En estos días, la tecnología está en todas partes. La sociedad se ha movido constantemente hacia una mayor automatización y digitalización, y ha sido posible gracias a la inteligencia artificial. La inteligencia artificial se trata de hacer que las computadoras y las máquinas tomen decisiones como los humanos. 

Al programar computadoras para imitar los patrones de pensamiento humano, pueden realizar aspectos de nuestros trabajos; aunque es un pensamiento aterrador (como las películas de ciencia ficción de robots que se apoderan del mundo), la IA puede hacer que los procesos sean mucho más efectivos y más precisos.

Modelos de inteligencia artificial

Los modelos de inteligencia artificial son las herramientas y los algoritmos que se utilizan para entrenar a las computadoras para que procesen y analicen datos, tal como lo hacen los humanos. El aprendizaje automático es una categoría amplia que se incluye en la etiqueta de modelo de inteligencia artificial, en la que se enseña a las computadoras a pensar por sí mismas y a desarrollar sus propios algoritmos después de procesar grandes cantidades de datos. Otros modelos necesitan que se programe un algoritmo en la computadora y aprenderán a ajustar el algoritmo según la experiencia.

Por último, también hay modelos que no tienen la capacidad de aprender por sí solos: solo funcionan de acuerdo con el algoritmo preprogramado y necesitan intervención humana. Por ejemplo, Google Maps y otras aplicaciones de navegación utilizan modelos para guiarnos a nuestros destinos. La máquina recuerda los bordes de los edificios que aprendió utilizando datos de otros viajeros y mediante datos ingresados ​​a través de un algoritmo. A medida que las personas usan la aplicación en el día a día, el modelo incorpora los datos recopilados de estos viajes y puede brindar información de ruta más precisa al reconocer cambios en el flujo de tráfico.

Sin embargo, queda una gran pregunta: ¿los modelos de inteligencia artificial mejoran la humanidad y la sociedad? ¿Corremos el riesgo de hacer que los humanos sean redundantes? 

Historia

Los matemáticos Alonzo Church y Alan Turing fueron los primeros en utilizar la computación como dispositivo para llevar a cabo el razonamiento formal. Desarrollaron la tesis de Church-Turing en 1936, que sugiere que cualquier cálculo del mundo real se puede traducir a un cálculo equivalente que involucre una máquina de Turing. La tesis se desarrolló poco después de que Turing desarrollara la máquina de Turing y abrió el campo de posibilidades para el aprendizaje informático. La gente empezó a creer que podría ser posible construir un cerebro electrónico.

Dado que el acceso a las computadoras no estaba muy extendido en 1936, el "cerebro electrónico" tardó algunos años en convertirse en una teoría matizada. El modelo de Turing era solo hipotético, pero en 1943, el neurocientífico Warren Sturgis McCulloch y el lógico Walter Harry Pitts lo formalizaron y crearon la primera teoría computacional de la mente y el cerebro. En su artículo titulado "Un cálculo lógico de las ideas inmanentes en la actividad nerviosa", explicaron cómo los mecanismos neuronales en las computadoras podrían realizar funciones mentales.

Almacenamiento de comandos

Sin embargo, la inteligencia artificial no fue una realidad hasta 1949, porque las computadoras no podían almacenar comandos. Aunque podían ejecutarlos, no podían retener un modelo de inteligencia artificial. Nadie había hecho aún posible esa realidad porque la informática era muy cara. El término inteligencia artificial ni siquiera se acuñó hasta 1955, y fue en ese mismo año que los científicos informáticos y psicólogos cognitivos Allen Newell, Cliff Shaw y Herbert Simon crearon una prueba de concepto para la inteligencia artificial. Desarrollaron Logic Theorist, un programa que usaba inteligencia artificial para imitar las habilidades de resolución de problemas de un ser humano. A partir de ese momento, muchos se interesaron por desarrollar modelos similares. 

Fórmula de Mitchell

En 1997, el científico informático estadounidense Tom Mitchell dio una definición más refinada de inteligencia artificial que la que se había expresado anteriormente. Lo definió como “se dice que un programa de computadora aprende de la experiencia E con respecto a alguna tarea T y alguna medida de desempeño P, si su desempeño en T, medido por P, mejora con la experiencia E”.

Representemos esto usando el ejemplo de Google Maps. Si desea que una computadora prediga patrones de tráfico (tarea T), ejecutaría un programa a través de un modelo de IA con datos sobre patrones de tráfico pasados ​​(experiencia E) y una vez que haya aprendido con éxito, será mejor para predecir patrones de tráfico futuros (rendimiento P).

Consecuencias

Los modelos de IA ayudan a que el análisis y el procesamiento de datos sean más eficientes y aumentan la automatización. Tanto los modelos de aprendizaje profundo como los de inteligencia artificial están revolucionando la sociedad.

Inicialmente, los modelos eran máquinas reactivas que no podían almacenar memoria, lo que significa que no podían aprender de la experiencia. En estos días, todas las computadoras de inteligencia artificial pueden almacenar memoria, lo que significa que las máquinas mejoran constantemente en el análisis de datos. Mientras que las máquinas de aprendizaje profundo aprenden completamente de la experiencia, las computadoras que se rigen por modelos de inteligencia artificial continúan refinando sus algoritmos a través de la experiencia. 

Ventajas de la inteligencia artificial

Estas máquinas están haciendo que los procesos sean más eficientes, reduciendo la necesidad de intervención humana. Así pueden ayudar a las organizaciones a comprender cómo mejorar sus funciones.

Hay ventajas tanto de los modelos de aprendizaje automático como de los modelos de inteligencia artificial que no aprenden únicamente de la experiencia, sino que utilizan algoritmos preprogramados. Quienes utilizan algoritmos preprogramados pueden procesar rápidamente los datos y ofrecer los resultados deseados. No requiere tiempo adicional para “aprender” qué hacer, solo para refinar sus procesos, por lo que requiere maquinaria más simple y económica. El aprendizaje automático, aunque más costoso, puede procesar datos más complejos y es autosuficiente, por lo que no requiere tanta intervención humana.

Controversias

Hay bastantes controversias éticas cuando se trata de modelos de inteligencia artificial. Una es que se utilizan muchos modelos de inteligencia artificial para "inspeccionar" nuestro comportamiento, ya sea nuestra huella digital o el reconocimiento facial, y no sabemos exactamente cómo se utilizan o almacenan los datos.

En el aprendizaje automático, dado que los modelos de inteligencia artificial aprenden por sí mismos, la preocupación ética es que existe una falta de transparencia con las herramientas de inteligencia artificial. Para los modelos que no cumplen con el aprendizaje automático, pueden existir sesgos en los algoritmos que se ingresan en los programas. Por ejemplo, ha habido mucha controversia en torno al reconocimiento facial después de que se hizo evidente que esta tecnología era significativamente menos precisa para reconocer los rostros de las personas negras. Esto ocurrió a partir de un equipo mayoritariamente blanco que creaba los modelos, quienes en sí mismos no eran tan precisos al distinguir entre personas de color. Su sesgo se incrustó en el modelo de inteligencia artificial.

La moral en la inteligencia artificial

También está la cuestión de si los modelos de inteligencia artificial pueden incluir la moralidad como parte de su programación. Si un automóvil autónomo (que se conduce a sí mismo) se encuentra en una situación en la que un peatón imprudente será atropellado si no frena bruscamente, debe decidir entre la seguridad de las personas en el automóvil y la seguridad del peatón: ¿Cómo puede una computadora tomar esa decisión?

Algunas personas también piensan que la inteligencia artificial está reduciendo nuestra humanidad y lo que es natural. Fenómenos como los “bebés de diseño”, donde la gente puede elegir qué genes tendrá un niño, se debaten si le quitan lo natural. Tales innovaciones nos obligan a considerar los aspectos morales y éticos de la inteligencia artificial.

Temas relacionados

Inteligencia artificial : una rama de la informática, donde la ingeniería de las máquinas imita la resolución de problemas y la toma de decisiones humanas. Es lo opuesto a la “inteligencia natural”, exhibida por humanos y animales.

El efecto de la inteligencia artificial : un fenómeno en el que las personas ya no ven la inteligencia artificial por lo que es después de convertirse en una parte generalizada de la vida diaria. Se ve como una herramienta porque estamos tan acostumbrados a que la tecnología complete una tarea y oculte el trabajo detrás de ella. Por ejemplo, es probable que no piense en usar Google Maps como si usara un modelo de inteligencia artificial.

Máquina de Turing : una máquina de Turing es una máquina hipotética desarrollada por el matemático Alan Turing en 1936. Era una máquina que, cambiando datos en 0's y 1's (simplificando los datos a su esencia) podía simular cualquier algoritmo informático.

Redes Neuronales : Los modelos artificiales se diseñan con redes neuronales. Las redes neuronales imitan la forma en que las neuronas de nuestro cerebro interactúan entre sí: una entrada desencadena una respuesta y crea una salida.

Tipos de aprendizaje sobre IA

Aprendizaje automático: el proceso de una computadora que intenta aprender del pasado. Los datos se ingresan en una máquina, pasan a través de un algoritmo (un modelo de inteligencia artificial) y producen una salida. Si la computadora devuelve el resultado correcto, entonces afirma el algoritmo. Si está mal, ajusta su algoritmo en consecuencia.

Aprendizaje profundo: el aprendizaje profundo es la forma en que funciona el aprendizaje automático. Si bien algunos modelos de inteligencia artificial se crean ingresando primero un algoritmo, el aprendizaje profundo es una técnica en la que la máquina desarrolla un algoritmo después de encontrar grandes cantidades de datos.

Modelos de aprendizaje automático supervisado : modelos de inteligencia artificial que requieren entrenamiento humano. Las personas etiquetarán conjuntos de datos y el modelo aprenderá de la forma en que los humanos analizan los datos.

Modelos de aprendizaje automático no supervisados: modelos de inteligencia artificial que no requieren intervención humana. En cambio, estos modelos son entrenados por software, que identifica patrones para que la computadora pueda imitarlos.

Modelos de aprendizaje automático semisupervisados : modelos de inteligencia artificial que combinan enfoques de aprendizaje automático supervisados ​​y no supervisados, utilizando tanto capacitación humana como capacitación de software.

Fuentes

1. Laboratorio de decisiones. (2022). Artificial intelligence. (S. Melzner, trad)
2. ¿Qué es un modelo de IA? Esto es lo que necesita saber. (2021, 6 de julio)
3. Reeves, S. (2020, 10 de agosto). 8 ejemplos cotidianos útiles de inteligencia artificial. IoT para todos.
4. Marr, B. (25 de julio de 2017). Las 28 mejores citas sobre inteligencia artificial. Forbes.