Tratemos de definir la IA inteligencia artificial

Inteligencia artificial, machine learning, redes neuronales, big data, o deep learning...Cuando usamos estos términos; existe mucha confusión al respecto y mucha más cuando tratamos de definirlas.

Ardua tarea es definirlas cuando dependen de diversos factores pues hay infinidad de formas de interpretarlas. Suponed que la IA es un avión y la Machine Learning es el motor que le permite moverse y conocer el medio. Tendemos a aceptar que la IA es un campo de la informática que tiene como fin crear máquinas que sean capaces de imitar actos inteligentes.

Esos actos pueden ser:

• Conducir un vehículo o dirigir una herramienta
• Analizar procesos
• Reconocimiento facial
• Jugar a juegos de deducción complejos como el ajedrez

Una máquina tiene diversas maneras de simular un comportamiento humano, incluso en ciertas áreas consiguen mejores resultados que nosotros.

¿Esto indica que estén más desarrolladas que los humanos? Definitivamente, no.

Cualquiera de estas máquinas están especializadas en una tarea concreta, si intentas que realicen otra tarea distinta a la programada su rendimiento será ínfimo.

Nuestra capacidad de realizar múltiples tareas a la vez, nos confiere una singularidad única en la naturaleza. Andar, observar, escuchar, interpretar y analizar nuestro entorno mientras interactuamos con él. Todo esto mientras usamos dispositivos de toda índole sin terminar desquiciados. Estas aptitudes inherentes a los humanos se estudian en departamentos de IA por todo el globo terráqueo.

Posibles categorías en la IA

Arend Hintze que es profesor de Biología Integrada y Ciencias de la Computación de la Universidad de la Michigan. Trabaja estudiando y creando máquinas ha propuesto cuatro categorías de inteligencia artificial que son:

Máquinas reactivas:  La computadora creada por Google ha vencido a varios campeones del juego japonés Go, son máquinas que no disponen de un concepto del mundo más allá de las tareas para las que fueron creadas. Estas máquinas actuarán de la misma manera cuando se encuentren ante la misma situación. Esto puede asegurar en el campo de los coches autónomos un rendimiento confiable.

Máquinas con memoria limitada: Los vehículos autónomos tienen también este tipo de IA, con la cual pueden observar el pasado. Estos vehículos tiene la capacidad monitorizar la velocidad y la dirección durante un tiempo específico. Estos datos se incorporan a la representación del mundo que ha sido cargada en la IA, que incluye la localización de semáforos, señales de tráfico y las curvas de una carretera. Pero estas IA tienen una memoria limitada. Los datos sobre los automóviles que pasan a su alrededor, no se almacenan en una librería de datos con la cual puedan aprender, como pasa con los conductores humanos que aprendemos de las experiencias vividas al volante.

Máquinas con una Teoría de la Mente: Los humanos, animales, plantas y desde hace un tiempo objetos, piensan y sienten emociones que afectan el comportamiento y las decisiones posteriores. El estudio de estos fenómenos se conoce como “Teoría de la Mente”.

Según Arend Hintze el profesor de la Universidad de Michigan “este tipo de reconocimiento ha sido crucial en la formación de nuestras sociedades. Si no entendemos las intenciones y los motivos de los demás, y si no tomamos en cuenta lo que otra persona sabe acerca de mí o del medio ambiente, trabajar juntos es una tarea mucho más complicada si no imposible”.

La Inteligencia Artificial para poder interactuar libremente entren nosotros, tendrá que aprender a reconocer y entender las emociones de quienes se encuentran a su alrededor para adaptar su comportamiento a éstas.

Máquinas con conciencia propia: “Los investigadores de IA no sólo tenemos que saber cómo funciona la conciencia, sino que debemos construir máquinas que dispongan de una” Hintze.

Somos capaces de identificar cuando alguien ha sufrido, porque nosotros mismos hemos sufrido anteriormente. Aún estamos lejos de crear máquinas que sean conscientes de su existencia, por lo que las investigaciones se enfocan a comprender cómo funciona la memoria, el aprendizaje y nuestra habilidad para tomar decisiones en relación con las experiencias pasadas.

La IA hoy en día

Hoy en día seguimos en el primer estadio porque no existe IA capaz de realizar multitareas en diversos campos eficientemente y mucho menos tener conciencia como ser inteligente y sensible.

Si nos centramos en la cualidad de imitar, en sí mismo no implica un acto inteligente pero sí se asemeja al comportamiento humano. Podemos programar robots para realizar tareas como habilidades mecánicas como los usados para construir coches, aviones o barcos (Son actos mecánicos pero aparentan ser un hecho inteligente). Por lo tanto dentro de la IA podemos incluir varias subcategorías en las que subyacen comportamientos inteligentes como pueden ser la…

Robótica

La robótica tiene la capacidad de moverse y adaptarse a su entorno. Tiene la capacidad de comprender nuestro lenguaje. La capacidad de hablar como en la que se estudia la conversión de voz a texto, y de texto a voz. Puede analizar y reconocer nuestro iris, las facciones, y expresiones faciales.

Todas forman parte de la IA pero la cualidad más afamada y anhelada es la capacidad de aprender (Machine Learning)

Después nos encontramos con el Aprendizaje Automático (AA) que trata de dotar a las máquinas o sistemas inteligentes de la cualidad de aprender. Entendido este aprendizaje como la generalización del conocimiento a partir de un conjunto de experiencias. Podríamos dividir en tres bloques estructurados este aprendizaje: en supervisado, no supervisado y reforzado.

El Machine Learning no es una disciplina más en el campo de la IA, es esencial, y está interconectada con las demás ramas o campos de la misma. Las demás capacidades pueden ser imitadas porque hayan sido programadas o porque fueron aprendidas por el sistema.

Una cosa es programar una máquina para que se mueva y otra muy distinta es programarla para que aprenda a moverse. A igual que no es lo mismo programar qué elementos conforman un rostro que automáticamente aprender qué es una cara.

Esta cualidad es lo que hace tan interesante el Machine Learning.

Dentro del AA nos adentramos en un nuevo concepto donde coexisten diferentes métodos para cubrir distintos tipos de aplicaciones.

• Están los árboles de decisión
• Modelos de clasificación
• Técnicas de caracterizaciones, y otras técnicas y modelos.

Entre todas ellas son las redes neuronales las que más están destacando. Lo interesante de las redes neuronales es que pueden aprender de forma jerarquizada. La información se aprende por niveles en donde las primeras capas aprenden conceptos muy concretos, para luego en las capas posteriores se usará esa información previamente recopilada para comprender conceptos más abstractos.

Esto supone que a medida que incluimos más capas aprenderán de forma cada vez más compleja y rica en matices. No hay límites de capas a añadir a una red neuronal. La tendencia es que estos algoritmos tengan cada vez más y más capas. Dado su continuo aumento de capas y de la complejidad de sus algoritmos se les ha venido a llamar Deep Learning (Aprendizaje Profundo).

En esta época la masificación de datos; a su almacenamiento, así como su análisis se le llama Big Data.

Big data…

El big data se refiere a la tendencia a acumular inabarcables cantidades de datos, también lo usamos para definir el proceso de análisis de estos datos desde el momento de su captura hasta que los transformas en apreciada información.

En esta parte del proceso es donde se utilizan complejas técnicas de Deep Learning que a la postre son redes neuronales mastodónticas. Algoritmos de aprendizaje automático (AA) que son un renacimiento del Machine Learning para beneficio de la Inteligencia Artificial.