La inteligencia artificial se utiliza como un término general para muchos subconjuntos de IA, que en sí misma es un subconjunto de la informática.

Al explorar el mundo de la IA, podrías sentir que te estás sumergiendo de cabeza en aguas infestadas de tiburones. Hay tantos componentes y subtemas de la IA que tratar de navegar por ellos puede ser difícil sin orientación. Para sonar conocedor sobre un tema, es crucial que primero aprendas algunas aplicaciones importantes del campo en general.

Aplicaciones de la inteligencia artificial

Haz clic en cualquier término a continuación para leer una descripción extendida más un ejemplo de aplicaciones actuales.

• Inteligencia artificial estrecha (ANI)
• Inteligencia artificial general (AGI)
• Big data
• Visión por computadora
• Minería de datos
• Aprendizaje automático
• Aprendizaje profundo
• Redes neuronales
• Red neuronal convolucional (CNN)
• Redes generativas antagónicas (GAN)
• Procesamiento del lenguaje natural (NLP)

Inteligencia artificial estrecha (ANI)

Inteligencia artificial estrecha (ANI), o IA débil, es un tipo de inteligencia artificial que solo puede centrarse en una tarea o problema específico a la vez. Esta es nuestra definición ampliamente entendida de inteligencia artificial en su conjunto. La IA estrecha está programada para completar una sola tarea, como decir el clima o jugar un juego.

La IA estrecha no es ni autoconsciente ni sensible. Aunque pueda parecer muy capaz, la ANI está limitada por una programación estricta para tareas singulares. La ANI se considera débil porque no tiene la capacidad de igualar o superar la inteligencia humana ni de aprender y adaptarse como pueden otros formatos de IA.

A pesar de esto, las máquinas ANI pueden parecer más conocedoras y sofisticadas al superar el conocimiento o la habilidad humana en la tarea individual para la que fueron programadas; sin embargo, estos sistemas están operando según lo programado, no porque estén aprendiendo activamente nueva información.

Un ejemplo de IA estrecha son los asistentes de teléfonos inteligentes como Bixby o Siri. Aunque pueden "comunicarse" con los usuarios humanos, sus respuestas están limitadas por una falta de comprensión de palabras y frases más allá de lo que fueron programados para interpretar.

GIF cortesía de F. Martin Ramin vía amysboyd.com

Inteligencia artificial general (AGI)

La inteligencia artificial general (AGI), o IA fuerte, es el inverso de la ANI. La AGI se refiere a máquinas que pueden realizar con éxito tareas humanas. Este tipo de inteligencia se considera "similar a la humana", dado que la IA general puede planificar, razonar, aprender y comunicarse de una manera alineada con las funciones y procesos humanos. Además, algunas máquinas AGI son capaces de ver (mediante visión por computadora) o manipular objetos.

Actualmente, la AGI está en etapas preliminares con aplicaciones hipotéticas en la vida real en el horizonte en un futuro previsible. 

Big data

Big data define grandes cantidades de datos estructurados y no estructurados. Es un campo que analiza y extrae información de grandes cantidades de información (datos) que son demasiado complejas para ser manejadas por software de procesamiento de datos estándar.

Un ejemplo de big data en el desarrollo de productos es Netflix. Debido a que la base de usuarios de Netflix está en o más allá de los 100+ millones de personas, utilizan big data para construir modelos predictivos para mejorar la experiencia del usuario. Cada vez que recibes una recomendación sobre un programa o película que podría interesarte basado en lo que has visto antes, Netflix está utilizando su gran cantidad de datos y preferencias de usuarios para curar una selección de coincidencias probables para usuarios individuales.

GIF cortesía de Ramy Khuffash vía uimovement.com

Netflix recopila big data de múltiples maneras al rastrear cómo un usuario descubre un programa o película (función de búsqueda, sugerencia); calificaciones de estrellas; consultas de búsqueda; cuándo o si los usuarios pausan o dejan de ver un programa; fecha(s) en que se vio el contenido; y más. Utilizan estos datos para recomendar nuevo contenido a los usuarios y mostrar a un usuario "lo que está de moda" (lo que puede influir a algunos usuarios a ver para estar al tanto) con programas nuevos y populares.

Visión por computadora

La visión por computadora es cuando una máquina procesa entrada visual de archivos de imagen (JPEGs) o transmisiones de cámara. No solo puede la visión por computadora "ver" la(s) imagen(es), sino que también entiende y procesa lo que está viendo. Si esto se pusiera en términos de existencia humana, la visión por computadora es a la comprensión cerebral lo que los ojos son a ver.

Básicamente, cada vez que una máquina procesa entrada visual en bruto – como un archivo JPEG o una transmisión de cámara – está utilizando visión por computadora para entender lo que está viendo. Es más fácil pensar en la visión por computadora como la parte del cerebro humano que procesa la información recibida por los ojos – no los ojos en sí. Para simplificar, utilizar la visión por computadora significa que el usuario está ingresando una imagen en el sistema, y lo que el usuario recibe como salida puede incluir características cuantitativas y cualitativas de la imagen, incluyendo color, forma, tamaño y clasificación.

Un ejemplo de visión por computadora son las imágenes que ven los autos autónomos de Tesla. El sistema no solo tiene que reconocer imágenes por forma, tipo y color, sino también procesar estas piezas de información extremadamente rápido dado que está realizando una acción en tiempo real.  

 GIF cortesía de Steph Davidson vía Tesla 

Minería de datos

La minería de datos es el proceso de clasificar grandes conjuntos de datos para identificar patrones recurrentes mientras se establecen relaciones de resolución de problemas. La minería de datos es un subconjunto combinado de la informática y la estadística cuyo único propósito es extraer datos utilizando IA mientras se convierte en información útil.

Ejemplos de minería de datos ocurren en el comercio electrónico, con Amazon liderando el juego de recopilación de datos. Amazon apunta a sus clientes y utiliza sus datos mostrando a los compradores productos recomendados que "otros" han comprado en relación con la compra prevista del consumidor (es decir, si estás considerando comprar esto, las personas suelen comprar también aquello). Amazon utiliza los datos de los clientes (lo que la gente compró más lo que la gente dijo sobre sus compras) para identificar patrones de compra e inferir lo que los clientes pueden gustarles basado en otros datos de usuarios.  

Aprendizaje automático

El aprendizaje automático se centra en desarrollar programas que accedan y utilicen datos por sí mismos, llevando a las máquinas a aprender por sí mismas y mejorar a partir de experiencias aprendidas sin ser programadas explícitamente.

Muchos ejemplos de aprendizaje automático en la vida cotidiana existen actualmente, incluyendo anuncios dirigidos en redes sociales, asistentes de voz virtuales en teléfonos móviles, software de reconocimiento facial en sitios web de redes sociales y predicciones de desplazamiento de aplicaciones como Google Maps o datos de GPS de teléfonos móviles. 

 Imagen cortesía de vigilantsolutions.com

Aprendizaje profundo

El aprendizaje profundo es una técnica de aprendizaje automático que enseña a las computadoras cómo aprender de memoria. En otras palabras, el aprendizaje profundo permite a las máquinas adquirir la capacidad de imitar el aprendizaje como lo haría una mente humana al clasificar texto, sonido e imágenes en categorías.

Ejemplos de aprendizaje profundo se encuentran en varias tecnologías existentes, como los autos sin conductor y asistentes de voz. Estos ejemplos específicos utilizan técnicas de aprendizaje profundo al aprender de cientos – si no miles – de horas de video, imágenes y muestras mediante las cuales la tecnología se autoenseña el reconocimiento de patrones. 

Por ejemplo, los autos sin conductor aprenden a conducir y navegar por las carreteras estudiando patrones de carreteras y hábitos de conducción de conductores humanos existentes y otros vehículos. De manera similar, los asistentes de voz escuchan interminables horas de datos de habla de personas con diferentes tipos de voz, idiomas y patrones de habla para aprender a replicar el habla humana.

Redes neuronales

Una red neuronal se modela a sí misma después del cerebro humano creando una red neuronal artificial a través de un algoritmo de reconocimiento de patrones. Este algoritmo permite a una computadora aprender de e interpretar datos sensoriales con el propósito de clasificar y agrupar dichos datos.

Por ejemplo, una tarea común para las redes neuronales es el reconocimiento de objetos. El reconocimiento de objetos es cuando a una red neuronal se le da un gran número de objetos similares (señales de tráfico, imágenes de animales, etc.) para inspeccionar y analizar. Luego interpreta qué son los objetos mientras aprende a identificar patrones dentro de dichos objetos, eventualmente descubriendo cómo categorizar contenido futuro.  

GIF cortesía de www.analyticsindiamag.com

Redes neuronales convolucionales (CNN)

Las redes neuronales convolucionales son un tipo de red neuronal específicamente creada para analizar, clasificar y agrupar imágenes visuales utilizando perceptrones multicapa. Las CNNs ayudan en el reconocimiento de objetos dentro de escenas (piensa: objetos dentro de una imagen más grande, no solo el objeto independiente) así como en texto digitalizado o manuscrito utilizando herramientas de reconocimiento óptico de caracteres (OCR). 

Redes generativas antagónicas (GAN)

Las redes generativas antagónicas son un tipo de red neuronal que puede generar fotografías aparentemente auténticas, al menos a nivel superficial para los ojos humanos. Las imágenes generadas por GAN toman elementos de datos fotográficos y los moldean en imágenes realistas de personas, animales y lugares.

Un ejemplo reciente se presenta en un artículo de NVIDIA, una Arquitectura de Generador Basada en Estilo para GANs (StyleGAN). StyleGAN es capaz de producir imágenes artificiales de manera gradual, desde una imagen pixelada de baja calidad que eventualmente se convierte en una imagen de alta resolución realista de un individuo en https://thispersondoesnotexist.com/ o un gato en https://thiscatdoesnotexist.com/.

El StyleGAN modifica características de cómo se vería una persona (o un gato), tomando prestado de imágenes reales de personas y gatos existentes, asignando intrincadamente características y propiedades físicas a un alto nivel de detalle (por ejemplo, color de piel, poros, peinado, color de ojos, vello facial y más.)

GIF cortesía de https://arxiv.org/pdf/1710.10196.pdf 

Procesamiento del lenguaje natural (NLP)

El procesamiento del lenguaje natural (NLP) ayuda a las computadoras a procesar, interpretar y analizar el lenguaje humano y sus características utilizando datos de lenguaje natural. El NLP se utiliza con la intención de ayudar a cerrar la brecha entre humanos y computadoras conversando y entendiéndose mutuamente.

Un ejemplo de NLP se puede ver en la conversión de voz a texto de transcripciones de mensajes de voz.  

Filtrando la jerga

Ahora que has aprendido sobre algunas de las aplicaciones más importantes de la IA, puedes respirar aliviado y secarte el sudor de la frente – ¡lo lograste! Estás en camino de convertirte en un conocedor de todo lo relacionado con la inteligencia artificial. 

¿Quieres seguir creciendo tu experiencia sobre inteligencia artificial más allá de lo básico? Consulta nuestra guía sobre la historia de la IA.