FUDAMENTOS DE LA INTELIGENCIA
ARTIFICIAL
La Inteligencia Artificial (IA) es una disciplina de la informática que diseña sistemas capaces de realizar tareas propias de
la inteligencia humana, como aprender, tomar decisiones o resolver problemas.
¿QUÉ ES LA INTELIGENCIA A diferencia de los programas tradicionales, la IA aprende de los datos, se adapta con la experiencia y actúa de forma
autónoma, sin necesidad de ser reprogramada.
ARTIFICIAL? Está transformando sectores como la medicina, el transporte, la industria o la seguridad, y forma parte de nuestro día a
día en herramientas como los asistentes virtuales, el reconocimiento facial o las recomendaciones inteligentes.
CLASIFICACIÓN DE LA IA
1. EL MACHINE LEARNING (ML) O APRENDIZAJE AUTOMÁTICO
Es una rama de la Inteligencia Artificial que permite a las máquinas aprender automáticamente a partir de datos, sin necesidad de ser programadas paso a paso para cada tarea. A través de este aprendizaje, los
sistemas identifican patrones y toman decisiones basadas en la experiencia previa. Es especialmente útil en tareas complejas como la predicción de enfermedades, el reconocimiento de imágenes, o el análisis del
comportamiento de usuarios. Tipos de ML:
1) Aprendizaje supervisado: El sistema aprende 2) Aprendizaje no supervisado: Aprendizaje no 3) Aprendizaje semisupervisado: Es una 4) Aprendizaje por refuerzo o reinforcement
con datos etiquetados, es decir, conoce las supervisado: El sistema trabaja con datos sin combinación de los anteriores. Se usan pocos learning (RL): El sistema aprende a través de
respuestas correctas y aprende a predecirlas. etiquetar y busca patrones ocultos o datos etiquetados y muchos no etiquetados para prueba y error, recibiendo recompensas por
Ejemplo: Un sistema se entrena con miles de agrupaciones por sí mismo. entrenar modelos más rápido y con menos aciertos y penalizaciones por errores. Busca
imágenes ya clasificadas como “gato” o “perro”. Ejemplo: Una empresa introduce miles de recursos. maximizar sus recompensas.
Cuando se le muestra una nueva imagen, analiza opiniones de clientes sin clasificar. El sistema Ejemplo: En un hospital, se etiquetan solo Ejemplo: Un robot aprende a caminar: prueba
sus características y predice a cuál categoría agrupa las opiniones por similitud en el lenguaje, algunas radiografías como "sanas" o "enfermas". distintos movimientos y, si avanza
pertenece. ayudando a detectar segmentos de clientes con El sistema usa esas pocas etiquetas para correctamente, recibe una recompensa. Si cae,
Aplicaciones: intereses comunes. aprender a clasificar muchas más imágenes sin recibe una penalización. Con el tiempo, mejora
- Detección de spam Aplicaciones: etiquetar. sus decisiones.
- Diagnóstico médico - Análisis de comportamiento del cliente Aplicaciones: Aplicaciones:
- Clasificación de productos - Agrupación de documentos - Reconocimiento facial - Robótica
- Compresión de datos - Traducción automática - Videojuegos
2. REDES NEURONALES ARTIFICIALES
Son sistemas computacionales inspirados en el funcionamiento del cerebro humano. Forman parte del deep learning, una técnica avanzada de inteligencia artificial que permite a las máquinas aprender por sí solas
a partir de grandes volúmenes de datos. Estas redes están compuestas por capas de nodos o “neuronas” que procesan la información de manera progresiva: desde detalles simples hasta patrones muy complejos.
1) Redes neuronales convolucionales (CNN): Están diseñadas para trabajar con imágenes y vídeos. 2) Redes neuronales recurrentes (RNN): Estas redes están adaptadas al procesamiento de datos
Funcionan identificando patrones visuales como bordes, formas o texturas, lo que les permite secuenciales, ya que pueden recordar información previa durante el análisis.
reconocer objetos o clasificar imágenes. Ejemplo: Se aplican en asistentes de voz, traducción automática, generación de texto o
Ejemplo: Se usan en sistemas de reconocimiento facial, diagnósticos por imágenes médicas o reconocimiento de voz.
clasificación de fotos en redes sociales.
Para funcionar, las redes neuronales necesitan entrenarse con datos. Este entrenamiento se hace en tres fases:
- Datos de entrenamiento, que ayudan a ajustar los parámetros internos de la red.
- Datos de validación, que sirven para mejorar la precisión del modelo.
- Datos de prueba, que evalúan la capacidad de la red para enfrentar información nueva.
A diferencia de otros métodos de aprendizaje automático, en el deep learning no es necesario etiquetar todos los datos
manualmente. La propia red es capaz de identificar las características importantes por sí misma, lo que la hace
especialmente útil para tareas complejas y con grandes cantidades de información.
3. PROCESAMIENTO DE LENGUAJE NATURAL (PLN)
Combina aprendizaje automático y aprendizaje profundo para permitir que los algoritmos comprendan y generen
lenguaje humano de manera natural. Una de sus aplicaciones más comunes son los chatbots, que mantienen
conversaciones en tiempo real en sectores como bancos, seguros o viajes, y asistentes virtuales como Siri, Cortana o Alexa.
Los chatbots pueden ser:
- Lineales: Respuestas automáticas basadas en un árbol de decisiones.
- No lineales: Usan PLN y deep learning para interpretar el contexto y dar respuestas más precisas.
- Híbridos: Combinan ambos enfoques para una conversación fluida.
Aunque ofrecen ventajas como disponibilidad y bajo costo, aún tienen dificultades para entender dobles sentidos y
sarcasmo, limitando la fluidez en las conversaciones.
TIPOS DE IA
Se clasifica según sus capacidades en tres tipos principales:
1) IA débil o específica: Realiza tareas 2) IA fuerte o general: Aún teórica, 3) Superinteligencia: Es un concepto más
concretas y especializadas, como los sería capaz de realizar cualquier avanzado, en el que la IA no solo igualaría,
asistentes virtuales (Siri o Google tarea cognitiva que un ser humano sino que superaría la inteligencia humana
Assistant), sin consciencia ni capacidad pueda hacer, como razonar o en todos los aspectos, incluidos la
para hacer otras tareas fuera de su ámbito. aprender en distintos contextos. creatividad y la toma de decisiones.
CLASIFICACIÓN FUNCIONAL DE LA IA
Dentro de la funcionalidad de la IA, se encuentran las siguientes clasificaciones:
1) Máquinas reactivas: Son 2) IA con memoria limitada: 3) Teoría de la mente: Aún no 4) Autoconciencia: La forma más
sistemas simples que no Estos sistemas aprenden de existente, se refiere a avanzada de IA, en la que las
aprenden ni recuerdan datos pasados para mejorar su máquinas capaces de máquinas no solo comprenderían
experiencias anteriores, desempeño. Un ejemplo son comprender y reaccionar a las su entorno, sino que también
respondiendo solo a estímulos los coches autónomos, que emociones y pensamientos serían conscientes de su propia
actuales, como el sistema de recuerdan rutas y aprenden de humanos, mejorando las existencia, aunque sigue siendo
ajedrez Deep Blue de IBM. situaciones previas. interacciones con las personas. un concepto de ciencia ficción.