Información

Inteligencia Artificial

La Inteligencia artificial es el campo científico de la informática que se centra en la creación de programas y mecanismos que pueden mostrar comportamientos considerados inteligentes. En otras palabras, la IA es el concepto según el cual “las máquinas piensan como seres humanos”.

Normalmente, un sistema de IA es capaz de analizar datos en grandes cantidades (big data), identificar patrones y tendencias y, por lo tanto, formular predicciones de forma automática, con rapidez y precisión. Para nosotros, lo importante es que la IA permite que nuestras experiencias cotidianas sean más inteligentes. ¿Cómo? Al integrar análisis predictivos (hablaremos sobre esto más adelante) y otras técnicas de IA en aplicaciones que utilizamos diariamente.

Siri funciona como un asistente personal, ya que utiliza procesamiento de lenguaje natural
Facebook y Google Fotos sugieren el etiquetado y agrupamiento de fotos con base en el reconocimiento de imagen
Amazon ofrece recomendaciones de productos basadas en modelos de canasta de compra
Waze brinda información optimizada de tráfico y navegación en tiempo real

historia de la Inteligencia artificial

La mayoría de nosotros tenemos un concepto de la Inteligencia artificial alimentado por las películas de Hollywood. Exterminadores, robots con crisis existenciales y píldoras rojas y azules. De hecho, la IA ha estado en nuestra imaginación y en nuestros laboratorios desde 1956, cuando un grupo de científicos inició el proyecto de investigación “Inteligencia artificial” en Dartmouth College en los Estados Unidos. El término se acuñó primero ahí y, desde entonces, hemos presenciado una montaña rusa de avances (“¡Vaya! ¿Cómo sabe Amazon que quiero este libro?”), así como frustraciones (“esta traducción es completamente errónea”).

Al inicio del proyecto, el objetivo era que la inteligencia humana pudiera ser descrita de forma tan precisa que una máquina fuera capaz de simularla. Este concepto también fue conocido como “IA genérica” y fue esta la idea que alimentó la (asombrosa) ficción que nos daría entretenimiento ilimitado.

Sin embargo, la IA derivó en campos específicos. Con el paso del tiempo, la ciencia evolucionó hacia áreas de conocimiento específicas, y fue entonces que la IA comenzó a generar resultados significativos en nuestras vidas. Fue una combinación entre el reconocimiento de imagen, el procesamiento de lenguaje, las redes neuronales y la mecánica automotriz lo que hizo posible un vehículo autónomo. En ocasiones, el mercado se refiere a este tipo de avances como “IA débil”.

La siguiente tabla muestra algunos acontecimientos importantes en la historia de la Inteligencia Artificial.

Año	Acontecimiento
1842	Lovelace: máquina analítica programable
1950	Turing: la prueba de Turing
1956	McCarthy, Minsky, Rochester y Shannon celebran la primer conferencia sobre IA
1965	Weizenbaum: «ELIZA», el primer sistema especialista
1993	Horswill: «Polly» (robótica basada en el comportamiento)
2005	TiVo: tecnología de recomendaciones
2011	Apple, Google y Microsoft: aplicaciones móviles de recomendaciones
2013	Varios: avances tecnológicos en aprendizaje automático y profundo
2016	Google DeepMind: AlphaGo supera a Lee Sedol en el juego “Go”

Técnicas principales de la Inteligencia artificial

Ahora que ya conoce la definición de la IA y más de su historia, la mejor forma de profundizar en el tema es conocer las principales técnicas de la IA, específicamente, los casos en los que la Inteligencia artificial se utiliza para los negocios.

Aprendizaje automático

Generalmente, el concepto de Aprendizaje automático se confunde con el de “IA débil”. Es en este campo en donde los avances más importantes de la IA se están llevando a cabo. En términos prácticos, “el Aprendizaje automático es la ciencia que se encarga de hacer que las computadoras realicen acciones sin necesidad de programación explícita”. La idea principal aquí es que se les puede proporcionar datos a los algoritmos de Aprendizaje automático y luego usarlos para saber cómo hacer predicciones o guiar decisiones.

Algunos ejemplos de algoritmos de Aprendizaje automático incluyen los siguientes: diagramas de decisiones, algoritmos de agrupamiento, algoritmos genéticos, redes Bayesianas y Aprendizaje profundo.

Aprendizaje profundo

¿Recuerda cuando Google anunció un algoritmo que encontraba videos de gatos en Youtube?. Pues bien, esto es Aprendizaje profundo, una técnica de Aprendizaje automático que utiliza redes neuronales (el concepto de que las neuronas se pueden simular mediante unidades computacionales) para realizar tareas de clasificación (piense en clasificar una imagen de un gato, de un perro o personas, por ejemplo).

Algunos ejemplos de aplicaciones prácticas del Aprendizaje profundo son las siguientes: identificación de vehículos, peatones y placas de matrícula de vehículos autónomos, reconocimiento de imagen, traducción y procesamiento de lenguaje natural.

Descubrimiento de datos inteligentes

Es el próximo paso en soluciones de IE (Inteligencia empresarial). La idea consiste en permitir la automatización total del ciclo de la IE: la incorporación y preparación de datos, el análisis predictivo y los patrones y la identificación de hipótesis. Este es un ejemplo interesante de la recuperación de datos inteligentes en acción. La información que ninguna herramienta de IE había descubierto.

Análisis predictivo

Piense en ese momento en el que está contratando un seguro para auto y el agente le hace una serie de preguntas Estas preguntas están relacionadas a las variables que influyen en su riesgo. Detrás de estas preguntas se encuentra un modelo predictivo que informa sobre la probabilidad de que ocurra un accidente con base en su edad, código postal, género, marca de auto, etc. Es el mismo principio que se emplea en los modelos predictivos de crédito para identificar a los buenos y malos pagadores. Por lo tanto, el concepto principal de análisis predictivo (o modelado) significa que se puede utilizar un número de variables (ingresos, código postal, edad, etc.) combinadas con resultados (por ejemplo, buen o mal pagador) para generar un modelo que proporcione una puntuación (un número entre 0 y 1) que representa la probabilidad de un evento (por ejemplo, pago, migración de clientes, accidente, etc.).

Los casos de uso en los negocios son amplios: modelos de crédito, modelos de segmentación de clientes (agrupamiento), modelos de probabilidad de compra y modelos de migración de clientes, entre otros.

¿Por qué es importante la inteligencia artificial?

La inteligencia artificial automatiza el aprendizaje y descubrimiento repetitivos a través de datos. La inteligencia artificial es diferente de la automatización de robots basada en hardware. En lugar de automatizar tareas manuales, la inteligencia artificial realiza tareas computarizadas frecuentes de alto volumen de manera confiable y sin fatiga. Para este tipo de automatización, la investigación humana sigue siendo fundamental para configurar el sistema y hacer las preguntas correctas.
IA agrega inteligencia a productos existentes. En la mayoría de los casos, la inteligencia artificial no se venderá como aplicación individual. En su lugar, los productos que ya utiliza serán mejorados con recursos de inteligencia artificial, de forma muy similar en que se agregó Siri como característica a una nueva generación de productos de Apple. La automatización, las plataformas conversacionales, los bots y las máquinas inteligentes se pueden combinar con grandes cantidades de datos para mejorar muchas tecnologías en el hogar y en el lugar de trabajo, desde inteligencia de seguridad hasta análisis de las inversiones.

La inteligencia artificial analiza más datos y datos más profundos utilizando redes neurales que tienen muchas capas ocultas. Construir un sistema de detección de fraude con cinco capas ocultas era casi imposible hace unos años. Todo eso ha cambiado con increíble poder de cómputo y el big data. Usted necesita muchos datos para entrenar modelos de aprendizaje a fondo porque éstos aprenden directamente de los datos. Cuantos más datos pueda integrarles, más precisos se vuelven.
La inteligencia artificial logra una precisión increíble a través de redes neurales profundas – lo cual antes era imposible. Por ejemplo, sus interacciones con Alexa, Google Search y Google Photos están basadas en el aprendizaje a fondo – y se siguen volviendo más precisas cuanto más las utilizamos. En el terreno de la medicina, ahora se pueden emplear técnicas de inteligencia artificial de aprendizaje a fondo, clasificación de imágenes y reconocimiento de objetos para detectar cáncer en imágenes por resonancia magnética con la misma precisión que radiólogos altamente especializados.