A nadie le cabe duda de que, especialmente a causa de ChatGPT, la Inteligencia Artificial es un término que está en boca de todos. Sin embargo, para la mayoría de las personas «de a pie» sigue siendo un concepto casi utópico, y lo consideran como una especie de ente al estilo Skynet de las películas de Terminator que no terminan de comprender bien. Si es tu caso no te preocupes, porque en este artículo te vamos a explicar qué es exactamente la Inteligencia Artificial, cómo funciona y cuáles son los tipos que existen (porque sí, efectivamente hay diferentes tipos).
La Inteligencia Artificial, abreviado como IA, consiste en una amplia rama de la informática que se ocupa de construir máquinas «inteligentes» capaces de realizar tareas para las que normalmente se requiere de la inteligencia humana. Pero vamos a dejarnos de preámbulos y comencemos a entrar en materia.
Inteligencia Artificial: definición y funcionamiento
En términos generales, un sistema de Inteligencia Artificial es aquel capaz de realizar tareas que normalmente están relacionadas con las funciones cognitivas humanas, es decir, pensar, interpretar y razonar. En realidad, una IA no es sino una base de datos gigante en la que se albergan una gran cantidad de posibilidades y, con un procesador, se es capaz de sacar conclusiones en base a esta base de datos.
Pongamos un ejemplo para entenderlo mejor: en la mencionada base de datos se ha introducido información sobre cómo tiene que ser un árbol; tiene tronco, ramas, hojas… el tronco y las ramas pueden ser marrones, blancos, etc., mientras que las hojas pueden ser verdes, amarillas, rojas… se ha definido la forma y el tamaño, y se han introducido diversas posibilidades sobre cómo puede ser un árbol (por ejemplo, un árbol sin hojas sigue siendo un árbol). A partir de todas estas premisas, el procesador de la IA será capaz de identificar un árbol cuando lo vea.
Por supuesto, todas estas premisas o datos introducidos en la base de datos no han surgido por ciencia infusa sino que se las hemos dado los humanos, pero aquí entramos en una de las disciplinas de la Inteligencia Artificial de las que vamos a hablar más adelante. Lo que queremos que quede claro en el concepto de «qué es una Inteligencia Artificial» es que, en realidad y resumiéndolo al máximo, consta de un procesador y una base de datos, ni más ni menos.
IA fuerte vs IA débil
Dado que el concepto «inteligencia» es a veces complicado de definir, los expertos en IA suelen diferenciarla entre IA fuerte e IA débil.
- IA fuerte: generalmente conocida como IA General, concibe una máquina capaz de resolver problemas para los que nunca ha sido entrenada específicamente, de una manera similar a como lo haría un humano. Este es el típico caso de IA que vemos en las películas de ciencia-ficción, como Yo Robot o Westworld, y por ello se considera como el Santo Grial de la Inteligencia Artificial. Debes saber que es algo que todavía no se ha conseguido realizar de manera completamente satisfactoria, pero es el principal ámbito de estudio de desarrollo a pesar de que existe una asociación a nivel mundial que pretende limitar los riesgos de crear un ente que de verdad sea inteligente.
- IA débil: generalmente conocida como IA Especializada, esta Inteligencia Artificial opera solo bajo un contexto limitado y para el que sí ha sido entrenada por humanos, como por ejemplo la conducción autónoma de vehículos, asistentes virtuales como Alexa o Siri, o bots del tipo Google Bard o ChatGPT. También es el tipo de IA que por ejemplo utiliza Netflix para darnos recomendaciones (se basa en lo que ya hemos visto para recomendarnos contenido parecido) o los filtros de SPAM de los gestores de correo electrónico.
Machine Learning y Deep Learning
No podemos hablar de Inteligencia Artificial sin hablar de los términos Machine Learning y Deep Learning, ya que están intrínsecamente asociados. Sin embargo, son términos que ni deben ni pueden utilizarse indistintamente porque son dos cosas completamente diferentes: una cosa es el «aprendizaje automático» y otra el «aprendizaje profundo», así que vamos a explicarlos a continuación.
Machine Learning
Se trata de un algoritmo de aprendizaje automático que se alimenta de datos (esa base de datos de la que os hemos hablado antes) y utiliza literalmente la estadística para «aprender» sin que necesariamente haya sido programada para ello. Dicho de otra manera, este tipo de algoritmo utiliza datos históricos y estadísticos para realizar una predicción y ofrecer un resultado en consonancia a ello.
Pongamos un ejemplo absurdo (y en este caso erróneo) para entenderlo mejor: la base de datos está llena de datos que previamente se han ido introduciendo. Entre estos datos, le hemos dicho en numerosas ocasiones a la IA que «todos los caballos son blancos», y por lo tanto cuando le preguntemos de qué color es un caballo, esta IA buscará en el histórico de la base de datos y nos dará como resultado que el caballo es blanco.
Acabamos de mencionar que «le hemos dicho a la IA» un dato, y esto se conoce como aprendizaje supervisado, en el que la respuesta de la IA se conoce gracias a un conjunto de datos que han sido etiquetados e introducidos previamente en la base de datos. Sin embargo, el algoritmo de Machine Learning también es capaz de ofrecer resultados mediante aprendizaje no supervisado, y esto sucede cuando en la base de datos no hay suficientes datos como para ofrecer un resultado concreto.
Lógicamente, estamos hablando en cualquier caso de «aprendizaje», por lo que la propia IA va rellenando espacios en su base de datos en función de los resultados que va ofreciendo, de manera que incluso si erróneamente una IA aprende que 2+2=5, 5 será el resultado que dará cuando le pregunten cuánto es 2+2.
Deep Learning
Lo primero que debes saber es que si pusiéramos la Inteligencia Artificial, Machine Learning y Deep Learning sobre un diagrama, Deep Learning se consideraría un tipo de Machine Learning, conocido como su traducción literal, «aprendizaje profundo». Es un tipo de aprendizaje automático que ejecuta sus entradas a través de una red neuronal, llamado así porque inspira su funcionamiento en las neuronas del cerebro humano.
Las redes neuronales contienen una serie de «capas» a través de las que se procesan los datos, permitiendo a la IA profundizar en su aprendizaje estableciendo conexiones para poder mostrar mejores resultados.
Imaginad una red neuronal con la CPU de la IA en pleno centro, recibiendo datos de diferentes bases de datos especializadas, de manera que pueda obtener resultados de varias fuentes, ponderarlos para ver cuál es la mejor opción (de nuevo basándose en el histórico y en estadística) y así ofrecer un resultado mucho más exacto que simplemente con Machine Learning.
Los cuatro tipos de Inteligencia Artificial
Antes os hemos dicho que existe la IA Fuerte y la IA Débil, pero en realidad la Inteligencia Artificial puede ser categorizada en un total de cuatro tipos diferentes basándose en el tipo de complejidad de las tareas que realizan.
- Máquinas reactivas: este tipo sigue los principios más básicos de la IA y, como su nombre indica, solo es capaz de utilizar lo que ya tiene para reaccionar ante la tarea que se le asigna. Una máquina reactiva no es capaz de añadir nuevos datos a su base de datos, por lo que no puede basar sus resultados en la propia experiencia de la máquina. Un ejemplo claro sería el famoso Deep Blue, la máquina que IBM creó en los años 90 para jugar al ajedrez, y que solo era capaz de identificar las piezas en el tablero de ajedrez, saber cómo se mueven y reaccionar a los movimientos de su oponente en función de lo que «veía».
- Memoria limitada: el segundo tipo es como el anterior pero tiene la habilidad de almacenar datos en base a su propia experiencia. Volviendo al ejemplo que acabamos de poner con Deep Blue, cuando el maestro Gary Kasparov le venció habría sido capaz de «aprender» de su derrota y no cometer los mismos errores en la partida siguiente.
- Máquinas teóricas: como su nombre sugiere, se basan simplemente en teorías y no en experiencias. Por el momento debéis saber que no se ha logrado la capacidad tecnológica para crear este nivel de IA, pero el concepto se basa en la premisa de que sería capaz de comprender los pensamientos y emociones que modifican el comportamiento, de igual manera a que una persona no toma las mismas decisiones cuando está feliz que cuando está enfadado.
- Consciencia: este sería el cuarto y último nivel, y lógicamente va después de las máquinas teóricas y por lo tanto tampoco se ha alcanzado. Este tipo de IA poseería una consciencia al mismo nivel que el humano, comprendiendo su propia existencia en el mundo, y sería capaz de comprender lo que otros pueden necesitar no solo en base a lo que le dicen, sino en base a cómo lo dicen. Efectivamente, esto sí iría en la línea del concepto Skynet.
Ejemplos actuales de Inteligencia Artificial
Como ya supondrás si has leído todo lo anterior de este artículo, la Inteligencia Artificial puede tomar varias formas, por decirlo de alguna manera. A pesar de que ahora mismo son los chatbots los que están de moda, no todas las IA son iguales, por lo que vamos a ver algunos ejemplos para que lo tengamos claro.
- ChatGPT: es un chatbot capaz de producir contenido por escrito en base a las premisas o preguntas que le planteemos.
- Alexa, Siri y demás asistentes virtuales: recibiendo instrucciones por parte de los usuarios, son capaces de dar respuestas o ejecutar acciones concretas. En muchos casos, estos asistentes también son capaces de aprender de los hábitos y gustos de los usuarios para ofrecer recomendaciones personalizadas, pero lo más habitual es implemente responder a órdenes: «Alexa, pon música», «Siri, dime la previsión del tiempo para mañana».
- Coches autónomos: los coches con conducción autónoma son un ejemplo reconocible de Deep Learning, ya que utilizan redes neuronales para tomar decisiones en base a diferentes sensores (cámaras, sensores de proximidad, infrarrojos para determinar distancias, etc.).
- Google / Apple Maps: estas aplicaciones también se basan en la IA en el sentido de que son capaces de calcular la mejor ruta en función de la posición del usuario, y añaden también conceptos no constantes como pueden ser accidentes de tráfico, retenciones, etc. Además, también utilizan las últimas búsquedas que hayamos hecho para hacernos recomendaciones (por ejemplo, si buscaste restaurantes te va a recomendar restaurantes a tu alrededor).