Conceptos básicos de Inteligencia Artificial

Cuando hablamos de Inteligencia Artificial, muchas veces nos evoca a un mundo de robots o tecnologías muy futuristas. Sin embargo, la IA ya forma parte de nuestro día a día.

Una muestra de ello es cuando hacemos compras online, que con algoritmos de autoaprendizaje analizan nuestros comportamientos para recomendarnos productos que se adaptan a nosotros; o Google Lens, que subiendo una imagen, te identifica y enlaza los productos que en ella aparecen. A continuación una imagen probando Google Lens con nuestra oficina de Barcelona:

La Inteligencia Artificial (IA), o Artificial Intelligence (AI) en inglés, es el campo avanzado de la Informática actual dedicado a la automatización del comportamiento asociado comúnmente a la inteligencia humana. Y como toda ciencia compleja, de ella se desglosan muchos conceptos. Por ello, con este artículo queremos empezar por el principio y ayudarte a entender los conceptos básicos de la IA.

En este artículo hablaremos de:

• Machine Learning
  • Las 5 tribus de Machine Learning de Pedro Domingos
    • Simbolistas
    • Conexionistas
    • Evolutivos
    • Analogistas
    • Bayesianos
  • Tipos de Machine Learning
    • Aprendizaje supervisado (Supervised Learning)
    • Aprendizaje no supervisado (Unsupervised Learning)
    • Aprendizaje semisupervisado (Semi-supervised Learning)
    • Aprendizaje reforzado (Learning Reinforcement)
• Deep Learning
• Neural Networks
• Computación Cognitiva

El Machine Learning (ML) es una rama de la inteligencia artificial que se basa en la idea de que los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con la mínima intervención humana. 

El experto mundial e investigador destacado en la materia, Pedro Domingos, describe en su libro “The Master Algorithm” las 5 tribus o corrientes del Machine Learning que divide en función de los intereses o procedencias de cada una de éstas:

• Simbolistas: Se basan en la lógica y la filosofía y practican la deducción inversa.
• Conexionistas: Se apoyan en la neurociencia y tratan de conectar pequeños cerebros, a partir de lo que llaman retroprogramación para crear una red neuronal con la que, a partir de sus interconexiones, puedan interpretar los datos. De aquí surge el Deep Learning.
• Evolutivos: Se basan en la biología evolutiva y trata de aplicar los principios de la evolución de genomas y ADN alegando que los algoritmos evolucionarán y se adaptarán a condiciones y procesos desconocidos.
• Analogistas: Se apoyan en la psicología y ven la analogía como base para solucionar los problemas que se presenten.
• Bayesianos: Se basan en la estadística y la probabilidad. Su algoritmo, la inferencia probabilística, aprende  tratando de calcular cuán improbable es un hecho para poder descartarlo como posible solución.

A su vez, dentro del Machine Learning, encontramos 4 tipos en base a la supervisión humana necesaria:

• Aprendizaje supervisado (Supervised Learning): Aprende dándole muchos datos de entrenamiento etiquetados con los que luego generalizar para nuevos casos. 
• Aprendizaje no supervisado (Unsupervised Learning): Aprende observando, comprendiendo y abstrayendo patrones directamente de la información. Es muy parecido a como pensamos los humanos.
• Aprendizaje semisupervisado (Semi-supervised Learning): Aprende en base a datos de entrenamiento tanto etiquetados como no etiquetados, siendo normalmente más grande la proporción de datos no etiquetados.
• Aprendizaje reforzado (Learning Reinforcement): Aprende por la experiencia. A partir de prueba-error y premio-castigo. Esta técnica está siendo muy estudiada ya que no requiere de grandes cantidades de datos.

Basado en el enfoque de los conexionistas surge la rama denominada Aprendizaje Profundo, Deep Learning (DL). Es un subtipo de algoritmos de Machine Learning que se basan en redes neuronales para un procesamiento de los datos en cascada. El término "profundo" se refiere al número de capas ocultas en las redes neuronales.

Las Redes Neuronales, Neural Networks (NNs), pertenecen a la familia de algoritmos de Machine Learning y se inspiran en el funcionamiento de las neuronas del cerebro humano. Se basan en que dados unos parámetros hay una forma de combinarlos para predecir un resultado concreto. Los datos van pasando por distintas capas en las que se van aplicando una serie de reglas de aprendizaje hasta llegar a la última capa en la que los resultados se comparan con el resultado "correcto", y se van ajustando los parámetros en base a las función "peso" dada en cada regla. Una vez la red ha aprendido, puede congelar sus “pesos” y funcionar en modo recuerdo o ejecución.

Y para terminar, algunos autores mencionan la Computación Cognitiva, Cognitive Computing (CC) en inglés, como otra variante de la Inteligencia Artificial. Son sistemas que asumen tareas o toman decisiones específicas como asistentes o sustituyendo a personas ya que pueden manejar la ambigüedad y la vaguedad, y tienen un alto grado de autonomía dentro de su área de conocimiento.

Como hemos comentado, la IA ya está aquí, pero aún hay mucho por hacer, y no solo respecto a cómo explotar todo el potencial que tiene para que se acerquen cada vez más a la inteligencia humana, sino también respecto a cómo controlar el mal uso. 

El objetivo es evitar que ocurra lo que Elon Musk ya predijo “las máquinas podrían comenzar una guerra publicando noticias falsas, robando cuentas de correo electrónico y enviando notas de prensa falsas, solo con manipular los datos”, y que ya hemos vivido cuando, mediante IA, se manipularon escenas sexuales reemplazando el rostro por el de artistas conocidos.

Debemos ser conscientes de las mejoras que la IA supone en nuestras vidas, pero sin olvidar que debemos utilizarla con prudencia.