Según la Real Academia Española, Inteligencia Artificial fue la palabra del año en 2022, y no parece que vaya a dejar de serla en 2023. Pero ¿cuáles son los conceptos más importantes a la hora de iniciar tu camino en inteligencia artificial?
1. Inteligencia Artificial
Parece obvio, pero lo primero que tenemos que hacer es definir qué es IA. Y podemos hacerlo como aquella rama de las ciencias de la computación que usa una combinación de algoritmos para simular algunos aspectos de la inteligencia humana. Por ejemplo, la capacidad de discernir entre un objeto u otro, de reconocer patrones de conducta o de comportamiento, o sencillamente escribir o leer.
Dicho de otra forma, estamos hablando de ‘inteligencia‘ hecha por una máquina. La gran diferencia radica en que la IA puede realizar tareas más rápido y con menos esfuerzo por su gran capacidad de cómputo.
El término no es nada nuevo. Fue usado ya por Alan Turing en la década de 1950, y desde entonces se viene trabajando en distintos ámbitos. Sin embargo, en los últimos años, el desarrollo de diversas tecnologías como la computación en la nube permitió procesar los datos necesarios para traerlo a la práctica.
2. Datos (muchos datos)
No podemos hablar de inteligencia artificial sin hablar de datos. De hecho, estos son el insumo fundamental para que la IA exista. Podríamos decir que son el commoditie detrás del desarrollo de la inteligencia artificial, o el combustible que permite que ésta se desarrolle.
Cuántos más datos tenga una máquina, mejor va a aprender… Pero, ¿cómo? ¿las máquinas aprenden? Eso lo vamos a ver en el punto 4. Pero antes, hablemos de algoritmos.
Podríamos incluso haber usado el término Big Data.
3. Algoritmos
El algoritmo es un elemento fundamental para entender de qué hablamos cuando hablamos de IA. Un algoritmo es una especie de receta o fórmula donde establecemos cómo se van a combinar los distintos ingredientes o variables que hacen a nuestro proyecto.
Podemos pensarlos como un conjunto simple de instrucciones que buscan un resultado final. Y esas instrucciones se usan para hacer predicciones, realizar sugerencias o personalizar una experiencia determinada.
4. Aprendizaje automático (machine learning)
Las máquinas aprenden, sí. Pero a diferencia de los seres humanos que usualmente aprendemos de forma deductiva, las máquinas aprenden de forma probabilística. Y, por ende, para hacerlo, necesitan muchos datos. La combinación de grandes cantidades de datos le permite a la inteligencia artificial identificar ciertos patrones o agrupaciones de los que aprende.
Así, por ejemplo, tras observar todos los datos de compra y clientes de una heladería, un algoritmo podría aprender qué, en determinada zona geográfica, los miércoles a la noche que superan los 20° de temperatura, la demanda de helado es X.
Esto luego nos permitirá a los seres humanos tomar mejores decisiones con esa nueva información que tenemos.
5. Aprendizaje profundo (Deep learning)
Seguimos hablando de aprender, pero vamos a complejizarlo un poco más. Deep learning es una especie de versión expandida del aprendizaje automático donde las computadoras prácticamente se enseñan a sí mismas.
A diferencia de lo que sucede con machine learning, que recién mencionábamos, el aprendizaje profundo busca imitar la forma en que aprende los humanos mediante el uso de redes neuronales artificiales.
6. Redes neuronales artificiales
Las redes neuronales artificiales son un tipo de modelo de inteligencia artificial que busca imitar el funcionamiento de las redes neuronales biológicas que tiene el cerebro humano. Se usan para una gran variedad de aplicaciones, como el reconocimiento de patrones, la clasificación de imágenes o el procesamiento de lenguaje natural.
7. Computer vision (Visión de computadora)
Una de las grandes aplicaciones de la inteligencia artificial es la visión de computadora. Técnicamente podríamos decir que es un campo de la inteligencia artificial que permite que las máquinas extraigan información de imágenes digitales y videos. Usualmente, mediante redes neuronales artificiales.
Así, por ejemplo, un modelo de computer vision podría instalarse en una fábrica para ver qué trabajadores están usando su casco y cuáles no, o podría escanear un campo mediante imágenes tomadas por drones para saber dónde es necesario aplicar herbicidas y dónde no.
8. Procesamiento de lenguaje natural
Otra de las funciones que mencionamos hace un rato y que son realizadas por inteligencia artificial es el procesamiento de lenguaje natural.
Esta tecnología permite que las máquinas puedan identificar aquellas cosas que los humanos dicen con su lenguaje, oral o escrito. Esto es algo que por ejemplo realiza el famoso Chat GPT, que logra interpretar lo que decimos, y en función de eso brindar una respuesta coherente. Esto, que puede resultar tan sencillo como una conversación, es uno de los elementos más importante en el desarrollo futuro de la IA.
9. Científicos y analistas de datos
Pero… ¿Cómo sucede todo esto de lo que estamos hablando? No podíamos hacer este glosario sin mencionar a las personas que están detrás de estos algoritmos que están transformando la forma en que trabajamos, vivimos y nos comunicamos.
Existen muchas profesiones dentro del mundo de la data entre los que podríamos sumar a los ingenieros de datos, expertos en visualizaciones, o estrategas. Pero vamos a quedarnos con los dos más solicitados hoy en el mercado.
Tanto los científicos como los analistas de datos se dedican a examinar y manipular distintos conjuntos de datos para resolver problemas determinados. Según Harvard Business Review, la de científico de datos es la profesión más sexy del siglo XXI.
10. Ética algorítmica
¿Por qué este concepto es importante para quienes se inician en IA? Quizás no sea un concepto técnico, pero resulta clave para quienes quieran meterse más en este mundo, ya sea como estrategas, o implementadores de la tecnología.
Dentro de este apartado vamos a hacer trampa y listar una serie de conceptos que es importante tener en cuenta, como los sesgos que puede tener un algoritmo a la hora de identificar un patrón, las auditorías de algoritmos, que cada vez es más importante realizar, o la explicabilidad o capacidad de explicar cómo un algoritmo llegó a una decisión determinada.
Por Fredi Vivas, CEO de RockingData, especialista en inteligencia artificial
