¿Un robot aceptará mi trabajo?

 ¿Cómo es probable que la inteligencia artificial cambie mi trabajo

en los próximos diez años? ¿Dónde se utilizan las tecnologías de IA en este momento y dónde se
puede seguir? En el Capítulo 1, cubriremos las secciones. Haga clic a continuación para empezar:

Lección 1

¿Cómo debemos definir la IA?

En nuestra primera sección, nos familiarizaremos con el concepto de IA examinando su definición
y algunos ejemplos. Como probablemente ha notado, la IA es actualmente un "tema candente": la
cobertura de los medios de comunicación y la discusión pública sobre la IA es casi imposible de
evitar. Sin embargo, es posible que también haya notado que la IA significa cosas diferentes para
diferentes personas. Para algunos, la IA se trata de formas de vida artificiales que pueden superar
la inteligencia humana, y para otros, casi cualquier tecnología de procesamiento de datos que
pueden llamar a IA.
Para establecer la escena, por así decirlo, discutiremos qué es la IA, cómo se puede definir y qué
otros campos o tecnologías están relacionados. Sin embargo, antes de hacerlo, destacaremos tres
aplicaciones de IA que ilustran diferentes aspectos de la IA. Volveremos a ser cada uno de ellos un
largo del curso para profundizar nuestra comprensión.
 
Aplicación 1. Los coches autónomos
Los coches autónomos requieren una combinación de técnicas de IA de muchos tipos: búsqueda y
planificación para encontrar la ruta más conveniente de la A a la B, visión por ordenador para
identificar obstáculos y toma de decisiones bajo incertidumbre para hacer frente al entorno
complejo y dinámico. Cada uno de ellos debe trabajar con una precisión casi impecable para evitar
accidentes.
Las mismas tecnologías también se utilizan en otros sistemas autónomos como robots de entrega,
drones voladores y buques autónomos.
Implicaciones: el vial de seguridad podría ser una medida que la fiabilidad de los sistemas supere
el nivel humano. La eficiencia de las cadenas logísticas a la hora de mover mercancías debe
mejorar. Los humanos pasan un papel de supervisión, vigilando lo que está pasando mientras las
máquinas se encargan de la conducción. Dado que el transporte es un elemento crucial en nuestra
vida diaria, es probable que haya alguna implicación en el que aún no hemos pensado.
 
Aplicación 2. Recomendación de contenido
Gran parte de la información que encontramos en el transcurso de un día típico se
personaliza. Algunos ejemplos son Facebook, Twitter, Instagram y otros contenidos de redes
sociales; anuncios en línea; recomendaciones de música en Spotify; Recomendaciones de películas
en Netflix, HBO y otros servicios de streaming. Muchos editores en línea como los sitios web de
periódicos y empresas de radiodifusión, así como los motores de búsqueda como Google también
personalizan el contenido que ofrecen.
Mientras que la portada de la versión impresa del New York Times o China Daily es la misma para
todos los lectores, la portada de la versión en línea es diferente para cada usuario. Los algoritmos
que determinan el contenido que ve se basan en la IA.
Implicaciones: mientras que muchas empresas no quieren revelar los detalles de sus algoritmos,
ser consciente de los principios básicos le ayuda a entender las implicaciones potenciales: estos
implican las llamadas burbujas de filtro, cámaras de eco, fábricas de trolls, noticias falsas, y nuevas
formas de propaganda.
 
Aplicación 3. Procesamiento de imágenes y vídeos
El reconocimiento facial ya es una mercancía utilizada en muchas aplicaciones de clientes,
negocios y gobiernos, como la organización de sus fotos según la gente, el etiquetado automático
en las redes sociales y el control de pasaportes. Técnicas similares se pueden utilizar para
reconocer otros coches y obstáculos alrededor de un coche autónomo, o para estimar las
poblaciones de vida silvestre, sólo por nombrar algunos ejemplos.
 
La IA también se puede utilizar para generar o modificar contenido visual. Ejemplos ya en uso hoy
en día incluyen la transferencia de estilo, por la que se pueden adaptar sus fotos personales para
parecer que fueron pintadas por Vincent van Gogh, y personajes generados por computadora en
películas como Avatar, el Señor de los Anillos, y animaciones populares de Pixar donde los
personajes animados replican gestos hechos por actores humanos reales.
 
Implicaciones: cuando tales técnicas avanzan y se vuelven más ampliamente disponibles, será fácil
crear videos falsos de aspecto natural de eventos que son imposibles de distinguir de las imágenes
reales. Esto desafía la noción de que "ver es creer".
 
¿Qué es y qué no es la IA? ¡No es una pregunta fácil!
La popularidad de la IA en los medios de comunicación se debe en parte al hecho de que la gente
ha comenzado a usar el término cuando se refieren a cosas que solían ser llamadas por otros
nombres. Puede ver casi cualquier cosa, desde estadísticas y análisis empresarial hasta reglas
codificadas manualmente si es entonces llamadas IA. ¿Por qué es así? ¿Por qué la percepción
pública de la IA es tan nebulosa? Veamos algunas razones.
 
Razón 1: ninguna definición oficialmente acordada
Incluso los investigadores de IA no tienen una definición exacta de IA. El campo se está
redefiniendo constantemente cuando algunos temas se clasifican como no IA, y surgen nuevos
temas.

Hay una vieja broma (friki) de que la IA se define como "cosas geniales que las computadoras no
pueden hacer". La ironía es que bajo esta definición, la IA nunca puede hacer ningún progreso: tan
pronto como encontramos una manera de hacer algo genial con una computadora, deja de ser un
problema de IA. Sin embargo, hay un elemento de verdad en esta definición. Hace cincuenta años,
por ejemplo, se consideraba que los métodos automáticos de búsqueda y planificación
pertenecían al dominio de la IA. Hoy en día estos métodos se enseñan a todos los estudiantes de
ciencias de la computación. Del mismo modo, ciertos métodos para procesar información incierta
se están volviendo tan bien entendidos que es probable que se traslade de la IA a las estadísticas o
la probabilidad muy pronto.
Razón 2: el legado de la ciencia ficción
La confusión sobre el significado de la IA se agrava por las visiones de la IA presentes en varias
obras literarias y cinematográficas de ciencia ficción. Las historias de ciencia ficción a menudo
cuentan con siervos humanoides amigables que proporcionan factoides demasiado detallados o
diálogos ingeniosos, pero a veces pueden seguir los pasos de Pinocho y empezar a preguntarse si
pueden llegar a ser humanos. Otra clase de seres humanoides en la ciencia ficción defienden
motivos siniestros y se vuelven en contra de sus amos en la línea de los viejos cuentos de
aprendices de hechiceros, volviendo al Golem de Praga y más allá.

A menudo, la robotidad de estas criaturas es sólo una fina chapa encima de un agente muy
humano, lo cual es comprensible ya que la mayoría de la ficción , incluso la ciencia ficción ,
necesita ser relatable por lectores humanos que de otra manera serían alienados por la
inteligencia que es demasiado diferente y extraña. Por lo tanto, la mayoría de la ciencia ficción se
lee mejor como metáfora de la condición humana actual, y los robots podrían ser vistos como
sustitutos de sectores reprimidos de la sociedad, o tal vez nuestra búsqueda del significado de la
vida.
Razón 3: lo que parece fácil es realmente difícil...
Otra fuente de dificultad para entender la IA es que es difícil saber qué tareas son fáciles y cuáles
son difíciles. Mira a tu alrededor y recoge un objeto en tu mano, luego piensa en lo que hiciste:
usaste tus ojos para escanear tu entorno, averiguaste dónde hay algunos objetos adecuados para
recogerlo, elegiste uno de ellos y planeaste una trayectoria para que tu mano llegara a esa, luego
moviste la mano contrayendo varios músculos en secuencia y lograste apretar el objeto con la
cantidad justa de fuerza para mantenerlo entre tus dedos.

Puede ser difícil apreciar lo complicado que es todo esto, pero a veces se hace visible cuando algo
sale mal: el objeto que eliges es mucho más pesado o más ligero de lo que esperabas, o alguien
más abre una puerta justo cuando estás buscando el mango, y luego puedes encontrarte
seriamente desequilibrado. Por lo general, este tipo de tareas se sienten sin esfuerzo, pero ese
sentimiento desmiente millones de años de evolución y varios años de práctica infantil.

Si bien es fácil para usted, agarrar objetos por un robot es extremadamente difícil, y es un área de
estudio activo. Ejemplos recientes incluyen El proyecto de captación robótica de Googleyun robot
recolector de coliflor .

... y lo que parece difícil es realmente fácil

Por el contrario, las tareas de jugar al ajedrez y resolver ejercicios matemáticos pueden parecer
muy difíciles, requiriendo años de práctica para dominar e involucrando nuestras "facultades
superiores" y pensamiento consciente concentrado. No es de extrañar que alguna investigación
inicial de IA se concentrara en este tipo de tareas, y puede haber parecido en ese momento que
encapsulan la esencia de la inteligencia.
Desde entonces ha resultado que jugar al ajedrez es muy adecuado para las computadoras, que
pueden seguir reglas bastante simples y calcular muchas secuencias de movimiento alternativo a
una tasa de miles de millones de cálculos por segundo. Las computadoras vencieron al vigente
campeón mundial humano de ajedrez en los famosos partidos Deep Blue vs Kasparov en 1997.
¿Podrías haber imaginado que el problema más difícil resultó ser agarrar las piezas y moverlas en
el tablero sin derribarlas! Estudiaremos las técnicas que se utilizan en juegos como el ajedrez o el
dedo del pie tic-tac en el Capítulo 2.
Del mismo modo, mientras que el dominio en profundidad de las matemáticas requiere (lo que
parece) intuición humana e ingenio, muchos (pero no todos) ejercicios de un curso típico de
secundaria o universidad se pueden resolver aplicando una calculadora y un conjunto simple de
reglas.

Entonces, ¿cuál sería una definición más útil?

Un intento de una definición más útil que la broma de "lo que los ordenadores no pueden hacer
todavía" sería enumerar propiedades que son características de la IA, en este caso autonomía y
adaptatividad.
 
 
Terminología clave
Autonomía
La capacidad de realizar tareas en entornos complejos sin guía constante por parte de un usuario.
Adaptabilidad
La capacidad de mejorar el rendimiento aprendiendo de la experiencia.
 
 
Las palabras pueden ser engañosas
Al definir y hablar de IA tenemos que ser cautelosos, ya que muchas de las palabras que usamos
pueden ser bastante engañosas. Ejemplos comunes son el aprendizaje, la comprensión y la
inteligencia.
Bien puede decir, por ejemplo, que un sistema es inteligente, tal vez porque proporciona
instrucciones de navegación precisas o detecta signos de melanoma en fotografías de lesiones
cutáneas. Cuando escuchamos algo como esto, la palabra "inteligente" sugiere fácilmente que el
sistema es capaz de realizar cualquier tarea que una persona inteligente sea capaz de realizar: ir a
la tienda de comestibles y cocinar la cena, lavar y doblar la ropa, etc.
Del mismo modo, cuando decimos que un sistema de visión por ordenador entiende las imágenes
porque es capaz de segmentar una imagen en objetos distintos como otros coches, peatones,
edificios, la carretera, etc., la palabra "entender" sugiere fácilmente que el sistema también
entiende que incluso si una persona lleva una camiseta que tiene una foto de una carretera
impresa en ella , no está bien conducir en esa carretera (y sobre la persona).
En los dos casos anteriores, estaríamos equivocados.
 
 
Nota
Cuidado con las 'palabras de la maleta'
Marvin Minsky,un científico cognitivo y uno de los mayores pioneros en IA, acuñó el término
palabra maleta para términos que llevan un montón de significados diferentes que vienen incluso
si sólo pretendemos uno de ellos. El uso de estos términos aumenta el riesgo de malas
interpretaciones como las anteriores.
 
 
Es importante darse cuenta de que la inteligencia no es una sola dimensión como la
temperatura. Se puede comparar la temperatura de hoy con la de ayer, o la temperatura en
Helsinki con la de Roma, y decir cuál es más alta y cuál es más baja. Incluso tenemos una tendencia
a pensar que es posible clasificar a la gente con respecto a su inteligencia , eso es lo que se supone
que debe hacer el cociente de inteligencia (CI). Sin embargo, en el contexto de la IA, es obvio que
no se pueden comparar diferentes sistemas de IA en un solo eje o dimensión en términos de su
inteligencia. ¿Es un algoritmo de juego de ajedrez más inteligente que un filtro de spam, o es un
sistema de recomendación musical más inteligente que un coche autónomo? Estas preguntas no
tienen sentido. Esto se debe a que la inteligencia artificial es estrecha (volveremos al significado de
la IA estrecha al final de este capítulo): ser capaz de resolver un problema no nos dice nada sobre
la capacidad de resolver otro problema diferente.
Por qué se puede decir "una pizca de IA" pero no "una IA"
La clasificación en IA vs no IA no es una clara dicotomía sí-no: mientras que algunos métodos son
claramente IA y otros claramente no son IA, también hay métodos que implican una pizca de IA,
como una pizca de sal. Por lo tanto, a veces sería más apropiado hablar de la "AIness" (como en la
felicidad o la genialidad) en lugar de discutir si algo es IA o no.
 
Nota
"IA" no es un sustantivo contada
Al hablar de IA, nos gustaría desalentar el uso de la IA como sustantivo contable: una IA, dos IA,
etc. La IA es una disciplina científica, como las matemáticas o la biología. Esto significa que la IA es
una colección de conceptos, problemas y métodos para resolverlos.
Debido a que la IA es una disciplina, no se debe decir "una IA", al igual que no decimos "una
biología". Este punto también debería ser bastante claro cuando intentas decir algo como
"necesitamos más inteligencia artificial". Eso suena mal, ¿no? (Nos lo hace a nosotros).
 
 
A pesar de nuestro desánimo, el uso de la IA como sustantivo contable es común. Tomemos por
ejemplo, los datos titulares de los wearables ayudaron a enseñar una IA a detectar signos de
diabetes,que de lo contrario es un titular bastante bueno, ya que hace hincapié en la importancia
de los datos y deja claro que el sistema sólo puede detectar signos de diabetes en lugar de tomar
diagnósticos y decisiones de tratamiento. Y definitivamente nunca se debe decir nada como
la inteligencia artificial de Google construyó una IA que supera a cualquier hecho por los seres
humanos, que es uno de los titulares deIA más engañosos de todos los tiempos que hemos visto
(tenga en cuenta que el titular no es de Google Research).
El uso de la IA como sustantivo contable no es, por supuesto, un gran problema si lo que se dice de
otra manera tiene sentido, pero si te gustaría hablar como un profesional, evita decir "una IA", y
en su lugar decir "un método de IA".
 
 
Ejercicio 1: ¿Esto es IA o no? Cuáles de los siguientes son la IA y cuáles no. Elija sí, no o "tipo de"
donde tipo de significa que ambos pueden ser o no pueden ser, dependiendo del punto de vista.
Nota: Solo podrás enviar la respuesta una vez, después de lo cual se revelarán las respuestas
correctas, así que tómate tu tiempo y vuelve a leer el material de arriba si te apetece. Dicho esto,
no te preocupes si te equivocas algunos de ellos - algunos de ellos son discutibles en cualquier
caso porque este tipo de cosas rara vez son perfectamente claras. Estamos bastante seguros de
que si usted sólo se centra y hace su mejor esfuerzo, usted no tendrá problemas para lograr un
resultado general exitoso al final. Cometer errores es una de las mejores oportunidades para
aprender. 

Hoja de cálculo que calcula sumas y otras funciones predefinidas en datos dados . no, El resultado
está determinado por la fórmula especificada por el usuario, no se necesita IA.

predicción del mercado de valores mediante la adaptación de una curva a los datos pasados sobre
los precios de las acciones. Sí No Tipo de, Ajustar una curva simple no es realmente IA, pero hay
tantas curvas diferentes para elegir, incluso si hay muchos datos para limitarlas, que uno necesita
aprendizaje automático / IA para obtener resultados útiles.

un sistema de navegación GPS para encontrar la ruta más rápida Sí No Tipo de, El procesamiento
de señales y la geometría utilizados para determinar las coordenadas no es AI, pero proporcionar
buenas sugerencias para la navegación (rutas más cortas / más rápidas) es AI, especialmente si se
tienen en cuenta variables como las condiciones del tráfico.
un sistema de recomendación musical como Spotify que sugiere música basada en el
comportamiento de escucha de los usuarios Sí, El sistema aprende del comportamiento de
escucha de los usuarios (no solo de usted).

soluciones de almacenamiento de big data que pueden almacenar enormes cantidades de datos
(como imágenes o vídeo) y transmitirlos a muchos usuarios al mismo tiempo. No, El
almacenamiento y la recuperación de elementos específicos de una colección de datos no es
adaptativo ni autónomo.

características de edición de fotos como brillo y contraste en aplicaciones como Photoshop, No

Hay tipo de, Los ajustes como el balance de color, el contraste, etc., no son adaptativos ni
autónomos, pero los desarrolladores de la aplicación pueden usar algo de IA para ajustar
automáticamente los filtros.

filtros de transferencia de estilo en aplicaciones como Prisma que toman una foto y la transforman
en diferentes estilos de arte (impresionista, cubista, ...) si, Estos métodos normalmente aprenden
estadísticas de imágenes (léase: cómo se ven de cerca los pequeños parches de la imagen en un
estilo determinado) y transforman la foto de entrada para que sus estadísticas coincidan con el
estilo, de modo que el sistema sea adaptable.

Lección 2
Campos relacionados

Además de la IA, hay varios otros temas estrechamente relacionados que son buenos saber al
menos por su nombre. Estos incluyen aprendizaje automático, ciencia de datos y aprendizaje
profundo. Se puede decir que el aprendizaje automático es un subcampo de IA, que a su vez es un
subcampo de ciencias de la computación (tales categorías son a menudo algo imprecisas y algunas
partes del aprendizaje automático podrían pertenecer igual o mejor a las estadísticas). El
aprendizaje automático permite soluciones de IA adaptables. Se puede dar una definición concisa
de la siguiente manera:

Terminología clave

Sistemas de aprendizaje automático que mejoran su rendimiento en una tarea determinada con
más y más experiencia o datos.

El aprendizaje profundo es un subcampo de aprendizaje automático, que a su vez es un subcampo

de IA, que a su vez es un subcampo de ciencias de la computación. Nos encontraremos con un
aprendizaje profundo con más detalle en el Capítulo 5, pero por ahora sólo tomemos en cuenta
que la "profundidad" del aprendizaje profundo se refiere a la complejidad de un modelo
matemático, y que el aumento de la potencia informática de las computadoras modernas ha
permitido a los investigadores aumentar esta complejidad para alcanzar niveles que parecen no
sólo cuantitativamente sino también cualitativamente diferentes de antes. Como usted nota, la
ciencia a menudo involucra una serie de subcampos progresivamente más especiales, subcampos
de subcampos, etc. Esto permite a los investigadores acercarse a un tema en particular para que
sea posible ponerse al día con la cantidad cada vez mayor de conocimiento acumulado a lo largo
de los años, y producir nuevos conocimientos sobre el tema , o a veces, corregir los conocimientos
anteriores para ser más precisos.

La ciencia de datos es un término paraguas reciente (término que cubre varias subdisciplinas) que
incluye aprendizaje automático y estadísticas, ciertos aspectos de la ciencia de la computación
incluyendo algoritmos, almacenamiento de datos y desarrollo de aplicaciones web. La ciencia de
datos es también una disciplina práctica que requiere la comprensión del dominio en el que se
aplica, por ejemplo, negocios o ciencia: su propósito (lo que significa "valor añadido"),
suposiciones básicas y restricciones. Las soluciones de ciencia de datos a menudo implican al
menos una pizca de IA (pero por lo general no tanto como uno esperaría de los titulares).

Robótica significa construir y programar robots para que puedan operar en escenarios complejos
del mundo real. En cierto modo, la robótica es el desafío final de la IA, ya que requiere una
combinación de prácticamente todas las áreas de IA. Por ejemplo

 Visión computarizada y reconocimiento del habla para la detección del medio ambiente
 Procesamiento del lenguaje natural, recuperación de información y razonamiento bajo
incertidumbre para el procesamiento de instrucciones y predicción de consecuencias de
posibles acciones
 De modelado cognitivo y computación afectiva (sistemas que responden a expresiones de
sentimientos humanos o que imitan sentimientos) para interactuar y trabajar junto con los
seres humanos

Muchos de los problemas de IA relacionados con la robótica se abordan mejor mediante el

aprendizaje automático, lo que hace que el aprendizaje automático sea una rama central de la IA
para la robótica.

Nota

¿Qué es un robot?

En resumen, un robot es una máquina que comprende sensores (que detectan el medio ambiente)
y actuadores (que actúan sobre el medio ambiente) que se pueden programar para realizar
secuencias de acciones. Las personas acostumbradas a las representaciones ficticias científicas de
robots generalmente pensarán en máquinas humanoides caminando con una marcha incómoda y
hablando en un monótono metálico. La mayoría de los robots del mundo real actualmente en uso
se ven muy diferentes, ya que están diseñados de acuerdo con la aplicación. La mayoría de las
aplicaciones no se beneficiarían de que el robot tuviera forma humana, al igual que no tenemos
robots humanoides para hacer nuestro lavado de platos, sino máquinas en las que colocamos los
platos para ser lavados por chorros de agua. Puede que no sea obvio a primera vista, pero
cualquier tipo de vehículos que tengan al menos algún nivel de autonomía e incluyan sensores y
actuadores también se cuentan como robótica.

Por otro lado, las soluciones basadas en software, como un chatbot de servicio al cliente, incluso si
a veces se llaman "robots de software", no se cuentan como robótica (real).

Ejercicio 2: Taxonomía de IA Una taxonomía es un esquema para clasificar muchas cosas que
pueden ser casos especiales el uno del otro. Hemos explicado las relaciones entre una serie de
disciplinas o campos y hemos señalado, por ejemplo, que el aprendizaje automático generalmente
se considera un subcampo de IA.

Una forma conveniente de visualizar una taxonomía es un diagrama de Euler. Un diagrama de

Euler (estrechamente relacionado con los diagramas más familiares de Venn) consta de formas
que corresponden a conceptos, que se organizan para que la superposición entre las formas
corresponda a superposición entre los conceptos (véase por ejemplo Wikipedia: Diagrama de
Euler).

Observe que una taxonomía no necesita ser estrictamente jerárquica. Una disciplina puede ser un
subcampo de más de un tema general más: por ejemplo, también se puede pensar que el
aprendizaje automático es un subcampo de estadísticas. En este caso, el concepto de subcampo se
colocaría en la superposición entre los temas más generales.

Su tarea: Construya una taxonomía en el ejemplo del diagrama de Euler que se muestra a
continuación mostrando las relaciones entre las siguientes cosas: IA, aprendizaje automático,
ciencias de la computación, ciencia de datos y aprendizaje profundo.

¿Dónde pondrías la IA?

Section A

Section B

Section C

Section D

Section E

¿Dónde pondrías el aprendizaje automático?

Section A
Section B

Section C

Section D

Section E

¿Dónde pondrías ciencias de la computación?

Section A

Section B

Section C

Section D

Section E

¿Dónde pondrías la ciencia de datos?

Section A

Section B

Section C

Section D

Section E

¿Dónde pondrías la ciencia de datos?

Section A

Section B

Section C

Section D

Section E