Unidad 1.

Nociones y
antecedentes
[0:22 p. m., 13/9/2022] Paola Huerta: Algunos trabajos que se publicaron en 1940
hablan de la inteligencia artificial, aunque estos no
tuvieron una gran repercusión es a partir de uno de
los trabajos de Alan Turing en 1950 cuando se da a
conocer este concepto como una disciplina de las
ciencias de la información.
[0:22 p. m., 13/9/2022] Paola Huerta: Objetivos Conocer más sobré los comienzos de
la
IA.
• Saber más sobre el futuro de la IA.
• Aprender la historia de la IA.
[0:23 p. m., 13/9/2022] Paola Huerta: Nociones y antecedentes: inteligencia artificial,
machine learning, deep learning
[0:24 p. m., 13/9/2022] Paola Huerta: La inteligencia artificial es una rama de la
informática que tiene como objetivo crear máquinas
inteligentes. Estas máquinas hacen tareas muy
parecidas a la de las personas, estas aprenden de
las experiencia. La industria tecnológica las ha
acogido de una manera esencial.

[0:26 p. m., 13/9/2022] Paola Huerta: El término inteligencia artificial (IA) aparece en
1956, sin embargo, esta se
ha vuelto más popular en los últimos años gracias al aumento del volumen de
los datos, los algoritmos avanzados y las mejoras en la potencia de
procesamiento y de almacenamiento.
El informático británico Alan Turing creó durante la Segunda Guerra
Mundial, una máquina Bombe con el objetivo de descifrar el código 'Enigma"
que crearon los alemanes para enviar mensajes cifrados.
Según la revista La Vanguardia (2019), las máquinas Enigma y Bombe
sentaron las bases para el aprendizaje automático. Según Turing, una máquina
que podría conversar con los humanos sin que los humanos supieran que es
una máquina ganaría el juego de imitación* y podría decirse que es
"inteligente"
A lo largo de 1950, algunos de los temas que se investigaron relacionados
con la inteligencia artificial se orientaron a la resolución de problemas y a la
profundización en métodos simbólicos. Seis años más tarde, el informático
estadounidense John McCarthy hizo una Conferencia de Dartmouth, y dio a
conocer el término "Inteligencia Artificial*. Este informático es conocido como
el padre de la lA, y desarrolló el lenguaje de programación LISP que se hizo
importante en el aprendizaje automático.
[0:27 p. m., 13/9/2022] Paola Huerta: Surgieron centros de investigación en los
Estados Unidos para explorar el
potencial de la IA. Los investigadores Allen Newell y Herbert Simon fueron
fundamentales para promover la lA como un campo de la informática que
podría transformar el mundo. Desarrollaron el algoritmo General Problem
Solver para resolver problemas matemáticos.
En 1951, una máquina conocida como Ferranti Mark1 utilizó con éxito un
algoritmo para dominar el juego de las damas.
[0:31 p. m., 13/9/2022] Paola Huerta: En la década de 1960, los investigadores se
centraron en la creación de
algoritmos para resolver problemas matemáticos y teoremas geométricos.
Más tarde, a finales de esta década, se centraron más en el aprendizaje de
visión artificial y en desarrollar el aprendizaje automático en robot. En Japón
construyeron el primer robot 'inteligente', este se llamó WABOT-1 y fue en el
año 1972.
En el Departamento de Defensa de Estados Unidos, se preocuparon por este
fenómeno y decidieron entrenar ordenadores para que pudieran comportarse
con un razonamiento humano básico. Por ejemplo, la Agencia de Proyectos de
Investigación Avanzada de Defensa (DARPA) completó proyectos de mapeo de
calles en la década de 1970. Y DARPA produjo asistentes personales
inteligentes en 2003, mucho antes de que Siri, Alexa o Cortana fueran nombres
conocidos.
[0:52 p. m., 13/9/2022] Paola Huerta: Tras muchos esfuerzos, encontraron muy difícil
crear inteligencia en las
máquinas. Para tener éxito, las aplicaciones de lA (como el aprendizaje por
visión) requerían el procesamiento de una enorme cantidad de datos. Los
ordenadores no tenían capacidad como para procesar tanta cantidad de datos.
Los investigadores no tenían fondos para la investigación de lA desde 1970
hasta 1990.
A fines de la década de 1990, las corporaciones estadounidenses volvieron a
interesarse por la IA. El gobierno japonés dio a conocer planes para desarrollar
una computadora de quinta generación para avanzar en el aprendizaje
automático. Los entusiastas de la inteligencia artificial creían que pronto los
ordenadores serían capaces de mantener conversaciones, traducir idiomas,
interpretar imágenes y razonar como personas. En 1997, el Deep Blue del
fabricante estadounidense IBM se convirtió en el primer ordenador capaz de
vencer al campeón mundial de ajedrez, Garry Kasparov.
[0:53 p. m., 13/9/2022] Paola Huerta: Cuando la burbuja de las puntocom explotó a
principios de la década de
2000, algunos fondos de lA se agotaron. Sin embargo, el aprendizaje
automático continuó su marcha, en gran parte gracias a las mejoras en el
hardware. Las corporaciones y los gobiernos utilizaron con éxito métodos de
aprendizaje automático en dominios limitados.
Las mejoras exponenciales en el poder de procesamiento y la capacidad de
almacenamiento permitieron a las compañías almacenar grandes cantidades
de datos por primera vez. En los últimos años, Amazon, Google, Baidu y otros
aprovecharon el aprendizaje automático para obtener ventaja comercial.
Además de procesar los datos del usuario para comprender
el
comportamiento del consumidor, estas compañías han sequido trabajando en
visión por computadora, procesamiento de lenguaje natural y una gran
cantidad de otras aplicaciones de inteligencia artificial.
Todo esto hizo que fuera más fácil el proceso de automatización y el
razonamiento formal que tienen los ordenadores ahora, también los sistemas
de soporte de decisiones y los sistemas de búsqueda inteligente se facilitaron.
El aprendizaje automático ahora está integrado en muchos de los servicios en
línea que utilizamos.
[0:53 p. m., 13/9/2022] Paola Huerta: Las películas y las novelas a través de la ciencia
ficción ha hecho que las lA
se vean como algo negativo, en cambio, esto no es así. La lA ha evolucionado
para proporcionar muchos beneficios específicos en cada industria.
Las investigaciones relacionadas con la inteligencia artificial son muy
técnicas y especializadas, pero sus problemas incluyen la programación de
ordenadores para proveerlos de rasgos como:
Haz click Aqui
La ingeniería del conocimiento es una parte central de la investigación de IA.
Para que las máquinas puedan actuar como seres humanos necesitan tener
mucha información sobre el mundo para poder implementar la ingeniería del
conocimiento. Desarrollar el sentido común, capacidad de razonamiento y
resolución de problemas en las máquinas es una tarea difícil y tediosa.
[0:54 p. m., 13/9/2022] Paola Huerta: El aprendizaje automático (Machine Learning) es
una parte de la IA. Existen
dos tipos de aprendizaje, el no supervisado y el supervisado. El primero
identifica patrones en flujos de entrada, mientras que el segundo implica
clasificación y regresiones numéricas.
La clasificación dice la categoría a la que pertenece un objeto y la regresión
recoge ejemplos numéricos de entrada o salida, para descubrir de este modo
funciones que permiten la generación de datos de salida adecuados a partir de
las respectivas entradas.
Una rama de la informática teórica es el análisis matemático de los
algoritmos de aprendizaje automático y su rendimiento. Esta es llamada
también teoría del aprendizaje computacional.
La percepción automática (Machine perception) consiste en tener…
[0:54 p. m., 13/9/2022] Paola Huerta: La robótica también es un campo importante
relacionado con la IA. Los
robots requieren inteligencia para manejar tareas como la manipulación y
navegación de objetos, necesitando resolver cuestiones de localización,
planificación de movimiento y mapeo.
"Antes" de la Inteligencia Artificial
Las siguientes líneas corresponden a Parra (2020) el cual expone que, la
idea de una "máquina pensante" se inspiraba en un conjunto de ideas que
empezaron a prevalecer a finales de la década de los 30s, 40s y 50s. Se ha
demostrado que nuestro cerebro es una red eléctrica de neuronas que se
"disparaban" en pulsos todo o nada. La Cibernética de Norbert Wiener
describía el control y la estabilidad de las redes eléctricas, mientras que la
Teoría de la Información de Claude Shan…
[0:55 p. m., 13/9/2022] Paola Huerta: Todas estas ideas incitaban a crear un cerebro
electrónico, así que muchos
científicos de diferentes campos propusieron la posibilidad de construir un
cerebro artificial.
Walter Pitts y Warren McCulloch analizaron redes idealizadas de neuronas
artificiales y demostraron cómo podían ejecutar funciones lógicas simples. La
Red Neuronal fue descrita por primero por Pitts y McCulloch. En 1951,
construyeron la primera máquina de red neuronal, el SNARC (acrónimo de
Stochastic Neural Analog Reinforcement Calculator).
Anteriormente se crearon "máquinas pensantes*, que estaban controladas
por circuitos electrónicos analógicos y no por ordenadores o razonamiento
simbólico. Podríamos mencionar, como ejemplo, las "tortugas robot de W.
Grey Walter.
[0:55 p. m., 13/9/2022] Paola Huerta: ¿En qué se diferencia la Inteligencia Artificial de
un programa informático?
La diferencia entre ambos conceptos es simple, mientras que un programa
informático utiliza un software que sigue unas reglas y unos pasos
preprogramados, la inteligencia artificial es capaz de realizar tareas de manera
más «inteligente» y tomar decisiones o realizar acciones para las que no ha
sido especificamente programada previamente. Veamos esto de forma más
detallada.
Un programa informático es una lista de instrucciones que le dice al
ordenador paso a paso lo que tiene que hacer: "Lee la variable 1, lee la variable
2, haz tal o cual operación matemática con ellas y escribe el resultado en
pantalla". Los programas tienen bifurcaciones del tipo "si pasa esto, haz esto y
si pasa…
[0:55 p. m., 13/9/2022] Paola Huerta: Tipos de Inteligencia Artificial
La Inteligencia Artificial que vemos actualmente es una Inteligencia Artificial
Débil o Estrecha, estos programas resuelven problemas pero tienen que estar
limitados.
Existe otro tipo de IA, denominada Inteligencia Artificial Fuerte o General,
que es a la que estamos más acostumbrados ya que aparece con más
frecuencia en la Ciencia Ficción: una lA que supera las capacidades humanas
promedio y que permite a la máquina superar al ser humano en cualquier tarea
intelectual. A día de hoy, esta lA Fuerte no existe.
[0:56 p. m., 13/9/2022] Paola Huerta: ¿Inteligencia Artificial o Aprendizaje
Automático?
En la actualidad, la mayoría de las aplicaciones que conocemos de la lA se
basan en el Machine Learning (ML), en español Aprendizaje Automático, esto
quiere decir que el ordenador puede aprender por sí solo a partir de unas
técnicas estadísticas y un conjunto de datos.

Deep learning < machine learning < artificial intelligence

Metodos de aprendizaje más habituales: supervised learning, unsupervised learning,

reinforcement learning
Aprendizaje Supervisado (Supervised Leaming)
Los resultados de los datos de entrenamiento están etiquetados. A través
del análisis de estos el algoritmo aprende solo a predecir el resultado cuando
incluimos un dato sin etiquetar.
A continuación se expone un ejemplo: utilizamos una lA para reconocer un
cuadrado. Para entrenarla, le ofreceríamos una variedad de cuadrados con
diferentes características. Además, también se le ofrecería otras figuras que
etiquetariamos como círculo, triángulo, etc.
Tras "estudiar" todas las imágenes que le hemos ofrecido, la lA entenderá
que hay características como el color o el tamaño que son indiferentes, y verá
que la diferencia más exacta es que el cuadrado tiene 4 lados de igual longitud
y que son paralelos. Al llegar posteriormente una nueva imagen sin etiquetar, la
lA podrá verificar si se trata de un cuadrado al ver esta característica.
Las principales aplicaciones del Aprendizaje Supervisado son aquellas que
implican Clasificaciones y/o Regresiones (predicción/estimación de valores
numéricos).
Aprendizaje No Supervisado (Unsupervised Learning)
En este caso, solo nos llegan datos de entrada así que solo se puede
describir la estructura de los datos para facilitar la organización. Tiene un
carácter exploratorio. El objetivo del Aprendizaje No Supervisado es determinar
relaciones de similitud, diferencia o asociaciones entre los datos de entrada.
Se podría aplicar para conocer la audiencia de una web o en una app, se
recoge información sobre ellos y la lA verá las características que tienen en
común. Buscar y encontrar grupos de similitudes sería aplicar el clustering. En
ocasiones, al explorar los datos sin un objetivo definido, se pueden encontrar
correlaciones espúreas curiosas, pero poco prácticas. Otra aplicación típica es
la detección de anomalías, para detectar aquellos datos que "se salen de la
tónica general.
Aprendizaje por Refuerzo (ReinforcementLearning)
Se le aplica al algoritmo unas pautas para empezar y se le asigna un objetivo
a maximizar o minimizar.
Con el proceso de retroalimentación, se mejora las respuestas del modelo
del Aprendizaje por Refuerzo. El algoritmo recoge datos y los aprende del
exterior, la retroalimentación le sirve como respuesta a sus acciones. Este
sistema aprenderá a partir de prueba y error.
Este se basa en la monitorización de la respuesta a las acciones tomadas.
A continuación se muestra una imagen con un resumen de todo lo aprendido
hasta ahora.
Cuando hablamos de redes neuronales, lo que viene a la mente es una
imagen de una neurona en el cerebro, una de esas neuronas que hemos visto
en libros o en informes, una masa circular, con una sola partícula, núcleo y
algunas ramificaciones. En nuestro cerebro hay miles de millones de neuronas,
todas formando una red neuronal, y sabemos que la información se transmite
a través de las sinapsis. Bueno, las redes neuronales artificiales son similares
a eso, una colección de redes neuronales que tienen como objetivo resolver
problemas que son difíciles de resolver usando algoritmos convencionales. En
este conjunto, en cada conjunto podemos distinquir una entrada de señal, un
nodo y una salida o respuesta a otra neurona artificial.
Según el número de neuronas, nuestra red puede ser más simple o más
profunda. La sinapsis entre neuronas, la transmisión de la neurona anterior o el
valor de salida se multiplica por un valor de peso. Estos pesos en los enlaces
pueden aumentar o inhibir los estados de activación de las neuronas
posteriores. Del mismo modo, a la salida de una neurona puede existir un filtro,
una función límite o umbral, que modifica el valor del resultado o impone un
límite que debe ser superado para continuar hacia una neurona
Inicios Se cree que fue Frank Rosenblatt, el creador del Perceptron, quien introdujo
el concepto de redes neuronales artificiales, pero en realidad las redes
neuronales nacieron unos años antes, más precisamente en 19 3, cuando
Walter Pitts y Warren McCulloch (como del que hablamos en su momento en
este post) crearon un modelo llamado lógica de umbral con una base
matemática y algorítmica. De este modelo han surgido dos ramas, una
centrada en los procesos biológicos del cerebro y otra en la aplicación de las
redes neuronales a la inteligencia artificial. Como comentábamos en el artículo
anterior, la neurona diseñada por McCullochPitts es una unidad de cómputo,
similar a una neurona humana, el resultado del cálculo en dicha neurona es la
suma ponderada del número de entradas, seguido de una aplicación no lineal,
se llama función de Activación.
Donald Hebb presentó la teoría de Hebb, también conocida como la regla de
Hebb, el postulado de aprendizaje de Hebb o la teoría de conjuntos celulares.
Lo que creó Hebb fue una hipótesis de aprendizaje basada en la mecánica de
la plasticidad neuronal. Este aprendizaje se conoce como aprendizaje no
supervisado, y los primeros modelos de potencial a largo plazo son
variaciones del mismo. En general, el aprendizaje de Hebb es un aprendizaje
para ajustar los valores de los pesos
¿Conquistará el mundo la lA?
Las películas de ciencia ficción han dado una visión sobre las lA inadecuada
y negativa. Sin embargo, los sistemas de lA actuales solo son capaces de
llevar a cabo tareas específicas. Dichos sistemas son buenos en tareas
lógicas, pero no son capaces de intuir, empatizar o tener inteligencia
emocional.
Si queremos dar una confianza pública, primero tenemos que empezar por la
fase de diseño, estos son productos que tienen un fuerte marco ético. Hay
temas cruciales como la privacidad de los datos, el mal uso de la lA, el estado
moral de los sistemas y sobre quién recae la responsabilidad cuando las cosas
van mal, etc.
Los valores humanos son el eje principal de Microsoft para desarrollar la IA
El diseño que se pretende crear es responsable, además de que las empresas
deben enfocarse en cuestiones éticas. La lA debe pertenecer a todo el mundo
y no ser de una empresa única.
Una buena propuesta fue la de Microsoft que ha ayudado a fundar la
Partnership on Al. Esta organización sin ánimo de lucro tiene como objetivo
asegurar que las tecnologías de lA tienen un beneficio para las personas y la
sociedad a través de buenas prácticas y generando debate abjerto.
lA y el futuro del trabajo
Se piensa que la lA quitará puestos de trabajo a los seres humanos, en cambio,
Microsoft piensa que si las máquinas hacen trabajos más rutinarios, los empleados
pueden centrarse en tareas más importantes y así tener mayor productividad.
Probablemente la lA tendrá un efecto transformador en el puesto de trabajo,
eliminando algunas profesiones, pero también creará puestos nuevos. Con cada
Revolución Industrial ha pasado lo mismo, la tecnología ha cambiado la vida de
muchas personas y los puestos de trabajo se han ido adaptando a esos cambios. Lo
bueno de haber tenido tantas Revoluciones Industriales es que podemos ver el cambio
desde otra perspectiva. La creación de políticas y la reconversión profesional pueden
hacer que la creación de empleo supere al reemplazo de puestos.
No se cree que la lA vaya a quitar todos los puestos de trabajo, pero sí que cambiará
su naturaleza.
Aun así, hay trabajos que sí pueden ser sustituidos según una encuesta realizada por
el Instituto para el Futuro de la Humanidad. La lA podría influir de manera severa en
conductores de camiones, trabajadores del sector retail y en cirujanos.
Todavía faltan muchos años para que las lA puedan sustituir a las personas en todos
sus puestos de trabajo. Aun así, lo que tenemos que plantearnos es cómo adoptar un
planteamiento positivo y responsable para abordar los retos futuros.

La inteligencia artificial es una rama de la informática que tiene como objetivo crear
máquinas inteligentes

Un programa informático es una lista de instrucciones qué le dice al ordenador paso a

paso lo que tiene que hacer le vale la variable 1 lee la variable dos adaptar o cual
operación matemática con ellas y describe el resultado de una pantalla
[1:09 p. m., 13/9/2022] Paola Huerta: El término inteligencia artificial aparece en 1956,
pero
la lA se ha vuelto más popular gracias al aumento del
volumen de los datos, los algoritmos avanzados y las
mejoras en la potencia de procesamiento y de
almacenamiento.
[1:09 p. m., 13/9/2022] Paola Huerta: El aprendizaje automático (Machine Learning)
también
es una parte central de la IA.

El aprendizaje sin ningún tipo de supervisión requiere la capacidad de identificar

patrones en flujo de entrada mientras que el aprendizaje con supervisión adecuada
implica clasificación y regresiones numéricas

La idea de una máquina pensante se inspiraba en una confluencia de ideas que

empezaron a prevalecer a finales de la década de los 3040 y 50 las más recientes
investigaciones en neurología habían mostrado que el cerebro era una compleja red
eléctrica de neuronas que se disparaban en pulsos todo o nada la cibernética de
norbert Wilmer describir el control y la estabilidad de las redes eléctricas mientras que
la teoría de la información de Claude Shannon describía las señales digitales

No hay gatos de entrenamiento etiquetados y es que a menudo ni siquiera se sabe qué

es lo que se está buscando en los datos solo conocemos los datos de entrada pero no
existen datos de salida que correspondan a un determinado input