CAMPOS DE APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL

Web Semántica

La web semántica o “internet del conocimiento” es una prolongación de la actual

web. A diferencia de esta, la web semántica se basa en proporcionar a la web
datos definidos y enlazados, a los que se les atribuye un significado específico,
permitiendo así que diferentes aplicaciones ubiquen, integren y aprovechen la
información disponible en la red de forma rápida y eficaz. En este sentido, son
cada vez más los buscadores semánticos que se están integrando, principalmente
en las redes sociales, blogs y servicios de atención al cliente (chatbots).

Por ahora, la mayoría de los motores de búsqueda web, aunque han mejorado en
los últimos años, continúan catalogando sólo una porción pequeña de la web y
muchas veces ofrecen resultados inexactos o que no son pertinentes. Además, la
información contenida en estos documentos (páginas web, vídeos, imágenes, etc)
resulta completamente opaca a los sistemas computacionales y, por lo tanto, casi
imposible de aprovechar en cualquier forma automatizada.

Los buscadores actuales muestran al usuario una lista con las páginas web que
incluyen las palabras clave introducidas por el usuario. Sin embargo, no aportan al
sistema información relevante sobre el significado y/o el contexto en el que se han
empleado. Describen, por tanto, la forma de mostrar la información, pero no su
significado. La web semántica pretende solventar esta limitación realizando
búsquedas inteligentes que tengan en cuenta el significado y/o el contexto en el
que se realizan esas búsquedas.

Computación Cognitiva
La inteligencia artificial (IA) es una rama amplia de la ciencia de la computación
que se ocupa de construir máquinas inteligentes capaces de realizar tareas que
generalmente son realizadas por humanos. La IA es una ciencia interdisciplinaria
con múltiples enfoques, pero los avances en el aprendizaje automático y el
aprendizaje profundo están creando un cambio de paradigma en prácticamente
todos los sectores de la industria tecnológica.

La IA es la simulación de procesos de inteligencia humana por máquinas. Estos

procesos incluyen el aprendizaje de datos que cambian constantemente,
razonamiento para dar sentido a los datos y mecanismos de autocorrección para
tomar decisiones.

La inteligencia humana se basa en la detección del entorno, el aprendizaje del

entorno y el procesamiento de la información del entorno. Por lo tanto, la IA o
Inteligencia Artificial incluye:

 Simulación de los sentidos humanos: vista, oído, olfato, gusto y tacto.

 Simulación de aprendizaje y procesamiento: aprendizaje profundo,
aprendizaje automático.
 Simulaciones de respuestas humanas: robótica.

Las aplicaciones de IA incluyen resolución de problemas, juegos, procesamiento

de lenguaje natural, reconocimiento de voz, procesamiento de imágenes,
programación automática y robótica.

A diferencia de los sistemas de inteligencia artificial que solo se ocupan de un

problema dado, la computación cognitiva aprende estudiando patrones y sugiere
que los humanos tomen medidas relevantes basadas en su comprensión.

En el caso de la inteligencia artificial, el sistema toma el control total de un proceso

y toma medidas para completar una tarea o evitar un escenario mediante el uso de
un algoritmo predefinido.

Mientras que en comparación, la computación cognitiva es un campo

completamente diferente en el que sirve como asistente en lugar del que completa
la tarea.
De esta manera, la computación cognitiva da a los humanos el poder de un
análisis de datos más rápido y preciso sin tener que preocuparse por las
decisiones equivocadas tomadas por el sistema de aprendizaje automático .

Resolución de Problemas:
La inteligencia artificial es la tecnología que permite que las máquinas ejecuten
tareas propias de los humanos, como aprender, entender y procesar el lenguaje, y
planificar y razonar lógicamente.

¿Cómo soluciona la inteligencia artificial los problemas de determinada industria o

sector? A continuación, abordaremos el potencial de esta tecnología y su impacto
positivo en muchos sectores de la sociedad.

 Servicios financieros: Con las nuevas tecnologías se pueden evaluar los

riesgos financieros de un cliente, conocer las garantías de solvencia a la
hora de emitir un crédito (credit scoring) y predecir el desempeño de los
mercados y sus consecuencias.
 Educación: Este sector apuesta por la personalización del aprendizaje y
por facilitar la interacción entre alumnos y docentes.
 Industria automovilística: La inteligencia artificial ha transformado esta
industria de varias formas, como facilitar el ensamblaje y brindar mayor
seguridad a pasajeros y conductores con los vehículos que se manejan por
sí solos
 Medicina: Es uno de los sectores más beneficiados por esta tecnología.
Gracias a sus algoritmos se pueden salvar vidas, conseguir diagnósticos
más certeros y asistir y complementar a los médicos durante las cirugías.

Planificación y scheduling (calendarización automática)

Dentro de la Inteligencia Artificial (IA), los procesos de Planificación y de
Scheduling (término adoptado en el habla hispana para hacer referencia a la
calendarización de recursos) han sido estudiados y aplicados en forma separada.
Planificación selecciona acciones (definidas dentro de un dominio) que logren
llevar al mundo (sus objetos) desde una situación inicial hasta la meta deseada.

En cambio, Scheduling se ocupa de los requerimientos numéricos (recursos,

donde el tiempo también es un recurso) de ejecución de dichas acciones. Sin
embargo, la selección de una acción usualmente está condicionada a las
restricciones temporales, así como a la disponibilidad de sus recursos y al criterio
de optimización.

En consecuencia, Planificación y Scheduling (en adelante P&S) se complementan

perfectamente, más aún si se considera que ambos usan técnicas similares, como
son la búsqueda en grafos, que es una representación gráfica de estados del
mundo en estudio, uso de heurística, que es la técnica que mejora el desempeño
del caso promedio durante la resolución de problemas (Russell, 2004),
razonamiento sobre restricciones, etc. (Smith, 2004).

Por otro lado, la Comunidad de Planificación en IA ha estado muy interesada en

resolver problemas con dominios más apegados al mundo real, entre ellos están:
automatización de procesos de manufactura, elaboración de planes logísticos,
actuación ante catástrofes, optimización de rutas turísticas, navegación de robots
autónomos (satélites y de exploración interplanetaria), control de tráfico terrestre
en aeropuertos, distribución de energía, etc. (Long, 2002), (Smith, 2000), (Weld,
1999).

Inteligencia Artificial en los Videojuegos

Actualmente y, en ocasiones, aunque no nos demos cuenta, la Inteligencia

Artificial (IA) se encuentra presente en muchos ámbitos de la vida cotidiana. Un
ejemplo conocido por todos tiene que ver con los sistemas de reconocimiento
facial, que encontramos en la mayoría de smartphones y que realizan un
procesado de las imágenes tomadas por la cámara frontal de nuestros dispositivos
(en ocasiones, en conjunción con más sensores) para extraer información y
patrones de nuestros rostros y, en consecuencia, desbloquear el acceso al
dispositivo.
Una de las primeras IAs fue Deep Blue, desarrollada por IBM, que compitió contra
el campeón del mundo de ajedrez Garri Kasparov consiguiendo batirle y marcando
así un hito en la evolución de este tipo de sistemas. Aunque a Deep Blue podamos
entenderla como IA, dado que nos encontramos con una máquina que “imita” las
capacidades humanas, tenemos que viajar hasta el año 2015 para encontrar a
otra de las más famosas, en este caso, entrenada con técnicas más modernas de
aprendizaje automático y de la que ya hemos hablado en este blog, que
es AlphaGo.

Desarrollada por la empresa DeepMind, consiguió batir al campeón del mundo del

juego tradicional Go, demostrando un gran poder para descubrir jugadas nuevas y
para poner contra las cuerdas a uno de los maestros de este juego.

Así pues, los videojuegos son un buen terreno para poner a prueba el aprendizaje
por refuerzo, una rama de la Inteligencia Artificial que consiste en entrenar un
agente para que intente maximizar una función de recompensa y, de esta manera,
mejorar en el desempeño de su tarea asignada, que en este caso sería ganar el
juego.

Mediante la técnica de explotación y exploración, que consiste en encontrar un

equilibrio entre tomar acciones ya conocidas y previamente evaluadas o explorar
nuevas alternativas; así como con diferentes algoritmos de Deep Reinforcement
Learning, el agente es capaz de ir aprendiendo en base a la experiencia recogida
a lo largo de una gran cantidad de exposiciones al entorno y al resultado de las
acciones llevadas a cabo sobre este.