Introducción

La inteligencia artificial, o IA, es la ciencia de hacer

que las máquinas sean inteligentes. Gracias a los
avances recientes en informática, las máquinas están
aprendiendo a resolver problemas, algo que
solíamos pensar que solo los humanos podían hacer.

Antes de comenzar, intente responder esta pregunta

alucinante. ¡Piénsalo un poco! Descubrirá la
respuesta correcta a medida que avance en el curso.

¿Crees que las máquinas, como los humanos y los

perros, pueden aprender cuando reciben una
recompensa por hacer algo bien?

R. Sí
B. No, eso es una tontería

Tenga en cuenta su respuesta a medida que

ingresamos a nuestra exploración de la inteligencia
artificial.
La inteligencia artificial es, en realidad, técnicas que
ayudan a las máquinas y computadoras a imitar el
comportamiento humano.
Es como una muñeca rusa... La inteligencia
artificial, al más alto nivel, es que el dispositivo sea
inteligente. Cómo
se vuelve inteligente debajo del capó, entonces es la
siguiente capa de aprendizaje automático, que son
los generales
técnicas o variedad de técnicas que se utilizan para
hacer que ese dispositivo sea inteligente. Y luego
hay otro
subconjunto de algoritmos o técnicas llamado
aprendizaje profundo.
La inteligencia artificial se va a utilizar en todo.
Entonces, les daré dos ejemplos: si un automóvil
tiene
inteligencia incorporada, si puede ver el mundo, así
que mirando lo que hay en la carretera, mirándote a
ti como conductor,
y ser capaz de anticipar y corregir el rumbo cuando
algo sale mal, algo salta al
la carretera. Los vehículos autónomos de cualquier
tipo no van a ser autónomos sin inteligencia
artificial.
En el campo médico, nuevos tratamientos que
surgirán del análisis de montones de datos para
detectar cánceres
y enfermedades Hoy en día, las máquinas son
inteligentes. Y son inteligentes gracias a la IA. Pero
la IA todavía tiene un
dependencia de nosotros, la gente. Lo estamos
haciendo posible. La siguiente fase es cuando la
inteligencia artificial es capaz
para caminar solo.
Empresas, como Qualcomm, si hacemos bien
nuestro trabajo y si la inteligencia artificial se hace
bien, el verdadero
la implementación es totalmente transparente para el
consumidor. Terminan con dispositivos en su
mundo que
son más que utilidades. En realidad son
experienciales. Y harán tu vida más fácil, más
emocionante.
Esta es verdaderamente una tecnología
transformadora. es así de grande
¿Puede una computadora realmente pensar?
¿Cómo podemos saberlo?

La máquina de pensar no es una idea nueva.

Durante siglos, la gente ha imaginado máquinas que
piensan y se comportan como personas. Se dice que
el dios griego Hefesto construyó máquinas de oro
para trabajar para él. En la década de 1920, el
escritor checo Karel Capek imaginó personas de
metal que pensaran como humanos y acuñó la
palabra “robot” para describirlas. En 1950, el
matemático inglés Alan Turing se preguntó si una
máquina podría pensar alguna vez y preguntó:
"¿Cómo podemos saber si una máquina está
pensando?" Para responder a la pregunta, razonó
que "pensar" es difícil de definir, por lo que sería
mejor considerar el pensamiento como un
comportamiento. Propuso una prueba: si una
máquina puede mantener una conversación con un
humano, y el humano no puede decir que es una
máquina, entonces podemos decir con seguridad
que la máquina está "pensando".
Poco después, en 1956, el campo moderno de la
inteligencia artificial despegó en Dartmouth College
cuando un grupo de científicos predijo que la
próxima generación podría construir una máquina
tan inteligente como un ser humano. Estuvieron
equivocados por algunas décadas, pero su visión ha
guiado el campo moderno de la IA, y la prueba de
Turing sigue siendo el estándar de oro para
identificar el pensamiento automático.

Podemos probar el pensamiento de la máquina con

un "juego de imitación"
En la prueba de Turing, un interrogador se
comunica a través de un teclado con una máquina o
una persona, pero no sabe cuál está al otro lado de
la línea.

Aquí hay una demostración rápida de cómo podría

funcionar esto en este video de TED-Ed.

EL TEST DE TURING: ¿PUEDE UNA

COMPUTADORA PASAR POR UN HUMANO? -
ALEX GENDLER
La prueba de Turing: ¿Puede una computadora
pasar por un humano? - Alex Gendler
¿Qué es la conciencia? ¿Puede una máquina
artificial realmente pensar? ¿La mente consiste
simplemente en neuronas en
el cerebro, o hay alguna chispa intangible en su
núcleo? Para muchos, estas han sido
consideraciones vitales
para el futuro de la inteligencia artificial.
Pero el informático británico Alan Turing decidió
ignorar todas estas preguntas en favor de una mucho
más
una más simple: ¿puede una computadora hablar
como un humano? Esta pregunta condujo a una idea
para medir artificial
inteligencia que se conocería como la prueba de
Turing. En el artículo de 1950, "Computing
Maquinaria e Inteligencia", Turing propuso el
siguiente juego.
Un juez humano tiene una conversación de texto
con jugadores invisibles y evalúa sus respuestas.
para pasar el
prueba, una computadora debe ser capaz de
reemplazar a uno de los jugadores sin cambiar
sustancialmente los resultados.
En otras palabras, una computadora sería
considerada inteligente si su conversación no
pudiera ser fácilmente
distinguida de la de un humano.

¿Qué piensas?
¿Qué mide directamente la prueba de Turing?

A. Qué tan bien una computadora puede imitar una

conversación humana
B. El nivel de conciencia en un programa de
computadora
C. La memoria y el poder de procesamiento de un
programa de computadora

Si adivinaste A, ¡tienes razón!

La medida original era poder reemplazar a uno de

los jugadores sin cambiar sustancialmente los
resultados. En otras palabras, una computadora se
consideraría inteligente si su conversación no
pudiera distinguirse fácilmente de la de un humano.

Las computadoras ayudan a los humanos La

IA se pone a trabajar
Inteligencia humana versus inteligencia artificial
Para tener una conversación sobre inteligencia
artificial (IA), necesitamos una definición práctica
de inteligencia humana (HI). Consideremos que la
inteligencia humana es la capacidad de razonar,
resolver problemas y aprender. Estas actividades
implican una interacción compleja entre funciones
cognitivas como la percepción, la memoria, el
lenguaje y la planificación.

Las personas hacen estas cosas de forma natural

porque la inteligencia humana nos permite aprender
de experiencias pasadas, adaptarnos a nuevas
situaciones y manejar ideas abstractas. Los humanos
pueden usar el conocimiento aprendido para
adaptarse, dar forma y cambiar su entorno.
Tipos de IA
La IA puede procesar datos y hacer ciertos tipos de
predicciones de forma más rápida y precisa que los
humanos. Pero no es magia y no es todopoderoso.

Veamos los diferentes niveles de IA y lo que

pueden lograr.

IA débil
WEAK AI-

Muchas empresas usan IA débil para automatizar

tareas y obtener resultados rápidamente y a costos
más bajos. La IA débil supera a los humanos en
tareas estrechamente definidas. Piense en un chatbot
que responda preguntas de servicio al cliente,
reconocimiento facial en Facebook,
recomendaciones de compra en Amazon o
aplicaciones que puedan convertir voz en texto.
Alexa, Google Assistant y Siri muestran una IA
débil.

Augmented intelligence- inteligencia aumentada

La inteligencia aumentada complementa la

inteligencia humana, ayudando a los humanos a
tomar mejores decisiones. No reemplaza a los
humanos. En cambio, aumenta su experiencia y
mejora su productividad. IBM Watson for
Oncology, por ejemplo, ayuda a los profesionales de
la salud a identificar información clave en los
registros médicos de un paciente con cáncer y
recomienda varios tratamientos posibles junto con
estimaciones de cómo podría funcionar cada uno.
Sus recomendaciones son excelentes, basadas en
investigaciones constantemente actualizadas en la
ciencia del cáncer. Pero no elige el tratamiento del
paciente. Eso depende del profesional de la salud.
En otras palabras, la inteligencia aumentada ayuda a
los humanos a ser más rápidos e inteligentes en las
tareas que realizan.

General AI.- IA general

La IA general aún no existe. Pero cuando lo haga,

será una forma de "emulación de todo el cerebro",
donde una máquina puede pensar y tomar
decisiones sobre muchos temas diferentes. Manejará
las computadoras que ves en videos de ciencia
ficción, hablando con humanos sobre muchos
temas, mientras opera ciudades enteras o naves
estelares. Hoy, la IA general es un objetivo más que
una tecnología práctica. Requerirá décadas de
investigación adicional y computadoras más
poderosas para lograrlo.

¿Quizás también hayas oído hablar del aprendizaje

automático y el aprendizaje profundo?
A continuación, exploremos términos importantes
que describen formas en que la IA puede resolver
problemas complejos. El siguiente gráfico
proporciona un buen resumen de la relación entre la
IA, el aprendizaje automático y el aprendizaje
profundo.
 }

Inteligencia artificial
La inteligencia artificial describe máquinas que
ejercen capacidades generalmente asociadas con la
inteligencia humana. La investigación actual en IA
se centra en el aprendizaje, el razonamiento, la
resolución de problemas, la percepción y la
comprensión del lenguaje humano. Aprenderá más
en el próximo curso sobre cómo los avances en IA
nos ayudarán a ser más inteligentes, comunicarnos,
resolver problemas para la sociedad y cambiar la
forma en que trabajamos.

Aprendizaje automático- Machine learning:

El aprendizaje automático, o ML, utiliza algoritmos

para aprender de los datos. Dada una entrada de
datos, ML puede realizar un análisis estadístico para
determinar una salida. Como ocurre con todo tipo
de computación, cuantos más datos recibe la
máquina (suponiendo que estos datos sean válidos),
más precisa es su salida. ¡ML utiliza capacidades
similares a las humanas, como análisis,
autoformación, observación y experiencia para
aprender sin ser programado explícitamente!

ML viene en tres sabores: aprendizaje supervisado,

aprendizaje no supervisado y aprendizaje de
refuerzo. ML se basa en estos tres tipos de
algoritmos. La aplicación de cualquiera de estos
algoritmos depende de la relación con los datos
disponibles que está procesando, el resultado que
necesita de su modelo o incluso la posibilidad de
retroalimentar datos para mejorar el algoritmo. Si
suena complicado, lo es.

Un aspecto sorprendente del aprendizaje automático

es su capacidad de modificarse cuando se expone a
más datos. ¡Es dinámico y no requiere intervención
humana para realizar cambios! Entonces, a medida
que se expone a más datos, continúa aprendiendo y
mejorando sus resultados.

El aprendizaje automático es lo que llevó al banco a

ponerse en contacto con usted sobre lo que podría
ser alguien que usa información robada de su tarjeta
de crédito. Pero no es perfecto. El aprendizaje
automático también es lo que arruinó sus
recomendaciones de Netflix después de que alguien
en su familia vio una comedia extraña en su cuenta.

Aprendizaje profundo -Deep learning

El aprendizaje profundo, o DL, es una subcategoría
del aprendizaje automático que se enfoca en
modelos estadísticos cuando resuelve problemas.
Utiliza una red neuronal artificial, hecha de
algoritmos inspirados en el cerebro humano, ya que
resuelve problemas complejos al realizar tareas una
y otra vez miles de veces, y cada vez la ajusta un
poco para mejorar el resultado. DL requiere big data
y una enorme potencia informática, pero tiene un
enorme potencial a medida que avanzamos hacia el
objetivo de la IA general.

Imagine la complejidad de las decisiones para

realizar tareas de clasificación directamente a partir
de imágenes, texto o sonido con una precisión que
podría superar el rendimiento humano. ¿Qué hay de
los coches sin conductor?

El aprendizaje profundo es una tecnología clave

detrás de los automóviles sin conductor, que
permite que la computadora reconozca una señal de
alto o distinga a un peatón de un semáforo.

Otras tecnologías ayudan a la IA

¡Es mutuo!
La IA creará nuevas oportunidades para la sociedad,
las empresas y los consumidores. Pero para que la
IA se adopte más ampliamente, otras tecnologías
habilitadoras deben madurar junto con ella.

La nube, por ejemplo, ya está ayudando a las

empresas a acceder y compartir potencia
informática que normalmente no podrían permitirse.
Esta tecnología compartida, a su vez, permitirá a
esas empresas operar nuevos algoritmos de
capacitación y gestión de datos requeridos por la IA.

Otras tecnologías emergentes también serán vitales

para el crecimiento de la IA. El reconocimiento
visual, el procesamiento del lenguaje natural, el
análisis predictivo e incluso el Internet de las cosas
(IoT) potenciarán la IA, lo que conducirá a nuevas
aplicaciones en dispositivos médicos, seguridad,
servicio al cliente y más.

A medida que progrese su propia carrera en

informática, verá surgir tecnologías completamente
nuevas que obtienen su fuerza de la inteligencia
artificial.
Carreras en inteligencia artificial infografía
aprender la jerga

Algorithms

Los algoritmos son instrucciones matemáticas

escritas por científicos de datos que le dicen a la
máquina cómo encontrar soluciones a un problema.
Cuando una pequeña selección de datos (llamados
datos de entrenamiento) se ejecuta a través de un
algoritmo repetidamente, cada vez que un científico
de datos lo modifica hasta que sus resultados son
confiablemente precisos, el resultado es un modelo
que la máquina puede usar para aprendizaje
adicional por sí mismo.
CHATBOT-

bot conversacional
Un chatbot es un programa informático diseñado
para simular una conversación con usuarios
humanos, especialmente a través de Internet. Es un
asistente que se comunica con nosotros a través de
mensajes de texto o de voz y se integra como
acompañante virtual en sitios web, aplicaciones o
mensajería instantánea.
Data- datos

Datos
Los datos alimentan la IA. Permite que los sistemas
de IA revelen patrones, tendencias y
asociaciones con confianza. Algunos datos están
estructurados, lo que significa que son
han sido organizados en un formato que las
computadoras pueden leer y analizar fácilmente,
como
como una base de datos o un archivo de Excel.
Otros datos no están estructurados, como tweets,
PDF y archivos de video.

Deep learning - Aprendizaje profundo

El aprendizaje profundo (DL) es un grupo de redes
neuronales (que son, a su vez,
grupos de modelos de aprendizaje automático). El
aprendizaje profundo puede encontrar patrones en
estructuras de datos complejas como imágenes,
video y sonido. Muchos de sus modelos
no necesitan un entrenamiento explícito para
encontrar una solución, haciéndolos
excelente para resolver problemas demasiado
grandes y complejos para los humanos
ingeniero. El aprendizaje profundo se ha utilizado
para entrenar vehículos autónomos,
detectar fraudes e incluso hacer videos "DeepFake"
de celebridades populares.

Aprendizaje automático
Machine learning

El aprendizaje automático (ML) es el motor de un

sistema de IA. Describe
máquinas que aprenden sin instrucciones explícitas
sobre cómo realizar
Tareas. A menudo depende de los modelos:
artefactos entrenados que guían a las máquinas.
al interpretar nuevos datos. Los modelos
representan patrones de datos y ayudan a
El sistema de aprendizaje automático hace
predicciones sin que se le diga cómo hacerlo.
Natural language processing

Procesamiento natural del lenguaje

El procesamiento del lenguaje natural (PNL) es la
capacidad de un programa de computadora para
comprender el lenguaje humano tal como se habla.
La PNL puede entrenar a las computadoras para
procesar grandes cantidades de texto humano, como
periódicos o conversaciones,
comprender la intención y el significado de esos
datos. Con PNL, una máquina
luego puede responder a los humanos con matices y
comprensión. Un ejemplo común
de NLP sería un chatbot de servicio al cliente.

Redes neuronales
Neural networks-

Las redes neuronales son grupos de modelos de

aprendizaje automático. Ellos simulan el
las células cerebrales densamente interconectadas
del cerebro humano. Pueden aprender cosas,
reconocer patrones y tomar decisiones sin tener que
ser explícitamente
programado. Las redes neuronales son capaces de
encontrar patrones dentro de los datos.
eso es tan complejo que ningún ser humano podría
programar su análisis.
Reinforcement learning

Aprendizaje reforzado
El aprendizaje por refuerzo es un tipo de modelo de
ML que no da la
máquina cualquier dato, etiquetado o no etiquetado.
En cambio, la máquina intenta
diferentes acciones y recibe señales de recompensa
(¡como galletas para un perro!)
cuando hace los movimientos correctos. De esta
forma se entrena al sistema para que resuelva un
problema, sin necesidad de trabajo humano.
Speech recognition

Reconocimiento de voz
El reconocimiento de voz es una tecnología que
puede reconocer palabras habladas, que
luego se puede convertir a texto o ejecutar un
comando hablado. Un subconjunto de
reconocimiento de voz es el reconocimiento de voz,
que es la tecnología para
identificar a una persona en base a su voz.
El reconocimiento de voz es una tecnología que
puede reconocer palabras habladas, que
luego se puede convertir a texto o ejecutar un
comando hablado. Un subconjunto de
reconocimiento de voz es el reconocimiento de voz,
que es la tecnología para
identificar a una persona en base a su voz.

Supervised learning Aprendizaje supervisado

El aprendizaje supervisado es un tipo de modelo
ML que proporciona a la máquina
un conjunto de datos de alta precisión que ha sido
etiquetado por un ser humano. La máquina
utiliza este modelo para reconocer cosas
relacionadas en conjuntos de datos no entrenados

Unsupervised learning Aprendizaje sin supervisión

El aprendizaje no supervisado es un tipo de modelo
ML que no le da a la IA ninguna
datos etiquetados. En cambio, le da a la IA datos sin
etiquetar, y la IA sugiere
varias maneras de agruparlo y organizarlo. Esto es
valioso cuando los datos
es tan grande o complejo que los humanos no
pueden identificar sus patrones ellos mismos.
Visual recognition
Reconocimiento visual
El reconocimiento visual, también conocido como
visión artificial, es un subcampo de la IA
se centró en entrenar a las computadoras para
comprender e interpretar imágenes y
video. Los modelos de reconocimiento visual
aprenden a identificar objetos, personas,
o atributos individuales en una imagen. Por
ejemplo, un modelo podría ayudar
evaluar accidentes automovilísticos, identificar el
tipo de vehículo involucrado y
su daño, luego estimando su costo de reparación.