top of page

Inteligencia Artificial (IA) por Jorge Luis Longa

Empecé a redactar este artículo sobre la Inteligencia Artificial (IA) luego de leer, escuchar, revisar, analizar y probar lo que hoy en día está en boca de todos, he tratado de alguna manera de estructurar en conceptos, definiciones y alcances para con esto simplificar el entendimiento y poder conversar con propiedad cuando nos toquen el tema y al mismo tiempo también tener claro por donde vamos.


¿Qué es la Inteligencia Artificial (IA)?

Su concepción científica refiere al campo de estudio y desarrollo de sistemas y algoritmos que puedan imitar o simular la inteligencia humana. Esto se logra mediante el uso de técnicas y enfoques como el aprendizaje automático (machine learning), el procesamiento del lenguaje natural (NLP), la visión por computadora, la lógica difusa y otros métodos.


La IA involucra la aplicación de principios y métodos de diversas disciplinas, como la computación, la estadística, las matemáticas, la lógica y la psicología. El objetivo es desarrollar sistemas que puedan aprender de la experiencia, adaptarse al cambio, resolver problemas complejos y tomar decisiones informadas en función de los datos y el conocimiento disponible e inclusive el que la misma IA pueda generar.


Componentes de la Inteligencia artificial (IA)

Los componentes básicos de la inteligencia artificial (IA) se ajustan según el enfoque y la aplicación específica que se quiera aplicar, sin embargo, de manera esencial se pueden identificar los siguientes componentes clave:


1. La representación del conocimiento: Es el componente que permite al sistema de IA almacenar y representar el conocimiento necesario para realizar tareas inteligentes. Puede incluir estructuras de datos, reglas, ontologías u otros métodos para capturar y organizar el conocimiento relevante.


2. El aprendizaje automático (Machine Learning): Es un componente fundamental de la IA que permite a los sistemas aprender y mejorar a partir de datos sin ser programados explícitamente definidos en el concepto de redes neuronales. Los algoritmos de aprendizaje automático permiten al sistema reconocer patrones, realizar predicciones y ajustar su comportamiento en función de la retroalimentación recibida.


3. El razonamiento: Es la capacidad del sistema de IA para utilizar la información y el conocimiento almacenado para inferir conclusiones, tomar decisiones o resolver problemas. Esto implica la aplicación de algoritmos lógicos, razonamiento basado en casos, inferencia estadística u otras técnicas de razonamiento que permitan fortalecer el modelo.


4. El procesamiento del lenguaje natural (Natural Language Processing, NLP): Es el componente que permite a las máquinas comprender, interpretar y generar lenguaje humano de manera natural. Incluye tareas como el reconocimiento de voz, la comprensión del lenguaje, la exposición de texto y la traducción automática.


5. La percepción y sensores: Estos componentes implican la capacidad de los sistemas de IA para percibir y comprender su entorno mediante el uso de sensores, como cámaras, micrófonos u otros dispositivos de entrada. Esto permite la visión por computadora, el procesamiento de señales de audio y la interacción con el entorno físico.


6. La toma de decisiones: La capacidad de tomar decisiones informadas es otro componente central de la IA. Esto implica el uso de técnicas de optimización, teoría de juegos, algoritmos de toma de decisiones y otras herramientas para seleccionar la mejor acción o estrategia en función de los objetivos y las restricciones del sistema basadas en modelos y simulación en donde se busca la respuesta óptima.


Es sumamente importante que estos componentes puedan estar directamente relacionados e interactúen, su combinación permitirá según el enfoque y la aplicación que la respuesta o la acción resultante sea la más adecuada o esperada.


Etapas de la IA

Algunos expertos y eruditos visionan etapas o ciclos para la IA en el corto y mediano plazo y por esto se han permitido esbozar las etapas que existirían para su evolución:


Primera Etapa –Inteligencia artificial estrecha (ANI siglas en inglés), denominada de esta manera porque la herramienta se enfoca en una sola tarea, realizando un trabajo repetitivo dentro de un rango predefinido por sus creadores, generalmente se entrena con un conjunto de datos específicos. Estos sistemas pueden igualar e incluso superar la inteligencia humana aunque sólo con foco en un área específica. Los sistemas de IA estrecha están presentes en nuestra vida mucho más de lo que quizás seamos conscientes desde los mapas que te ayudan a obtener rutas óptimas de tránsito, los programas de música y video que reconocen o aprenden de tus gustos y te hacen recomendaciones, Alexa y Siri son otra parte de las herramientas con las que ya interactuamos, así mismo Chatgpt, los autos de conducción autónoma, etc. Una característica importante de esta etapa es que las herramientas provistas no pueden tomar decisiones por su cuenta.


Segunda Etapa – Inteligencia Artificial General (AGI siglas en inglés), esto sucederá cuando una máquina logra alcanzar las capacidades cognitivas de un ser humano, es decir, que sea capaz de desarrollar cualquier actividad intelectual que realiza una persona.


Tercera Etapa – Super Inteligencia Artificial (ASI siglas en inglés), en esta se prevé cuando una máquina supere totalmente al ser humano, multiplicando las capacidades humanas perfeccionándola en todos los campos, incluida la creatividad científica, la sabiduría general y las habilidades sociales.


Herramientas de IA disponibles en la actualidad

Existen diversas herramientas y bibliotecas de inteligencia artificial (IA) disponibles en la actualidad. A continuación, mencionaré algunas de las herramientas más populares utilizadas en diferentes áreas de la IA:


1. TensorFlow: Es una biblioteca de código abierto desarrollada por Google que se utiliza ampliamente para el aprendizaje automático y la construcción de redes neuronales. Proporciona una amplia gama de herramientas y recursos para desarrollar y entrenar modelos de IA de manera eficiente.


2. PyTorch: Es otra biblioteca de aprendizaje automático de código abierto muy popular. PyTorch es conocido por su flexibilidad y facilidad de uso, y se utiliza ampliamente tanto en la investigación académica como en la industria.


3. Keras: Keras es una biblioteca de aprendizaje profundo de alto nivel que se ejecuta sobre TensorFlow o Theano. Proporciona una interfaz simple y fácil de usar para crear y entrenar modelos de IA, lo que la hace popular entre los principiantes en el campo del aprendizaje automático.


4. Scikit-learn: Es una biblioteca de aprendizaje automático en Python que proporciona una amplia gama de algoritmos y herramientas para realizar tareas de clasificación, regresión, agrupación, entre otras. Scikit-learn es conocido por su simplicidad y facilidad de uso.


5. OpenCV: OpenCV (Open Source Computer Vision Library) es una biblioteca de visión por computadora ampliamente utilizada que proporciona herramientas y algoritmos para el procesamiento de imágenes y la detección de objetos. Es especialmente útil en aplicaciones que involucran reconocimiento de imágenes y video.


6. Natural Language Toolkit (NLTK): Es una biblioteca de Python para el procesamiento del lenguaje natural. Proporciona herramientas y recursos para realizar tareas como tokenización, etiquetado de partes del discurso, análisis de sentimientos y traducción automática.


7. Microsoft Cognitive Toolkit (CNTK): Es una biblioteca de aprendizaje automático desarrollada por Microsoft que se enfoca en la eficiencia y el rendimiento. CNTK ofrece una amplia gama de herramientas para construir y entrenar modelos de IA, y se utiliza en varias aplicaciones de Microsoft, como reconocimiento de voz y visión por computadora.


8. OpenAI Gym: Es una plataforma de desarrollo de IA diseñada para ayudar a los investigadores y desarrolladores a crear, probar y comparar algoritmos de aprendizaje por refuerzo. OpenAI Gym proporciona una amplia gama de entornos de prueba y herramientas para evaluar el rendimiento de los agentes de IA.


Las herramientas de IA vienen en constante aparición y evolución la elección dependera del problema que se esté abordando, el lenguaje de programación preferido y otros requisitos específicos del proyecto.


¿Qué no es Inteligencia artificial (IA)?

Es importante aclarar que hay conceptos y tecnologías que a menudo se confunden con la inteligencia artificial (IA), pero que en realidad no son considerados como tal. Aquí les proporciono una relación con algunas de ellas:


1. La automatización: Se refiere a la capacidad de las máquinas para realizar tareas de forma programada y repetitiva, siguiendo instrucciones predefinidas. A diferencia de la IA, la automatización no implica un nivel de inteligencia o capacidad de aprendizaje para adaptarse o mejorar con el tiempo.


2. El procesamiento de datos: Se refiere a la manipulación y análisis de datos para extraer información y obtener resultados específicos. Aunque el procesamiento de datos puede ser un componente importante en el desarrollo de sistemas de IA, en sí mismo no constituye una IA.


3. Los sistemas expertos: Estos son programas de computadora que utilizan reglas lógicas y conocimiento específico para tomar decisiones o proporcionar recomendaciones en un dominio particular. Aunque estos sistemas pueden ser muy sofisticados y brindar resultados útiles, su enfoque se basa en reglas fijas y no en la capacidad de aprendizaje o adaptación característica de la IA.


4. La automatización de tareas específicas: Hay muchas tecnologías y herramientas que automatizan tareas específicas, como el reconocimiento óptico de caracteres (OCR) para la digitalización de documentos o los chatbots para responder preguntas frecuentes. Aunque estas herramientas pueden ser inteligentes y útiles, no constituyen una IA en el sentido amplio.


Es importante reconocer que la IA implica un nivel de autonomía, aprendizaje y adaptabilidad más allá de la simple automatización o procesamiento de datos. La IA busca simular la inteligencia humana y su capacidad para resolver problemas complejos y aprender de la experiencia.


¿Qué es la Inteligencia Artificial (IA) Generativa?

Una IA generativa es un tipo de inteligencia artificial diseñada para generar contenido original y creativo, como imágenes, música, texto u otros tipos de datos. A diferencia de otras formas de IA, que se centran en la clasificación o el reconocimiento de patrones en datos existentes, las IA generativas tienen la capacidad de crear contenido nuevo que no se basa en ejemplos previos, para esto utilizan algoritmos de aprendizaje automático, como las redes neuronales, para aprender de conjuntos de datos existentes y generar nuevas muestras basadas en ese aprendizaje. Estas redes neuronales suelen ser modelos generativos adversarios (GANs, por sus siglas en inglés), que consisten en una red generadora y una red discriminadora que compiten entre sí.


La red generadora toma una entrada aleatoria, como un vector de números, y la transforma en una salida generada, como una imagen o una pieza de música. La red discriminadora, por otro lado, intenta distinguir entre las salidas generadas por la red generadora y los datos reales del conjunto de entrenamiento. A medida que estas dos redes compiten y se retroalimentan entre sí, la red generadora aprende a generar salidas cada vez más realistas y convincentes.


Las IA generativas son en la actualidad un boom y se viene usando e incorporando en herramientas de software ya conocidas de diferentes marcas lideres, con lo cual ahora forman parte de los navegadores, software de diseño gráfico, software de contenido multimedia e inclusive para generar datos de pruebas para prueba de software, algunas de ellas y las más populares son:


1. DeepArt.io: Esta herramienta utiliza redes neuronales para transformar imágenes y aplicar estilos artísticos de pinturas famosas a fotografías. Puedes cargar una imagen y seleccionar un estilo artístico para generar una versión única y creativa de la imagen.


2. Runway ML: Es una plataforma que proporciona una interfaz gráfica para trabajar con diferentes modelos de aprendizaje automático, incluyendo modelos generativos. Puedes utilizar modelos de generación de imágenes, texto y música para crear contenido original.


3. OpenAI DALL-E: DALL-E es un modelo desarrollado por OpenAI que genera imágenes a partir de descripciones de texto. Puedes proporcionar una frase descriptiva y DALL-E generará una imagen relacionada con la descripción.


4. ukedeck: Esta plataforma utiliza IA generativa para componer música personalizada. Puedes elegir un género musical, una duración y un estado de ánimo, y Jukedeck generará una pista musical única que se ajuste a tus preferencias.


5. ChatGPT: Es un modelo de lenguaje desarrollado por OpenAI que utiliza IA generativa para mantener conversaciones naturales y responder preguntas. Puedes interactuar con ChatGPT en varios contextos y obtener respuestas coherentes y relevantes.


6. ArtBreeder: Es una herramienta en línea que permite mezclar y combinar imágenes para crear nuevas composiciones visuales. Puedes cargar imágenes y utilizar IA generativa para fusionarlas y generar nuevas variantes.


Debemos ser conscientes que las herramientas basadas en IA generativas no siempre producen resultados perfectos o coherentes. Aunque pueden generar contenido sorprendente y creativo, a veces también pueden producir resultados incoherentes o sin sentido. Además, la generación de contenido mediante IA plantea cuestiones éticas y legales, como la propiedad intelectual y la originalidad de las creaciones generadas por la IA.


El renacimiento o el apocalipsis que se nos avecina

En el ciclo de la historia de la vida humana, la evolución siempre ha marcado la pauta del desarrollo y ha sido clave para la generación de conocimiento acumulado, han pasado milenios y siglos para dicho logro, y quizás hoy estamos en capacidad de acelerar todo ese proceso de manera rápida con el desarrollo de la IA, podríamos estar frente al inicio de un nuevo renacimiento en donde la inteligencia humana se multiplica y logra solucionar problemas, desarrollar tecnología y crear un mundo diferente en todos los sentidos y ámbitos, suena romántico e idealista el futuro.


Sin embargo, existe otra visión apocalíptica como la mencionada por el difunto científico y físico Británico Stephen Hawking quien en el 2014 dijo: "Creo que el desarrollo completo de la inteligencia artificial podría conducir al fin de la humanidad”. Por otro lado, a fines de marzo del 2023 un informe del banco de inversión Goldman Sachs indicaba que la IA podría reemplazar a un cuarto de todos los trabajos que realizan los humanos creando mas productividad y posiblemente nuevos empleos. Inclusive durante el mismo marzo 2023 mas de 1000 expertos en tecnología pidieron con una carta a las empresas de IA que dejen de entrenar a las IA por al menos unos 6 meses, entre estos estaban Elon Musk y Steve Wozniak lo que se puso sobre la mesa es que si no se regula y se controla podríamos estar frente a profundos e irreparables riesgos para la sociedad y la humanidad.


La regulación será necesaria, pero que tanto afectará esto al desarrollo de la IA, será un beneficio realmente y permitirá un gobierno balanceado, hoy hay mucho por hacer desde el marco legal y político, desde el punto de vista ético y de principios, desde la evaluación de riesgos y la seguridad, desde la responsabilidad y rendición de cuentas, desde la participación y diálogo público, desde el punto educacional y principalmente del uso en ciencia y tecnología., les dejo el link a un excelente articulo MIT Technology Review https://www.technologyreview.es//s/15399/quien-vigila-la-ia-consulta-el-ranking-de-las-iniciativas-globales-para-regularla donde se habla de los esfuerzos actuales de regulación.


Referencias bibliográficas:

  • MIT Technology Review, IA

  • World Economic Forum. IA

  • Popular mechanics review, IA

  • 60 Years of artificial intelligence at Standford

Sobre el autor:

Jorge Luis Longa Gerente Central de Operaciones, Procesos y Tecnología AccesoCorp

Presidente CIOforum Perú

13 visualizaciones0 comentarios

コメント


bottom of page