Presente y futuro de la Inteligencia Artificial

junio 06, 2019

Por Encarnación Folgado Zuñiga

Durante más de medio siglo varias de las más prestigiosas universidades del mundo y las agencias de defensa de los países desarrollados han invertido grandes cantidades de recursos para construir una Inteligencia Artificial (IA) tan capaz que la haga indistinguible a la de un ser humano.

Sin embargo, ha sido en la última década cuando la IA ha acelerado su desarrollo, en parte gracias a la popularidad de los algoritmos de Machine Learning (redes neuronales, SVM, clustering, etc.) como concepto fundamental para la adopción de la IA; y a la apertura de librerías, frameworks y APIs de IA Open Source para facilitar la programación a quiénes no tenían una gran base de conocimientos en este campo. Asimismo, la aparición de arquitecturas y técnicas de Big Data para el manejo masivo de datos también ha sido pieza fundamental para que la IA sea una realidad hoy en día en múltiples sectores.

Pero, llegado a un punto en el que la IA parece haber encontrado su punto más álgido, nos surge una pregunta: ¿Pueden aprender las máquinas?

Un sistema aprende cuando es capaz de hacer cambios sobre sí mismo a medida que pasa el tiempo, con el objetivo de mejorar su rendimiento en tareas de un entorno concreto.

Una definición relativamente general de aprendizaje dentro del contexto humano podría ser la siguiente: “Proceso a través del cual se adquieren o modifican habilidades, destrezas, conocimientos, conductas o valores como resultado del estudio, la experiencia, la instrucción, el razonamiento y la observación”. Desde un punto de vista práctico, un sistema no termina de aprender nunca. Por tanto, se puede tomar la decisión de poner en producción un sistema que toma decisiones, cuando consideremos que ese sistema está "preparado", es decir, cuando su rendimiento supera un umbral que nos ofrece cierta confianza o garantía de que la tasa de éxito es suficientemente alta para la naturaleza del problema en cuestión.

Por otro lado, la IA hace posible que las máquinas aprendan de la experiencia, se ajusten a nuevas aportaciones y realicen tareas como hacen los humanos. Eso sí, a día de hoy, la labor de análisis de los datos y la evaluación sigue estando en manos de los humanos.

Por tanto, la IA está encaminada a resolver problemas que necesitan inteligencia en su resolución. Es más, os objetivos de la Inteligencia Artificial están lejos de ser una amenaza real para la población. Ante su creciente influencia en el mundo actual lo mejor será empezar a entenderla tal y como es, es decir como un gran avance.

Como hemos mencionado anteriormente, una de las claves en los sistemas inteligentes modernos es la sofisticación. Aunque para determinados problemas pueda ser suficiente la aplicación de modelos basados en reglas (IF-THEN), el problema llega cuando la complejidad aumenta y el número de reglas también. A veces no son reglas simples, son complejas. Tampoco son fijas, son cambiantes. No puedes prever todas las opciones con las que te puedes encontrar. Por lo tanto, en esos casos, las reglas no pueden programarse manualmente.

Por todo lo anterior, la clave está en la capacidad del sistema para aprender de manera automática, sin ser explícitamente programado cada vez. Esto es el corazón de la IA y se denomina Machine Learning. En definitiva, el ML se aplica a sistemas donde no conocemos las leyes que los gobiernan.

El campo del Machine Learning está basado en matemáticas y algoritmos. Un algoritmo es un proceso con una serie de pasos que llevan a obtener un resultado. El Machine Learning es un campo que combina aspectos estadísticos, probabilísticos y matemáticos, que surgen del aprendizaje de forma iterativa a partir de datos y de la búsqueda de ideas ocultas que pueden utilizarse para la creación de aplicaciones inteligentes.

A pesar de las inmensas posibilidades del Machine Learning, se necesita un conocimiento matemático profundo de muchas de estas técnicas para comprender bien el funcionamiento interno de los algoritmos y obtener buenos resultados.

En definitiva, el avance tan acelerado en el campo del Machine Learning o Aprendizaje Automático está convirtiendo todo el trabajo de investigación, hasta la fecha, en casos de uso aplicables a negocio con beneficios y alto valor en todo tipo de sectores y aplicaciones inimaginables.

¿Quieres conocer más? Descarga nuestro Whitepaper “¿Pueden las máquinas pensar?”

Utilizamos cookies propias y de terceros para ofrecerte una mejor experiencia y servicio, dentro de nuestra Web de acuerdo a tus hábitos de navegación. Si continúas navegando, consideramos que aceptas expresamente su utilización. Puedes obtener más información de cómo gestionar y configurar las cookies en nuestra Política de Cookies.