¿Qué es la IA? Una guía completa sobre inteligencia artificial

A pesar de todo el revuelo reciente, la inteligencia artificial (IA) no es nada nuevo. De hecho, es anterior a la World Wide Web en décadas. Si bien la repentina y rápida aparición de la IA generativa ha captado toda la atención (y probablemente sea la razón por la que estás leyendo este artículo), seguramente te has encontrado con la IA directa e indirectamente durante muchos años.

Esta descripción general de alto nivel de la IA desglosará las diversas formas en que puede funcionar, lo que puede y no puede hacer, y sus implicaciones para el presente y el futuro de las empresas y la sociedad. También señalaremos cómo se relaciona esto con Grammarly: ha sido parte de cómo hemos ayudado a las personas a escribir durante más de una década.

Tabla de contenido

• IA explicada
• Cómo funciona la IA
• Historia de la IA
• Aplicaciones de la IA
• Beneficios de la IA
• Limitaciones de la IA
• Conclusión

Inteligencia artificial explicada

La inteligencia artificial es una tecnología que simula la forma en que la mente humana aprende y trabaja.

La IA se diferencia de los programas informáticos estándar en que puede resolver problemas mediante algoritmos o razonamiento lógico. Además, en la mayoría de las aplicaciones actuales, puede aprender y adaptarse sin intervención humana. Los aspectos principales del campo de la IA incluyen el aprendizaje automático (ML), el procesamiento del lenguaje natural (NLP) y las redes neuronales.

Cómo funciona la inteligencia artificial

Un modelo es una instancia específica de IA. Por ejemplo, ChatGPT 3.5 y ChatGPT 4 son dos modelos de IA. Para comprender los principales componentes básicos de la IA, nos centraremos en diferentes enfoques conceptuales para crear un modelo.

IA basada en reglas o sistemas expertos

El marco más sencillo es lo que se llama sistemas expertos o basados ​​en reglas: las personas escriben instrucciones específicas en una forma de lógica que un algoritmo puede entender. El típico árbol telefónico de atención al cliente funciona de esta manera: se le indica que dé una determinada respuesta a una entrada que coincida con ciertos parámetros. El algoritmo fundamental PageRank de Google es otro ejemplo, pero mucho más sofisticado.

Aprendizaje automático

La mayor parte de la IA actual utiliza un enfoque llamado aprendizaje automático. En lugar de recibir un conjunto de instrucciones codificadas, el modelo aprende las reglas por sí mismo a partir de una gran (o enorme) variedad de contenidos: patrones, relaciones y otras dinámicas. Este proceso a menudo se denomina entrenamiento del modelo. También es posible combinar reglas y ML, y analizaremos las ventajas relativas de cada uno más adelante.

Hay cuatro categorías principales de ML: aprendizaje supervisado, no supervisado, semisupervisado y autosupervisado.

1 El aprendizaje supervisado utiliza datos estructurados o anotados para decirle a la máquina lo que necesita aprender. Este enfoque se basa en conjuntos de datos etiquetados, donde ya se conoce el resultado deseado, lo que permite que el modelo aprenda la relación entre entradas y salidas.

2 El aprendizaje no supervisado no tiene instrucciones explícitas, por lo que se deja que la máquina dé sentido a lo que ve por sí sola y luego haga predicciones. Este tipo de aprendizaje se utiliza para encontrar patrones ocultos o estructuras intrínsecas en los datos de entrada.

3 El aprendizaje semisupervisado es un enfoque híbrido en el que el modelo se entrena con una pequeña cantidad de datos etiquetados complementados con una gran cantidad de datos sin etiquetar. Este método aprovecha los beneficios del aprendizaje supervisado y no supervisado, mejorando la eficiencia y la precisión del aprendizaje cuando los datos etiquetados son escasos.

4 El aprendizaje autosupervisado es un enfoque en el que el modelo genera sus propias etiquetas a partir de los datos de entrada. Es particularmente útil en escenarios donde los datos etiquetados son limitados o no están disponibles. El modelo utiliza parte de los datos de entrada para predecir otras partes, creando efectivamente sus propias señales supervisadas.

El aprendizaje no tiene por qué terminar con la formación inicial. Con el aprendizaje por refuerzo, el modelo mejora continuamente en función de la retroalimentación sobre la calidad de su resultado. Esta evaluación la pueden realizar humanos, pero también existen muchas técnicas y algoritmos para el aprendizaje por refuerzo automatizado.

Una vez que el modelo ha sido entrenado, está listo para ser utilizado. Una entrada se ejecuta a través del modelo y proporciona una salida, ya sea una respuesta a una pregunta, una clasificación de una imagen, un dibujo de un gráfico, etc. Algunas IA (especialmente los modelos basados ​​en reglas) son deterministas, lo que significa que una entrada determinada siempre conducirá a un resultado determinado. Sin embargo, la mayoría de los modelos modernos son probabilísticos e introducen cierto grado de aleatoriedad, lo que explica por qué si ingresas exactamente la misma pregunta en ChatGPT dos veces, es poco probable que obtengas la misma respuesta.

Redes neuronales y aprendizaje profundo

Bien, pero ¿cómofuncionarealmente la IA? Aquí es donde las cosas se vuelven muy técnicas muy rápidamente. Nos centraremos en el enfoque detrás de muchas de las llamativas innovaciones de IA actuales: las redes neuronales.

Estas representaciones simplificadas de las neuronas del cerebro comienzan haciendo conjeturas aleatorias, comparan esas conjeturas con las respuestas correctas y hacen pequeños ajustes una y otra vez para mejorar continuamente su precisión.

Las redes neuronales están compuestas de capas. En "abajo" está la entrada, arriba está la salida y en el medio están las llamadas capas ocultas. De abajo hacia arriba, las capacidades se vuelven cada vez más abstractas. Por ejemplo, en un sistema de reconocimiento de imágenes, las capas inferiores pueden reconocer colores o bordes, y las superiores perciben objetos específicos.

Cuando las redes neuronales tienen múltiples capas ocultas, se llama aprendizaje profundo. Las redes neuronales profundas actuales suelen tener muchas capas y, a menudo, hay subcapas con funciones específicas. Las mejoras en la capacidad de procesamiento han desencadenado una explosión de innovación.

Procesamiento del lenguaje natural

Cuando las computadoras buscan comprender la forma en que los humanos escriben y hablan, eso es procesamiento del lenguaje natural. Mientras que un corrector ortográfico básico simplemente resalta las palabras que no coinciden con su diccionario, Grammarly usa PNL para comprender su escritura y hacer sugerencias que se ajusten al contexto.

En la última década, la PNL ha pasado por una revolución, que seguramente usted ha experimentado en el trabajo con la traducción automática, la generación de texto y la transcripción automática. Técnicas como aumentar la atención (cuánto puede “tener en cuenta” el modelo en un momento dado, en lugar de simplemente procesar palabra por palabra) y modelos previamente entrenados (para que no tengan que volver a aprender cómo funciona el lenguaje humano desde el principio). scratch) han hecho posible que las máquinas entiendan y hablen como humanos en muchos contextos.

IA generativa

La IA generativa es un subconjunto de la inteligencia artificial que puede producir contenido nuevo, como texto, imágenes, música e incluso código, basándose en sus datos de entrenamiento.

A diferencia de los sistemas de IA tradicionales, que están diseñados para tareas específicas o análisis de datos, los modelos de IA generativa son capaces de generar resultados originales que a menudo imitan el trabajo creado por humanos. Estos modelos, basados ​​en redes neuronales profundas, intuyen patrones, estilos o lógica a partir de extensos conjuntos de datos. Luego aprovechan este conocimiento para crear contenido nuevo y único que antes no existía.

El uso de la IA generativa abarca varios campos, incluidos el entretenimiento, el arte, la literatura y el desarrollo de software. Esto demuestra la versatilidad de la IA y sus crecientes capacidades.

Para repasar: la IA puede basarse en reglas o ML. El aprendizaje automático puede ser supervisado o no supervisado y mejora con el tiempo con el aprendizaje reforzado. Muchos de los modelos de IA actuales son redes neuronales que utilizan el aprendizaje profundo en muchas capas. El procesamiento del lenguaje natural es una brillante historia de éxito para las redes neuronales profundas, y los modelos que crean texto, imágenes, código y más se denominan IA generativa.

Historia de la IA

Aquí, proporcionaremos una breve descripción general de la historia de la IA. En aras de la brevedad y para centrarnos únicamente en el cronograma de desarrollo, no mencionaremos a las personas detrás de estas innovaciones.

Décadas de 1950 a 1980: primavera de GOFAI, luego invierno

El términointeligencia artificialse acuñó en 1956. Ese mismo año, el primer programa de software de IA en funcionamiento demostró con éxito varios teoremas matemáticos, uno de los cuales era “más elegante” que la demostración ofrecida por el autor original.

La primera red neuronal se construyó en 1967, pero la mayor parte de las investigaciones sobre IA en esa época se realizaron utilizando representación simbólica y lógica para simular la mente racional. (Es posible que se encuentre con el acrónimo irónico GOFAI, que significabuena IA a la antigua usanza). Sin embargo, una combinación de expectativas no cumplidas y un poder computacional limitado llevaron al llamadoinvierno de la IA, donde la financiación y la investigación se desaceleraron en el Década de 1970 y más allá.

En los años 80, los sistemas expertos (los modelos de IA basados ​​en reglas que conocimos antes) se hicieron populares y tuvieron un impacto práctico en muchas empresas. Paralelamente, los investigadores volvieron a las redes neuronales y desarrollaron técnicas para que se entrenaran a sí mismas.

Décadas de 1990 a 2000: omnipresente pero subestimada

Con más potencia de procesamiento y conjuntos de datos más grandes, en la década de 1990, el aprendizaje automático se volvió práctico a escala aplicada y la IA logró muchos hitos. Fuera del cine, el primer éxito ampliamente conocido de la inteligencia artificial fue probablemente cuando Deep Blue venció a Garry Kasparov en ajedrez allá por 1997. Poco después, el primer programa de reconocimiento de voz para consumidores, Dragon, estuvo disponible para Windows.

A pesar de este progreso, en la primera década de este siglo, muchos investigadores y empresas ocultaban sus productos y proyectos de IA con otros términos porque todavía tenían una connotación de exageración. La ironía es que estos mismos sistemas, que impulsan todo, desde filtros de spam hasta Roombas, en realidad trajeron el valor práctico de la IA aplicada a la vida cotidiana.

Década de 2010 hasta hoy: la IA se generaliza

En la década de 2010, la IA inició un auge que continúa hasta el día de hoy. En lugar de un único avance, convergieron varios factores:

• GPU: a pesar de su nombre comounidad de procesamiento de gráficos,estos chips resultan muy eficientes para entrenar redes neuronales profundas. Un cambio hacia el uso de GPU aceleró tanto la velocidad como el alcance práctico de crear nuevos modelos.
• Avances en la investigación: Las nuevas formas y aplicaciones de redes neuronales dieron lugar a grandes avances en la capacidad de las computadoras para comprender y representar texto e imágenes.
• Big data: En este punto, Internet había existido el tiempo suficiente para que sus miles de millones de usuarios generaran cantidades insondables de contenido para que los modelos aprendieran.
• Computación en la nube: las plataformas bajo demanda de Amazon, Google, Microsoft y otros simplificaron mucho la obtención de la potencia informática necesaria para desarrollar modelos de IA.

Las innovaciones que se crearon recientemente o se revisaron radicalmente durante este tiempo incluyen Google Translate, asistentes virtuales como Siri y motores de recomendación en servicios como Netflix y Spotify, sin mencionar muchos impactos importantes pero menos visibles en sectores como la salud, la manufactura e incluso la defensa. .

Entonces, ¿por qué el frenesí por la IA aumentó varios niveles una vez que la IA generativa entró en escena? La gran diferencia es que modelos como ChatGPT y DALL-E pueden interpretar y responder a casi cualquier entrada, en lugar de estar restringidos a un dominio determinado. Esto significa que cualquier persona con una conexión a Internet puede interactuar directamente con un modelo de IA sin ningún entrenamiento especial y que la IA se puede utilizar para usos específicos mucho más rápido que construir un nuevo modelo desde cero.

El futuro: AGI y ASI

A pesar de todas sus capacidades, lo que vemos hoy se conoce comoIAestrecha o débil. Esto significa tecnología que cubre una parte, pero no toda la gama de la inteligencia humana. Una máquina que iguale las capacidades de nuestro cerebro se llamaríaIA fuerte ointeligencia artificial general (AGI). Una vez que la IA supera la inteligencia humana, se conoce como superinteligencia artificial (ASI).

¿Qué tan lejos estamos de AGI? Es una incógnita. Incluso aquellos profundamente involucrados en este campo han subestimado enormemente el ritmo de la innovación una y otra vez.

Aplicaciones y ejemplos de IA

Estas son sólo algunas de las muchas formas en que la IA aparece hoy en las aplicaciones del mundo real.

Ayudar a los humanos a hacer las cosas mejor.Creemos que Grammarly es un excelente ejemplo en este caso: tienes las ideas, el sentido de lo que intentas decir y el conocimiento de la audiencia. Sugerimos formas de hacer que su mensaje sea más claro y mejorar las posibilidades de que sea bien recibido. Obtenga más información sobre cómo Grammarly utiliza la IA generativa para mejorar la comunicación.

Ayudar a personas con discapacidad.Tecnologías como la conversión de voz a texto y la conversión de texto a voz cambian las reglas del juego para las personas con discapacidades sensoriales, como la audición o la visión. Les permiten asimilar contenido en vivo y grabado que antes era inaccesible, para que puedan involucrarse mucho más con la riqueza del mundo sin depender de que alguien actúe como sus ojos u oídos.

Sistemas autónomos.La IA puede combinar la percepción con la predicción para hacer muchas cosas de manera más eficiente e incluso segura, desde autos que se conducen solos hasta sistemas de rociadores que no funcionan cuando está a punto de llover. Waymo, la empresa de vehículos autónomos iniciada por Google, informa alrededor de un 85 por ciento menos de accidentes con heridos que si los humanos hubieran conducido la misma distancia.

Recomendaciones.Los modelos de IA analizan el comportamiento del usuario y la demografía para hacer conjeturas muy fundamentadas sobre cosas como el próximo programa de televisión o el tipo de agua con gas que quizás quieras probar.

Procesamiento audiovisual.Los ejemplos incluyen el reconocimiento de voz de un asistente virtual, el cobro automático de peajes basado en el procesamiento de imágenes de matrículas y el filtrado del ruido visual y de audio de una grabación o transmisión.

IA de vanguardia.Esto lleva el poder de la IA directamente a los dispositivos del mundo real, en lugar de a un centro de datos. Estos tienden a estar enfocados con láser en una tarea específica para un procesamiento rápido y de baja energía. Los ejemplos incluyen Face ID en un iPhone y termostatos inteligentes.

Ventajas y beneficios de la IA

Procesamiento a escala.Imagínese si una persona real tuviera que evaluar cada transacción con tarjeta de crédito en busca de fraude o ingresar cada número de cada formulario de impuestos enviado por correo al IRS. La IA puede juzgar o clasificar mucho más rápido y, a menudo, mejor que las personas.

Detección y predicción de patrones.La IA está empezando a superar a los humanos en su capacidad para detectar el cáncer; en un caso, superó a los profesionales en un 13%. También es muy bueno para detectar cuándo las cosas se han desviado de un patrón reconocido, como detectar fallas en las bases de datos. Este poder de búsqueda de patrones hace que la IA sea particularmente útil para predicciones, desde pronósticos meteorológicos hasta movimientos del mercado de valores.

Ideas novedosas.Desde el primer modelo, la IA ha aportado respuestas y enfoques a todo tipo de problemas que ningún ser humano jamás había logrado. Los ejemplos modernos abarcan desde el diseño de calzado hasta una nueva ley de la física.

Acelerar la medicina.Desde las vacunas contra la COVID-19 hasta la detección del Alzheimer, la IA está ayudando a los investigadores a desarrollar diagnósticos y tratamientos más rápido.

Vigilancia.La IA nunca se cansa. Siempre que esté diseñado adecuadamente y tenga suficiente electricidad y potencia de procesamiento, puede monitorear continuamente grandes volúmenes de datos. Esto contribuye en gran medida a la menor tasa de accidentes de los vehículos autónomos.

Desventajas y limitaciones de la IA

Alucinaciones.La IA generativa puede inventar cosas. Debido a que gran parte de lo que dicen estos modelos es plausible, muchas personas no piensan en volver a verificarlo. Un ejemplo reciente de este problema se produjo cuando Michael Cohen, un ex abogado, envió citaciones a su propio abogado sobre casos legales que fueron enteramente fabricados por la IA generativa de Google, entonces conocida como Bard (ahora Gemini).

Falsificaciones profundas.Si bien las alucinaciones son accidentales, los deepfakes son intencionales. Los actores maliciosos (o, más inocentemente, los bromistas) pueden usar IA generativa para crear imágenes, videos, audio o texto que parecen tan cercanos a la realidad que muchas personas no pueden notar la diferencia.

Competencia con trabajos humanos.Muchas personas en roles como redacción y servicio al cliente ven la IA generativa como una amenaza real. Fortune informa que se han perdido miles de puestos de trabajo a causa de la IA, y dice explícitamente que "ciertamente se está subestimando".

Problemas para saber por qué llegó a una conclusión particular.Con las redes neuronales, no se puede saber exactamente por qué o cómo dan un resultado particular; por ejemplo, no se puede rastrear directamente hasta una determinada parte del corpus de entrenamiento. En industrias altamente reguladas, como la atención médica o las finanzas, algunas IA se construyen parcial o totalmente con algoritmos basados ​​en reglas que los humanos pueden evaluar.

Consumo de energía.Es difícil medirlo directamente, pero un estudio estima que generar una sola imagen, como con DALL-E, utiliza casi la misma cantidad de energía que el ciclo de carga de un teléfono inteligente, lo que puede acumularse significativamente con el tiempo.

Conclusión

La IA es antigua y muy reciente. Aunque este campo existe desde hace casi 70 años, sólo en la última década, y especialmente en los últimos años, muchos de nosotros nos hemos vuelto profundamente conscientes de su poder y potencial. Gracias a innovaciones como las redes neuronales, el aprendizaje profundo, el procesamiento del lenguaje natural y la IA generativa, herramientas que no hace mucho habrían parecido ciencia ficción ahora están disponibles y marcan una gran diferencia en el mundo. ¿Quieres probar algo práctico ahora mismo? Regístrese en Grammarly y vea cómo la IA puede funcionar para usted.