Introducción a la inteligencia artificial

La inteligencia artificial (IA) ha revolucionado nuestro mundo, y comprender los fundamentos de su funcionamiento es crucial para apreciar su alcance.

En esta ocasión, te voy a mostrar una introducción a la Inteligencia artificial, veremos diferentes razonamientos utilizados por las IA. El razonamiento deductivo, inductivo y abductivo, los cuales nos permiten comprender cómo las máquinas pueden analizar información y extraer conclusiones lógicas a partir de premisas.

Además, trataremos diversas formas de aprendizaje de las IA, como el aprendizaje supervisado, no supervisado y por refuerzo.

También la importancia de la percepción y cómo funciona.

No solo eso, también te hablaré sobre el campo del procesamiento del lenguaje natural (PLN), que implica la comunicación entre humanos y máquinas.

Así que prepárate para adentrarte en el increíble mundo de la inteligencia artificial y descubrir cómo estas máquinas pueden razonar, aprender y comunicarse con nosotros de formas sorprendentes.

Intentaré que todo esté explicado de manera simplificada, sin utilizar vocabulario demasiado técnico y sin entrar en grandes detalles. Además, importante para entender las cosas, con ejemplos.

La inteligencia artificial (IA en español o AI en inglés) se refiere al desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, tales como el razonamiento, la resolución de problemas y el aprendizaje. Estos sistemas utilizan técnicas como puede ser el aprendizaje automático y el procesamiento del lenguaje natural (PLN) para imitar la capacidad cognitiva de los seres humanos y mejorar su rendimiento en tareas específicas.

Desde la invención de los ordenadores, se ha visto que pueden ser programados para realizar tareas complejas con gran eficacia. Sin embargo, a pesar de los avances en velocidad y capacidad de memoria, aún no existen programas capaces de igualar la flexibilidad humana en tareas que requieren conocimiento general o cotidiano. Se puede decir que, en realidad, no había inteligencia real hasta que se empezaron a desarrollar las IA. Ahora, aunque aún no pueden igualar al ser humano en ciertas formas de inteligencia, ya lo han hecho en otras y es solo cuestión de tiempo que nos sobrepasen en todo.

Razonamientos de las inteligencias artificiales

Razonamiento deductivo

¿Qué significa inferencia? Se trata de una idea o conclusión que se extrae de la evidencia y el razonamiento.

El razonamiento deductivo es un proceso de pensamiento que permite inferir necesariamente una conclusión a partir de una serie de premisas. En otras palabras, es un proceso que nos permite llegar a una conclusión lógica a partir de información previa

Un ejemplo de inferencia deductiva es el siguiente:

Premisa 1: los seres humanos necesitan agua para sobrevivir.
Premisa 2: Andrea es un ser humano.
Conclusión: Andrea necesita agua para sobrevivir.

Este es un ejemplo de razonamiento deductivo donde se utilizan las premisas para llegar a una conclusión lógica.

Razonamiento inductivo

El razonamiento inductivo es cuando observas algo varias veces y luego haces una generalización basada en esas observaciones.

Premisa 1: María vive lejos del trabajo y llega tarde al trabajo.
Premisa 2: Javier vive lejos del trabajo y llega tarde al trabajo.
Conclusión: probablemente, todos los empleados que viven lejos, llegan tarde.

Esta generalización es una conclusión extraída a partir de observaciones. Sin embargo, no es necesariamente verdadera en todos los casos y puede ser probada o refutada con más evidencia. Es evidente, que no todas las personas que viven lejos del trabajo llegan tarde.

Razonamiento abductivo

El razonamiento abductivo es un tipo de razonamiento que se utiliza para llegar a una hipótesis a partir de una observación o hecho.Se parte de una premisa y se llega a una conclusión que lo explica. Por ejemplo, si ves que el suelo está mojado y hay una ventana abierta, puedes concluir que ha llovido. En este caso, se parte de una observación o hecho y se llega a una hipótesis que lo explica.

Premisa 1: el suelo está mojado.
Premisa 2: hay una ventana abierta.
Conclusión: ha llovido.

En verdad, si no has visto como se ha mojado el suelo, no puedes saber a ciencia cierta si ha llovido o alguien lo ha mojado. Así que, es solo una hipótesis.

Formas de aprendizaje de las inteligencias artificiales

Las inteligencias artificiales tienen muchas formas de aprender, a continuación, voy a resumir algunas de ellas.

Es importante tener en cuenta que los ejemplos que voy a dar, son simplificados, y en la práctica el aprendizaje puede ser más complejo, con diferentes algoritmos y técnicas para tratar diversos tipos de problemas.

Aprendizaje supervisado de las IA

El aprendizaje supervisado es un enfoque dentro de la inteligencia artificial (IA) que consiste en enseñar a una máquina a realizar tareas específicas utilizando ejemplos etiquetados. Básicamente, se le proporciona a la máquina un conjunto de datos de entrenamiento que contiene entradas (características) y salidas deseadas (etiquetas), y el objetivo es que la máquina aprenda a relacionar las características con las etiquetas.

En el contexto del aprendizaje supervisado, las etiquetas son como nombres o categorías que le asignamos a los datos para decirles qué son. Son como etiquetas identificativas que ayudan a la inteligencia artificial (IA) a comprender y aprender a reconocer diferentes cosas.

Por ejemplo, si queremos enseñar a una IA a reconocer imágenes de frutas, podríamos usar etiquetas como "manzana", "naranja", "plátano", etc. Cada imagen de fruta tendría una etiqueta que le dice a la IA qué tipo de fruta es.

Estas etiquetas son importantes porque le proporcionan a la IA la información necesaria para aprender a hacer predicciones o clasificaciones. La IA se entrena con ejemplos que tienen una etiqueta asociada, y luego intenta aprender a asociar las características de los datos con esas etiquetas.

En el proceso de entrenamiento, la IA examina las características de cada imagen, como la forma de las frutas, los colores, el tamaño, etc. Estas características se convierten en datos de entrada para la IA. La IA entonces utiliza estos datos de entrada para construir un modelo que pueda predecir si que tipo de fruta o frutas aparecen en una imagen dada.

El modelo se mejora iterativamente a medida que se alimenta con más imágenes de entrenamiento. Por ejemplo, si la IA clasifica incorrectamente una imagen, se ajustan los pesos y los parámetros del modelo para que la predicción sea más precisa la próxima vez.

Una vez que el modelo ha sido entrenado, se evalúa utilizando el conjunto de datos de prueba. Se le presentan imágenes que nunca antes ha visto y se comprueba si puede clasificarlas correctamente. Si el modelo tiene un alto rendimiento en el conjunto de datos de prueba, significa que ha aprendido correctamente a reconocer estas frutas.

Aprendizaje no supervisado de las IA

El aprendizaje no supervisado es un enfoque dentro de la inteligencia artificial en el que enseñamos a una máquina a encontrar patrones o estructuras ocultas en un conjunto de datos sin proporcionarle etiquetas o respuestas previas.

Imagina que tienes un montón de fotografías de diferentes animales, pero no sabes qué tipo de animales son ni tienes etiquetas para identificarlos. En el aprendizaje no supervisado, la máquina analizaría esas imágenes y buscaría similitudes y diferencias por sí misma.

En lugar de decirle a la máquina qué animales hay en las fotos, le permitimos que encuentre patrones y agrupe las imágenes en base a características similares. Por ejemplo, podría agrupar las imágenes en un grupo de animales con rayas y otro grupo de animales con manchas.

El aprendizaje no supervisado es útil cuando queremos descubrir información desconocida o identificar patrones ocultos en los datos. Nos ayuda a explorar y entender mejor conjuntos de datos sin tener que proporcionar respuestas o etiquetas específicas.

Veamos un ejemplo:

Tenemos una gran colección de canciones y queremos organizarlas en categorías sin tener información sobre los géneros musicales. En este caso, es posible utilizar el aprendizaje no supervisado para descubrir patrones y agrupar las canciones en base a características similares.

La inteligencia analizará características de las canciones, como el ritmo, la melodía, los instrumentos utilizados, etc. Utilizando algoritmos de aprendizaje no supervisado, la inteligencia identificará similitudes entre las canciones y las agrupará en diferentes clústeres o categorías.

Por ejemplo, podría agrupar algunas canciones con ritmos rápidos y baterías y potentes en una categoría, mientras que otras canciones con melodías suaves e instrumentos de cuerda en otra categoría. No se le ha dicho a la inteligencia qué géneros musicales existen, pero ella misma ha encontrado patrones y agrupado las canciones en base a similitudes.

Una vez que se han creado los grupos, podrías explorarlos y etiquetarlos manualmente con los géneros musicales correspondientes, como rock, pop, jazz, etc. De esta manera, la inteligencia ha aprendido a identificar características distintivas en las canciones y a agruparlas en categorías sin que se le haya proporcionado información previa sobre los géneros.

Aprendizaje por refuerzo de las IA

El aprendizaje por refuerzo es un enfoque de la inteligencia artificial (IA) en el que una inteligencia, aprende a tomar decisiones óptimas en un entorno específico a través de la interacción y la retroalimentación del mismo.

Imagina que tienes una IA que está aprendiendo a jugar un videojuego. La IA no tiene información previa sobre cómo jugar, pero puede interactuar con el juego y aprender de su experiencia.

El aprendizaje por refuerzo se basa en un sistema de recompensa y castigo. Cada vez que la IA toma una acción correcta o alcanza un objetivo, recibe una recompensa positiva. Por el contrario, si toma una acción incorrecta o no alcanza el objetivo, recibe una recompensa negativa o un castigo.

El objetivo la IA es aprender a maximizar las recompensas acumuladas a lo largo del tiempo. Para lograrlo, la IA explora diferentes acciones y observa cómo afectan a las recompensas que recibe. Con el tiempo, la IA aprende a tomar decisiones más inteligentes y a elegir las acciones que le brindan mayores recompensas.

La IA realiza acciones, observa los resultados y ajusta su comportamiento en función de la retroalimentación recibida. A medida que la IA acumula más experiencia y conocimiento, mejora su desempeño y aprende a tomar decisiones más óptimas en el juego.

La percepción en las inteligencias artificiales

En la percepción artificial, los sistemas utilizan sensores y algoritmos para interpretar y comprender el mundo que los rodea. Esto puede incluir la identificación de objetos y su ubicación en el espacio, así como la detección de cambios en el ambiente.

Un ejemplo de cómo funciona la percepción artificial es en los sistemas de reconocimiento facial. Estos sistemas utilizan cámaras y algoritmos para detectar y analizar las características faciales de una persona y compararlas con una base de datos para determinar su identidad.

Otro ejemplo es en los sistemas de navegación autónoma, como los utilizados en diversos aparatos cómo vehículos autónomos y drones. Estos sistemas utilizan una combinación de sensores, como cámaras, radares, láser, etc. para detectar obstáculos y planificar una ruta segura.

Como buen ejemplo en este apartado, tenemos a SHAKEY fue uno de los primeros robots móviles desarrollados en la década de 1960 en el Instituto de Investigación de Stanford. Estaba diseñado para demostrar habilidades de navegación y manipulación en entornos reales.

El lenguaje entre humano y máquina

El procesamiento del lenguaje natural (PLN) es una rama de la inteligencia artificial que se enfoca en la interacción entre los ordenadores y los humanos utilizando el lenguaje natural. El objetivo del PLN es permitir que los ordenadores comprendan, interpreten y generen lenguaje humano.

Un ejemplo de cómo funciona el PLN es en los sistemas de respuesta a preguntas, como los asistentes virtuales. Estos sistemas utilizan algoritmos y técnicas de aprendizaje automático para comprender la pregunta del usuario y generar una respuesta precisa y relevante.

Algunos ejemplos son Chat-GPT, Bing y Bard.

Un sistema pionero en el campo del PLN fue ELIZA, un programa de ordenador desarrollado en el MIT en la década de 1960. Fue diseñada como un programa de procesamiento del lenguaje natural para simular una conversación con un psicoterapeuta.

ELIZA se basaba en un conjunto de reglas y patrones predefinidos para analizar y responder a las entradas del usuario. Su objetivo era imitar las respuestas de un terapeuta, aunque no tenía una verdadera comprensión del lenguaje ni de la psicología.

El funcionamiento de ELIZA se basaba en la técnica de "reemplazo de palabras clave". El programa identificaba ciertas palabras o frases clave en la entrada del usuario y luego utilizaba estas palabras para generar respuestas apropiadas. Por ejemplo, si el usuario decía "Estoy triste", ELIZA podría responder con algo como "¿Por qué te sientes triste?".

ELIZA también utilizaba técnicas de inversión y reformulación para mantener la conversación. Por ejemplo, si el usuario decía "No sé qué hacer", ELIZA podría responder con "¿Por qué crees que no sabes qué hacer?".

Aunque ELIZA era bastante simple en términos de sus capacidades y conocimientos, sorprendió a muchos usuarios que se involucraron emocionalmente en la conversación. Esto se debía en gran medida a la habilidad de ELIZA para reformular y reflejar las respuestas de los usuarios, creando una ilusión de comprensión y empatía.

Las conversaciones con ELIZA a menudo se volvían sin sentido debido a la naturaleza limitada de su programación y su enfoque en el procesamiento superficial del lenguaje.