QUE ES LA INTELIGENCIA ARTIFICIAL EN QUE CONCITE.

1. Introducción I.A.
El cerebro es el órgano más increíble del cuerpo humano. Establece
la forma en que percibimos las imágenes, el sonido, los olores, los
sabores y el tacto. Nos permite almacenar recuerdos, experimentar
emociones e incluso soñar. Sin el, seríamos organismos primitivos,
incapaces de otra cosa que el más simple de los reflejos. El cerebro
es, en definitiva, lo que nos hace inteligentes. Durante décadas
hemos soñado con construir máquinas inteligentes con cerebros
como los nuestros; asistentes robotizados para limpiar nuestras
casas, coches que se conducen por sí mismos, microscopios que
detecten enfermedades automáticamente. Pero construir estas
máquinas artificialmente inteligentes nos obliga a resolver algunos de
los problemas computacionales más complejos que hemos tenido;
problemas que nuestros cerebros ya pueden resolver en una fracción
de segundos. La forma de atacar y resolver estos problemas, es el
campo de estudio de la Inteligencia Artificial.
¿Qué es la Inteligencia Artificial?
Definir el concepto de Inteligencia Artificial no es nada fácil. Una
definición sumamente general sería que la IA es el estudio de
la informática centrándose en el desarrollo de software o máquinas
que exhiben una inteligencia humana.
Objetivos de la Inteligencia Artificial
Los objetivos principales de la IA incluyen la deducción y el
razonamiento, la representación del conocimiento, la planificación,
el procesamiento del lenguaje natural (NLP), el aprendizaje, la
percepción y la capacidad de manipular y mover objetos. Los
objetivos a largo plazo incluyen el logro de la Creatividad, la
Inteligencia Social y la Inteligencia General (a nivel Humano).
Cuatro enfoques distintos
Podemos distinguir cuatro enfoques distintos de abordar el
problema de la Inteligencia Artificial.
1. Sistemas que se comportan como humanos: Aquí la idea es
desarrollar máquinas capaces de realizar funciones para las cuales
se requeriría un humano inteligente. Dentro de este enfoque
podemos encontrar la famosa Prueba de Turing. Para poder superar
esta prueba, la máquina debería poseer las siguientes capacidades:
 Procesamiento de lenguaje natural, que le permita
comunicarse satisfactoriamente.
 Representación del conocimiento, para almacenar lo que
se conoce o se siente.

2.  Razonamiento automático, para utilizar la información
almacenada para responder a preguntas y extraer nuevas
conclusiones.
 Aprendizaje automático, para adaptarse a nuevas
circunstancias y para detectar y extrapolar patrones.
 Visión computacional, para percibir objetos.
 Robótica, para manipular y mover objetos.
2. Sistemas que piensan como humanos: Aquí la idea es hacer que
las máquinas piensen como humanos en el sentido más literal; es
decir, que tengan capacidades cognitivas de toma de decisiones,
resolución de problemas, aprendizaje, etc. Dentro de este enfoque
podemos encontrar al campo interdisciplinario de la ciencia
cognitiva, en el cual convergen modelos computacionales de IA y
técnicas experimentales de psicología intentando elaborar teorías
precisas y verificables sobre el funcionamiento de la mente
humana.
3. Sistemas que piensan racionalmente: Aquí la idea es descubrir
los cálculos que hacen posible percibir, razonar y actuar; es decir,
encontrar las leyes que rigen el pensamiento racional. Dentro de
este enfoque podemos encontrar a la Lógica, que intenta expresar
las leyes que gobiernan la manera de operar de la mente.
4. Sistemas que se comportan racionalmente: Aquí la idea es
diseñar agentes inteligentes. Dentro de este enfoque un agente
racional es aquel que actúa con la intención de alcanzar el mejor
resultado o, cuando hay incertidumbre, el mejor resultado
esperado. Un elemento importante a tener en cuenta es que tarde o
temprano uno se dará cuenta de que obtener una racionalidad
perfecta (hacer siempre lo correcto) no es del todo posible en
entornos complejos. La demanda computacional que esto implica
es demasiado grande, por lo que debemos conformarnos con una
racionalidad limitada. Como lo que se busca en este enfoque es
realizar inferencias correctas, se necesitan las mismas habilidades
que para la Prueba de Turing, es decir, es necesario contar con
la capacidad para representar el conocimiento y razonar
basándonos en él, porque ello permitirá alcanzar decisiones
correctas en una amplia gama de situaciones. Es necesario ser
capaz de generar sentencias comprensibles en lenguaje natural, ya
que el enunciado de tales oraciones permite a los agentes
desenvolverse en una sociedad compleja. El aprendizaje no se
lleva a cabo por erudición exclusivamente, sino que profundizar en
el conocimiento de cómo funciona el mundo facilita la concepción
de estrategias mejores para manejarse en él.

3. Fundamentos de la Inteligencia
artificial
Existen varias disciplinas que han contribuido con ideas, puntos de
vista y técnicas al desarrollo del campo de la Inteligencia Artificial.
Ellas son:
Filosofía
Muchas han sido las contribuciones de la Filosofía a las ciencias. En
el campo de la Inteligencia Artificial a contribuido con varios aportes
entre los que se destacan los conceptos de IA débil y IA fuerte.
La IA débil se define como la inteligencia artificial racional que se
centra típicamente en una tarea estrecha. La inteligencia de la IA
débiles limitada, no hay autoconciencia o inteligencia
genuina. Siri es un buen ejemplo de una IA débil que combina varias
técnicas de IA débilpara funcionar. Siri puede hacer un montón de
cosas por nosotros, pero a medida que intentamos tener
conversaciones con el asistente virtual, nos damos cuenta de cuan
limitada es.
La IA fuerte es aquella inteligencia artificial que iguala o excede la
inteligencia humana promedio. Este tipo de AI será capaz de realizar
todas las tareas que un ser humano podría hacer. Hay mucha
investigación en este campo, pero todavía no han habido grandes
avances.
Muchos son los debates filosóficos alrededor de la inteligencia
artificial, para aquellos interesados en los aspectos filosóficos les
recomiendo inscribirse en nuestro grupo de debate de IAAR
Matemáticas
Si de ciencias aplicadas se trata, no puede faltar el aporte de
las Matemáticas. Para entender y desarrollar los
principales algoritmos que se utilizan en el campo de la Inteligencia
Artificial, deberíamos tener nociones de:
Álgebra lineal
El álgebra lineal es una rama de las matemáticas que estudia
conceptos tales como vectores, matrices, tensores, sistemas de
ecuaciones lineales y en su enfoque de manera más formal, espacios
vectoriales y sus transformaciones lineales. Una buena comprensión
del álgebra lineal es esencial para entender y trabajar con muchos
algoritmos de Machine Learning, y especialmente para los
algoritmos de Deep Learning.
Cálculo
El Cálculo es el campo de la matemática que incluye el estudio de los
límites, derivadas, integrales y series infinitas, y más concretamente
se puede decir que es el estudio del cambio. Particularmente para el

4. campo de la Inteligencia Artificial algunos conceptos que se deberían
conocer incluyen: Cálculo Diferencial e Integral, Derivadas Parciales,
Funciones de Valores Vectoriales, y Gradientes.
Optimización matemática
La Optimización matemática es la herramienta matemática que nos
permite optimizar decisiones, es decir, seleccionar la mejor
alternativa de un conjunto de criterios disponibles. Su comprensión
es fundamental para poder entender la eficiencia computacional y la
escalabilidad de los principales algoritmos de Machine
Learning y Deep Learning, los cuales suelen trabajar con matrices
dispersas de gran tamaño.
Probabilidad y estadística
La Probabilidad y estadística es la rama de la matemática que trata
con la incertidumbre, la aleatoriedad y la inferencia. Sus conceptos
son fundamentales para cualquier algoritmo de Machine
Learning o Deep Learning.
Una buena introducción a cada uno de estos campos de las
matemáticas que son fundamentales para la Inteligencia Artificial, la
pueden encontrar en este mismo blog.
Lingüística
La Lingüística moderna y la Inteligencia Artificial nacieron al mismo
tiempo y maduraron juntas, solapándose en un campo híbrido
llamado lingüística computacional o procesamiento de lenguaje
natural. El entendimiento del lenguaje requiere la comprensión de la
materia bajo estudio y de su contexto, y no solamente el
entendimiento de la estructura de las sentencias; lo que lo convierte
en un problema bastante complejo de abordar.
Neurociencias
La Neurociencia es el estudio del sistema neurológico, y en especial
del cerebro. La forma exacta en la que en un cerebro se genera el
pensamiento es uno de los grandes misterios de la ciencia. El hecho
de que una colección de simples células puede llegar a generar
razonamiento, acción, y conciencia es un enigma a resolver.
Cerebros y computadores realizan tareas bastante diferentes y tienen
propiedades muy distintas. Según los cálculos de los expertos se
estima que para el 2020 las computadoras igualaran la capacidad de
procesamiento de los cerebros. Muchos modelos de IA fueron
inspirados en la estructura y el funcionamiento de nuestro cerebro.
Psicología
La Psicología trata sobre el estudio y análisis de la conducta y los
procesos mentales de los individuos y grupos humanos. La rama que
más influencia ha tenido para la Inteligencia Artificial es la de
la psicología cognitiva que se encarga del estudio de la cognición; es

5. decir, de los procesos mentales implicados en el conocimiento. Tiene
como objeto de estudio los mecanismos básicos y profundos por los
que se elabora el conocimiento, desde la percepción, la memoria y el
aprendizaje, hasta la formación de conceptos y razonamiento lógico.
Las teoría descritas por esta rama han sido utilizados para
desarrollar varios modelos de Inteligencia Artificial y Machine
Learning
Ramas de la Inteligencia artificial
Dentro de la Inteligencia Artificial podemos encontrar distintas
ramas, entre las que se destacan:
Machine Learning
El Machine Learning es el diseño y estudio de las herramientas
informáticas que utilizan la experiencia pasada para tomar
decisiones futuras; es el estudio de programas que pueden aprenden
de los datos. El objetivo fundamental del Machine
Learning es generalizar, o inducir una regla desconocida a partir de
ejemplos donde esa regla es aplicada. El ejemplo más típico donde
podemos ver el uso del Machine Learning es en el filtrado de los
correo basura o spam. Mediante la observación de miles de correos
electrónicos que han sido marcados previamente como basura, los
filtros de spam aprenden a clasificar los mensajes nuevos.
El Machine Learning tiene una amplia gama de aplicaciones,
incluyendo motores de búsqueda, diagnósticos médicos, detección
de fraude en el uso de tarjetas de crédito, análisis del mercado de
valores, clasificación de secuencias de ADN, reconocimiento del
habla y del lenguaje escrito, juegos y robótica. Pero para poder
abordar cada uno de estos temas es crucial en primer lugar distingir
los distintos tipos de problemas de Machine Learning con los que
nos podemos encontrar.
Aprendizaje supervisado
En los problemas de aprendizaje supervisado se enseña o entrena al
algoritmo a partir de datos que ya vienen etiquetados con la
respuesta correcta. Cuanto mayor es el conjunto de datos, el
algoritmo podrá generalizar en una forma más precisa. Una vez
concluido el entrenamiento, se le brindan nuevos datos, ya sin las
etiquetas de las respuestas correctas, y el algoritmo de aprendizaje
utiliza la experiencia pasada que adquirió durante la etapa de
entrenamiento para predecir un resultado.

6. Aprendizaje no supervisado
En los problemas de aprendizaje no supervisado, el algoritmo es
entrenado usando un conjunto de datos que no tiene ninguna
etiqueta; en este caso, nunca se le dice al algoritmo lo que
representan los datos. La idea es que el algoritmo pueda encontrar
por si solo patrones que ayuden a entender el conjunto de datos.
Aprendizaje por refuerzo
En los problemas de aprendizaje por refuerzo, el algoritmo aprende
observando el mundo que le rodea. Su información de entrada es el
feedback o retroalimentación que obtiene del mundo exterior como
respuesta a sus acciones. Por lo tanto, el sistema aprende a base de
ensayo-error. Un buen ejemplo de este tipo de aprendizaje lo
podemos encontrar en los juegos, donde vamos probando nuevas
estrategias y vamos seleccionando y perfeccionando aquellas que nos
ayudan a ganar el juego. A medida que vamos adquiriendo más
practica, el efecto acumulativo del refuerzo a nuestras acciones
victoriosas terminará creando una estrategia ganadora.
Deep Learning
El Deep Learning constituye un conjunto particular de algoritmos
de Machine Learning que utilizan estructuras profundas de redes
neuronales para encontrar patrones en los datos. Estos tipos de
algoritmos cuentan actualmente con un gran interés, ya que han
demostrado ser sumamente exitosos para resolver determinados
tipos de problemas; como por ejemplo, el reconocimiento de
imágenes. Muchos consideran que este tipo de modelos son los que
en el futuro nos llevaran a resolver definitivamente el problema de
la Inteligencia Artificial.
Razonamiento probabilístico
El razonamiento probabilístico se encarga de lidiar con la
incertidumbre inherente de todo proceso de aprendizaje. El
problema para crear una Inteligencia Artificial entonces se convierte
en encontrar la forma de trabajar con información ruidosa,
incompleta e incluso muchas veces contradictoria. Estos algoritmos
están sumamente ligados a la estadística bayesiana; y la principal
herramienta en la que se apoyan es en el teorema de Bayes.
Algoritmos genéticos
Los algoritmos genéticos se basan en la idea de que la madre de todo
aprendizaje es la selección natural. Si la Naturaleza pudo crearnos,
puede crear cualquier cosa; por tal motivo lo único que deberíamos
hacer para alcanzar una Inteligencia Artificial es simular sus
mecanismos en una computadora. La idea de estos algoritmos es
imitar a la Evolución; funcionan seleccionando individuos de una

7. población de soluciones candidatas, y luego intentando producir
nuevas generaciones de soluciones mejores que las anteriores una y
otra vez hasta aproximarse a una solución perfecta.
Aplicaciones de la Inteligencia
artificial
Las técnicas de la Inteligencia Artificial pueden ser aplicadas en una
gran variedad de industrias y situaciones, como ser:
Medicina
Apoyándose en las herramientas que proporciona la Inteligencia
Artificial, los doctores podrían realizar diagnósticos más certeros y
oportunos, lo que llevaría a mejores tratamientos y más vidas
salvadas.
Autos autónomos
Utilizando Inteligencia Artificial podríamos crear autos autónomos
que aprendan de los datos y experiencias de millones de otros autos,
mejorando el tráfico y haciendo mucho más segura la conducción.
Bancos
Utilizando técnicas de Machine Learning los bancos pueden detectar
fraudes antes de que ocurran por medio de analizar los patrones de
comportamiento de gastos e identificando rápidamente actividades
sospechosas.
Agricultura
En Agricultura se podría optimizar el rendimiento de los cultivos por
medio de la utilización de las técnicas de Inteligencia Artificial para
analizar los datos del suelo y del clima en tiempo real, logrando
producir más alimentos incluso con climas perjudiciales.
Educación
En la Educación se podrían utilizar las técnicas de la Inteligencia
Artificial para diseñar programas de estudios personalizados
basados en datos que mejoren el rendimiento y el ritmo de
aprendizaje de los alumnos.
La ética y los riesgos de desarrollar
una Inteligencia Artificial
Actualmente también ha surgido un debate ético alrededor de
la Inteligencia Artificial. Algunos de los pensadores más importantes
del planeta han establecido su preocupación sobre el progreso de
la IA. Entre los problemas que puede traer aparejado el desarrollo de
la Inteligencia Artificial, podemos encontrar los siguientes:
 Las personas podrían perder sus trabajos por la
automatización.

8.  Las personas podrían tener demasiado (o muy poco) tiempo
de ocio.
 Las personas podrían perder el sentido de ser únicos.
 Las personas podrían perder algunos de sus derechos
privados.
 La utilización de los sistemas de IA podría llevar a la pérdida
de responsabilidad.
 El éxito de la IA podría significar el fin de la raza humana.
El debate sobre los beneficios y riesgos del desarrollo de
la Inteligencia Artificial está todavía abierto.
¿Cómo iniciarse en el campo de la
Inteligencia artificial?
Si luego de leer esta introducción, te has quedado fascinado por el
campo de la Inteligencia Artificial y quieres incursionar en el mismo,
aquí te dejo algunas recomendaciones para iniciarse.
IAAR
IAAR es la comunidad argentina de inteligencia artificial. Agrupa a
ingenieros, desarrolladores, emprendedores, investigadores,
entidades gubernamentales y empresas en pos del desarrollo ético y
humanitario de las tecnologías cognitivas. Para comenzar a formar
parte de la comunidad pueden inscribirse en los grupos de
facebook: IAAR, Debates, Proyectos, Capacitación; y/o en el meetup.
Programación
Para poder trabajar en problemas relacionados al campo de
la Inteligencia Artificial es necesario saber programar. Los
principales lenguajes que se utilizan son Python y R. En los
repositorios de Academia de IAAR van a poder encontrar material
sobre estos lenguajes.
Frameworks
Existen varios frameworks open source que nos facilitan el trabajar
con modelos de Deep Learning, entre los que se destacan:
 TensorFlow: TensorFlow es un frameworks desarrollado por
Google. Es una librería de código libre para computación
numérica usando grafos de flujo de datos que utiliza el
lenguaje Python.
 PyTorch: PyTorch es un framework de Deep Learning que
utiliza el lenguaje Python y cuenta con el apoyo de Facebook.
 Caffe: Caffe es un framework de Deep Learning hecho con
expresión, velocidad y modularidad en mente, el cual es
desarrollado por la universidad de Berkeley.

9.  CNTK: CNTK es un conjunto de herramientas, desarrolladas
por Microsoft, fáciles de usar, de código abierto que entrena
algoritmos de Deep Learning para aprender como el cerebro
humano.
 Theano: Theano es una librería de Python que permite
definir, optimizar y evaluar expresiones matemáticas que
involucran tensores de manera eficiente.
 DeepLearning4j: DeepLearning4j Es una librería open
source para trabajar con modelos de Deep Learning
distribuidos utilizando el lenguaje Java.
Bots
Una de las ramas con mayor crecimiento y que más se ha
beneficiado con el boom de la Inteligencia Artificial es la de los Bots.
Generar pequeños Bots que puedan tener conversaciones básicas
con los usuarios es bastante simple. Pueden encontrar una guía con
un gran número de herramientas en el blog de capacitación de IAAR.