2. ¿Qué es la inteligencia artificial?
También conocida como A.I. por sus siglas en ingles, la inteligencia artificial es la capacidad de
una maquina de reconocer el ambiente en el cual existe y poder tomar acción de acuerdo a eso
par completar su objetivo de la manera más eficaz posible.
Más específicamente, Kaplan y Haenlein define la inteligencia artificial como "la capacidad de un
sistema para interpretar correctamente datos externos, aprender de esos datos y usar esos
aprendizajes para lograr objetivos y tareas específicos a través de la adaptación flexible".
5. Parte 1.1
Aparecieron como dispositivos de narración
en la antigüedad, y han sido comunes en la
ficción, como en Mary Shelley 's Frankenstein
o Karel Capek ' s RUR (Robots Universales de
Rossum) . Estos personajes y sus destinos
plantearon muchos de los mismos
problemas que ahora se discuten en la ética
de la inteligencia artificial .
6. Parte 1.2
El estudio del razonamiento mecánico o "formal" comenzó con filósofos y matemáticos en la
antigüedad. El estudio de la lógica matemática condujo directamente a la teoría de la
computación de Alan Turing , que sugería que una máquina, al barajar símbolos tan simples
como "0" y "1", podría simular cualquier acto concebible de deducción matemática. Esta idea,
que las computadoras digitales pueden simular cualquier proceso de razonamiento formal, se
conoce como la tesis de Church-Turing. Junto con descubrimientos concurrentes en
neurobiología , teoría de la información y cibernética., esto llevó a los investigadores a considerar
la posibilidad de construir un cerebro electrónico. Turing propuso que "si un humano no podía
distinguir entre las respuestas de una máquina y un humano, la máquina podría considerarse"
inteligente ". El primer trabajo que ahora generalmente se reconoce como IA fue el diseño
formal de McCullouch y Pitts en 1943 para Turing-complete "neuronas artificiales".
7. Parte 1.3
A principios de la década de 1980, la investigación en IA fue restablecido por el éxito comercial
de los sistemas expertos , una forma de programa de inseminación artificial que simula el
conocimiento y la capacidad de análisis de los expertos humanos. Para 1985, el mercado de la IA
había alcanzado más de mil millones de dólares. Al mismo tiempo, el proyecto informático de
quinta generación de Japón inspiró a los gobiernos de EE. UU. Y Gran Bretaña a restaurar la
financiación para la investigación académica. Sin embargo, comenzando con el colapso del
mercado de la máquina Lisp en 1987, la IA una vez más cayó en descrédito, y comenzó una
segunda pausa de mayor duración.
8. Parte 1.4
A finales de la década de 1990 y principios del siglo XXI, la IA comenzó a utilizarse para logística,
minería de datos , diagnóstico médico y otras áreas. El éxito se debió al aumento del poder
computacional (ver la ley de Moore ), un mayor énfasis en la resolución de problemas
específicos, nuevos vínculos entre la inteligencia artificial y otros campos (como estadística ,
economía y matemáticas ) y el compromiso de los investigadores con los métodos matemáticos
y normas científicas. Deep Blue se convirtió en el primer sistema de juego de ajedrez por
computadora para vencer al campeón mundial de ajedrez, Garry Kasparov , el 11 de mayo de
1997.
9. Parte 1.5
En 2011, en Jeopardy! la demostración del concurso partido de exhibición, IBM 's sistema de
contestador pregunta , Watson , venció a los dos más grandes de Jeopardy! Los campeones, Brad
Rutter y Ken Jennings , por un margen significativo Las computadoras más rápidas , las mejoras
algorítmicas y el acceso a grandes cantidades de datos permitieron avances en el aprendizaje
automático y la percepción; los métodos de aprendizaje en profundidad que consumen mucha
información comenzaron a dominar los puntos de referencia de precisión alrededor de 2012 . El Kinect,
que proporciona una interfaz cuerpo-movimiento en 3D para la Xbox 360 y la Xbox One , utiliza
algoritmos que surgieron de una extensa investigación de IA al igual que los asistentes personales
inteligentes en los teléfonos inteligentes . En marzo de 2016, AlphaGo ganó 4 de los 5 juegos de Go en
un partido con el campeón de Go Lee Sedol , convirtiéndose en el primer sistema de Go-playing de
computadora para vencer a un jugador de Go profesional sin desventajas . En la Cumbre Future of Go
2017 , AlphaGo ganó un partido de tres juegoscon Ke Jie , quien en ese momento mantuvo
continuamente el ranking número 1 del mundo durante dos años. Esto marcó la finalización de un hito
significativo en el desarrollo de la Inteligencia Artificial como Go es un juego extremadamente
complejo, más que el Ajedrez.
11. Parte 2.1
Una IA típica percibe su entorno y realiza acciones que maximizan sus posibilidades de alcanzar
con éxito sus objetivos. La función de objetivo de una IA puede ser simple ("1 si la IA gana un
juego de Ir , 0 de lo contrario") o compleja ("Hacer acciones matemáticamente similares a las
acciones que obtuvieron recompensas en el pasado"). Las metas pueden definirse explícitamente,
o pueden ser inducidas. Si la IA está programada para " aprendizaje de refuerzo ", las metas
pueden inducirse implícitamente recompensando algunos tipos de comportamiento y
castigando a otros. Alternativamente, un sistema evolutivo puede inducir metas usando una "
función de aptitud"para mutar y replicar preferentemente los sistemas de IA con puntuaciones
altas; esto es similar a cómo los animales evolucionaron para desear de forma innata ciertos
objetivos, como encontrar comida, o cómo los perros pueden criarse mediante selección artificial
para que posean los rasgos deseados
12. Parte 2.2
La IA a menudo gira en torno al uso de algoritmos . Muchos algoritmos de AI son capaces de
aprender de los datos; pueden mejorar ellos mismos aprendiendo nuevas heurísticas (estrategias,
o "reglas de oro", que han funcionado bien en el pasado), o pueden escribir otros algoritmos.
Algunos de los "aprendices" que se describen a continuación, incluidas las redes bayesianas, los
árboles de decisión y el vecino más cercano, podrían, teóricamente, obtener datos, tiempo y
memoria infinitos, aprender a aproximar cualquier función , incluida la combinación de funciones
matemáticas que describa mejor el mundo entero. Por lo tanto, estos aprendices podrían, en
teoría, derivar todo el conocimiento posible, considerando cada hipótesis posible y
comparándola con los datos. En la práctica, casi nunca es posible considerar todas las
posibilidades, debido al fenómeno de "explosión combinatoria ", donde la cantidad de tiempo
necesaria para resolver un problema crece de manera exponencial.
13. Parte 2.3
En comparación con los humanos, la IA existente carece de varias características del "
razonamiento de sentido común " humano ; En particular, los humanos tienen poderosos
mecanismos para razonar acerca de la " física ingenua ", como el espacio, el tiempo y las
interacciones físicas. Esto permite que incluso los niños pequeños puedan hacer inferencias
fácilmente como "Si saco este bolígrafo de una mesa, caerá al suelo". Los humanos también
tienen un poderoso mecanismo de " psicología popular " que les ayuda a interpretar oraciones
en lenguaje natural como "Los concejales de la ciudad rechazaron el permiso de los
manifestantes porque abogaban por la violencia".
15. Parte 3.1
El objetivo general de investigación de la inteligencia artificial es crear tecnología que permita
que las computadoras y las máquinas funcionen de manera inteligente. El problema general de
simular (o crear) la inteligencia se ha dividido en sub-problemas. Estos consisten en rasgos o
capacidades particulares que los investigadores esperan que muestre un sistema inteligente. Los
rasgos que se describen a continuación han recibido la mayor atención.
16. Razonamiento, resolución de problemas
(Parte 3.2)
Los primeros investigadores desarrollaron algoritmos que imitaban paso a paso el razonamiento
que los humanos usan cuando resuelven acertijos o hacen deducciones lógicas. A finales de los
años 1980 y 1990, la investigación de AI había desarrollado métodos para tratar con información
incierta o incompleta, empleando conceptos de probabilidad y economía .
Estos algoritmos demostraron ser insuficientes para resolver grandes problemas de
razonamiento, porque experimentaron una "explosión combinatoria": se volvieron
exponencialmente más lentos a medida que los problemas aumentaban. De hecho, incluso los
humanos rara vez usan la deducción paso a paso que la investigación temprana de AI pudo
modelar. Resuelven la mayoría de sus problemas usando juicios rápidos e intuitivos
17. Representación del conocimiento
(Parte 3.3)
La representación del conocimiento y la ingeniería del conocimiento son fundamentales para la
investigación clásica de la IA. Algunos "sistemas expertos" intentan reunir el conocimiento
explícito que poseen los expertos en algún dominio estrecho. Además, algunos proyectos
intentan reunir el "conocimiento del sentido común" conocido por la persona promedio en una
base de datos que contiene un amplio conocimiento sobre el mundo.
18. Planificación
(Parte 3.4)
Los agentes inteligentes deben ser capaces de establecer metas y alcanzarlas. Necesitan una
forma de visualizar el futuro, una representación del estado del mundo y poder hacer
predicciones sobre cómo lo cambiarán sus acciones, y ser capaces de tomar decisiones que
maximicen la utilidad (o "valor") de las opciones disponibles.
19. Aprendizaje
(Parte 3.5)
El aprendizaje no supervisado es la capacidad de encontrar patrones en un flujo de entrada, sin
necesidad de que un humano etiquete las entradas primero. El aprendizaje supervisado incluye tanto
la clasificación como la regresión numérica , lo que requiere que un humano etiquete los datos de
entrada primero. La clasificación se usa para determinar a qué categoría pertenece algo, después de
ver una serie de ejemplos de cosas de varias categorías. La regresión es el intento de producir una
función que describe la relación entre entradas y salidas y predice cómo deben cambiar las salidas a
medida que cambian las entradas. Tanto los clasificadores como los estudiantes de regresión se
pueden ver como "aproximadores de funciones" que intentan aprender una función desconocida
(posiblemente implícita); por ejemplo, un clasificador de spam se puede ver como aprender una
función que se asigna del texto de un correo electrónico a una de dos categorías, "spam" o "no spam".
La teoría del aprendizaje computacional puede evaluar a los alumnos por la complejidad
computacional , por la complejidad de la muestra (cuántos datos se requieren), o por otras nociones
de optimización. En el aprendizaje por refuerzo el agente es recompensado por las buenas respuestas
y castigado por las malas. El agente utiliza esta secuencia de recompensas y castigos para formar una
estrategia para operar en su espacio problemático.
21. Parte 4.1
No existe una teoría o paradigma unificador establecido que guíe la investigación de la IA. Los
investigadores no están de acuerdo sobre muchos temas. Algunas de las preguntas más
antiguas que han quedado sin respuesta son las siguientes: ¿la inteligencia artificial debe simular
la inteligencia natural mediante el estudio de la psicología o la neurobiología ? ¿O es la biología
humana tan irrelevante para la investigación de la IA como la biología de las aves es para la
ingeniería aeronáutica ? ¿Se puede describir el comportamiento inteligente utilizando principios
simples y elegantes (como la lógica o la optimización )? ¿O necesariamente requiere resolver un
gran número de problemas completamente no relacionados?
22. La cibernética y el cerebro de simulación
(Parte 4.2)
En las décadas de 1940 y 1950, varios investigadores exploraron la conexión entre la
neurobiología , la teoría de la información y la cibernética . Algunos de ellos construyeron
máquinas que usaban redes electrónicas para exhibir inteligencia rudimentaria, como las
tortugas de W. Gray Walter y la Bestia Johns Hopkins . Muchos de estos investigadores se
reunieron para las reuniones de la Sociedad Teleológica en la Universidad de Princeton y el Ratio
Club en Inglaterra. [146] En 1960, este enfoque fue abandonado en gran parte, aunque algunos
elementos de él serían revividos en la década de 1980.
23. Simbólico
(Parte 4.3)
Cuando el acceso a las computadoras digitales se hizo posible a mediados de la década de 1950,
la investigación de AI comenzó a explorar la posibilidad de que la inteligencia humana pudiera
reducirse a la manipulación de símbolos. La investigación se centró en tres instituciones:
Carnegie Mellon University , Stanford y MIT , y como se describe a continuación, cada una
desarrolló su propio estilo de investigación. John Haugeland denominó a estos enfoques
simbólicos de AI "buena AI antigua" o " GOFAI ". Durante la década de 1960, los enfoques
simbólicos habían logrado un gran éxito al simular el pensamiento de alto nivel en pequeños
programas de demostración. Enfoques basados en cibernética o redes neuronales
artificiales.fueron abandonados o empujados en el fondo. Los investigadores de los años sesenta
y setenta estaban convencidos de que los enfoques simbólicos finalmente tendrían éxito en la
creación de una máquina con inteligencia general artificial y consideraron que este era el
objetivo de su campo.
24. Sub-simbólico
(Parte 4.4)
En la década de 1980, el progreso en la IA simbólica parecía detenerse y muchos creían que los
sistemas simbólicos nunca serían capaces de imitar todos los procesos de la cognición humana,
especialmente la percepción , la robótica , el aprendizaje y el reconocimiento de patrones .
Varios investigadores empezaron a estudiar los enfoques "sub-simbólicos" para problemas
específicos de IA. Los métodos sub-simbólicos logran acercarse a la inteligencia sin
representaciones específicas del conocimiento.
25. Aprendizaje estadístico
(Parte 4.5)
La investigación de AI se estaba volviendo más científica . Hoy en día los resultados de los
experimentos son a menudo rigurosamente medibles, y algunas veces (con dificultad) son
reproducibles. Diferentes técnicas de aprendizaje estadístico tienen diferentes limitaciones; por
ejemplo, HMM básico no puede modelar las infinitas combinaciones posibles de lenguaje
natural. [165] Los críticos señalan que el cambio de GOFAI al aprendizaje estadístico a menudo
también es un alejamiento de la AI explicativa . En la investigación de AGI, algunos académicos
advierten sobre la excesiva dependencia del aprendizaje estadístico y argumentan que la
investigación continua sobre GOFAI seguirá siendo necesaria para alcanzar la inteligencia
general.
27. Búsqueda y optimización
(Parte 5.1)
Las búsquedas exhaustivas simples rara vez son suficientes para la mayoría de los problemas del
mundo real: el espacio de búsqueda (el número de lugares para buscar) crece rápidamente a
números astronómicos . El resultado es una búsqueda que es demasiado lenta o que nunca se
completa. La solución, para muchos problemas, es usar " heurísticas " o "reglas generales" que
prioricen las elecciones en favor de aquellas que tienen más probabilidades de alcanzar una
meta y hacerlo en un número menor de pasos. En algunas metodologías de búsqueda, las
heurísticas también pueden servir para eliminar por completo algunas opciones que
probablemente no conduzcan a un objetivo (llamado " podar el árbol de búsqueda ").
Heurísticasproporcionar al programa una "mejor estimación" para la ruta en la que se encuentra
la solución. [177] Las heurísticas limitan la búsqueda de soluciones a un tamaño de muestra más
pequeño.
28. Lógica
(Parte 5.2)
La lógica se utiliza para la representación del conocimiento y la resolución de problemas, pero
también se puede aplicar a otros problemas. Por ejemplo, el algoritmo satplan utiliza la lógica
para la planificación y la programación de la lógica inductiva es un método para el aprendizaje .
29. Redes neuronales artificiales
(Parte 5.3)
Las redes neuronales, o redes neuronales, se inspiraron en la arquitectura de las neuronas en el
cerebro humano. Una simple "neurona" N acepta entradas de muchas otras neuronas, cada una
de las cuales, cuando se activa (o "dispara"), emite un "voto" ponderado a favor o en contra de si
la neurona N debería activarse. El aprendizaje requiere un algoritmo para ajustar estos pesos en
función de los datos de entrenamiento; Un algoritmo simple (denominado " disparar juntos,
cablearse juntos ") es aumentar el peso entre dos neuronas conectadas cuando la activación de
una desencadena la activación exitosa de otra.
31. Parte 6.1
La IA es relevante para cualquier tarea intelectual. Las técnicas modernas de inteligencia artificial
son omnipresentes y son demasiado numerosas para enumerarlas aquí. Con frecuencia, cuando
una técnica alcanza el uso general, ya no se considera inteligencia artificial; Este fenómeno se
describe como el efecto de la IA .
32. Cuidado de la salud
(Parte 6.2)
La IA se está aplicando al problema de alto costo de los problemas de dosis, donde los hallazgos
sugieren que la IA podría ahorrar $ 16 mil millones. En 2016, un estudio innovador en California
descubrió que una fórmula matemática desarrollada con la ayuda de AI determinó
correctamente la dosis precisa de medicamentos inmunosupresores para administrar a pacientes
de órganos.
33. Automotriz
(Parte 6.3)
Los avances en la inteligencia artificial han contribuido al crecimiento de la industria automotriz a
través de la creación y evolución de vehículos automáticos. A partir de 2016 , hay más de 30
empresas que utilizan AI en la creación de automóviles sin conductor . Algunas compañías
involucradas con la IA incluyen Tesla , Google y Apple .
34. Finanzas y economía
(Parte 6.4)
Las instituciones financieras han utilizado durante mucho tiempo los sistemas de redes
neuronales artificiales para detectar cargos o reclamos fuera de la norma, marcándolos para la
investigación humana. El uso de AI en la banca se remonta a 1987, cuando Security Pacific
National Bank, en EE. UU., Estableció un Grupo de trabajo de prevención de fraude para
contrarrestar el uso no autorizado de las tarjetas de débito. Programas como Kasisto y
Moneystream están utilizando la inteligencia artificial en los servicios financieros.
35. Militar
(Parte 6.5)
El gasto militar anual en robótica a nivel mundial aumentó de US $ 5,1 mil millones en 2010 a US
$ 7,5 mil millones en 2015. Los drones militares capaces de acción autónoma se consideran en
general un activo útil. Muchos investigadores de inteligencia artificial buscan distanciarse de las
aplicaciones militares de la IA.
37. Parte 7.1
Hay tres preguntas filosóficas relacionadas con la IA:
1. ¿Es posible la inteligencia general artificial ? ¿Puede una máquina resolver cualquier problema que un
ser humano pueda resolver usando inteligencia? ¿O hay límites duros a lo que una máquina puede
lograr?
2. ¿Son peligrosas las máquinas inteligentes? ¿Cómo podemos asegurarnos de que las máquinas se
comporten éticamente y que se usen éticamente?
3. ¿Puede una máquina tener una mente , conciencia y estados mentales exactamente en el mismo
sentido que los seres humanos? ¿Puede una máquina ser sensible y, por lo tanto, merecer ciertos
derechos? ¿Puede una máquina causar daño intencionalmente ?