Introduccion:

En esta monografía, desarrollare el tema “INTELIGENCIA ARTIFICIAL Y SU IMPACTO EN

LA SOCIEDAD” y como hipótesis tendre:

¿La inteligencia artificial, facilita nuestras vidas?

Objetivos:

1. Demostrar que la ia no puede suplanter la actividad humana al 100%.

2. Explicar en los diferentes ámbitos en la cual se puede llevar a cabo.
3. Explicar lo que es la IA y informar ya que es algo nuevo y relevante.

Elegi el tema IA porque es algo nuevo el cual hay bastante información y pocos
saben de la existencia de la misma, también explicarla, ya que es un tema muy
extenso y complejo de entender.
 DESARROLLO:
La inteligencia artificial es la combinación de algoritmos1 planteados con el propósito
de crear maquinas que presenten las mismas capacidades del ser humano. Esto es algo
que todavía nos resulta muy lejano y misterioso, pero esta presente día a día, a todas
horas. Buscan imitar las funciones cognitivas2 humanas atreves de maquinas,
procesadores y software con el objetivo de analizar datos y tareas de procesamiento.

Es una rama de la informática que se enfoca en el desarrollo de sistemas y algoritmos capaces

de realizar tareas que normalmente requerirían inteligencia humana. Estos sistemas pueden
aprender, razonar, planificar, y adaptarse a diferentes situaciones, permitiendo soluciones
avanzadas a problemas complejos.

La evolución de la IA ha sido un proceso fascinante y continuo a lo largo del tiempo. Comenzó

con conceptos teóricos en la década de 1950, pero ha pasado por diferentes etapas claves:

1. IA Simbólica (1950-1960): 1.Enfoque simbólico de la IA, también conocido como

"Inteligencia Artificial de la Vieja Escuela" (GOFAI) o "IA basada en el conocimiento", fue uno
de los primeros paradigmas en la investigación de la IA durante los años 1950 y 1960. Se
centró en el uso de símbolos, reglas y razonamiento lógico para representar y manipular el
conocimiento.

*Representación:* El conocimiento se representaba mediante símbolos y datos

estructurados, como reglas, marcos y redes semánticas. Estas representaciones
capturaban hechos y relaciones de una forma fácilmente legible para los humanos.

Inferencia y Razonamiento Lógico: El enfoque simbólico se basaba en el razonamiento

lógico para deducir conclusiones y tomar decisiones con base en el conocimiento
representado en el sistema. Se utilizaba la lógica formal para obtener nueva
información a partir de hechos y reglas existentes.

Sistemas Expertos: Una de las aplicaciones más destacadas del enfoque simbólico fue
el desarrollo de sistemas expertos. Estos sistemas fueron diseñados para emular 3 las
habilidades de resolución de problemas de expertos humanos en dominios específicos,
como el diagnóstico médico o el análisis financiero.

Limitaciones: Sin embargo, el enfoque simbólico enfrentó desafíos para manejar la

incertidumbre y lidiar con grandes cantidades de datos. A medida que los problemas
del mundo real se volvieron más complejos, resultó difícil codificar manualmente todo
el conocimiento y las reglas necesarias para abordarlos de manera efectiva.

1
Algoritmos:
2
Cognitivas:
3
Emular:Funcionar(un programa o dispositivo) de una misma manera que otro.
Como resultado, el enfoque simbólico finalmente dio paso a otros paradigmas de IA,
como los enfoques conexionistas (redes neuronales) y estadísticos (aprendizaje
automático), que abordaron mejor las limitaciones y permitieron a los sistemas de IA
aprender a partir de datos y adaptarse a nuevas situaciones. A pesar de su
disminución, el enfoque simbólico sigue siendo relevante en ciertos dominios
especializados y sistemas basados en el conocimiento. Desempeñó un papel crucial en
la formación de los inicios del campo de la IA y allanó el camino para el desarrollo de
técnicas modernas de IA.

2. IA Conexcionista (1960-1980): .IA conexionista, también conocida como "redes

neuronales artificiales" o "aprendizaje profundo" (deep learning), es un enfoque de
Inteligencia Artificial que se inspira en el funcionamiento del cerebro humano. Se basa
en redes de neuronas artificiales interconectadas para realizar tareas de aprendizaje y
reconocimiento de patrones.

Redes Neuronales Artificiales (RNA):Estas redes están compuestas por capas de

unidades llamadas neuronas artificiales, que se organizan en diferentes niveles. Cada
neurona procesa información y envía señales a otras neuronas, lo que permite un
procesamiento en paralelo.

Aprendizaje Supervisado: El proceso de entrenamiento en la IA conexionista se realiza

mediante el aprendizaje supervisado. Se le proporcionan ejemplos de entrada junto
con las respuestas correctas, y la red ajusta sus conexiones para aprender a hacer
coincidir las entradas con las salidas esperadas.

Aprendizaje Profundo: En el aprendizaje profundo, se utilizan redes neuronales con

muchas capas ocultas para aprender representaciones jerárquicas y complejas de los
datos. Esto permite abordar tareas de alta complejidad, como reconocimiento de
imágenes, procesamiento del lenguaje natural y traducción automática.

Aplicaciones: La IA conexionista ha demostrado un rendimiento sobresaliente en

diversas aplicaciones, como visión por computadora (reconocimiento de objetos,
detección facial), procesamiento del lenguaje natural (traducción, generación de texto)
y juegos (ajedrez, Go).

Requiere Gran Cantidad de Datos:* Las redes neuronales requieren grandes

cantidades de datos de entrenamiento para obtener buenos resultados, lo que ha sido
posible gracias al aumento en la disponibilidad y el almacenamiento masivo de datos.

El enfoque conexionista ha tenido un impacto significativo en la IA en los últimos años,

permitiendo avances importantes en muchas áreas y contribuyendo a la creación de
sistemas inteligentes cada vez más capaces en el mundo actual.
3. IA Basada en el Conocimiento (1980-1990): IA basada en el conocimiento es un
enfoque que se centra en representar el conocimiento humano de manera explícita en
un sistema informático para que pueda razonar y tomar decisiones en situaciones
específicas. Este enfoque se basa en la idea de capturar el conocimiento de expertos
humanos en forma de reglas y hechos estructurados:
Representación del Conocimiento: El conocimiento se codifica en forma de reglas,
marcos, ontologías o bases de datos, lo que permite al sistema acceder a la
información y utilizarla para resolver problemas.

Razonamiento Lógico: El sistema utiliza el razonamiento lógico para inferir nueva

información a partir del conocimiento existente. Puede realizar deducciones,
inducciones y abducciones para llegar a conclusiones.

Sistemas Expertos: Una de las aplicaciones más comunes de la IA basada en el

conocimiento son los sistemas expertos. Estos sistemas emulan la toma de
decisiones de expertos humanos en un dominio específico y pueden ser utilizados
en campos como medicina, ingeniería, finanzas, entre otros.

Limitaciones: La principal limitación de este enfoque radica en la necesidad de

tener conocimientos detallados y exhaustivos de expertos humanos, lo que puede
ser difícil y costoso de obtener para ciertos dominios complejos.

Integración con otros enfoques: La IA basada en el conocimiento a menudo se

combina con otras técnicas de IA, como el aprendizaje automático, para mejorar
su capacidad para adaptarse y aprender de los datos.

Aunque la IA basada en el conocimiento ha sido superada en muchos aspectos por

enfoques más modernos, como el aprendizaje automático y el aprendizaje
profundo, sigue siendo relevante en áreas donde se dispone de conocimiento
experto detallado y donde se requiere transparencia y explicabilidad en el
razonamiento de la IA.
4.IA Estadistica (1990-2000): La IA Estadística busca aprovechar las capacidades de
la IA para mejorar la forma en que se analizan y se toman decisiones basadas en
datos.

Análisis de datos avanzado: La IA puede automatizar y agilizar el proceso

de análisis de grandes conjuntos de datos, identificando patrones y
relaciones que podrían ser difíciles de detectar mediante métodos
tradicionales.

Aprendizaje automático:La IA puede aplicar técnicas de aprendizaje

automático para desarrollar modelos predictivos y clasificadores basados
en datos históricos, lo que puede ayudar en la toma de decisiones y la
anticipación de tendencias futuras.
 Optimización de experimentos:La IA puede ayudar a diseñar experimentos
más eficientes al identificar las variables más influyentes y planificar los
experimentos de manera más efectiva.

Visualización de datos: La IA puede generar visualizaciones de datos más

avanzadas e interactivas, lo que facilita la comprensión de los patrones y
resultados estadísticos.

Procesamiento del lenguaje natural:La IA puede analizar grandes

cantidades de texto y lenguaje humano para extraer información relevante
y realizar análisis de sentimiento o detección de temas.

Análisis de imágenes y reconocimiento de patrones:La IA puede aplicarse

para analizar imágenes y reconocer patrones visuales en datos, lo que es
especialmente útil en campos como la medicina, la manufactura y la
investigación científica.

5. IA en la Nube y Big Data (2000-2010): una poderosa sinergia que ha impulsado

la capacidad de procesamiento y análisis de datos a gran escala, permitiendo el
desarrollo de soluciones inteligentes y escalables. Aquí están las principales
características y beneficios de esta combinación:

Almacenamiento y Escalabilidad:* La nube proporciona un almacenamiento

masivo y escalable para datos, lo que permite a las organizaciones manejar
grandes volúmenes de información sin la necesidad de infraestructuras locales
costosas y complicadas.
Procesamiento Paralelo:* La capacidad de procesamiento distribuido en la
nube permite ejecutar tareas de análisis de datos de manera paralela y más
rápida, lo que acelera la toma de decisiones basadas en la información
extraída.

Recopilación de Datos: Con la nube, es más fácil recopilar datos de diferentes

fuentes y dispositivos en tiempo real. Esto proporciona una visión más
completa y actualizada de la información que luego puede ser analizada y
utilizada para la toma de decisiones.

Análisis Predictivo y Descriptivo:Al combinar Big Data y técnicas de IA en la

nube, las organizaciones pueden realizar análisis predictivos y descriptivos más
profundos. Esto les permite predecir tendencias, identificar patrones ocultos y
comprender mejor el comportamiento de los clientes o pacientes.

Optimización de Recursos:La combinación de IA y Big Data en la nube permite

una mejor optimización de recursos en diversas industrias. Por ejemplo, en la
 atención médica, se puede analizar grandes conjuntos de datos para optimizar
la asignación de recursos y personal médico.

Personalización y Experiencia del Cliente:Las organizaciones pueden utilizar

datos y técnicas de IA en la nube para personalizar experiencias para sus
clientes o usuarios. Esto se ve en aplicaciones de comercio electrónico que
ofrecen recomendaciones de productos personalizadas o en plataformas de
streaming que sugieren contenido relevante para cada usuario.

Detección de Anomalías y Seguridad: La IA en la nube junto con el análisis de

Big Data es valiosa para detectar anomalías y comportamientos sospechosos
en tiempo real. Esto es crucial en la ciberseguridad y la detección temprana de
fraudes.

Eficiencia en el Análisis de Texto y Lenguaje Natural: La IA en la nube con

técnicas de procesamiento de lenguaje natural y análisis de texto puede
extraer información valiosa de grandes volúmenes de datos no estructurados,
como comentarios de clientes, informes médicos o transcripciones.

Menores Costos y Tiempos de Implementación: La nube reduce la necesidad

de inversión en infraestructura de TI y permite un despliegue más rápido de
soluciones de IA y análisis de datos. Esto facilita la adopción y el uso
generalizado de estas tecnologías.

En conjunto, la combinación de IA en la nube y Big Data ha democratizado el

acceso a la inteligencia y el análisis de datos, impulsando la innovación y
mejorando las operaciones y servicios en diversas industrias, desde la atención
médica y el comercio electrónico hasta la industria manufacturera y la
logística.

6. IA Profunda (2010-presente):* Surgieron avances en redes neuronales profundas y

aprendizaje profundo, permitiendo a la IA lograr resultados sorprendentes en áreas como
visión por computadora, procesamiento del lenguaje natural y juegos.