Artículo de información
José Carlos Botto Cayo y Abel Marcial Oruna Rodríguez
La inteligencia artificial (IA) permite que las máquinas aprendan de la experiencia, se adapten a nuevas entradas y realicen tareas similares a las de los seres humanos. El aprendizaje profundo y el procesamiento del lenguaje natural son las tecnologías predominantes en la IA actualmente. Estas tecnologías permiten a las computadoras ser entrenadas para llevar a cabo tareas específicas mediante el procesamiento de grandes volúmenes de datos y el reconocimiento de patrones en ellos.
Historia
El término “inteligencia artificial” surgió en 1956, pero ha ganado popularidad en la actualidad debido al aumento en el volumen de datos, los algoritmos avanzados y los avances en la capacidad de cómputo y almacenamiento. Los primeros estudios sobre IA en la década de 1950 exploraban temas como la resolución de problemas y los métodos simbólicos. En los años 60, el Departamento de Defensa de los Estados Unidos mostró interés en este campo y comenzó a entrenar computadoras para imitar el razonamiento humano básico. Por ejemplo, en la década de 1970, la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA) realizó proyectos de planificación de rutas. Incluso en 2003, mucho antes de que Siri, Alexa o Cortana se volvieran nombres comunes, DARPA creó asistentes personales inteligentes (Varios, 2020).
Estos primeros avances sentaron las bases para la automatización y el razonamiento formal que vemos hoy en día en las computadoras, incluyendo sistemas de soporte de decisiones y sistemas de búsqueda inteligentes que complementan y mejoran las capacidades humanas (Varios, 2020).
Inteligencia artificial
La inteligencia artificial (IA) se ha convertido en un término general utilizado para referirse a aplicaciones que realizan tareas complejas antes realizadas por humanos, como la comunicación en línea con los clientes o jugar al ajedrez. La IA incluye subcampos como el aprendizaje automático y el aprendizaje profundo (Editor, 2022).
El aprendizaje automático se centra en la creación de sistemas que aprenden o mejoran su rendimiento en función de los datos que consumen. No toda la IA es aprendizaje automático, pero todo el aprendizaje automático es IA (Editor, 2022).
Para aprovechar al máximo la IA, muchas empresas están invirtiendo en equipos de ciencia de datos. La ciencia de datos combina estadísticas, informática y conocimiento empresarial para extraer valor de diversos conjuntos de datos (Editor, 2022).
Es importante tener en cuenta que el objetivo último de la IA es lograr que una máquina tenga una inteligencia de tipo general similar a la humana. Este objetivo es uno de los más ambiciosos planteados por la ciencia y se compara en dificultad con otros grandes desafíos científicos, como explicar el origen de la vida, el origen del universo o conocer la estructura de la materia (López de Mántaras, 2019).
La hipótesis del Sistema de Símbolos Físicos (SSF) plantea que todo sistema de símbolos físicos tiene los medios necesarios y suficientes para llevar a cabo acciones inteligentes. Si consideramos que los seres humanos son capaces de mostrar conductas inteligentes en sentido general, según esta hipótesis, también somos sistemas de símbolos físicos. No obstante, es importante destacar que el SSF es una hipótesis que debe ser verificada a través del método científico (López de Mántaras, 2019).
La distinción entre IA débil y fuerte fue introducida por el filósofo John Searle en un artículo crítico publicado en 1980. La IA fuerte implicaría que un ordenador no solo simula una mente, sino que es una mente capaz de tener una inteligencia igual o superior a la humana. Searle argumenta que la IA fuerte es imposible. Por otro lado, la IA débil consistiría en construir programas que realicen tareas específicas sin necesidad de tener estados mentales (López de Mántaras, 2019).
En el campo de la IA, se han desarrollado diferentes modelos, siendo el modelo simbólico el dominante. Este modelo se basa en la hipótesis del SSF y utiliza el razonamiento lógico y la búsqueda heurística para resolver problemas. No obstante, los sistemas inteligentes basados en este modelo no necesitan estar situados en un entorno real ni formar parte de un cuerpo (López de Mántaras, 2019).
Junto con la IA simbólica, se ha desarrollado la IA conexionista, que se basa en la actividad distribuida de un gran número de unidades interconectadas que procesan información de manera paralela. Los sistemas conexionistas son modelos bioinspirados y se consideraron mejores para el aprendizaje, la cognición y la memoria en comparación con los modelos simbólicos. No obstante, al igual que los sistemas simbólicos, los sistemas conexionistas también presentan limitaciones en cuanto a la interacción con el entorno y la falta de consideración de la complejidad del cerebro humano (López de Mántaras, 2019).
La inteligencia artificial en las últimas décadas
No obstante, en la década de 1980, la IA experimentó un período de estancamiento conocido como el “invierno de la IA”. Durante este tiempo, la investigación y el desarrollo en el campo se desaceleraron considerablemente debido a la falta de progreso en los proyectos existentes. La comunidad de investigación se desilusionó y muchos investigadores abandonaron el campo (González Valenzuela, 2023).
No obstante, a partir de la década de 1990, la IA experimentó un renacer. El uso del aprendizaje automático y el enfoque en el procesamiento de grandes cantidades de datos abrieron nuevas posibilidades. El aprendizaje profundo, que permitió a las máquinas aprender automáticamente de conjuntos de datos masivos, marcó un hito importante en el desarrollo de la IA. Además, el surgimiento del ‘big data’ proporcionó a los algoritmos de IA más datos para aprender y tomar decisiones más precisas (González Valenzuela, 2023).
En la actualidad, nos encontramos en la era de la IA generativa, donde las máquinas pueden generar nuevos datos y contenido similar a los datos con los que se entrenaron. Esto ha impulsado aún más el interés en la IA y ha llevado a inversiones significativas en investigación y desarrollo, así como a la adopción de soluciones de IA en diversas industrias (González Valenzuela, 2023).
Aunque es probable que el progreso en la IA continúe a un ritmo acelerado en los próximos años, es posible que el nivel de entusiasmo y ‘hype’ actual disminuya a medida que las expectativas se ajusten y la tecnología se integre de manera más cotidiana en nuestras vidas. No obstante, la IA generativa seguirá siendo una herramienta poderosa que moldeará el futuro de esta tecnología (González Valenzuela, 2023).
En resumen, el ‘boom’ de la inteligencia artificial ha experimentado tanto momentos de éxito como períodos de estancamiento en el pasado. Aunque el futuro de la IA es prometedor, es importante reconocer que el progreso en esta área puede ser irregular. Sin embargo, la capacidad de la IA para generar impacto en múltiples industrias y en la vida cotidiana es innegable, y seguirá siendo un campo de desarrollo emocionante en el futuro.
Referencias
Editor. (13 de Marzo de 2022). Oracle. Obtenido de ¿Qué es la IA? Conoce la inteligencia artificial: https://www.oracle.com/pe/artificial-intelligence/what-is-ai/
González Valenzuela, C. (7 de Mayo de 2023). Computer hoy. Obtenido de El ‘boom’ de la inteligencia artificial, una montaña rusa de éxitos y fracasos: ¿qué le depara el futuro?: https://computerhoy.com/tecnologia/futuro-inteligencia-artificial-boom-final-colapso-1238102
López de Mántaras, R. (25 de Julio de 2019). bbv a open mind. Obtenido de El futuro de la IA: hacia inteligencias artificiales realmente inteligentes: https://www.bbvaopenmind.com/articulos/el-futuro-de-la-ia-hacia-inteligencias-artificiales-realmente-inteligentes/
Varios. (23 de Setiembre de 2020). sas. Obtenido de Inteligencia Artificial: Qué es IA y Por Qué Importa: https://www.sas.com/es_pe/insights/analytics/what-is-artificial-intelligence.html
