La Inteligencia Artificial y sus aplicaciones en la cotidianidad en el siglo XXI (parte 2)
“Antes de trabajar en inteligencia artificial, ¿por qué no hacemos algo sobre la estupidez natural”: Steve Polyak (neuro-anatomista y neurólogo estadounidense)
David Moisés Terán Pérez *
Buenos días estimadas(os) lectoras(es) de esta columna invitada. Como ya es nuestra costumbre, les deseo a ustedes un grandioso, feliz, productivo y extraordinario martes. En esta ocasión continuaremos con el desarrollo de este tema bastante interesante y sumamente actualizado: “La Inteligencia Artificial (IA)”. Continuamos: La Inteligencia Artificial (IA), es un campo de la informática y de la ingeniería que se enfoca en el desarrollo de sistemas y de tecnologías capaces de imitar —y/o de superar—, las habilidades cognitivas y perceptivas humanas. En otras palabras: “La inteligencia artificial (IA) trata de crear máquinas inteligentes que puedan aprender de la experiencia, así como de tomar decisiones autónomas, basadas en los datos que se les proporcionan” (Russel & Norvig, 2010: p. 27). Dicha inteligencia artificial, tiene las siguientes aplicaciones:
APRENDIZAJE AUTOMÁTICO
El aprendizaje automático, es una rama importante de la inteligencia artificial (IA), que se enfoca en desarrollar algoritmos que puedan aprender de los datos sin ser programados específicamente para ello. Los algoritmos de aprendizaje automático, pueden clasificar, predecir y tomar decisiones a partir de los datos que se les proporcionan. En lugar de seguir un conjunto predefinido de instrucciones, los algoritmos de aprendizaje automático pueden ajustar sus propias reglas y decisiones a medida que procesan más datos (Jordan y Mitchell, 2015). Y se sub-clasifican a su vez en:
- Aprendizaje supervisado: En el aprendizaje supervisado, se proporciona al algoritmo, un conjunto de datos etiquetados (es decir, con una etiqueta que indica la respuesta correcta), y se entrena al modelo para que pueda predecir la respuesta correcta para nuevos datos. Por ejemplo, si se desea entrenar un modelo para identificar perros en las imágenes, se le proporcionarían imágenes etiquetadas como “perro” o “no perro”; y el modelo aprendería a reconocer patrones en esas imágenes para hacer predicciones precisas sobre nuevas imágenes.
- Aprendizaje no supervisado: En el aprendizaje no supervisado, no se proporcionan etiquetas para los datos del entrenamiento. En cambio, el modelo debe identificar patrones y estructuras por sí solo. Por ejemplo, si se desea agrupar clientes por comportamiento de compra, se podría utilizar un algoritmo de aprendizaje no supervisado, para identificar patrones en los datos de compra.
- Aprendizaje por refuerzo: En el aprendizaje por refuerzo, el modelo aprende a tomar decisiones autónomas mediante la interacción con un entorno dinámico. El modelo recibe una recompensa o un castigo, según sus decisiones, lo que le permite ajustar su comportamiento para maximizar la recompensa. Por ejemplo, se podría entrenar un modelo para jugar una partida de ajedrez mediante el aprendizaje por refuerzo, donde el modelo aprendería a tomar decisiones para maximizar su probabilidad de ganar el juego.
En resumen, el aprendizaje automático es una técnica poderosa para desarrollar sistemas que puedan aprender y adaptarse.
REDES NEURONALES ARTIFICIALES
Las redes neuronales artificiales son sistemas inspirados en la estructura y en el funcionamiento del cerebro humano. Las redes neuronales artificiales (RNA) son un tipo de modelo de aprendizaje automático que se inspira en la estructura y funcionamiento del cerebro humano. Estas redes son un tipo de modelo de aprendizaje automático, que se inspira en la estructura y en el funcionamiento del cerebro humano. Dichas redes están formadas por un conjunto de unidades interconectadas, conocidas como neuronas artificiales o nodos, que procesan y que transmiten información entre sí. Cada neurona artificial recibe entradas de otras neuronas y, a través de un proceso de ponderación y de activación, produce una salida que se transmite a otras neuronas. Las RNA se utilizan para resolver problemas de clasificación, de regresión, de reconocimiento de patrones, y de otros muchos problemas de aprendizaje automático. Existen varios tipos de arquitecturas de RNA, pero las más comunes son las redes neuronales de alimentación hacia adelante (feed-forward), y las redes neuronales recurrentes (Haykin, 1994).
- En las redes neuronales de alimentación hacia adelante: Las entradas se propagan a través de la red desde la capa de entrada hasta la capa de salida, sin retroalimentación; y, es un tipo de red neuronal en la que la información fluye en una dirección: De la entrada hacia la salida, a través de capas de neuronas completamente conectadas. Aunque son útiles en una variedad de aplicaciones, estas redes tienen algunas limitaciones en el procesamiento de datos secuenciales y en la modelización de relaciones no lineales complejas.
- Una red neuronal recurrente: Es una red neuronal diseñada para trabajar con datos secuenciales, que procesa la información de manera recurrente, y que tiene la capacidad de recordar información de secuencias anteriores. Aunque tienen limitaciones, las redes neuronales recurrentes, son muy útiles en el procesamiento del lenguaje natural, en la generación de música, y en el análisis de series de tiempo.
Una de las ventajas de las RNA es que pueden aprender a partir de datos complejos y no lineales, lo que las hace adecuadas para tareas como el procesamiento del lenguaje natural, la visión por computadora, la robótica y otros campos. Sin embargo, las RNA también tienen algunas limitaciones, como la necesidad de grandes cantidades de datos de entrenamiento, así como la dificultad para explicar cómo se toman las decisiones. En resumen, las redes neuronales artificiales son un modelo de aprendizaje automático inspirado en la estructura y en el funcionamiento del cerebro humano. Están formadas por unidades interconectadas que procesan y que transmiten información entre sí, y se utilizan para resolver problemas de clasificación, de regresión, de reconocimiento de patrones y en otros muchos problemas de aprendizaje automático.
ROBÓTICA
La robótica es una aplicación práctica de la inteligencia artificial (IA) que se enfoca en el diseño, desarrollo y utilización de robots capaces de realizar tareas autónomas. Los robots pueden ser programados para interactuar con el mundo físico, y para aprender de la experiencia. Es decir, la robótica es una disciplina tecnológica que se enfoca en el diseño, en la construcción, en la programación, y en la operación de robots. Un robot es una máquina programable capaz de realizar tareas físicas y/o cognitivas de manera autónoma o semiautónoma. La robótica ha evolucionado significativamente en las últimas décadas, permitiendo el desarrollo de robots cada vez más avanzados y complejos. Los robots pueden ser controlados por humanos y/o pueden ser completamente autónomos, utilizando sensores y sistemas de inteligencia artificial para tomar decisiones y adaptarse a su entorno. La robótica se aplica en una amplia gama de industrias, incluyendo la manufactura, la medicina, la exploración espacial, la agricultura, la minería, la fabricación, la construcción y el entretenimiento. Los robots se utilizan para tareas como soldadura, ensamblaje, inspección, limpieza, exploración, operaciones quirúrgicas y atención al cliente. La seguridad es una consideración muy importante en la robótica, ya que los robots pueden ser resultar peligrosos si no se utilizan correctamente. Los robots industriales suelen estar protegidos por jaulas de seguridad, sensores de proximidad y sistemas de parada de emergencia. En resumen, la robótica es una disciplina tecnológica que se enfoca en el diseño, en la construcción, en la programación, y en la operación de los robots. La robótica se aplica en una amplia gama de industrias, y los robots pueden ser controlados por humanos y/o ser completamente autónomos. La programación de los robots, es un campo clave en la robótica, y la seguridad; es una consideración importante en el diseño y uso de los robots (Tsai; Liu y Kuo, 2019).
VISIÓN ARTIFICIAL
La visión artificial (VA), es una rama de la IA que se enfoca en desarrollar sistemas que puedan interpretar y analizar imágenes y videos. Los sistemas de visión artificial se utilizan en la seguridad, en la medicina, en la manufactura y en la robótica, entre muchas otras aplicaciones. Por lo que, la visión artificial, es una disciplina de la inteligencia artificial (IA), que busca dotar a las máquinas de la capacidad de procesar y de entender información visual, de manera similar a como lo hacen los seres humanos. Su objetivo es desarrollar algoritmos y técnicas que permitan a los sistemas automatizados, capturar, analizar, interpretar y comprender el mundo visual que los rodea, con el fin de tomar decisiones y llevar a cabo tareas de manera autónoma. La visión artificial se apoya en una variedad de técnicas y de herramientas, como el procesamiento de imágenes, la geometría computacional, el aprendizaje profundo, y las redes neuronales, entre otras. Estas técnicas se utilizan para construir sistemas que pueden detectar objetos en una imagen, clasificarlos, seguir su movimiento, medir distancias, reconocer rostros y expresiones faciales, entre otras cosas. Entre las aplicaciones más frecuentes de la visión artificial se incluyen la robótica, la automatización industrial, la medicina, la seguridad y vigilancia, el transporte y la logística, la realidad aumentada, los videojuegos, el arte y la creatividad, entre otros. En resumen, la visión artificial es una rama de la inteligencia artificial que busca dotar a los sistemas de la capacidad de procesar y entender información visual. Esto se logra mediante el uso de técnicas y de herramientas como el procesamiento de imágenes, la geometría computacional, el aprendizaje profundo y las redes neuronales, entre otras. La visión artificial tiene una amplia y variada cantidad de aplicaciones.
Como síntesis a este artículo, la inteligencia artificial (IA), es un campo multidisciplinario que combina la informática, la ingeniería, la estadística y la psicología, entre otras muchas disciplinas. La inteligencia artificial (IA), se enfoca en desarrollar sistemas y tecnologías que puedan imitar y/o superar las habilidades cognitivas y perceptivas humanas, y tiene aplicaciones en una amplia variedad de campos y de sectores. La próxima semana, continuaremos conociendo más información y detalles sobre este muy interesante y actual tema. Y en general, a todas las personas nos debe interesar conocer este tema, porque tanto en lo laboral, en lo educativo, en lo cultural, en lo financiero, en el ocio y en el entretenimiento; se están generando —y se desarrollarán—, aplicaciones, cambios y sustituciones que a todos(as) nos debe de ocupar, para no ser sorprendidos por desconocimiento y/o por ignorancia a lo que es, representa y significa la inteligencia artificial en este momento, y en lo futuro. (Continuará…)
Referencias
Haykin, S. (1994). Redes neuronales: Una base integral. México: Prentice Hall.
Jordan, M. I. y Mitchell, T. M. (2015). Aprendizaje automático: Tendencias, y perspectivas. Ciencia, vol. 349, núm. 6 245; p.p. 255-260.
Russel, S. J. & Norvig, P. (2010). Artificial intelligence: A modern approach. USA: Pearson Education.
Tsai, M. J.; Liu, W. H. y Kuo, C. H. (2019). Robots manipuladores industriales. EUA: John Wiley & Sons.
