Vocabulario esencial para entender la emergencia de la IA

Con líderes globales listos para asistir a una cumbre sobre inteligencia artificial (IA) en París los días 10 y 11 […]

Con líderes globales listos para asistir a una cumbre sobre inteligencia artificial (IA) en París los días 10 y 11 de febrero, aquí están algunos de los conceptos clave en el campo:

– IA –

Cuando se le pregunta qué es la inteligencia artificial, el sistema ChatGPT, impulsado por IA, responde que el término «se refiere a la simulación de la inteligencia humana en máquinas que están programadas para pensar, aprender y tomar decisiones».

La característica fundamental de la IA es la ingestión de vastas cantidades de datos que luego se procesan utilizando métodos de mecánica estadística.

Sus capacidades pueden abarcar campos como la computación, las matemáticas, la lingüística, la psicología, la neurociencia o la filosofía.

En la actualidad, la tecnología se utiliza en aplicaciones que van desde la investigación de tumores hasta el reconocimiento facial, chatbots, traducción de idiomas humanos, predicción de fallas en herramientas mecánicas y autos autónomos.

– Algoritmo –

En el corazón de todas las operaciones informáticas, un algoritmo es una serie de pasos o instrucciones seguidas por un programa de computadora para lograr un resultado dado.

Los algoritmos pueden especificar reglas para el comportamiento de una IA, ayudándola a alcanzar los objetivos de sus desarrolladores.

A diferencia de un programa de computadora simple, los algoritmos de IA permiten que el sistema aprenda por sí mismo.

– Aprendizaje automático –

El aprendizaje automático es un enfoque que los investigadores han utilizado en su búsqueda por producir inteligencia artificial.

Permite que las computadoras aprendan de los datos sin ser programadas explícitamente sobre cómo responder.

En los últimos años, el campo de las redes neuronales, inspirado en el funcionamiento del cerebro humano, ha demostrado ser particularmente fructífero.

En una red neuronal, las conexiones entre algunos nodos se fortalecen y otras se debilitan a medida que el sistema aprende.

El aprendizaje puede ser «supervisado», en el cual el sistema aprende a clasificar nuevos datos basados en un modelo, por ejemplo, para identificar spam en un correo electrónico o en otras aplicaciones de mensajería.

El aprendizaje «no supervisado» permite que el sistema descubra patrones o categorías en los datos disponibles que podrían no ser inmediatamente evidentes.

Un ejemplo de aplicación sería permitir que una tienda en línea identifique tendencias de compra en los datos de ventas.

El aprendizaje «por refuerzo» agrega un proceso de prueba y error repetido en el cual el sistema es penalizado o recompensado según sus resultados, lo que le permite aprender y mejorar.

Un ejemplo podría ser un vehículo autónomo cuyo objetivo es llegar a su destino lo más rápido posible, pero de manera segura.

– Aprendizaje profundo –

Un subcampo de la IA, el aprendizaje profundo debe su nombre al uso de múltiples capas de redes neuronales.

Los datos en bruto son analizados por cada capa a niveles crecientes de abstracción.

El aprendizaje profundo fue concebido por Geoffrey Hinton, ganador del Premio Nobel de Física de 2024, quien fue galardonado junto con John Hopfield, pionero de las redes neuronales en la década de 1980.

«Cuantas más capas tengas, más complejo puede volverse el comportamiento, y cuanto más complejo sea el comportamiento, más fácil es aprender un comportamiento deseado de manera eficiente», dijo Francis Bach, jefe del laboratorio de aprendizaje estadístico SIERRA de Francia.

Los descubrimientos sobre el aprendizaje profundo desde la década de 2010 han permitido un avance en la potencia de procesamiento de las computadoras y una abundancia de datos para entrenar modelos de IA.

La técnica puede ayudar a desbloquear importantes avances científicos.

También en 2024, el Nobel de Química fue otorgado a investigadores que utilizan aprendizaje profundo para crear y predecir estructuras de proteínas.

– Modelos de lenguaje –

Los grandes modelos de lenguaje son el ejemplo más visible de la llamada IA generativa, que impulsa herramientas como ChatGPT de OpenAI o Gemini de Google.

Estos sistemas son capaces de escribir una disertación, responder preguntas legales o producir una receta de pastel basada en sus modelos estadísticos.

Pero la tecnología está lejos de ser infalible, ya que sufre «alucinaciones».

Los chatbots o asistentes conversacionales también se encuentran en muchas aplicaciones cotidianas, como responder consultas de visitantes en el sitio web de una empresa.

En grandes plataformas de streaming, los motores de recomendación sugieren contenido como películas o música a los usuarios según cómo sus gustos se solapan con los de otros suscriptores.

En otros ámbitos de la vida diaria, la IA ayuda a impulsar software de navegación o herramientas que asisten con la ortografía, gramática y estilo en textos.

– Inteligencia Artificial General –

La inteligencia artificial general (AGI, por sus siglas en inglés) es el santo grial de todo el campo de la IA, denotando un sueño aún no realizado de una máquina capaz de reproducir todas las habilidades cognitivas humanas.

Sus promotores, incluidos el jefe de OpenAI, Sam Altman, y sus rivales en Anthropic, ven este tipo de sistema como algo alcanzable, utilizando océanos de datos y un poder de procesamiento gigantesco para entrenar modelos de lenguaje cada vez más potentes.

Los escépticos insisten en que la tecnología de los modelos de lenguaje tiene importantes limitaciones, incluyendo su capacidad para razonar.

«Los modelos de lenguaje no funcionan como los seres humanos», ya que las inteligencias de carne y hueso son «máquinas que dan sentido» con habilidades fundamentalmente diferentes a los sistemas informáticos actuales, dijo Maxime Amblard, profesor de informática en la Universidad de Lorena, Francia, a la AFP el año pasado.

pcl/dax-kf/tgb/adp/lth

Photo by Christopher Burns on Unsplash