Las palabras «inteligencia artificial» (IA) se han utilizado para describir el funcionamiento de las computadoras durante décadas, pero el significado preciso cambió con el tiempo. Hoy en día, la IA describe los esfuerzos para enseñar a las computadoras a imitar la capacidad humana para resolver problemas y hacer conexiones basadas en el conocimiento, la comprensión y la intuición. 

¿Qué es la inteligencia artificial?

La inteligencia artificial generalmente abarca el creciente cuerpo de trabajo en tecnología de vanguardia que tiene como objetivo entrenar la tecnología para imitar con precisión o, en algunos casos, superar las capacidades de los humanos. 

Los algoritmos más antiguos, cuando se vuelven comunes, tienden a ser sacados de la tienda. Por ejemplo, la transcripción de voces humanas en palabras fue una vez un área activa de investigación para los científicos que exploraban la inteligencia artificial. Ahora es una característica común integrada en teléfonos, automóviles y electrodomésticos y no se describe con el término tan a menudo. 

Hoy en día, la IA a menudo se aplica a varias áreas de investigación:

Visión artificial : que ayuda a las computadoras a comprender la posición de los objetos en el mundo a través de luces y cámaras. 

Aprendizaje automático (ML) : el problema general de enseñar a las computadoras sobre el mundo con un conjunto de ejemplos de entrenamiento. 

Procesamiento del lenguaje natural (PNL) : dar sentido al conocimiento codificado en lenguajes humanos.

Robótica : Diseñar máquinas que puedan funcionar con cierto grado de independencia para ayudar con las tareas, especialmente el trabajo que los humanos no pueden hacer porque puede ser repetitivo, extenuante o peligroso. 

Una breve historia de la inteligencia artificial

Existe una amplia gama de aplicabilidad práctica al trabajo de inteligencia artificial. Algunas tareas se entienden bien y los algoritmos para resolverlas ya están bien desarrollados y representados en el software. Pueden estar lejos de ser perfectos, pero la aplicación está bien definida. Encontrar la mejor ruta para un viaje, por ejemplo, ahora está ampliamente disponible a través de aplicaciones de navegación en automóviles y teléfonos inteligentes. 

Otras áreas son más filosóficas. Los autores de ciencia ficción han estado escribiendo sobre computadoras que desarrollan actitudes y emociones similares a las humanas durante décadas; y algunos investigadores de IA han estado explorando esta posibilidad. 

Si bien las máquinas son cada vez más capaces de trabajar de forma autónoma, las preguntas generales sobre sensibilidad, conciencia o autoconciencia siguen abiertas y sin una respuesta definitiva. 

Los investigadores de IA a menudo hablan de una jerarquía de capacidad y conciencia. Las tareas dirigidas en la parte inferior a menudo se denominan «IA estrecha» o «IA reactiva». Estos algoritmos pueden resolver problemas bien definidos, a veces sin mucha dirección de los humanos. Muchos de los paquetes de IA aplicados entran en esta categoría. 

Cerrando la idea

La noción de «IA general» o «IA autodirigida» se aplica al software que podría pensar como un humano e iniciar planes fuera de un marco bien definido. No hay buenos ejemplos de este nivel de IA en este momento; aunque a veces a algunos desarrolladores les gusta sugerir que sus herramientas están comenzando a mostrar algo de esta independencia. 

Más allá de esto está la idea de la “súper IA”, un paquete que puede superar a los humanos en razonamiento e iniciativa. Estos son ampliamente discutidos hipotéticamente por investigadores avanzados y autores de ciencia ficción. 

En la última década, muchas ideas del laboratorio de IA han encontrado hogar en productos comerciales. Con el surgimiento de la industria de la IA; muchas de las empresas líderes en tecnología han ensamblado productos de IA a través de una combinación de adquisiciones y desarrollo interno. Estos productos ofrecen una amplia gama de soluciones y muchas empresas están experimentando con su uso para resolver problemas para ellos y sus clientes. 

¿Cómo abordan la IA las empresas más grandes?

Las empresas líderes han invertido mucho en IA y han desarrollado una amplia gama de productos dirigidos tanto a desarrolladores como a usuarios finales. Sus líneas de productos son cada vez más diversas a medida que las empresas experimentan con diferentes niveles de soluciones para una amplia gama de problemas aplicados. Algunos son más refinados y están dirigidos al usuario ocasional de computadoras. Otros están dirigidos a otros programadores que integrarán la IA en su propio software para mejorarlo. Las compañías más grandes ofrecen docenas de productos ahora y es difícil resumir sus opciones cada vez más variadas. 

IBM ha sido durante mucho tiempo uno de los líderes en investigación de IA. Su competidor basado en IA en el juego de televisión Jeopardy , Watson , ayudó a despertar el interés reciente en la IA cuando venció a los humanos en 2011, demostrando cuán hábil podría ser el software para manejar preguntas más generales planteadas en lenguaje humano. 

Desde entonces; IBM ha creado una amplia colección de algoritmos de IA aplicados bajo la marca Watson que pueden automatizar decisiones en una amplia gama de aplicaciones comerciales como gestión de riesgos; cumplimiento, flujo de trabajo comercial y desarrollo. Estas soluciones se basan en una combinación de procesamiento de lenguaje natural y aprendizaje automático para crear modelos que pueden tomar decisiones de producción o detectar anomalías. En un estudio de caso de sus aplicaciones, por ejemplo, el producto IBM Safer Payments evitó $115 millones en fraudes con tarjetas de crédito. 

Los gigantes de la IA

Otro ejemplo, la plataforma de inteligencia artificial de Microsoft ofrece una amplia gama de algoritmos, tanto como productos como servicios disponibles a través de Azure. 

La compañía también se enfoca en aplicaciones de aprendizaje automático y visión por computadora y le gusta resaltar cómo sus herramientas buscan secretos dentro de conjuntos de datos extremadamente grandes. 

Su modelo Megatron-Turing Natural Language Generation (MT-NLG), por ejemplo, tiene 530 mil millones de parámetros para modelar los matices de la comunicación humana. Microsoft también está trabajando para ayudar a que los procesos comerciales pasen de estar automatizados a ser autónomos al agregar más inteligencia para manejar la toma de decisiones. 

Sus paquetes autónomos , por ejemplo, se están aplicando tanto a los problemas específicos de mantener las líneas de montaje funcionando sin problemas como a los desafíos más amplios de navegar con drones. 

Google desarrolló una sólida colección de algoritmos de aprendizaje automático y visión por computadora que utiliza tanto para proyectos internos que indexan la web como para revender los servicios a través de su plataforma en la nube. Ha sido pionera en algunas de las plataformas de aprendizaje automático de código abierto más populares; como TensorFlow, y también ha creado hardware personalizado para acelerar los modelos de entrenamiento en grandes conjuntos de datos. 

El producto Vertex AI de Google , por ejemplo, automatiza gran parte del trabajo de convertir un conjunto de datos en un modelo de trabajo que luego se puede implementar. La empresa también ofrece una serie de modelos preentrenados para tareas comunes como el reconocimiento óptico de caracteres o la IA conversacional que podrían usarse para un agente de servicio al cliente automatizado. 

También puedes leer: Nintendo cree que la película de Mario puede alargar el ciclo de vida de Switch

Comercio

Además; Amazon también utiliza una colección de rutinas de IA internamente en su sitio web minorista, mientras comercializa las mismas herramientas de back-end para los usuarios de AWS. Los productos como Personalize están optimizados para ofrecer a los clientes recomendaciones personalizadas sobre productos. Rekognitition ofrece algoritmos de visión artificial predesarrollados para moderación de contenido, reconocimiento facial y detección y conversión de texto. Estos algoritmos también tienen una colección preconstruida de modelos de celebridades conocidas, una herramienta útil para las empresas de medios. Los desarrolladores que deseen crear y entrenar sus propios modelos también pueden recurrir a productos como SageMaker , que automatiza gran parte de la carga de trabajo de los analistas de negocios y científicos de datos. 

Facebook también usa inteligencia artificial para ayudar a administrar el flujo interminable de imágenes y publicaciones de texto. Los algoritmos de visión artificial clasifican las imágenes cargadas y los algoritmos de texto analizan las palabras en las actualizaciones de estado. Si bien la empresa mantiene un sólido equipo de investigación, no ofrece activamente productos independientes para que otros los utilicen. Comparte una serie de proyectos de código abierto como NeuralProphet , un marco para la toma de decisiones. 

Además, Oracle está integrando algunas de las herramientas de código abierto más populares, como Pytorch y Tensorflow, en su jerarquía de almacenamiento de datos para que sea más fácil y rápido convertir la información almacenada en las bases de datos de Oracle en modelos de trabajo. También ofrecen una colección de herramientas de IA prediseñadas con modelos para abordar desafíos comunes como la detección de anomalías o el procesamiento del lenguaje natural. 

¿Cómo se acercan las startups a la IA? 

Las nuevas empresas de IA tienden a centrarse en una tarea en particular, donde los algoritmos aplicados y un enfoque determinado producirán algo transformador. Por ejemplo, un desafío actual de gran alcance es la producción de automóviles autónomos. Las empresas emergentes como Waymo , Pony AI , Cruise Automation y Argo son cuatro empresas emergentes importantes con una financiación significativa que están construyendo el software y los sistemas de sensores que permitirán que los autos se desplacen solos por las calles. Los algoritmos involucran una mezcla de aprendizaje automático, visión por computadora y planificación. 

Muchas startups están aplicando algoritmos similares a dominios más limitados o predecibles como almacenes o plantas industriales. Empresas como Nuro , Bright Machines y Fetch son solo algunas de las muchas que quieren automatizar almacenes y espacios industriales. Fetch también quiere aplicar algoritmos de planificación y visión artificial para asumir tareas repetitivas. 

Un número considerable de nuevas empresas también se están enfocando en trabajos que son peligrosos para los humanos o imposibles de realizar. En este contexto, Hydromea está construyendo drones submarinos autónomos que pueden rastrear activos sumergidos como plataformas petroleras o herramientas de minería. Otra empresa, Solinus , fabrica robots para inspeccionar tuberías estrechas. 

Nuevos algoritmos y dominios

Muchas nuevas empresas también están trabajando en dominios digitales; en parte porque el área es un hábitat natural para los algoritmos, ya que los datos ya están en forma digital. Hay docenas de empresas, por ejemplo, que trabajan para simplificar y automatizar las tareas rutinarias que forman parte del flujo de trabajo digital de las empresas. Esta área, a veces llamada automatización de procesos robóticos (RPA), rara vez involucra robots físicos porque funciona con papeleo digital o ficha. Sin embargo, es una forma popular para que las empresas integren rutinas básicas de IA en su pila de software. Las buenas plataformas de RPA, por ejemplo, suelen utilizar el reconocimiento óptico de caracteres y el procesamiento del lenguaje natural para dar sentido a los formularios cargados y simplificar la carga de trabajo de la oficina. 

Muchas empresas también dependen de proyectos de software de código abierto con amplia participación. Los proyectos como Tensorflow o PyTorch se utilizan en organizaciones de investigación y desarrollo en universidades y laboratorios industriales. Algunos proyectos como DeepDetect , una herramienta para el aprendizaje profundo y la toma de decisiones, también están generando empresas que ofrecen mezclas de soporte y servicios. 

También hay cientos de proyectos de código abierto efectivos y bien conocidos utilizados por investigadores de IA. OpenCV , por ejemplo, ofrece una gran colección de algoritmos de visión por computadora que se pueden adaptar e integrar con otras pilas. Se utiliza con frecuencia en robótica, proyectos médicos, aplicaciones de seguridad y muchas otras tareas que dependen de la comprensión del mundo a través de una imagen o video de una cámara.

Desafíos para la inteligencia artificial empresarial

Hay algunas áreas en las que la IA tiene más éxito que otras. La clasificación estadística que utiliza el aprendizaje automático suele ser bastante precisa, pero a menudo está limitada por la amplitud de los datos de entrenamiento. Estos algoritmos a menudo fallan cuando se les pide que tomen decisiones en situaciones nuevas o después de que el entorno se ha alejado sustancialmente del corpus de entrenamiento. 

Gran parte del éxito o el fracaso depende de cuánta precisión se exija. La IA tiende a tener más éxito cuando los errores ocasionales son tolerables. Si los usuarios pueden filtrar clasificaciones erróneas o respuestas incorrectas, los algoritmos de IA son bienvenidos. Por ejemplo, muchos sitios de almacenamiento de fotos ofrecen aplicar algoritmos de reconocimiento facial para clasificar las fotos por quién aparece en ellas. Los resultados son buenos pero no perfectos, pero los usuarios pueden tolerar los errores. El campo es en gran parte un juego estadístico y tiene éxito cuando se juzga en base a un porcentaje. 

Algunas de las aplicaciones más exitosas no requieren algoritmos especialmente inteligentes o elaborados, sino que dependen de un conjunto de datos grande y bien seleccionado organizado por herramientas que ahora son manejables. El problema alguna vez pareció imposible debido al alcance, hasta que equipos lo suficientemente grandes lo abordaron. Las aplicaciones de navegación y mapas como Waze solo usan algoritmos de búsqueda simples para encontrar la mejor ruta, pero estas aplicaciones no podrían tener éxito sin un gran modelo digitalizado de los diseños de las calles. 

Lenguaje

El procesamiento del lenguaje natural también tiene éxito al hacer generalizaciones sobre el sentimiento o el significado básico de una oración, pero con frecuencia se tropieza con neologismos, jerga o matices. A medida que el lenguaje cambia o procesa, los algoritmos pueden adaptarse, pero solo con un reentrenamiento puntual. También comienzan a fallar cuando los desafíos están fuera de un gran conjunto de entrenamiento. 

La robótica y los automóviles autónomos pueden tener bastante éxito en áreas limitadas o espacios controlados, pero también enfrentan problemas cuando aparecen nuevos desafíos u obstáculos inesperados. Para ellos, los costos políticos del fracaso pueden ser significativos, por lo que los desarrolladores son necesariamente cautelosos al dejar el sobre.

De hecho, determinar si un algoritmo es capaz o falla a menudo depende de criterios determinados políticamente. Si los clientes están lo suficientemente contentos con la respuesta, si los resultados son lo suficientemente predecibles para ser útiles, entonces los algoritmos tienen éxito. A medida que se dan por sentadas, pierden la denominación de AI. 

Si el término se aplica generalmente a los temas y objetivos que están fuera de alcance, si la IA siempre se redefine para excluir las soluciones simples y bien entendidas, entonces la IA siempre se moverá hacia el horizonte tecnológico. Puede que no tenga un 100 % de éxito actualmente, pero cuando se aplica en casos específicos, puede ser tentadoramente cercano.