IA para no tan principiantes

La Inteligencia Artificial es un sistema capaz de analizar datos en grandes cantidades, identificar patrones y tendencias y, por lo tanto, formular predicciones de forma automática.
Es un avance de la tecnología que viene desde hace más de medio siglo y con el que interactuamos diariamente aunque no estemos al tanto, por ejemplo en la sugerencia de etiquetas que hacen Facebook o Instagram, es tu contrincante cuando jugás al FIFA, es lo que te permite poner tu cara en un personaje de una película o hacerte más joven con una app.
Durante la pandemia que azota al mundo desde principios de 2020 hemos podido comprobar su eficacia y versatilidad, de la mano del Big Data. Ambos se han convertido en herramientas imprescindibles a todos los niveles, con importantes y útiles aplicaciones en el mundo de la salud.
Los invitamos a que nos acompañen por los oscuros recovecos de este palacio al que vulgarmente llamamos 👽inteligencia artificial👽
Empecemos por lo básico. A día de hoy, los tipos de inteligencia artificial se suelen dividir en 4 categorías:
Aprendizaje automático (machine learning)
El aprendizaje automático es uno de los tipos de inteligencia artificial al que más acostumbrados estamos, sobre todo a nivel de series o películas. Se basa en la capacidad que un software o dispositivo tiene de aprender por su cuenta. El aprendizaje automático sigue tres pasos fundamentales, como cualquier otro método: aprendizaje, entrenamiento y resultados.
Puede estar supervisado por una persona o hacerse de manera autónoma gracias a la propia IA, que opera según las normas diseñadas por el programador (lo vamos a desarrollar más abajo en esta nota).
Este tipo de IA lo vemos en los asistentes virtuales o en los videojuegos, entre otros ejemplos.
Aprendizaje profundo (deep learning)
El aprendizaje profundo es un tipo de aprendizaje que va más allá del automático, ya que engloba y procesa más datos e información al mismo tiempo. Utiliza otro de los tipos de inteligencia artificial, las redes neuronales, para desenvolverse entre un mayor volumen de información. Está estrechamente ligado con otros de los términos del momento, el Big Data.Este tipo de IA se usa, por ejemplo, para el reconocimiento facial o para las traducciones automáticas de textos, entre otros muchos usos (y cada vez, más).
Los filtros de Instagram que te cambian el aspecto, las aplicaciones que te pueden cortar el pelo, hacerte viejo o más joven, ponerte una sonrisa en una foto, también son ejemplos de deep learning.
Redes neuronales
Las redes neuronales, como su propio nombre indica, es un tipo de IA que intenta imitar el comportamiento de esas células. A partir de una red de neuronas artificiales, se crea un sistema por el que reciben y procesan datos.
Las Redes Neuronales Artificiales (RNA) están formadas por millones de células artificiales (muchas fórmulas matemáticas) trabajando de manera coordinada, con capacidad de operar con acciones de aprendizaje.
Son sistemas que no están programados sino que aprenden y se forman a sí mismos como nuestras neuronas.
Su objetivo es intentar resolver los problemas de la misma manera que los resuelve el cerebro humano: traducen, procesas y entienden las diferentes imágenes y sonidos del mundo real para poder procesarlo igual que nuestro cerebro.
Este tipo de IA es muy útil para actividades como el reconocimiento de imágenes y textos o para controlar robots, uno de los máximos exponentes de la inteligencia artificial.
Sistema experto
El sistema experto funciona a partir de una lógica racional que intenta imitar a un humano con dominio de una materia concreta.
Este tipo de IA la podemos encontrar, por ejemplo, en los chats automáticos que muchos servicios de atención al cliente ya tienen implantados. Se usan en muchos ámbitos destinados al cliente.
Estás cuatro categorías de IA utilizan lenguaje natural o Natural Language Processing (NLP). Esta tecnología nos permite desarrollar aplicaciones o servicios que puedan comprender los idiomas humanos en cualquiera de sus formas, ya sea a través de texto o voz.Se puede utilizar para:
Cualquier tipo de IA necesita intervención humana, por lo menos en un comienzo (alguien le tiene que enseñar cómo apoderarse de toda la humanidad). A grandes rasgos se pueden dividir en dos grandes grupos según cómo se organicen los datos que se le brinda.
Aprendizaje supervisado
El aprendizaje supervisado requiere datos de entrada y salida etiquetados durante la fase de entrenamiento del ciclo de vida del machine learning. Estos datos a menudo son etiquetados por un científico de datos en la fase de preparación - una de las tareas que hace un data scientist - antes de usarse para entrenar y probar el modelo.
Se llama aprendizaje supervisado porque al menos parte de este modelo requiere supervisión humana. La gran mayoría de los datos disponibles son datos brutos sin etiquetar. Por lo general, se requiere la interacción humana para etiquetar con precisión los datos. Naturalmente, puede ser un proceso intensivo en recursos, ya que se necesitan grandes conjuntos de datos etiquetados.
Los modelos predictivos también se entrenan con técnicas de aprendizaje automático supervisado. Mediante el aprendizaje de patrones entre los datos de entrada y salida, los modelos de aprendizaje supervisado pueden predecir resultados a partir de datos nuevos e invisibles. Esto podría ser en la previsión de cambios en los precios de la vivienda o en las tendencias de compra de los clientes, por ejemplo.
El aprendizaje supervisado se utiliza para:
Aprendizaje no supervisado
El aprendizaje no supervisado es el entrenamiento de modelos de datos sin procesar y sin etiquetar. Como el nombre indica, el aprendizaje automático no supervisado no necesita tanta intervención humana comparado con el aprendizaje supervisado. Una persona tiene que establecer los parámetros del modelo, pero el modelo es capaz de procesar grandes conjuntos de datos de manera efectiva y sin supervisión humana.
El aprendizaje automático no supervisado se utiliza principalmente para:
Los famosos algoritmos son conjuntos de reglas definidos por un programador. Y, como veíamos en el caso de las redes neuronales, también hay un tipo de inspirado en nuestra biología: el algoritmo genético. Éste opera de acuerdo con la teoría de la evolución de Darwin. Usan mecanismos como selección natural, mutación aleatoria y recombinación genética para buscar soluciones óptimas sin tener que explorar todas las posibles soluciones. Además, los algoritmos genéticos son capaces de trabajar con grandes conjuntos de datos y de aprender por su cuenta.
Se utilizan en:
Hoy día hay muchísimas herramientas para hacer más rápido y simple todas las tareas rutinarias que implica cualquier trabajo de escritorio.
Yo soy Frontend Developer y utilizo a diario dos:
También, con el uso, vamos aprendiendo cómo mejorar sus resultados y así optimizar más nuestro tiempo. No todas son tan flexibles como la famosa ChatGPT que interpreta muy bien las preguntas sin que le enviemos una sintaxis específica o bien redactada.
Por ejemplo: “Me podrías decir cómo crear una función que sume dos números en el lenguaje de programación javascript?”. Se podría resumir a: “Crear una función en javascript que sume dos números”, ya que la IA, en este caso ChatGPT, sabe interpretar teniendo en cuenta las palabras claves más allá de una correcta, o perfecta, gramática y/u ortografía.
Si vemos que la IA no nos responde correctamente en la primer pregunta, podemos repreguntarle usando menos palabras y solo utilizar palabras claves. Esto también aplica a cuando realizamos preguntas a Google u otras personas. La buena comunicación, clara y concisa es fundamental. Y para la IA las palabras claves son lo más importante.
Más allá de mi trabajo diario, realmente me sorprenden las aplicaciones que está teniendo en otros ámbitos, por ejemplo:
¡Y muchas herramientas más!
Espero que estas respuestas te ayuden a comprender un poco más como es el mundo de la Inteligencia Artificial, que siempre estuvo en nuestro día a día «de manera más modesta e imperceptible», y que hoy en día está más disponible y abierta al público para que podamos seguir creando cualquier tipo de servicio o desarrollo de una manera más inteligente y productiva, sacando provechos a los múltiples beneficios de la IA + Big Data.
¡Gracias por llegar hasta acá! 🤗 Que tengas una buena semana.