Inventado en 1956, el término "inteligencia artificial" se refiere a la capacidad de una máquina para imitar la inteligencia humana. Su campo de aplicación abarca una gran variedad de tareas: entender el lenguaje, descifrar una imagen, resolver problemas... hasta tal punto que resulta difícil delimitarlo con claridad. Por ejemplo, ¿el motor de recomendación de contenidos de tu red social o plataforma de vídeo favorita entra dentro del ámbito de la inteligencia artificial o de los simples algoritmos? Yendo un paso más allá, ¿acaso un simple ordenador no está ya replicando la inteligencia humana al realizar tareas computacionales más complejas y rápidas que un humano?
Así pues, no es fácil trazar con precisión los contornos de la inteligencia artificial basándose únicamente en la naturaleza de las tareas que es capaz de realizar. No obstante, se puede clasificar según el alcance de sus capacidades y la forma en que opera.
IA estrecha, IA general y super inteligencia artificial
Se dice que una IA es estrecha o débil (en inglés: ANI por Artificial Narrow Intelligence) cuando sólo es capaz de realizar ciertas tareas específicas, aunque pueda hacerlo mejor que un ser humano. Todas las IA que se utilizan actualmente son estrechas.
El término IA general o fuerte (en inglés: AGI por Artificial General Intelligence) se utiliza para designar a una IA que sería capaz de realizar tantas tareas como un ser humano.
Por último, se habla de super inteligencia artificial para designar una IA que superaría las capacidades de la mente humana.
Los dos últimos tipos de IA son, por el momento, ciencia ficción.
IA simbólica, IA conexionista
Existen dos enfoques principales para simular la inteligencia humana: el enfoque simbólico, también conocido como determinista, y el enfoque conexionista, también conocido como probabilista o estadístico.
Inteligencia artificial simbólica
La inteligencia artificial simbólica pretende replicar la inteligencia a través del razonamiento. Consiste en programar un conjunto de reglas (por ejemplo, del tipo "Si... entonces... si no", "Cuando... entonces...", etc.) para que la máquina realice una tarea determinada. Este tipo de IA ha dado lugar a muchos sistemas expertos, es decir, algoritmos capaces de resolver problemas complejos en un campo muy específico, basados en un motor de reglas. Un sistema experto podría, por ejemplo, optimizar la asignación de camas hospitalarias, sugerir la ruta de reparto más eficiente en función de determinados criterios o evaluar el nivel de riesgo en una solicitud de hipoteca. La principal limitación de la IA determinista es que, en realidad, no permite que la máquina aprenda: la máquina está limitada por sus instrucciones y, para hacerla progresar, hay que hacer evolucionar su motor de reglas... lo que requiere la intervención de al menos un experto (humano) en la materia.
Inteligencia Artificial Conexionista
La inteligencia artificial conexionista, en cambio, no pretende replicar la capacidad de razonamiento de los humanos, sino su capacidad de aprendizaje. Su enfoque es estadístico. Su principal representante en la actualidad es el aprendizaje automático o machine learning, que engloba los avances más destacados de la inteligencia artificial en los últimos años: redes neuronales, deep learning, la IA generativa, el procesamiento del lenguaje natural (PLN)...
Para entender la lógica del machine learning, podemos imaginar a un niño que no ha visto un gato en su vida. Podríamos, por supuesto, explicarle que cualquier animal mono con bigotes, cuatro patas y algunas características más es un gato; pero es poco probable que esto le permita distinguir un gato de una pantera o incluso de otros animales. Otro método consiste en mostrar al niño ejemplos de animales, diciéndole "esto es un gato, esto es un elefante, etc.". Gracias a estos ejemplos, el niño habrá aprendido a distinguir un gato. El aprendizaje automático replica este proceso de aprendizaje, a través de algoritmos a los que se somete una gran cantidad de datos, hasta que aprende a categorizarlos.
Este enfoque se ha hecho muy popular desde la década de 1990, gracias al aumento de la capacidad de almacenamiento y computación de los ordenadores y a la cantidad de datos disponibles para entrenar modelos. Sus principales limitaciones, sin embargo, incluyen la necesidad de una gran cantidad de datos, así como una cierta dificultad para entender qué hace que un modelo tome una decisión concreta - por eso los modelos de aprendizaje automático se denominan a menudo cajas negras, en contraposición a los modelos deterministas cuyas decisiones siguen directamente las reglas programadas, por muy complejas que sean esas reglas.
En pocas palabras, podríamos concluir que la IA determinista tiende a reproducir la facultad de razonamiento y deducción del ser humano, mientras que la IA estadística se esfuerza por imitar la memoria del ser humano y su facultad de inferir y generalizar a partir de hechos dados.
Para saber más sobre producto: descarga nuestro libro Las Claves del Product Management
