo que le otorga una ventaja sobre Deep Blue en un juego más complejo. AlphaGo también superó a los competidores de clase mundial del juego, derrotando al jugador campeón de Go Lee Sedol en 2016.
Aunque tiene un alcance limitado y no se modifica fácilmente, la inteligencia artificial de máquinas reactivas puede alcanzar un nivel de complejidad y ofrece confiabilidad cuando se crea para cumplir con tareas repetibles.
Memoria limitada
La inteligencia artificial de memoria limitada tiene la capacidad de almacenar datos y predicciones anteriores al recopilar información y sopesar decisiones potenciales, esencialmente buscando en el pasado pistas sobre lo que puede suceder a continuación. La inteligencia artificial de memoria limitada es más compleja y presenta mayores posibilidades que las máquinas reactivas.
La IA de memoria limitada se crea cuando un equipo entrena continuamente a un modelo sobre cómo analizar y utilizar nuevos datos o se crea un entorno de IA para que los modelos puedan entrenarse y renovarse automáticamente. Cuando se utiliza IA de memoria limitada en el aprendizaje automático, se deben seguir seis pasos: se deben crear datos de entrenamiento, se debe crear el modelo de aprendizaje automático, el modelo debe poder hacer predicciones, el modelo debe poder recibir retroalimentación humana o ambiental, esa retroalimentación debe almacenarse como datos, y estos pasos deben reiterarse como un ciclo.
Hay tres modelos principales de aprendizaje automático que utilizan inteligencia artificial de memoria limitada:
- Aprendizaje por refuerzo , que aprende a hacer mejores predicciones a través de ensayo y error repetidos.
- Memoria a corto plazo (LSTM) , que utiliza datos anteriores para ayudar a predecir el siguiente elemento en una secuencia. Los LTSM ven la información más reciente como la más importante cuando hacen predicciones y descuentan datos del pasado, aunque todavía los utilizan para sacar conclusiones.
- Redes adversarias generativas evolutivas (E-GAN) , que evolucionan con el tiempo, creciendo para explorar caminos ligeramente modificados basados en experiencias previas con cada nueva decisión. Este modelo busca constantemente un camino mejor y utiliza simulaciones y estadísticas, o el azar, para predecir los resultados a lo largo de su ciclo de mutación evolutiva.
Teoria de la mente
La Teoría de la Mente es sólo eso: teórica. Todavía no hemos logrado las capacidades tecnológicas y científicas necesarias para alcanzar este próximo nivel de inteligencia artificial.
El concepto se basa en la premisa psicológica de comprender que otros seres vivos tienen pensamientos y emociones que afectan el comportamiento de uno mismo. En términos de máquinas de IA, esto significaría que la IA podría comprender cómo se sienten los humanos, los animales y otras máquinas y tomar decisiones a través de la autorreflexión y la determinación, y luego utilizará esa información para tomar sus propias decisiones. Esencialmente, las máquinas tendrían que poder captar y procesar el concepto de «mente», las fluctuaciones de las emociones en la toma de decisiones y una letanía de otros conceptos psicológicos en tiempo real, creando una relación bidireccional entre las personas y la inteligencia artificial.https://www.youtube.com/embed/qMy8kH-iZ3M?autoplay=0&start=0&rel=0¿QUÉ PASARÍA SI LA IA SE VOLVIERA CONSCIENTE DE SÍ MISMA? POR ALLTIME10S
Conciencia de sí mismo
Una vez que la Teoría de la Mente se pueda establecer en la inteligencia artificial, en algún momento en el futuro, el paso final será que la IA se vuelva consciente de sí misma. Este tipo de inteligencia artificial posee una conciencia a nivel humano y comprende su propia existencia en el mundo, así como la presencia y el estado emocional de los demás. Sería capaz de comprender lo que otros pueden necesitar en función no solo de lo que les comunican, sino también de cómo lo comunican.
La autoconciencia en la inteligencia artificial se basa en que los investigadores humanos comprendan la premisa de la conciencia y luego aprendan a replicarla para que pueda incorporarse a las máquinas.USOS, EJEMPLOS + APLICACIONES
¿Cómo se usa la IA?
Mientras se dirigía a una multitud en Japan AI Experience en 2017 , el CEO de DataRobot , Jeremy Achin, comenzó su discurso ofreciendo la siguiente definición de cómo se usa la IA en la actualidad:
«La IA es un sistema informático capaz de realizar tareas que normalmente requieren inteligencia humana… Muchos de estos sistemas de inteligencia artificial funcionan con aprendizaje automático, algunos con aprendizaje profundo y otros con cosas muy aburridas como reglas .»
La inteligencia artificial generalmente se divide en dos categorías amplias:
- IA estrecha: a veces denominada «IA débil», este tipo de inteligencia artificial opera dentro de un contexto limitado y es una simulación de la inteligencia humana. La IA estrecha a menudo se enfoca en realizar una sola tarea extremadamente bien y, si bien estas máquinas pueden parecer inteligentes, operan bajo muchas más restricciones y limitaciones que incluso la inteligencia humana más básica.
- Inteligencia artificial general (AGI) : AGI, a veces denominada «IA fuerte», es el tipo de inteligencia artificial que vemos en las películas, como los robots de Westworld o Data de Star Trek: The Next Generation . AGI es una máquina con inteligencia general y, al igual que un ser humano, puede aplicar esa inteligencia para resolver cualquier problema.
Inteligencia artificial estrecha
La IA estrecha nos rodea y es fácilmente la realización más exitosa de la inteligencia artificial hasta la fecha. Con su enfoque en la realización de tareas específicas, Narrow AI ha experimentado numerosos avances en la última década que han tenido «beneficios sociales significativos y han contribuido a la vitalidad económica de la nación», según «Preparing for the Future of Artificial Intelligence», un Informe de 2016 publicado por la administración Obama.
Algunos ejemplos de Narrow AI incluyen :
- búsqueda de Google
- software de reconocimiento de imagen
- Siri, Alexa y otros asistentes personales
- autos sin conductor
- Watson de IBM
Aprendizaje automático y aprendizaje profundo
Gran parte de Narrow AI se basa en avances en el aprendizaje automático y el aprendizaje profundo . Comprender la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo puede ser confuso. El capitalista de riesgo Frank Chen proporciona una buena descripción general de cómo distinguir entre ellos, y señala:
«La inteligencia artificial es un conjunto de algoritmos e inteligencia para tratar de imitar la inteligencia humana. El aprendizaje automático es uno de ellos, y el aprendizaje profundo es una de esas técnicas de aprendizaje automático».
En pocas palabras, el aprendizaje automático alimenta una computadora con datos y utiliza técnicas estadísticas para ayudarla a «aprender» cómo mejorar progresivamente en una tarea, sin haber sido programada específicamente para esa tarea, eliminando la necesidad de millones de líneas de código escrito. El aprendizaje automático consiste tanto en el aprendizaje supervisado (usando conjuntos de datos etiquetados) como en el aprendizaje no supervisado (usando conjuntos de datos no etiquetados).
El aprendizaje profundo es un tipo de aprendizaje automático que ejecuta entradas a través de una arquitectura de red neuronal inspirada en la biología. Las redes neuronales contienen una serie de capas ocultas a través de las cuales se procesan los datos, lo que permite que la máquina profundice en su aprendizaje, haciendo conexiones y ponderando las entradas para obtener los mejores resultados.
Inteligencia artificial general
La creación de una máquina con inteligencia a nivel humano que se pueda aplicar a cualquier tarea es el Santo Grial para muchos investigadores de IA, pero la búsqueda de AGI ha estado plagada de dificultades.
La búsqueda de un «algoritmo universal para aprender y actuar en cualquier entorno» (Russel y Norvig 27) no es nueva, pero el tiempo no ha aliviado la dificultad de crear esencialmente una máquina con un conjunto completo de habilidades cognitivas.
AGI ha sido durante mucho tiempo la musa de la ciencia ficción distópica, en la que robots superinteligentes invaden a la humanidad, pero los expertos están de acuerdo en que no es algo de lo que debamos preocuparnos en el corto plazo .HISTORIA
Una breve historia de la inteligencia artificial
Los robots inteligentes y los seres artificiales aparecieron por primera vez en los antiguos mitos griegos de la Antigüedad. El desarrollo del silogismo de Aristóteles y su uso del razonamiento deductivo fue un momento clave en la búsqueda de la humanidad por comprender su propia inteligencia. Si bien las raíces son largas y profundas, la historia de la inteligencia artificial, tal como la concebimos hoy, abarca menos de un siglo. El siguiente es un vistazo rápido a algunos de los eventos más importantes de la IA.
1940
- (1943) Warren McCullough y Walter Pitts publican «Un cálculo lógico de ideas inmanentes en la actividad nerviosa». El documento propuso el primer modelo matemático para construir una red neuronal.
- (1949) En su libro La organización del comportamiento: una teoría neuropsicológica, Donald Hebb propone la teoría de que las vías neuronales se crean a partir de experiencias y que las conexiones entre las neuronas se vuelven más fuertes cuanto más se usan. El aprendizaje hebbiano sigue siendo un modelo importante en la IA.
1950
- (1950) Alan Turing publica «Computing Machinery and Intelligence», proponiendo lo que ahora se conoce como Test de Turing, un método para determinar si una máquina es inteligente.
- (1950) Los estudiantes de Harvard Marvin Minsky y Dean Edmonds construyen SNARC, la primera computadora de red neuronal.
- (1950) Claude Shannon publica el artículo «Programación de una computadora para jugar al ajedrez».
- (1950) Isaac Asimov publica las «Tres leyes de la robótica».
- (1952) Arthur Samuel desarrolla un programa de autoaprendizaje para jugar a las damas.
- (1954) El experimento de traducción automática de Georgetown-IBM traduce automáticamente 60 oraciones rusas cuidadosamente seleccionadas al inglés.
- (1956) La frase inteligencia artificial se acuña en el «Proyecto de investigación de verano de Dartmouth sobre inteligencia artificial». Dirigida por John McCarthy, la conferencia, que definió el alcance y los objetivos de la IA, es ampliamente considerada como el nacimiento de la inteligencia artificial tal como la conocemos hoy.
- (1956) Allen Newell y Herbert Simon demuestran Logic Theorist (LT), el primer programa de razonamiento.
- (1958) John McCarthy desarrolla el lenguaje de programación de IA Lisp y publica el artículo «Programs with Common Sense». El documento proponía el hipotético Advice Taker, un sistema completo de IA con la capacidad de aprender de la experiencia con la misma eficacia que los humanos.
- (1959) Allen Newell, Herbert Simon y JC Shaw desarrollan el General Problem Solver (GPS), un programa diseñado para imitar la resolución de problemas humanos.
- (1959) Herbert Gelernter desarrolla el programa Geometry Theorem Prover.
- (1959) Arthur Samuel acuña el término aprendizaje automático mientras estaba en IBM.
- (1959) John McCarthy y Marvin Minsky fundaron el Proyecto de Inteligencia Artificial del MIT.
1960
- (1963) John McCarthy inicia el Laboratorio de IA en Stanford.
- (1966) El informe del Comité Asesor de Procesamiento Automático del Idioma (ALPAC) del gobierno de EE. UU. detalla la falta de progreso en la investigación de traducciones automáticas, una importante iniciativa de la Guerra Fría con la promesa de traducción automática e instantánea del ruso. El informe ALPAC conduce a la cancelación de todos los proyectos de MT financiados por el gobierno.
- (1969) Los primeros sistemas expertos exitosos se desarrollan en DENDRAL, un programa XX, y MYCIN, diseñado para diagnosticar infecciones sanguíneas, se crea en Stanford.
1970
- (1972) Se crea el lenguaje de programación lógica PROLOG.
- (1973) El «Informe Lighthill», que detalla las decepciones en la investigación de IA, es publicado por el gobierno británico y conduce a severos recortes en la financiación de proyectos de inteligencia artificial.
- (1974-1980) La frustración con el progreso del desarrollo de la IA conduce a importantes recortes de DARPA en becas académicas. En combinación con el informe ALPAC anterior y el «Informe Lighthill» del año anterior, la financiación de la inteligencia artificial se agota y la investigación se estanca. Este período se conoce como el «Primer invierno de IA».
1980
- (1980) Digital Equipment Corporations desarrolla R1 (también conocido como XCON), el primer sistema experto comercial exitoso. Diseñado para configurar pedidos de nuevos sistemas informáticos, R1 inicia un auge de la inversión en sistemas expertos que durará gran parte de la década, poniendo fin de manera efectiva al primer «Invierno de IA».
- (1982) El Ministerio de Industria y Comercio Internacional de Japón lanza el ambicioso proyecto de Sistemas Informáticos de Quinta Generación. El objetivo de FGCS es desarrollar un rendimiento similar al de una supercomputadora y una plataforma para el desarrollo de IA.
- (1983) En respuesta al FGCS de Japón, el gobierno de los EE. UU. lanza la Iniciativa de Computación Estratégica para proporcionar investigación financiada por DARPA en computación avanzada e inteligencia artificial.
- (1985) Las empresas están gastando más de mil millones de dólares al año en sistemas expertos y toda una industria conocida como el mercado de máquinas Lisp surge para apoyarlas. Empresas como Symbolics y Lisp Machines Inc. construyen computadoras especializadas para ejecutarse en el lenguaje de programación de inteligencia artificial Lisp.
- (1987-1993) A medida que mejoraba la tecnología informática, surgieron alternativas más baratas y el mercado de máquinas Lisp colapsó en 1987, marcando el comienzo del «Segundo invierno de IA». Durante este período, los sistemas expertos demostraron ser demasiado caros de mantener y actualizar, y finalmente cayeron en desgracia.
1990
- (1991) Las fuerzas estadounidenses despliegan DART, una herramienta de programación y planificación logística automatizada, durante la Guerra del Golfo.
- (1992) Japón finaliza el proyecto FGCS en 1992, citando el fracaso en el cumplimiento de las ambiciosas metas delineadas una década antes.
- (1993) DARPA termina la Iniciativa de Computación Estratégica en 1993 después de gastar casi $ 1 mil millones y no cumplir con las expectativas.
- (1997) Deep Blue de IBM vence al campeón mundial de ajedrez Gary Kasparov
años 2000
- (2005) STANLEY, un auto sin conductor, gana el DARPA Grand Challenge.
- (2005) El ejército de EE. UU. comienza a invertir en robots autónomos como «Big Dog» de Boston Dynamics y «PackBot» de iRobot.
- (2008) Google logra avances en el reconocimiento de voz e introduce la función en su aplicación para iPhone.
2010-2014
- (2011) Watson de IBM derrota a la competencia en Jeopardy!.
- (2011) Apple lanza Siri, un asistente virtual impulsado por IA a través de su sistema operativo iOS.
- (2012) Andrew Ng, fundador del proyecto Google Brain Deep Learning, alimenta una red neuronal utilizando algoritmos de aprendizaje profundo con 10 millones de videos de YouTube como conjunto de entrenamiento. La red neuronal aprendió a reconocer a un gato sin que se le dijera qué es un gato, marcando el comienzo de la era revolucionaria para las redes neuronales y la financiación del aprendizaje profundo.
- (2014) Google fabrica el primer automóvil autónomo que pasa un examen de manejo estatal.
- (2014) Alexa de Amazon, se lanza un hogar virtual
2015-2021
- (2016) AlphaGo de Google DeepMind derrota al campeón mundial de Go Lee Sedol. La complejidad del antiguo juego chino se vio como un obstáculo importante para superar en la IA.
- (2016) El primer «ciudadano robot», un robot humanoide llamado Sophia, es creado por Hanson Robotics y es capaz de reconocimiento facial, comunicación verbal y expresión facial.
- (2018) Google lanza el motor de procesamiento de lenguaje natural BERT , lo que reduce las barreras en la traducción y la comprensión por parte de las aplicaciones de aprendizaje automático.
- (2018) Waymo lanza su servicio Waymo One, que permite a los usuarios de todo el área metropolitana de Phoenix solicitar una recogida en uno de los vehículos autónomos de la empresa.
- (2020) Baidu lanza su algoritmo LinearFold AI a los equipos científicos y médicos que trabajan para desarrollar una vacuna durante las primeras etapas de la pandemia del SARS-CoV-2. El algoritmo es capaz de predecir la secuencia de ARN del virus en tan solo 27 segundos, 120 veces más rápido que otros métodos.