Entendiendo la IA
En términos generales, los sistemas artificialmente inteligentes pueden realizar tareas comúnmente asociadas con funciones cognitivas humanas, como interpretar el habla, jugar e identificar patrones. Por lo general, aprenden cómo hacerlo procesando cantidades masivas de datos y buscando patrones para modelar en su propia toma de decisiones. En muchos casos, los humanos supervisarán el proceso de aprendizaje de una IA, reforzando las buenas decisiones y desalentando las malas. Pero algunos sistemas de IA están diseñados para aprender sin supervisión; por ejemplo, jugando un videojuego una y otra vez hasta que finalmente descubren las reglas y cómo ganar.
IA fuerte vs. IA débil
La inteligencia es difícil de definir, razón por la cual los expertos en IA suelen distinguir entre IA fuerte e IA débil.
IA fuerte
La IA fuerte, también conocida como inteligencia artificial general , es una máquina que puede resolver problemas para los que nunca ha sido entrenada, de manera muy similar a como puede hacerlo un humano. Este es el tipo de IA que vemos en las películas, como los robots de Westworld o el personaje Data de Star Trek: The Next Generation . Este tipo de IA en realidad aún no existe.
La creación de una máquina con inteligencia a nivel humano que pueda aplicarse a cualquier tarea es el Santo Grial para muchos investigadores de IA, pero la búsqueda de una inteligencia artificial general ha estado plagada de dificultades. Y algunos creen que la investigación sólida en IA debería ser limitada, debido a los riesgos potenciales de crear una IA poderosa sin las barreras de seguridad adecuadas.
A diferencia de la IA débil, la IA fuerte representa una máquina con un conjunto completo de capacidades cognitivas (y una gama igualmente amplia de casos de uso), pero el tiempo no ha aliviado la dificultad de lograr tal hazaña.
IA débil
La IA débil, a veces denominada IA restringida o IA especializada, opera dentro de un contexto limitado y es una simulación de la inteligencia humana aplicada a un problema estrechamente definido (como conducir un automóvil, transcribir el habla humana o seleccionar contenido en un sitio web).
La IA débil a menudo se centra en realizar una sola tarea extremadamente bien. Si bien estas máquinas pueden parecer inteligentes, operan bajo muchas más restricciones y limitaciones que incluso la inteligencia humana más básica.
Los ejemplos de IA débil incluyen:
Siri, Alexa y otros asistentes inteligentes
Coches autónomos
búsqueda de Google
Bots conversacionales
Filtros de spam de correo electrónico
Las recomendaciones de Netflix
Aprendizaje automático vs. Aprendizaje profundo
Aunque los términos “aprendizaje automático” y “aprendizaje profundo” surgen con frecuencia en las conversaciones sobre IA, no deberían usarse indistintamente. El aprendizaje profundo es una forma de aprendizaje automático y el aprendizaje automático es un subcampo de la inteligencia artificial.
Aprendizaje automático
Un algoritmo de aprendizaje automático recibe datos de una computadora y utiliza técnicas estadísticas para ayudarlo a "aprender" cómo mejorar progresivamente en una tarea, sin necesariamente haber sido programado específicamente para esa tarea. En cambio, los algoritmos de ML utilizan datos históricos como entrada para predecir nuevos valores de salida. Con ese fin, ML consta tanto de aprendizaje supervisado (donde el resultado esperado de la entrada se conoce gracias a conjuntos de datos etiquetados) como de aprendizaje no supervisado (donde los resultados esperados se desconocen debido al uso de conjuntos de datos no etiquetados).
Aprendizaje profundo
El aprendizaje profundo es un tipo de aprendizaje automático que ejecuta entradas a través de una arquitectura de red neuronal de inspiración biológica. Las redes neuronales contienen una serie de capas ocultas a través de las cuales se procesan los datos, lo que permite a la máquina profundizar en su aprendizaje, establecer conexiones y ponderar las entradas para obtener mejores resultados.
EJEMPLOS DE INTELIGENCIA ARTIFICIAL
La IA se puede dividir en cuatro categorías , según el tipo y la complejidad de las tareas que un sistema puede realizar. Ellos son:
Máquinas reactivas
Memoria limitada
Teoría de la mente
Conciencia de sí mismo
Máquinas reactivas
Una máquina reactiva sigue los principios más básicos de la IA y, como su nombre lo indica, es capaz de utilizar su inteligencia únicamente para percibir y reaccionar ante el mundo que tiene delante. Una máquina reactiva no puede almacenar una memoria y, como resultado, no puede confiar en experiencias pasadas para informar la toma de decisiones en tiempo real.
Percibir el mundo directamente significa que las máquinas reactivas están diseñadas para completar sólo un número limitado de tareas especializadas. Sin embargo, reducir intencionalmente la visión del mundo de una máquina reactiva tiene sus beneficios: este tipo de IA será más confiable y reacciona de la misma manera ante los mismos estímulos cada vez.
Ejemplos de máquinas reactivas
Deep Blue fue diseñado por IBM en la década de 1990 como una supercomputadora para jugar al ajedrez y derrotó al gran maestro internacional Gary Kasparov en una partida. Deep Blue solo era capaz de identificar las piezas en un tablero de ajedrez y saber cómo se mueve cada una de ellas según las reglas del ajedrez, reconociendo la posición actual de cada pieza y determinando cuál sería el movimiento más lógico en ese momento. La computadora no estaba persiguiendo movimientos potenciales futuros de su oponente ni tratando de poner sus propias piezas en una mejor posición. Cada giro fue visto como su propia realidad, separada de cualquier otro movimiento realizado previamente.
AlphaGo de Google tampoco es capaz de evaluar movimientos futuros, pero confía en su propia red neuronal para evaluar los desarrollos del juego actual, lo que le da una ventaja sobre Deep Blue en un juego más complejo. AlphaGo también superó a los competidores del juego de clase mundial, derrotando al campeón de Go Lee Sedol en 2016.
Memoria limitada
La IA con memoria limitada tiene la capacidad de almacenar datos y predicciones anteriores al recopilar información y sopesar decisiones potenciales, esencialmente mirando al pasado en busca de pistas sobre lo que vendrá después. La IA con memoria limitada es más compleja y presenta mayores posibilidades que las máquinas reactivas.
La IA con memoria limitada se crea cuando un equipo entrena continuamente un modelo sobre cómo analizar y utilizar nuevos datos o cuando se construye un entorno de IA para que los modelos puedan entrenarse y renovarse automáticamente.
Al utilizar IA con memoria limitada en ML, se deben seguir seis pasos:
Establecer datos de entrenamiento
Crear el modelo de aprendizaje automático
Asegúrese de que el modelo pueda hacer predicciones.
Garantizar que el modelo pueda recibir retroalimentación humana o ambiental.
Almacene la retroalimentación humana y ambiental como datos
Reiterar los pasos anteriores como un ciclo.
Teoría de la mente
La teoría de la mente es sólo eso: teórica. Todavía no hemos alcanzado las capacidades tecnológicas y científicas necesarias para alcanzar el siguiente nivel de IA.
El concepto se basa en la premisa psicológica de comprender que otros seres vivos tienen pensamientos y emociones que afectan el comportamiento de uno mismo. En términos de máquinas de IA, esto significa que la IA podría comprender cómo se sienten los humanos, los animales y otras máquinas y tomar decisiones a través de la autorreflexión y la determinación, y luego utilizar esa información para tomar sus propias decisiones. Esencialmente, las máquinas tendrían que ser capaces de captar y procesar el concepto de “mente”, las fluctuaciones de las emociones en la toma de decisiones y una letanía de otros conceptos psicológicos en tiempo real, creando una relación bidireccional entre las personas y la IA.
Conciencia de sí mismo
Una vez que se pueda establecer la teoría de la mente, en algún momento del futuro de la IA , el paso final será que la IA se vuelva consciente de sí misma. Este tipo de IA posee una conciencia a nivel humano y comprende su propia existencia en el mundo, así como la presencia y el estado emocional de los demás. Sería capaz de comprender lo que otros pueden necesitar basándose no sólo en lo que les comunican sino también en cómo lo comunican.
La autoconciencia en la IA depende de que los investigadores humanos comprendan la premisa de la conciencia y luego aprendan a replicarla para que pueda integrarse en las máquinas.
Traducido y adaptado de builtin.com