¿Qué es la inteligencia artificial (IA)?

La inteligencia artificial (IA) ya no es un elemento de la ciencia ficción: está aquí y ha venido para quedarse. Mientras el mundo intenta comprender las ramificaciones de la tecnología en sus iteraciones actuales, la IA sigue evolucionando a un ritmo vertiginoso. Ya sea en el campo de la automatización industrial, la investigación científica o el sector creativo, la amplia repercusión de la IA todavía no se ha determinado. Sin embargo, ya influye en nuestra vida diaria. 

Debido al lenguaje hiperbólico que rodea a la IA, mucha gente tiene problemas para comprender qué es y qué significado tiene para ellos. Continúe leyendo para obtener una mejor comprensión sobre qué es la IA, cómo funciona, sus aplicaciones prácticas y por qué las normas son fundamentales para garantizar su futuro desarrollo. 

Índice

Enable Javascript to view table

¿Qué es la IA?

La inteligencia artificial es «un campo técnico y científico dedicado al sistema de ingeniería que genera resultados como contenido, previsiones, recomendaciones o decisiones para un conjunto determinado de objetivos definidos por el ser humano» [ISO/IEC 22989:2022]. A pesar de que esta definición de inteligencia artificial es acertada desde el punto de vista técnico, ¿qué significa esto para el ciudadano de a pie?

En realidad, la IA solo es una herramienta práctica y no una panacea. Es tan buena como lo sean los algoritmos y el aprendizaje automático que guían sus acciones. La IA puede llegar a ser increíble a la hora de realizar una tarea específica, pero requiere muchísimos datos y repeticiones. Simplemente, aprende a analizar grandes cantidades de datos, reconocer patrones y hacer predicciones o tomar decisiones en base a los datos, y mejora continuamente su desempeño con el tiempo.

Hoy en día, este significado de IA ha evolucionado más allá del mero procesamiento de datos para incluir el desarrollo de máquinas capaces de aprender, razonar y resolver problemas. El aprendizaje automático se ha vuelto muy «competente» en la generación de todo tipo de cosas, desde códigos de software hasta imágenes, artículos, videos y música. Es el siguiente nivel de la IA, la llamada IA generativa, que difiere de la IA tradicional en cuanto a sus capacidades y aplicaciones. Mientras que los sistemas de IA tradicionales se utilizan principalmente para analizar datos y hacer predicciones, la IA generativa va un paso más allá y crea nuevos datos similares a sus datos de entrenamiento.

Regístrese para obtener más recursos y actualizaciones sobre la inteligencia artificial y las normas relacionadas.

* Boletín de noticias en inglés

Para saber cómo se utilizarán sus datos, consulte nuestro aviso de privacidad.

¿Cómo funciona la IA?

Básicamente, la IA analiza datos para extraer patrones y hacer predicciones. Lo hace combinando grandes conjuntos de datos con algoritmos inteligentes de IA (o conjuntos de reglas) que permiten al software aprender de los patrones de los datos. El sistema lo logra mediante una red neuronal, una matriz de nodos interconectados que intercambian información entre diversas capas para buscar conexiones y deducir el significado de los datos.

Para comprender cómo funciona, debemos profundizar en los siguientes conceptos:

  • Aprendizaje: la función de aprendizaje automático de la IA permite a las máquinas aprender de los datos, identificar patrones y tomar decisiones sin programación explícita. Es más, los avances en el aprendizaje profundo permiten al software de IA comprender patrones más complejos utilizando millones de puntos de datos.
  • Razonamiento: la capacidad de razonar es fundamental para la IA, ya que permite a las computadoras imitar el cerebro humano. La IA puede hacer inferencias en base a los comandos que se le han dado o cualquier otra información disponible, desde formar hipótesis o desarrollar estrategias para abordar un problema.
  • Resolución de problemas: la capacidad de resolución de problemas de la IA se basa en la manipulación de datos a través de técnicas de ensayo y error. Consiste en utilizar algoritmos para explorar varias rutas posibles y encontrar la solución más óptima a problemas complejos.
  • Procesamiento del lenguaje: la IA utiliza el procesamiento del lenguaje natural, o PLN, para analizar los datos del lenguaje humano de forma que tengan sentido para las computadoras. ¿Qué es el PLN? Es la capacidad de las computadoras de comprender, interpretar y generar lenguaje humano a través de análisis de textos, análisis de sentimiento y traducción automática.
  • Percepción: la IA capturan el ambiente circundante mediante detectores tales como los sensores de temperatura y las cámaras. Este campo de la IA, más conocido como visión artificial, permite a las máquinas interpretar y comprender datos visuales y se utiliza en el reconocimiento de imágenes, reconocimiento facial y detección de objetos.

IA fuerte frente a IA débil

La inteligencia artificial (IA) abarca un espectro diverso de capacidades, que pueden clasificarse a grandes rasgos en dos categorías: IA débil e IA fuerte. La IA débil, a menudo denominada inteligencia artificial estrecha (IAE) o IA estrecha, engloba sistemas elaborados minuciosamente para destacar en tareas específicas dentro de unos parámetros bien definidos. Estos sistemas operan dentro de un alcance limitado y carecen de la capacidad de inteligencia general. Piense en ellos como en especialistas capacitados para desempeñar determinadas funciones con eficiencia.

A pesar de su nombre, la IA débil es cualquier cosa menos débil; es el motor de muchas de las aplicaciones de la inteligencia artificial con las que interactuamos a diario. Vemos ejemplos de IA estrecha a nuestro alrededor. Desde las fulgurantes respuestas de Siri y Alexa hasta la destreza de IBM Watson en el cálculo de datos y la navegación fluida de los automóviles autónomos, la IAE impulsa las notables innovaciones que dan forma a nuestro mundo.

He aquí otros ejemplos de aplicaciones de IA estrecha, caracterizados por sus algoritmos especializados diseñados para tareas específicas:

  • Asistentes inteligentes: a menudo considerados como los mejores ejemplos de IA débil, los asistentes de voz digitales utilizan el procesamiento del lenguaje natural para una serie de tareas específicas, como programar alarmas, responder preguntas y controlar dispositivos domésticos inteligentes.
  • Chatbots: si alguna vez ha hablado por chat en su tienda electrónica favorita, lo más probable es que se esté comunicando con una IA. Muchas plataformas de atención al cliente utilizan algoritmos de IAE para responder a las consultas más habituales, lo que libera a su personal para desempeñar tareas de mayor nivel.
  • Motores de recomendación: ¿se ha preguntado alguna vez cómo Netflix parece saber siempre qué película quiere ver o cómo Amazon predice su próxima compra? Estas plataformas utilizan la IAE para analizar sus hábitos de visualización o compra, junto con los de usuarios similares, para ofrecerle sugerencias personalizadas.
  • Aplicaciones de navegación: ¿cómo llegar de A a B sin perderse? Una aplicación de navegación, por ejemplo, Google Maps, es una aplicación de software que utiliza una IAE diseñada para dar indicaciones en tiempo real a los usuarios cuando viajan de un lugar a otro.
  • Filtros de correo no deseado: las computadoras utilizan la inteligencia artificial estrecha para aprender qué mensajes podrían ser spam y, después, los redirigen de la bandeja de entrada a la carpeta de spam.
  • Funciones de autocorrección: cuando su iPhone le corrige la ortografía mientras escribe, está experimentando el poder de la IA débil en acción en su vida cotidiana. Al aprovechar los algoritmos y los datos de los usuarios, estas funciones de texto predictivo garantizan una composición de texto más fluida y eficiente en todos los dispositivos.

Cada una de estas aplicaciones demuestra la potencia fuerza de la IAE para ejecutar tareas bien definidas analizando grandes conjuntos de datos y siguiendo algoritmos especializados. Por tanto, la próxima vez que se maraville ante las capacidades de la IA, recuerde que es la IA débil la que impulsa estas notables innovaciones y da forma a nuestro mundo de maneras que antes creíamos inimaginables.

IA fuerte
  • También conocida como inteligencia artificial general (IAG)
  • Diseñada para adaptarse, aprender y aplicar conocimientos en diversos ámbitos
IA débil
  • También conocida como inteligencia artificial estrecha (IAE) o IA estrecha
  • Diseñada para destacar en tareas específicas dentro de unos parámetros bien definidos

Por contra, el concepto de IA fuerte, también conocida como IA general, aspira a desarrollar sistemas capaces de abordar una amplia gama de tareas con un nivel de competencia satisfactorio para los estándares humanos. A diferencia de sus homólogos de IA estrecha, los sistemas de IA fuerte aspiran a poseer una forma de inteligencia general, que les permita adaptarse, aprender y aplicar conocimientos en diversos ámbitos. En esencia, el objetivo es crear entidades artificiales dotadas de capacidades cognitivas similares a las de los humanos, capaces de implicarse en tareas intelectuales que abarquen diversos campos.

Si bien la IA fuerte es puramente especulativa, sin ejemplos prácticos en uso hoy en día, no significa que los investigadores de IA no ocupen su tiempo explorando su posible desarrollo. En particular, se saca partido de la IA fuerte al investigar la inteligencia general artificial (IAG) y desarrollar máquinas inteligentes y algoritmos de redes sociales.

En teoría, la IAG podría desempeñar cualquier trabajo humano, desde la limpieza hasta la codificación. Así pues, aunque actualmente no existen aplicaciones de la IAG en la vida real, el concepto está preparado para tener un impacto transformador en varios campos. Algunos ejemplos son:

  • Lenguaje: escritura de ensayos, poemas y conversación.
  • Sanidad: diagnóstico por imagen, investigación de fármacos y cirugía.
  • Transportes: automóviles, trenes y aviones totalmente automatizados.
  • Arte y entretenimiento: creación musical, arte visual y películas.
  • Robots domésticos: cocina, limpieza y cuidado de niños.
  • Fabricación: gestión de la cadena de suministro, inventario y servicios al consumidor.
  • Ingeniería: programación, construcción y arquitectura.
  • Seguridad: detectar fraudes, prevenir violaciones de seguridad y mejorar la seguridad pública.

Aunque los investigadores y desarrolladores se esfuerzan continuamente por desafiar los límites de las capacidades de la IAG, lograr una verdadera inteligencia general comparable a la cognición humana plantea inmensos desafíos y sigue siendo una meta esquiva en el horizonte. Dicho esto, con los importantes avances en la tecnología de IA y el aprendizaje automático, parece que la pregunta que debemos hacernos no es si ocurrirá, sino cuándo.

¿Cuáles son los cuatro tipos de IA?

La inteligencia artificial (IA) abarca una amplia gama de capacidades, cada una de las cuales sirve a funciones y propósitos distintos. Comprender los cuatro tipos de IA arroja algo de luz sobre el panorama cambiante de la inteligencia de las máquinas:

  • Máquinas reactivas: estos sistemas de IA funcionan con reglas predefinidas, pero carecen de la capacidad de aprender de nuevos datos o experiencias. Por ejemplo, los chatbots empleados para interactuar con los clientes en línea suelen basarse en la inteligencia de máquinas reactivas para generar respuestas basadas en algoritmos programados. Si bien desempeñan bien las funciones que se les han asignado, no pueden adaptarse ni evolucionar más allá de su programación inicial.
  • Memoria limitada: a diferencia de las máquinas reactivas, los sistemas de IA con memoria limitada poseen la capacidad de aprender de los datos históricos y las experiencias pasadas. Al procesar la información de interacciones anteriores, estos tipos de sistemas de IA pueden tomar decisiones con conocimiento de causa y adaptarse hasta cierto punto en función de su capacitación. Algunos ejemplos son los automóviles autónomos equipados con sensores y algoritmos de aprendizaje automático que les permiten navegar por ambientes dinámicos de forma segura. Las aplicaciones de procesamiento del lenguaje natural también utilizan datos históricos para mejorar la comprensión e interpretación del lenguaje a lo largo del tiempo.
  • Teoría de la mente: este tipo de IA es todavía una quimera, pero describe la idea de un sistema de IA que pueda percibir y comprender las emociones humanas, y luego utilizar esa información para predecir acciones futuras y tomar decisiones por sí mismo. El desarrollo de la IA con teoría de la mente podría revolucionar una amplia gama de disciplinas, como la interacción persona-computadora y la robótica social, al permitir un comportamiento más empático e intuitivo de las máquinas.
  • IA autoconsciente: se refiere al escenario hipotético de un sistema de IA que tenga conciencia de sí mismo o, en otras palabras, sensaciones de identidad. La IA autoconsciente posee una consciencia similar a la humana y comprende su propia existencia en el mundo, así como el estado emocional de los demás. Hasta ahora, este tipo de IA solo se encuentra en el mundo fantástico de la ciencia ficción, popularizado por películas emblemáticas como Blade Runner.

Estos cuatro tipos de IA exhiben la rica diversidad de inteligencia que se observa en los sistemas artificiales. A medida que la IA sigue progresando, la exploración de las capacidades y limitaciones de cada tipo contribuirá a nuestra comprensión de la inteligencia de las máquinas y de su impacto en la sociedad.

Aprendizaje automático frente a aprendizaje profundo

En el núcleo de estos avances se encuentran el aprendizaje automático y el aprendizaje profundo, dos subcampos de la IA que impulsan muchas de las innovaciones que vemos hoy en día. Si bien están relacionados, cada uno de estos términos tiene su propio significado.

  • Aprendizaje supervisado: este algoritmo se entrena en un conjunto de datos etiquetados en el que cada ejemplo tiene una entrada y una salida correspondiente, y aprende de estos datos para crear predicciones sobre nuevos datos no vistos.
  • Aprendizaje no supervisado: no cuenta con etiquetas ni salidas predefinidas; este algoritmo aprende a descubrir estructuras ocultas o agrupaciones dentro de los datos.
  • Aprendizaje por refuerzo: entrenado para interactuar con su ambiente y aprender mediante ensayo y error, el agente recibe retroalimentación en forma de recompensas o penalizaciones a medida que realiza acciones, gracias a lo cual aprende y mejora su desempeño con el tiempo.

El aprendizaje profundo es un subconjunto del aprendizaje automático, que se centra en el entrenamiento de redes neuronales artificiales con múltiples capas, inspiradas en la estructura y función del cerebro humano, formadas por nodos interconectados (neuronas) que transmiten señales.

Al extraer automáticamente características de los datos sin procesar mediante múltiples capas de abstracción, estos algoritmos de IA destacan en el reconocimiento de imágenes y del habla, el procesamiento del lenguaje natural y muchos otros campos. El aprendizaje profundo puede manejar conjuntos de datos a gran escala con entradas de alta dimensión, pero debido a su complejidad, requiere una cantidad considerable de potencia computacional y un entrenamiento exhaustivo.

Ejemplos de tecnología de IA

Entonces, ¿qué puede hacer la IA? La mayoría de la gente la conoce gracias a altavoces inteligentes y asistentes de teléfonos inteligentes como Siri y Alexa, pero la nueva tecnología de IA facilita constantemente nuestras vidas y las hace más eficientes de muchas otras maneras.

He aquí algunos ejemplos de tecnología de IA y sus aplicaciones:

  • La IA sanitaria puede procesar y analizar grandes cantidades de datos de pacientes para ofrecer predicciones exactas y recomendar tratamientos personalizados para obtener los mejores resultados.
  • Las empresas y el sector de la fabricación se benefician de la automatización en todos los sectores, desde la detección de fraudes, la evaluación de riesgos y el análisis de las tendencias del mercado hasta los robots dotados de IA en las líneas de producción. Los sistemas de IA también pueden predecir las fallas de los equipos antes de que se produzcan y detectar anomalías en los patrones de tráfico de las redes, identificando así amenazas a la ciberseguridad. En el sector del comercio minorista, la IA ofrece gestión de inventario, experiencias de compra personalizadas, chatbots para ayudar a los clientes y análisis de preferencias de los clientes, lo que aumenta las ventas gracias a anuncios mejor orientados.
  • La IA educativa incluye sistemas de tutoría inteligente que se adaptan a las necesidades del alumnado, lo cual les proporciona retroalimentación y orientación personalizadas. La IA también puede ofrecer calificaciones automatizadas, creación de contenido y simulaciones de realidad virtual.
  • En el sector del transporte, la IA optimiza el flujo de tráfico, predice las necesidades de mantenimiento y mejora la logística en las empresas de transporte; en el sector agrícola, puede optimizar el rendimiento de las cosechas y reducir el despilfarro de recursos. La tecnología de drones monitorea las condiciones del suelo, identifica las enfermedades de los cultivos y evalúa las necesidades de riego; asimismo, los sistemas de IA pueden recomendar usos eficientes de los pesticidas y la gestión de los cultivos.
  • Entretenimiento: al analizar las preferencias de los usuarios, la IA puede recomendar películas, música o libros. La realidad virtual y aumentada crean ambientes de entretenimiento inmersivos. La IA de CGI realista y de «efectos especiales» mejora la experiencia visual de películas y juegos.

El crecimiento y el impacto de la IA generativa

Estos ejemplos de inteligencia artificial, que culminan con el auge de modelos lingüísticos a gran escala como ChatGPT, son solo el principio de un viaje extraordinario. Es el advenimiento de la IA generativa, una nueva y apasionante frontera de la inteligencia artificial que se centra en la creación de nuevo contenido en lugar de simplemente analizar los datos existentes. A diferencia de los sistemas tradicionales de IA, diseñados principalmente para tareas de clasificación o predicción, los modelos generativos pretenden desarrollar resultados novedosos que imiten la creatividad y la imaginación humanas. De este modo, las máquinas podrán generar de forma autónoma contenido de todo tipo, como imágenes, texto, música e incluso mundos virtuales completos.

Sin embargo, la IA generativa aún no está totalmente pulida. Los modelos generativos, aunque potentes, tienen varios inconvenientes, como la posibilidad de crear desinformación convincente (deep fake), perpetuar sesgos y suscitar preocupaciones sobre los derechos de autor y la pérdida de empleos. También plantean amenazas a la seguridad, desafíos en el control de calidad y requieren importantes recursos informáticos, lo que conlleva elevados costos e impactos ambientales.

Lo cierto es que la IA generativa aún está en fase de aprendizaje, y los contratiempos iniciales en determinados programas no deben eclipsar el extraordinario potencial de la tecnología de IA. Existen esfuerzos en marcha para abordar los desafíos asociados a los modelos generativos mediante avances en la tecnología de detección y mejoras en los datos y algoritmos de entrenamiento. También implementan mejores medidas de seguridad, mayor capacitación y notoriedad, y un uso más eficiente de los recursos informáticos.

Este enfoque polifacético debería garantizar un uso más responsable y beneficioso de la IA generativa, respaldado por directrices y regulaciones.

Gobernanza y normativa de la IA

Con su creciente integración en diversos sectores, no se puede exagerar la importancia de garantizar la calidad y confiabilidad de los softwares de IA. A pesar de los riesgos que conlleva, la IA sigue sufriendo una falta de regulación. Aquí es donde pueden ayudar las Normas Internacionales.

Las normas, como las elaboradas por ISO/IEC JTC 1/SC 42 sobre inteligencia artificial, desempeñan un papel fundamental a la hora de abordar el desarrollo responsable de las tecnologías de IA. Ayudan a llenar el vacío de la normativa, dando a los responsables de la toma de decisiones y a los legisladores las herramientas necesarias para establecer datos y procesos coherentes y auditables.

Estas normas pueden aportar valor a largo plazo a una empresa, especialmente en ámbitos como los informes ambientales. Las normas desarrollan credibilidad ante las partes interesadas y garantizan que las ventajas de la inteligencia artificial superen los riesgos asociados mediante la alineación con la normativa y las herramientas de gobernanza existentes.

La historia de la inteligencia artificial: ¿quién inventó la IA?

La IA ha progresado a pasos agigantados y transformado muchos aspectos de nuestro mundo. No obstante, para apreciar realmente sus capacidades actuales, es importante comprender sus orígenes y su evolución. Entonces, ¿quién creó la IA? Para averiguarlo, recorramos la fascinante historia de la inteligencia artificial.

La IA de hoy en día tiene su origen en la invención en el siglo XIX de la «máquina diferencial» de Charles Babbage, la primera calculadora automática del mundo que tuvo éxito. El descifrador de códigos británico Alan Turing, figura clave entre los recursos de inteligencia de los Aliados durante la Segunda Guerra Mundial (entre otras hazañas), también puede considerarse un predecesor de las iteraciones actuales de la IA. En 1950, presentó la prueba de Turing, diseñada para evaluar a capacidad de una máquina de mostrar comportamientos inteligentes indistinguibles de los de los humanos.

Desde ese momento, los avances en la tecnología de IA comenzaron a acelerarse exponencialmente, encabezados por figuras tan influyentes como John McCarthy, Marvin Minsky, Herbert Simon, Geoffrey Hinton, Yoshua Bengio, Yann LeCun y muchos otros. Sin embargo, no todo fue coser y cantar. Aunque la IA floreció en los primeros años, con la capacidad de las computadoras para almacenar más información, pronto se topó con un obstáculo: las computadoras simplemente no podían almacenar suficiente información ni procesarla con la rapidez necesaria. No fue hasta la década de 1980 cuando renació la IA gracias a la ampliación del conjunto de herramientas de algoritmos y el aumento de los fondos destinados.

En resumen, he aquí algunos acontecimientos e hitos clave en la historia de la inteligencia artificial:

  • 1950: Alan Turing publica el artículo «Maquinaria computacional e inteligencia», en el que propone la prueba de Turing como forma de evaluar si una computadora se puede considerar inteligente o no.
  • 1956: un pequeño grupo de científicos se reúne en el Proyecto de Investigación de Verano sobre Inteligencia Artificial de Dartmouth, que se considera como el punto de partida de este campo de investigación.
  • 1966-1974: se conoce convencionalmente como el «primer invierno de la IA», un período marcado por la reducción de la financiación y el freno a la investigación de la IA por no estar a la altura del revuelo y las expectativas iniciales.
  • 1997: Deep Blue, una computadora de ajedrez de IBM, derrota al campeón mundial de ajedrez Garri Kaspárov en una partida de altos vuelos y demuestra el fabuloso potencial de los sistemas de IA. Ese mismo año, se implementó en Windows el software de reconocimiento del habla desarrollado por Dragon Systems.
  • 2011: en el concurso televisivo Jeopardy! la computadora Watson DeepQA de IBM derrota a dos de los campeones históricos del concurso y demuestra la capacidad de los sistemas de IA para comprender el lenguaje natural.
  • 2012: el enfoque del «aprendizaje profundo», inspirado en el cerebro humano, revoluciona muchas aplicaciones de IA y da paso al actual auge de la IA.
  • 2016: desarrollado por una filial de Google, el programa informático AlphaGo capta la atención del mundo cuando derrota a Lee Sedol, legendario jugador de go. El milenario juego de mesa «go» es uno de los más complejos jamás creados.
  • 2017 hasta la fecha: los avances frenéticos en visión artificial, procesamiento del lenguaje natural, robótica y sistemas autónomos están impulsados por el progreso en el aprendizaje profundo y el aumento de la potencia de computación.
  • 2023: el auge de los modelos lingüísticos grandes (large language model o LLM), como GPT-3 y sus sucesores, demuestra el potencial de los sistemas de IA para generar textos como los creados por humanos, responder preguntas y ayudar en una amplia gama de tareas.
  • 2024: los nuevos avances en IA multimodal permiten a los sistemas procesar e integrar varios tipos de datos (texto, imágenes, audio y video) para obtener soluciones más completas e inteligentes. Los asistentes digitales impulsados por la IA ya son capaces de participar en conversaciones naturales y contextualizadas, así como ayudar en una amplia variedad de tareas.

El crecimiento exponencial de la potencia de computación y de Internet trajo consigo el concepto y la realidad del aprendizaje automático: el desarrollo de los algoritmos de IA que son capaces de aprender sin haber sido programados, mediante el procesamiento de grandes conjuntos de datos. Es lo que se conoce como «aprendizaje profundo», que empodera a las computadoras para aprender a través de la experiencia. A lo largo de la década pasada, la IA ha pasado a formar parte de la vida cotidiana, influyendo en la forma en la que trabajamos, nos comunicamos e interactuamos con la tecnología.

¿Cómo cambiará la IA nuestro mundo?

A medida que se vuelve más sofisticada, esperamos que la inteligencia artificial cambie nuestra forma de trabajar y de vivir. Además de las muchas aplicaciones descritas anteriormente, la IA desempeñará un papel crucial a la hora de abordar los desafíos mundiales y acelerar la búsqueda de soluciones.

Sin embargo, las posibles implicaciones de la IA son profundas y de largo alcance. A medida que la IA se vuelve más potente y omnipresente, debemos garantizar un desarrollo y uso responsables y abordar cuestiones de parcialidad, privacidad y transparencia. Para lograrlo, es fundamental estar al día y mostrar proactividad en su desarrollo con el fin de crear un futuro que sea beneficioso y empoderador para todos.