Funciones y características de la Inteligencia Artificial

En el término Inteligencia Artificial, la palabra «artificial» no hace referencia a que la inteligencia sea falsa, sino que no es natural de un ser vivo. Más bien, se trata de una inteligencia creada por el ser humano para que la aplique una máquina. Las siglas AI, y su traducción al castellano IA, se han convertido en palabras de moda que engloban multitud de tecnologías que de alguna manera mejoran o complementan el trabajo humano y/o su capacidad cognitiva.

Podemos decir que una máquina está dotada de Inteligencia Artificial (IA) si hace lo siguiente:

• Recoge o absorbe datos.
• Interpreta y aprende de esos datos.
• Aplica el aprendizaje para ejecutar acciones.
• Estos bloques de construcción se basan en algoritmos, que son conjuntos de acciones encaminadas a resolver un problema.

Podemos asimilarlo al desarrollo cognitivo y motor de un bebé humano. Cuando nacen, no saben distinguir lo que es un perro de un gato, no saben diferenciar al tacto si un objeto es de madera o de plástico, pero su cerebro está continuamente recogiendo datos, que aprende a interpretar en base a feedback del entorno y de sus propios sentidos. En el caso de las máquinas, al no tener sentidos, su principal manera de interpretar los datos es a través de etiquetas. Por ejemplo: esto es una persona, esto otro es un perro; este resultado es correcto, este no.

Qué es realmente la Inteligencia Artificial

El término Inteligencia Artificial se ha convertido en una buzzword que cualquier empresa lanza con el objetivo de demostrar que tiene productos o soluciones más avanzadas. Pero no es IA todo lo que parece, igual que no todo lo que nos venden como light en el supermercado realmente lo es. La misma analogía la podríamos hacer con decenas de productos que utilizan algún tipo de reclamo que no es realmente cierto o que lo es solo parcialmente. Eso no quita para que cada vez más organizaciones utilicen IA y que su uso vaya a incrementarse en el futuro.

Podemos definir la IA como una disciplina que trata de crear máquinas inteligentes que imiten la inteligencia humana, total o parcialmente. Esto, traducido en acciones concretas, nos lleva a que para considerar una máquina inteligente ésta tiene que ser capaz de recoger o absorber datos, interpretar y aprender de estos datos, y aplicar estos aprendizajes para llevar a cabo acciones.

Según el alcance, podemos decir que hay dos tipos de IA: la específica y la general. La específica es aquella en la que un sistema se dedica a ejecutar acciones para resolver un problema concreto, pero no sabe nada más allá de ese problema concreto. El reconocimiento facial, tan presente en las conversaciones del sector de las seguridad, es un tipo de IA específica, pues se dedica únicamente a encontrar caras que coincidan con otras caras. Lo mismo podemos decir de casi cualquier analítica de vídeo del sector de la seguridad, pues están orientadas a detectar algún tipo de objeto, persona o evento.

La IA general es aquella que busca dotar a la máquina de una capacidad de razonamiento similar a la de un humano. Para saber si una IA es general, podemos hacer diferentes tests, siendo el más conocido el Test de Turing, creado por Alan Turing en 1950.

Dicho esto, hay otros términos que nos pueden llevar a confusión, como son Machine Learning y Deep Learning. Estas son subáreas de la IA. El Machine Learning es una subárea de la IA, mientras que el Deep Learning es una subárea del Machine Learning. La figura de abajo nos lo muestra gráficamente en un diagrama de Venn.

Nos queda entonces por saber qué hay dentro de la IA que queda fuera del Machine Learning. Aquí tendríamos una IA más básica, que utilicemos para resolver u optimizar problemas de manera generalmente matemática. Por ejemplo: un algoritmo que resuelve sudokus es una forma de IA básica. No aprende, sino que sabe exactamente qué condiciones ha de cumplir cada número que ponga en el sudoku para que sea correcto, y lo que tiene que hacer es probar las diferentes combinaciones que le den el sudoku completo. Aplicado a un problema de una empresa real, podemos pensar en operadores logísticos que utilicen el algoritmo de Dijkstra para optimizar sus rutas de distribución, pues no deja de ser un problema matemático de optimización.