Qué es la Inteligencia Artificial

Inteligencia Artificial La Inteligencia Artificial (IA) es una rama de la informática que se centra en la creación de
sistemas capaces de realizar tareas que normalmente requieren inteligencia humana.

Estas tareas incluyen el reconocimiento de voz, la toma de decisiones, la resolución de

problemas, la comprensión del lenguaje natural y la percepción visual.

La IA puede ser entendida como la capacidad de una máquina para imitar funciones cognitivas
que los humanos asocian con otras mentes humanas, como aprender y resolver problemas.

Diferencia entre IA, Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep
Learning)
AI - ML - DL Timeline

● Machine Learning
Técnicas Matemáticas - Datos - Algoritmos

● Deep Learning
Capacidad de aprender por sí mismas

Familias de modelos que utilizan redes neuronales (NN)

○ Artificiales (ANN) Predecir datos numéricos
○ Convolucionales (CNN) Análisis de Imágenes /
Reconocimiento de imágenes
○ Recurrentes (RNN) Modelos de series de tiempos
○ Generativas (GANs)

● Otros Modelos de ML (Supervisados / No Supervisados)

[Link]
[Link]
keyrus/
Sectores donde se usa la IA Aplicaciones y usos de la IA

IA Débil vs IA Fuerte
IA débil (narrow AI) Diseñados para hacer una tarea específica

Tipos de Inteligencia Artificial ●

●
●
Muy hábil en un ámbito específico
Industria automotríz
Medicina
●
●
●
Más común y accesible
IA Generativa
Son reactivos (esperan órdenes o responden a
● Jugar ajedrez determinados eventos)
● Reconocer fotos ● Sólo computan, no razonan
● Responder preguntas ● Repetitivas
● Reconocimiento de voz ● Redes neuronales pequeñas
● Recomendaciones de productos ● Siri / Alexa
● Es rápida, precisa y puede procesar grandes ● Autos que se manejan solos
cantidades de datos en segundos ● Sistemas expertos
● Chats generativos (GTP está a medio camino de
la inteligencia fuerte)
IA Débil vs IA Fuerte IA Débil vs IA Fuerte
IA fuerte (general AI)

● Pertenece al mundo de lo teórico ● Podrán entrar en conflictos entre ellas

● Sistemas que pueden realizar cualquier tarea ● Conciencia de sí mismo Hoy en día, la mayoría de las IA son débiles,
intelectual que un ser humano puede hacer. ● Entender, Aprender y aplicar conocimientos pero hay proyectos avanzados que tratan de lograr sistemas de IA fuerte.
●
Emular el pensamiento humano Prometedora
No existen todavía.
● Se autoprogramará y adaptará a los nuevos ● Controvertida
escenarios. ● Difícil de implementar
● Predictiva
● Redes neuronales grandes

Machine Learning (ML)

Machine Learning (ML)

El Machine Learning (Aprendizaje Automático) es una subdisciplina de la inteligencia

artificial (IA) que se centra en el desarrollo de algoritmos y técnicas que permiten a
las computadoras aprender y hacer predicciones o tomar decisiones basadas en datos.

En lugar de seguir instrucciones específicas programadas para realizar una tarea,

los sistemas de Machine Learning identifican patrones en los datos y utilizan estos
patrones para mejorar su desempeño en tareas específicas con el tiempo.

● [Link]
Principales Características del Machine Learning

1. Entrenamiento Basado en Datos

○ Los algoritmos de Machine Learning se entrenan con datos históricos para encontrar patrones y
Deep Learning (DL)
relaciones. Cuanto más datos se utilicen para el entrenamiento, mejor será la capacidad del modelo
para generalizar a datos nuevos.
El Deep Learning (Aprendizaje Profundo) es una subdisciplina del Machine Learning que utiliza
2. Capacidad de Generalización redes neuronales artificiales con múltiples capas (redes neuronales profundas) para modelar y
○ Un modelo de Machine Learning bien entrenado puede aplicar lo que ha aprendido a nuevos datos no resolver problemas complejos.
vistos, haciendo predicciones precisas o tomando decisiones informadas.
Estas redes son capaces de aprender representaciones jerárquicas de datos, lo que las hace
3. Mejora Continua particularmente efectivas en tareas como el reconocimiento de imágenes, el procesamiento
○ Los modelos de Machine Learning pueden mejorar con el tiempo a medida que se alimentan con más del lenguaje natural y la traducción automática.
datos y se ajustan sus parámetros para reducir errores y aumentar la precisión.

4. Automatización de Tareas Complejas

[Link]
○ Machine Learning permite automatizar tareas complejas que serían difíciles o imposibles de programar
explícitamente, como el reconocimiento de voz, la clasificación de imágenes y la detección de fraudes.

Principales Características del Deep Learning

1. Redes Neuronales Profundas

Las redes neuronales profundas constan de muchas capas de neuronas (también llamadas nodos).
Cada capa extrae características o patrones de los datos, y las capas posteriores utilizan estas características para realizar tareas
Procesamiento del Lenguaje Natural (NLP)
más complejas.
Capas Típicas: Capas de entrada, capas ocultas (múltiples), y capa de salida.
El Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés) es un campo de la
2. Aprendizaje Jerárquico
Las redes profundas pueden aprender representaciones jerárquicas de los datos.
inteligencia artificial que se centra en la interacción entre las computadoras y el lenguaje humano.
Las capas iniciales pueden aprender características básicas (como bordes en una imagen), mientras que las capas más profundas
El objetivo del NLP es permitir que las máquinas comprendan, interpreten y generen lenguaje
pueden aprender combinaciones más complejas de estas características (como formas y objetos).
humano de una manera que sea valiosa. Esta tecnología se utiliza para aplicaciones como la
3. Algoritmos de Optimización Avanzados traducción automática, el análisis de sentimientos, los asistentes virtuales y muchas otras.
Utilizan algoritmos como el descenso de gradiente estocástico (SGD) y variantes avanzadas como Adam para ajustar los pesos de
la red y minimizar la función de pérdida.

4. Necesidad de Grandes Volúmenes de Datos

[Link]
Las redes profundas suelen requerir grandes cantidades de datos etiquetados para entrenar de manera efectiva y evitar el
sobreajuste.

5. Computación Intensiva
El entrenamiento de redes profundas requiere una gran capacidad de procesamiento, a menudo utilizando unidades de
procesamiento gráfico (GPU) y, más recientemente, unidades de procesamiento tensorial (TPU).
Principales Características del NLP

1. Comprensión del Lenguaje Natural (NLU)

Se refiere a la capacidad de una máquina para entender el lenguaje humano tal como se habla o se escribe.
Ejemplos: Interpretación de comandos de voz, análisis de textos para extraer información.

2. Generación del Lenguaje Natural (NLG)

Se refiere a la capacidad de una máquina para generar lenguaje humano comprensible.

Desafíos y Limitaciones de la IA
Ejemplos: Creación de resúmenes automáticos, generación de respuestas en chatbots.

3. Análisis Sintáctico (Parsing)

Involucra la descomposición de oraciones en sus partes gramaticales y la determinación de su estructura.
Ejemplos: Identificación de sujetos, verbos y objetos en una oración.

4. Análisis Semántico
Se refiere a la comprensión del significado de las palabras y las oraciones.
Ejemplos: Determinación del contexto de una palabra, desambiguación de palabras con múltiples significados.

5. Análisis Pragmático
Involucra la comprensión de cómo el contexto contribuye al significado del lenguaje.
Ejemplos: Interpretación del sarcasmo, comprensión de implicaciones y contextos sociales.

Desafíos y Limitaciones de la IA

● Ética y Sesgo en la IA
○ Ejemplos de sesgos en modelos de IA
○ Consideraciones éticas y soluciones propuestas
● Privacidad y Seguridad
○ Riesgos para la privacidad de los datos Agentes Inteligentes
○ Seguridad en sistemas autónomos
● Limitaciones Técnicas
○ Problemas actuales en la implementación de IA
○ Requerimientos computacionales y de datos
Agentes Inteligentes

● Concepto
○ Un agente de inteligencia artificial (IA) se refiere a un sistema o programa que es capaz de
realizar tareas de forma autónoma en nombre de un usuario u otro sistema diseñando su flujo de

●
trabajo y utilizando las herramientas disponibles.

Características
Futuro de la Inteligencia Artificial
○ Los agentes de IA pueden abarcar una amplia gama de funcionalidades más allá del
procesamiento del lenguaje natural, incluida la toma de decisiones, la resolución de problemas, la
interacción con entornos externos y la ejecución de acciones.
○ Los agentes de IA basan sus acciones en la información que perciben. Con frecuencia, los
agentes de IA no disponen de toda la base de conocimientos necesaria para abordar todas las
subtareas de un objetivo complejo. Para corregir esto, los agentes de IA utilizan sus herramientas
disponibles (conjuntos de datos externos, búsquedas web, API e incluso otros agentes). Una vez
recuperada la información que falta, el agente puede actualizar su base de conocimientos.

Futuro de la Inteligencia Artificial

● Tendencias y avances esperados

○ Investigación en IA fuerte
○ IA explicable y transparente

● Impacto en el mercado laboral y la sociedad Usos IA

○ Automatización y empleo
○ Cambios en la educación y habilidades necesarias
¿En qué casos usé IA?

● Sistema de recomendación de mejoras de currículums (identificación de skills en cv

y job description)
● Segmentación y clasificación de públicos objetivos en campañas de marketing
● Consulta de base de datos de ventas a través de lenguaje natural
● Agenda de turnos para diferentes aplicaciones con asistente virtual y datos
estructurados
● Portal de búsqueda de contenidos en documentos internos de empresas
(embeddings)
● Asistentes para desarrollo (Copilot)
● Generación de UI
● Chat GPT