¿Alguna vez has buscado el significado de Inteligencia Artificial (IA) y te has encontrado con infinidad de definiciones? ¿Creíste haber encontrado su definición, pero ahora te surgen nuevas en relación con otros conceptos?
En este post te explicaremos términos como la IA, Machine Learning, Deep Learning y otros que causan confusión, desde nuestra experiencia y punto de vista. Además, te explicaremos en los siguientes posts cómo afrontar el reto de implantar esta tecnología, usando como ejemplo nuestra experiencia en algunos de los proyectos con los que estamos trabajando actualmente.
Antes de comenzar con la definición de Inteligencia Artificial, creemos que es importante pararnos a repasar algunos términos básicos y tipologías (o introducirlos si eres nuevo en la materia). Por último, presentaremos nuestra visión de lo que es la Inteligencia Artificial y concluiremos con breves definiciones de otros términos que tienden a causar confusión.ㅤ
Empecemos por el principio, ¿Qué es la Inteligencia?
Según Marvin Minsky (uno de los padres de la IA) la inteligencia es la capacidad de resolver problemas que aún no han sido solucionados. Por lo tanto, no estaríamos equivocados en asumir que la Inteligencia Artificial podría ser definida de la misma manera, pero considerando que para resolver esos problemas una maquina sería la responsable de llevarlo a cabo.
¿Sabías que hay diferentes tipos de Inteligencia Artificial?
Hoy en día, es común pensar en la IA a través de una perspectiva de lo novedoso, lo que da como resultado que soluciones sencillas y cotidianas basadas en la IA, no sean consideradas bajo la etiqueta de IA. Ejemplos de ello serían, el robot aspirador y el sistema GPS en nuestros móviles, si alguna vez escuchas “El GPS no es IA” ya sabrás que es un comentario totalmente erróneo. Estos ejemplos concuerdan perfectamente con la definición de Minsky mencionada anteriormente, ya que a estas máquinas se les ha dado la capacidad de resolver un problema, que de otro modo necesitaría la inteligencia humana para poder resolverlo, por lo tanto, calificaríamos estos ejemplos cotidianos como un tipo de Inteligencia Artificial Débil.
Dentro de las posibles implementaciones de la IA, en el extremo opuesto de la IA Débil, nos encontraríamos con la Inteligencia Artificial Fuerte, que permitiría a una máquina comportarse como un ser humano. Sin embargo, esta visión está lejos de ser incorporada a aplicaciones industriales ya que, a pesar de los avances actuales de la psicología, la neurociencia o la filosofía, aún no existe un marco exacto que defina los diferentes comportamientos de los humanos, por lo tanto, todavía existe un largo camino por recorrer, para que la IA Fuerte se incorpore a los sistemas de computación.
Entonces, ¿Qué consideramos en Lurtis como Inteligencia Artificial?
Consideraríamos a una máquina inteligente si, teniendo en cuenta ciertos criterios, restricciones y evaluaciones, es capaz de actuar de la manera más eficiente para obtener resultados coherentes de forma automática. En otras palabras, realizará una tarea sin que nadie tenga que decirle a esta máquina cómo desarrollarla, con el fin de alcanzar los objetivos de un modo eficiente.
No confundamos términos
Ahora que hemos explicado brevemente lo que es la Inteligencia Artificial, nos parece interesante aclarar ciertos términos que tienden a causar confusión, como Machine Learning, Deep Learning, Data Science y Big Data.
¿Alguna vez te has preguntado cuál es mejor, si Inteligencia Artificial o Machine Learning? Si es así, esta es una excelente pregunta. La respuesta es más simple de lo que parece, ya que Machine Learning es una subdisciplina de la IA y, por lo tanto, no habría punto de comparación.
Machine Learning es una disciplina basada en la recopilación de datos y el reconocimiento de patrones, permitiendo crear sistemas capaces de asociar, segmentar y/o clasificar automáticamente dichos datos recopilados. Por lo tanto, lo que hace inteligente al ordenador es el aprendizaje, especialmente aprende de muestras, ya sean datos o escenarios que el ordenador propone para que puedan ser evaluados. Por ejemplo, si tenemos un conjunto de datos con las características necesarias y etiquetados correctamente, el Machine Learning podría utilizarse para buscar patrones y categorizar esta información, permitiendo que los hallazgos encontrados se utilicen de una manera eficiente, para identificar futuras simulaciones.
Una subdisciplina del Machine Learning es el Deep Learning. Para poder explicar mejor este término, imaginemos una Caja Negra que recibe cierta información de entrada, la clasifica y es capaz de obtener patrones… pero no podemos saber cómo se ha conseguido. Como si en una película nos taparan los ojos y solo pudiésemos ver el principio y el final, sin llegar a saber todo lo que ha pasado para que lleguen a donde se encuentran en el último momento. Esta subdisciplina se basa en Redes Neuronales organizadas en múltiples capas, empleando sistemas de aprendizaje que han demostrado ser muy eficaces, como por ejemplo en el reconocimiento de imágenes o el procesamiento de voz, pero con la falta de capacidad explicativa, lo que hace que el Deep Learning solo sea aplicable en ciertos campos, pero no en todos.
Otro concepto que causa confusión es el Data Science, una disciplina con la que obtenemos unos beneficios que van desde la capacidad de extraer datos automáticamente, categorizar… hasta el análisis de información, así permitiéndole al usuario ser capaz de tomar decisiones coherentes de acuerdo con los datos mostrados. Para que esto suceda, Data Science implica herramientas y técnicas basadas en la IA, para que la máquina que gestiona dichos datos pueda trabajar por sí sola y, por consiguiente, pueda aprender. También involucra otras técnicas que provienen de la gestión de datos, visualizadores de datos que además permiten interaccionar con ellos, o cualquier otra modelización o simulación matemática.
Cuando llegamos a tener cantidades de millones de datos o estos fueron obtenidos de infinidad de fuentes diferentes, llegamos al mundo del Big Data, que no deja de ser un gestor de información, que lo que hace no es más que proveer o alimentar a otras técnicas o entornos mediante esos datos, para gestionar las infraestructuras de almacenaje de datos.
Antes de terminar, repasemos todos los conceptos con el siguiente esquema.
Ahora que ya hemos explicado y repasado las definiciones y las diferencias entre cada término, damos por concluido este post. Esperamos que lo hayáis disfrutado y que ahora los conceptos estén más claros. La buena noticia es que ya estamos preparando un post, en donde te explicaremos como abordar la implementación de la Inteligencia Artificial en tu negocio o proyecto (¡y no morir en el intento!)
Si tienes alguna pregunta, no dudes en ponerte en contacto con nosotros en info@lurtis.com. Y no te olvides de apuntarte a nuestra Newsletter. ¡Un placer y hasta la próxima!
Lorena Cruz – Business Development Lead
