Durante décadas, investigadores y expertos han reflexionado sobre cómo la inteligencia artificial puede cambiar las reglas del juego para la industria tecnológica.
En 1956, John McCarthy desarrolló un robot móvil, Shakey, que imitaba la "toma de decisiones humanas" para realizar seminarios. También acuñó el término inteligencia artificial (IA) para indicar su resonancia con nuestro cerebro humano e intelecto cognitivo.
Hoy en día, diferentes tipos de software de operacionalización de aprendizaje automático (MLOps) y herramientas de IA se están implementando en los principales sectores industriales para identificar, automatizar y optimizar grandes datos.
¿Cuáles son los tipos de inteligencia artificial?
- IA estrecha (IA débil): Realiza tareas específicas y no puede aprender de forma independiente, como Siri.
- Inteligencia artificial general (AGI): Imita el aprendizaje y razonamiento humano, visto en coches autónomos.
- Superinteligencia artificial (ASI): IA hipotética que supera la inteligencia humana en todos los aspectos.
- IA de máquina reactiva: Responde a estímulos en tiempo real sin memoria, como el Deep Blue de IBM.
- IA de memoria limitada: Almacena conocimiento para aprender y mejorar con el tiempo.
- IA de teoría de la mente: Entiende y responde a las emociones humanas.
- IA autoconsciente: Reconoce emociones y posee inteligencia a nivel humano.
La IA ha recorrido un largo camino desde su historia hasta su forma actual. A nivel raíz, el árbol de la IA incluye el aprendizaje automático, que se ramifica hacia otras etapas avanzadas como la inteligencia de máquina, la conciencia de máquina y la conciencia de máquina.
Inteligencia artificial estrecha (ANI)
IA estrecha o débil es un tipo de IA que impide que una computadora realice más de una operación a la vez. Tiene un campo de juego limitado cuando se trata de realizar múltiples tareas intelectuales en el mismo marco de tiempo. La IA estrecha puede compilar una instrucción particular en un escenario personalizado. Algunos ejemplos son Google Assistant, Alexa y Siri.
¿Sabías que? El mercado de la IA fue valorado en 51.08 mil millones en 2020 y se proyecta que suba a 641.30 mil millones de USD para 2028, con un CAGR del 36.1%
Fuente: Verified Market Research
Ejemplos de IA estrecha
Los chatbots de servicio al cliente, como los utilizados por empresas como Zendesk o Drift, emplean IA estrecha para responder a consultas comunes de los clientes, resolver problemas y brindar soporte, todo dentro de un contexto limitado.
Aplicaciones como Google Photos y sistemas de reconocimiento facial aprovechan la IA estrecha para identificar y categorizar imágenes, reconociendo rostros, objetos y escenas dentro de las fotos.
¿Quieres aprender más sobre Plataformas de MLOps? Explora los productos de Plataformas de MLOps.
Inteligencia artificial general (AGI)
AGI es el futuro de la tecnología digital, donde robots autoasistidos o cyborgs emularán movimientos sensoriales humanos. Con AGI, las máquinas podrán ver, responder e interpretar información externa, similar al sistema nervioso humano. Los avances en redes neuronales artificiales impulsarán futuros cargadores de AGI, que dirigirán negocios con el paso del tiempo.
Ejemplos de AGI
Hasta ahora, la verdadera AGI no existe, y todos los sistemas de IA existentes se clasifican como IA estrecha. Sin embargo, los investigadores están explorando ejemplos teóricos y proyectos en curso que buscan lograr AGI. Por ejemplo, modelos como GPT-4 de OpenAI y AlphaFold de DeepMind exhiben capacidades avanzadas en procesamiento de lenguaje y comprensión biológica, respectivamente, aunque siguen limitados a dominios específicos.
Iniciativas en arquitecturas cognitivas e investigación de conciencia artificial se esfuerzan por replicar procesos cognitivos humanos, mientras que modelos de IA de propósito general imaginan sistemas capaces de aprender y realizar cualquier tarea intelectual similar a las habilidades humanas. Estos esfuerzos reflejan la búsqueda continua de desarrollar AGI, que sigue siendo un objetivo significativo en el campo de la inteligencia artificial.
Superinteligencia artificial (ASI)
La IA fuerte es un concepto futurista que hasta ahora solo ha sido la premisa de una película de ciencia ficción. La IA fuerte será el dominador definitivo ya que permitiría a las máquinas diseñar auto-mejoras y superar a la humanidad. Construiría habilidades cognitivas, sentimientos y emociones en máquinas mejor que nosotros. Afortunadamente, por ahora, es solo una proposición.
7 ramas principales de la inteligencia artificial en diferentes tipos
1. Aprendizaje automático es la rama principal de la IA que permite a las máquinas analizar, interpretar y procesar datos desde todos los ángulos para generar una salida correcta.
2. Aprendizaje profundo es una red neuronal convolucional que consta de diferentes capas que extraen y clasifican diferentes componentes de datos.
3. Procesamiento de lenguaje natural es una tecnología autoevolucionada para la comunicación básica humano-computadora. Se utiliza principalmente para diseñar chatbots conversacionales.
4. Automatización de procesos robóticos se ocupa del diseño, construcción y operación de robots que imitan acciones humanas y conversan con otros humanos.
5. Sistemas expertos aprenden e imitan las decisiones de un ser humano utilizando notaciones lógicas y operadores condicionales.
6. Lógica difusa o prueba de hipótesis exhibe el grado de verdad de una salida. Por ejemplo, si VERDADERO equivale a 0 y la salida dice 1, se infiere que la hipótesis nula es falsa.
7. El algoritmo de bosque aleatorio a menudo se conoce como un "conjunto" o "árbol de decisión" ya que combina diferentes árboles de decisión para medir la precisión de la salida.
El segundo tipo, conocido como IA funcional, describe las principales aplicaciones de IA en la esfera comercial y las redes sociales. Los sistemas de tipo 2 funcionan principalmente con algoritmos no supervisados que generan salida sin utilizar datos de entrenamiento.
Hasta la fecha, se han diseñado y probado cuatro tipos de sistemas de IA de tipo 2.
IA de máquinas reactivas
Las máquinas reactivas son el tipo más básico de IA no supervisada. Esto significa que no pueden formar recuerdos ni usar experiencias pasadas para influir en decisiones actuales; solo pueden reaccionar a situaciones existentes, de ahí "reactivas".
Las máquinas reactivas no tienen concepto del mundo y no pueden funcionar más allá de las tareas simples para las que están programadas. Una característica de las máquinas reactivas es que, sin importar el tiempo o lugar, siempre se comportarán de la manera en que fueron programadas. No hay crecimiento con las máquinas reactivas, solo estancamiento en acciones y comportamientos recurrentes.
Ejemplo de máquinas reactivas
Una forma existente de una máquina reactiva es Deep Blue, una supercomputadora de ajedrez creada por IBM a mediados de la década de 1980.
Deep Blue fue creada para jugar ajedrez contra un competidor humano con la intención de derrotar al competidor. Fue programada para identificar un tablero de ajedrez y sus piezas mientras entendía y predecía los movimientos de cada pieza. En una serie de partidas jugadas entre 1996 y 1997, Deep Blue derrotó al gran maestro de ajedrez ruso Garry Kasparov 3½ a 2½ juegos, convirtiéndose en el primer dispositivo computarizado en derrotar a un oponente humano.
Fuente: Scientific American
La habilidad única de Deep Blue de jugar partidas de ajedrez de manera precisa y exitosa destacó sus habilidades reactivas. En el mismo sentido, su mente reactiva también indica que no tiene concepto del pasado o futuro; solo comprende y actúa sobre el mundo existente actualmente y sus componentes dentro de él. Para simplificar, las máquinas reactivas están programadas para el aquí y ahora, pero no para el antes y después.
IA de memoria limitada
La memoria limitada está compuesta por sistemas de IA supervisados que derivan conocimiento de datos experimentales o eventos de la vida real. A diferencia de las máquinas reactivas, la memoria limitada aprende del pasado observando acciones o datos que se le proporcionan para crear un modelo de buen ajuste.
Aunque la memoria limitada se basa en datos observacionales junto con datos preprogramados que las máquinas ya contienen, estas piezas de información de muestra son fugaces. Una forma existente de memoria limitada son los vehículos autónomos.
Ejemplos de IA de memoria limitada
Los vehículos autónomos o coches sin conductor funcionan con una combinación de conocimiento observacional y visión por computadora. Para observar cómo conducir adecuadamente entre vehículos dependientes de humanos, los coches sin conductor segmentan su entorno, detectan patrones o cambios en factores externos y se ajustan.
Nota: Los coches Autopilot de Tesla están diseñados con 40 veces más potencia de procesamiento gráfico y tecnología de sensores avanzada, convirtiéndolos en el futuro de la conducción.
No solo los vehículos sin conductor observan su entorno, sino que también detectan, etiquetan y capturan el tráfico en retrospectiva. Anteriormente, los coches sin conductor sin IA de memoria limitada tardaban 100 segundos en reaccionar y tomar decisiones sobre factores externos. Desde la introducción de la memoria limitada, el tiempo de reacción en observaciones basadas en máquinas ha disminuido drásticamente.
Los asistentes virtuales utilizan IA de memoria limitada para proporcionar experiencias de usuario personalizadas recordando interacciones pasadas. Estos asistentes analizan las preferencias del usuario, como preguntas frecuentes, configuraciones preferidas o comandos anteriores, para mejorar sus respuestas y sugerencias con el tiempo.
Por ejemplo, plataformas como Amazon Alexa y Google Assistant pueden recordar solicitudes pasadas, lo que les permite ofrecer recomendaciones personalizadas, gestionar dispositivos domésticos inteligentes y mejorar el compromiso del usuario. Esta memoria de interacciones previas ayuda a los asistentes virtuales a adaptarse y responder de manera más efectiva, haciéndolos cada vez más útiles en tareas diarias.
IA de teoría de la mente
Como su nombre indica, la teoría de la mente es una técnica para pasar el testigo de tus ideas, decisiones y patrones de pensamiento a las computadoras. Aunque algunas máquinas actualmente exhiben capacidades similares a las humanas, ninguna es completamente capaz de mantener conversaciones relativas a los estándares humanos. Incluso el robot más avanzado del mundo carece de inteligencia emocional (la capacidad de sonar y comportarse como un humano).
Esta futura clase de habilidad de máquina incluiría entender que las personas tienen pensamientos y emociones que afectan la salida conductual y, por lo tanto, influyen en el proceso de pensamiento de una máquina de "teoría de la mente". La interacción social es un aspecto clave de la interacción humana. Por lo tanto, para hacer tangibles las máquinas de teoría de la mente, los sistemas de IA que controlan los robots actuales tendrían que identificar, entender, retener y recordar respuestas emocionales.
Estas máquinas pueden procesar comandos humanos y adaptarlos a sus centros de aprendizaje para entender las reglas de la comunicación e interacciones básicas. La teoría de la mente es una forma avanzada de inteligencia artificial propuesta que requeriría que las máquinas reconozcan cambios rápidos en los patrones emocionales y conductuales humanos a fondo. Armonizar interacciones a este nivel requerirá muchas pruebas y pensamiento abstracto.
Ejemplo de IA de teoría de la mente
Algunos elementos de la IA de teoría de la mente existen actualmente o han existido en el pasado reciente. Dos ejemplos notables son los robots Kismet y Sophia, creados en 2000 y 2016, respectivamente.
Kismet
Kismet, desarrollado por la profesora Cynthia Breazeal, era capaz de reconocer señales faciales humanas (emociones) y podía replicar dichas emociones con su rostro, que estaba estructurado con características faciales humanas: ojos, labios, orejas, cejas y párpados.
Fuente: YouTube
Sophia
Sophia, por otro lado, es un bot humanoide creado por Hanson Robotics. Lo que la distingue de robots anteriores es su semejanza física a un ser humano, así como su capacidad para ver (reconocimiento de imágenes) y responder a interacciones con expresiones faciales apropiadas.
Fuente: YouTube
Estos dos robots humanoides son muestras de movimiento hacia sistemas de IA de teoría de la mente completos que se materializan en un futuro cercano. Aunque ninguno de ellos tiene la capacidad de mantener una conversación humana completa con una persona real, ambos robots tienen aspectos de habilidad emotiva similar a la de sus contrapartes humanas. Esta iniciativa ha empujado el sobre de la IA hacia la sociedad humana.
IA autoconsciente
La IA autoconsciente implica máquinas con conciencia a nivel humano. Aunque esta forma de IA no existe actualmente, se consideraría la forma más avanzada de inteligencia artificial conocida por el hombre.
Los aspectos de la IA autoconsciente incluyen la capacidad no solo de reconocer y replicar acciones similares a las humanas, sino también de pensar por sí misma, tener deseos y entender sus sentimientos. La IA autoconsciente, en esencia, es un avance y extensión de la IA de teoría de la mente. Donde la teoría de la mente solo se enfoca en los aspectos de comprensión y replicación de prácticas humanas, la IA autoconsciente lo lleva un paso más allá al implicar que puede y tendrá pensamientos y reacciones autoguiadas.
Cruza ese puente cuando llegues a él
Actualmente estamos en el tercer nivel de los cuatro tipos de inteligencia artificial, por lo que creer que podríamos potencialmente alcanzar el cuarto (¿y último?) nivel de IA no parece una idea descabellada.
Pero por ahora, es importante centrarse en perfeccionar todos los aspectos de los tipos dos y tres en IA. Acelerar descuidadamente a través de cada nivel de IA podría ser perjudicial para el futuro de la inteligencia artificial para las generaciones venideras.
Explora cómo la regresión logística divide una diferencia entre diferentes tipos de datos no estructurados.
Este artículo fue publicado originalmente en 2022. Ha sido actualizado con nueva información.
Rebecca Reynoso
Rebecca Reynoso is the former Sr. Editor and Guest Post Program Manager at G2. She holds two degrees in English, a BA from the University of Illinois-Chicago and an MA from DePaul University. Prior to working in tech, Rebecca taught English composition at a few colleges and universities in Chicago. Outside of G2, Rebecca freelance edits sales blogs and writes tech content. She has been editing professionally since 2013 and is a member of the American Copy Editors Society (ACES).
