Definición:
La inteligencia artificial (IA) es un campo de la informática dedicado a desarrollar sistemas capaces de realizar tareas como reconocer información, comprender o generar lenguaje, hacer predicciones y resolver problemas. En inglés se utiliza la sigla AI, de artificial intelligence.
Estos sistemas pueden funcionar como programas o integrarse en dispositivos y robots. No necesitan reproducir el comportamiento humano para realizar una tarea: identificar patrones en imágenes o calcular una ruta también puede formar parte de una aplicación de IA.
La inteligencia artificial reúne distintos enfoques, desde sistemas basados en conocimiento y reglas hasta modelos que aprenden a partir de datos. No equivale a cualquier automatización ni se limita a los asistentes conversacionales.
Ámbitos y retos de la inteligencia artificial
Los sistemas de IA utilizan entradas para generar resultados relacionados con unos objetivos. Estos resultados pueden ser predicciones, recomendaciones, decisiones o contenidos. La definición de sistema de IA de la OCDE distingue además distintos grados de autonomía y adaptación: no todos los sistemas actúan sin intervención humana ni siguen aprendiendo después de ponerse en funcionamiento.
La investigación y las aplicaciones de la IA abarcan, entre otros, estos siete ámbitos:
- Representación del conocimiento: organizar información sobre conceptos, propiedades y relaciones para que un sistema pueda utilizarla. Puede recurrir a reglas, bases de conocimiento u otras representaciones.
- Razonamiento: obtener conclusiones o evaluar alternativas a partir de la información disponible. El resultado depende de las premisas, del método y de la incertidumbre del problema.
- Resolución de problemas: buscar soluciones que cumplan objetivos y restricciones, como asignar recursos o encontrar una secuencia de operaciones.
- Percepción: interpretar señales como imágenes, sonidos o datos de sensores. El reconocimiento de voz transforma señales de audio en información que puede utilizar otra parte del sistema.
- Aprendizaje: ajustar un modelo a partir de datos o experiencia para mejorar su desempeño en una tarea definida.
- Planificación: organizar acciones para alcanzar un objetivo, teniendo en cuenta sus condiciones y posibles consecuencias.
- Manipulación y movimiento de objetos: combinar percepción, planificación y control en robótica para actuar sobre el entorno físico.
Estos ámbitos pueden combinarse, pero una aplicación no necesita incluirlos todos. Un clasificador de imágenes y un robot que recoge objetos resuelven problemas diferentes, aunque puedan compartir técnicas.
La ingeniería del conocimiento se ocupa de representar y mantener información que el sistema pueda utilizar. No exige describir todos los objetos y relaciones del mundo: el alcance depende del problema. Los métodos basados en conocimiento explícito pueden combinarse con modelos aprendidos a partir de datos.
Disponer de más información no garantiza sentido común ni razonamiento correcto. La calidad de los datos, los supuestos utilizados y las situaciones en las que se evalúa el sistema condicionan sus resultados. Resolver bien una tarea tampoco demuestra que pueda resolver cualquier otra.
Machine learning en la inteligencia artificial
El machine learning, o aprendizaje automático, es una parte de la IA que desarrolla métodos para aprender patrones a partir de datos o experiencia. En lugar de definir manualmente todas las reglas de respuesta, se ajusta un modelo para una tarea y se evalúa su comportamiento con datos pertinentes.
En el aprendizaje supervisado se utilizan ejemplos con resultados conocidos. La clasificación asigna categorías, como correo legítimo o spam; la regresión estima valores numéricos, como una demanda prevista. La regresión no consiste simplemente en reunir ejemplos de entrada y salida, sino en aprender una relación que permita realizar esas estimaciones.
El aprendizaje no supervisado busca estructuras en datos sin etiquetas de resultado para esa tarea, como agrupaciones de casos similares. Esto no significa que no exista intervención humana: siguen siendo necesarias decisiones sobre los datos, el método y la interpretación. En el aprendizaje por refuerzo, un agente aprende a seleccionar acciones a partir de recompensas asociadas a su interacción con un entorno.
El aprendizaje profundo, o deep learning, utiliza redes neuronales con múltiples capas y forma parte del aprendizaje automático. La IA generativa se caracteriza por producir contenido, como texto, imágenes o audio; no es sinónimo de toda la inteligencia artificial. ChatGPT es una aplicación basada en modelos de IA, no una denominación general para las máquinas inteligentes.
Conviene distinguir el entrenamiento de la inferencia. Durante el entrenamiento se ajusta el modelo; durante la inferencia se utiliza para obtener una respuesta o predicción a partir de nuevas entradas. Un modelo no necesariamente modifica sus parámetros cada vez que recibe una consulta.
La evaluación compara su desempeño con criterios adecuados a la tarea, como los errores de clasificación o la precisión de una estimación. La teoría del aprendizaje computacional estudia propiedades y límites de los métodos de aprendizaje, pero las garantías de un análisis dependen de sus supuestos y no sustituyen la evaluación de la aplicación real.