Tom Taulli - Artificial Intelligence Basics. A Non-Technical Introduction-Apress (2019) - 150-195.en - Es

Traducido del inglés al español - www.onlinedoctranslator.
com
Conceptos básicos de la inteligencia artificial 141
Conclusión
Hasta hace unos años, los robots se destinaban principalmente a la fabricación de alta
gama, como la de automóviles. Pero con el crecimiento de la IA y los menores costos de
construcción de dispositivos, los robots se están generalizando en una variedad de
industrias. Como se ve en este capítulo, existen casos de uso interesantes con robots que
hacen cosas como limpiar pisos o brindar seguridad a las instalaciones.
Pero el uso de la IA con la robótica aún se encuentra en sus etapas incipientes.

Programar sistemas de hardware no es nada fácil y se necesitan sistemas sofisticados
para navegar por los entornos. Sin embargo, con enfoques de IA como el aprendizaje
por refuerzo, se ha producido un progreso acelerado.
Pero cuando se piensa en utilizar robots, es importante comprender las limitaciones.

También debe haber un propósito claro. De lo contrario, una implementación puede
conducir fácilmente a una costosa falla. Incluso algunas de las empresas más innovadoras
del mundo, como Google y Tesla, han tenido desafíos al trabajar con robots.
Conclusiones clave
• Un robot puede realizar acciones, sentir su entorno y tener cierto

nivel de inteligencia. También hay funciones clave como
sensores, actuadores (como motores) y computadoras.
• Hay dos formas principales de operar un robot: el telerobot

(que está controlado por un humano) y el robot autónomo
(basado en sistemas de IA).
• Desarrollar robots es increíblemente complicado. Incluso algunos de
los mejores tecnólogos del mundo, como Elon Musk de Tesla, han
tenido grandes problemas con la tecnología. Una razón clave es la
paradoja de Moravec. Básicamente, lo que es fácil para los
humanos suele ser difícil para los robots y viceversa.
• Si bien la IA está teniendo un impacto en los robots, el proceso

ha sido lento. Una razón es que se ha puesto más énfasis
en las tecnologías basadas en software. Pero los robots
también son extremadamente complicados a la hora de
moverse y comprender el entorno.
• Los cobots son máquinas que trabajan junto a los humanos. La
idea es que esto permitirá aprovechar las ventajas tanto de
las máquinas como de las personas.
142 Capítulo 7 | Robots fisicos
• Los costos de los robots son una de las principales razones de la falta de
adopción. Pero empresas innovadoras, como Cobalt Robotics, están
utilizando nuevos modelos de negocio para ayudar, como las
suscripciones.
• Los robots de consumo se encuentran todavía en las etapas iniciales,

especialmente en comparación con los robots industriales. Pero hay algunos
casos de uso interesantes, como el de las máquinas que pueden ser
compañeras de las personas.
• Durante la década de 1950, el escritor de ciencia ficción Isaac

Asimov creó las Tres Leyes de la robótica. En su mayor
parte, se centraron en asegurarse de que las máquinas no
dañaran a las personas ni a la sociedad. Aunque existen
críticas al enfoque de Asimov, siguen siendo ampliamente
aceptadas.
• En general, la seguridad no ha sido un problema con los robots.
Pero esto probablemente cambiará... y rápidamente. Después
de todo, hay más robots conectados a la nube, lo que permite
la intrusión de virus y malware.
• El Sistema Operativo de Robot (ROS) se ha convertido en un

estándar para la industria de la robótica. Este middleware
ayuda con la planificación, simulaciones, mapeo, localización,
percepción y prototipos.
• El desarrollo de robots inteligentes presenta muchos desafíos

debido a la necesidad de crear sistemas físicos. Sin embargo,
existen herramientas que pueden ayudar, como permitir
simulaciones sofisticadas.
CAPÍTULO
Implementación
de IA
Moviendo la aguja para su empresa
En marzo de 2019, un tirador transmitió en vivo en Facebook su brutal asesinato

de 50 personas en dos mezquitas de Nueva Zelanda. Fue visto unas 4.000 veces y
no se cerró hasta 29 minutos después del ataque.1Luego, el vídeo se subió a
otras plataformas y fue visto millones de veces.
Sí, este fue un claro ejemplo de cómo la IA puede fallar de manera horrible.
En una publicación de blog, el vicepresidente de gestión de productos de Facebook, Guy Rosen, señaló:
Los sistemas de inteligencia artificial se basan en "datos de

entrenamiento", lo que significa que se necesitan miles de ejemplos
de contenido para entrenar un sistema que pueda detectar ciertos
tipos de texto, imágenes o videos. Este enfoque ha funcionado muy
bien en áreas como la desnudez, la propaganda terrorista y
también la violencia gráfica, donde hay una gran cantidad de
ejemplos que podemos utilizar para entrenar nuestros sistemas.
Sin embargo, este vídeo en particular no activó nuestros sistemas
de detección automática. Para lograrlo necesitaremos dotar a
nuestros sistemas de grandes volúmenes de
1www.cnbc.com/2019/03/21/why-facebooks-ai-didnt-detect-the-new-
zealandmosque-shooting-video.html
© Tom Taulli 2019

T. Taulli,Conceptos básicos de la inteligencia artificial,
https://doi.org/10.1007/978-1-4842-5028-0_8
144 Capítulo 8 | Implementación de IA
datos de este tipo específico de contenido, algo que es difícil ya

que estos eventos afortunadamente son raros. Otro desafío es
discernir automáticamente este contenido de contenido
visualmente similar e inocuo; por ejemplo, si nuestros sistemas
marcan miles de videos de videojuegos transmitidos en vivo,
nuestros revisores podrían perderse los videos importantes del
mundo real en los que podríamos alertar a los socorristas.
obtener ayuda en el terreno.2
Tampoco ayudó que hubiera varios malos actores que volvieron a subir versiones editadas del
video para frustrar el sistema de inteligencia artificial de Facebook.
Por supuesto, esta fue una gran lección sobre las deficiencias de la tecnología y la
compañía dice que está comprometida a seguir mejorando sus sistemas. Pero el estudio de
caso de Facebook también destaca que incluso las empresas tecnológicamente más
sofisticadas enfrentan grandes desafíos. Por eso, cuando se trata de implementar la IA, es
necesario haber una planificación sólida y comprender que inevitablemente habrá
problemas. Pero puede resultar difícil, ya que los altos directivos de las empresas están
bajo presión para obtener resultados con esta tecnología.
En este capítulo, veremos algunas de las mejores prácticas para

implementaciones de IA.
Enfoques para implementar la IA

El uso de IA en una empresa generalmente implica dos enfoques: usar software
de proveedores o crear modelos internos. El primero es el más frecuente y puede
ser suficiente para un gran número de empresas. La ironía es que es posible que
ya esté utilizando software, digamos de Salesforce.com, Microsoft, Google,
Workday, Adobe o SAP, que ya tiene poderosas capacidades de inteligencia
artificial. En otras palabras, un buen enfoque es asegurarse de aprovecharlos al
máximo.
Para ver lo que está disponible, eche un vistazo a Einstein de Salesforce.com, que se lanzó
en septiembre de 2016. Este sistema de inteligencia artificial está perfectamente integrado
en la plataforma principal CRM (Customer Relationship Management), lo que permite
acciones más predictivas y personalizadas para ventas, servicio, marketing y comercio.
Salesforce.com llama a Einstein un "científico de datos personales", ya que es bastante fácil
de usar, como arrastrar y soltar para crear flujos de trabajo. Algunas de las capacidades
incluyen lo siguiente:
• Puntuación predictiva: Esto muestra la probabilidad de que un cliente

potencial se convierta en una oportunidad.
2https://newsroom.fb.com/news/2019/03/technical-update-on-new-zealand/
• Análisis de los sentimientos: Esto proporciona una manera de tener una idea de
cómo las personas ven su marca y sus productos mediante el análisis de las redes
sociales.
• Recomendaciones inteligentes: Einstein analiza datos para mostrar qué

productos son los más ideales para los clientes potenciales.
Sin embargo, si bien estas funciones prediseñadas facilitan el uso de la IA, todavía existen
problemas potenciales. "Hemos estado incorporando funciones de IA en nuestras
aplicaciones durante los últimos años y esta ha sido una gran experiencia de aprendizaje",
afirmó Ricky Thakrar, evangelista de la experiencia del cliente de Zoho. “Pero para que la
tecnología funcione, los usuarios deben utilizar el software correctamente. Si el personal de
ventas no ingresa la información correctamente, es probable que los resultados no sean
correctos. También descubrimos que deberían haber al menos tres meses de uso para que
los modelos se capaciten. Y además, incluso si sus empleados están haciendo todo bien,
esto no significa que las predicciones de la IA serán perfectas. Tómate siempre las cosas
con cautela”.3
Ahora bien, en cuanto a construir sus propios modelos de IA, este es un compromiso importante
para una empresa. Y esto es lo que cubriremos en este capítulo.
Pero independientemente del enfoque que se adopte, la implementación y el uso de

la IA deben comenzar primero con la educación y la capacitación. No importa si los
empleados son personas no técnicas o ingenieros de software. Para que la IA tenga
éxito en una organización, todos deben tener un conocimiento básico de la
tecnología. Sí, este libro será útil, pero también hay muchos recursos en línea que
pueden ayudar, como plataformas de capacitación como Lynda, Udacity y Udemy.
Ofrecen cientos de cursos de alta calidad sobre muchos temas relacionados con la IA.
Para dar una idea de cómo es un programa de formación corporativa, considere Adobe. Aunque la
empresa cuenta con ingenieros increíblemente talentosos, todavía hay un gran número de ellos que no
tienen experiencia en IA. Es posible que algunos de ellos no se hayan especializado en esto en la escuela
o en su trabajo. Sin embargo, Adobe quería asegurarse de que todos los ingenieros tuvieran una
comprensión sólida de los principios básicos de la IA. Para ello, la empresa cuenta con un programa de
certificación de seis meses de duración, que capacitó a 5.000 ingenieros en 2018. El objetivo es liberar al
científico de datos que hay en cada ingeniero.
El programa incluye tanto cursos en línea como sesiones presenciales, que no solo cubren
temas técnicos sino también áreas como estrategia e incluso ética. Adobe también brinda
ayuda de científicos informáticos experimentados para ayudar a los estudiantes a dominar
los temas.
A continuación, desde el principio del proceso de implementación, es esencial pensar en los

riesgos potenciales. Quizás uno de los más amenazadores sea el sesgo, ya que puede filtrarse
fácilmente en un modelo de IA.
3Esto se basa en la entrevista del autor, en abril de 2019, con Ricky Thakrar, evangelista de la
experiencia del cliente de Zoho.
Un ejemplo de esto es Amazon.com, que cerró su software de reclutamiento basado en inteligencia

artificial en 2017. El problema principal fue que estaba sesgado a la hora de contratar hombres.
Curiosamente, este fue un caso clásico de problema de entrenamiento para el modelo. Tenga en cuenta
que la mayoría de los currículums enviados procedían de hombres, por lo que los datos estaban
sesgados. Amazon.com incluso intentó modificar el modelo, pero aún así los resultados estuvieron lejos
de ser neutrales en cuanto al género.4
En este caso, la cuestión no se trataba sólo de tomar decisiones basadas en premisas erróneas.
Amazon.com probablemente también se exponía a posibles responsabilidades legales, como por
ejemplo con demandas por discriminación.
Dados los complicados problemas que plantea la IA, cada vez más empresas están formando
comités de ética. Pero incluso esto puede estar plagado de problemas. Oye, lo que puede ser
ético para una persona puede no ser gran cosa para otra, ¿verdad? Definitivamente.
Por ejemplo, Google cerró su propia junta de ética aproximadamente una semana después
de su lanzamiento. Parece que la razón principal fue la reacción que surgió al incluir a un
miembro de la Heritage Foundation, que es un grupo de expertos conservador.5
Los pasos para la implementación de la IA

Si planea implementar sus propios modelos de IA, ¿cuáles son los principales pasos a considerar?
¿Cuáles son las mejores prácticas? Bueno, antes que nada, es de vital importancia que sus datos
estén bastante limpios y estructurados de manera que permitan el modelado (consulte el
Capítulo2).
Aquí hay algunos otros pasos a tener en cuenta:
• Identificar un problema a resolver.
• Forme un equipo fuerte.

• Seleccionar las herramientas y plataformas adecuadas.
• Crear el modelo de IA (recorrimos este proceso en el

Capítulo3).
• Implementar y monitorear el modelo de IA.
Echemos un vistazo a cada uno.
4www.reuters.com/article/us-amazon-com-jobs-automation-insight/ amazon-
scraps-secret-ai-recruiting-tool-that-showed-bias-against-
womenidUSKCN1MK08G
5www.theverge.com/2019/4/4/18296113/google-ai-ethics-board-
endscontroversy-kay-coles-james-heritage-foundation
Identificar un problema a resolver

Fundada en 1976, HCL Technologies es una de las firmas de consultoría de TI más grandes, con
132.000 empleados en 44 países y tiene como clientes a la mitad de las empresas Fortune 500. La
empresa también ha implementado una gran cantidad de sistemas de inteligencia artificial.
Esto es lo que Kalyan Kumar, vicepresidente corporativo y CTO global de HCL

Technologies, tiene que decir:
Los líderes empresariales deben comprender y darse
cuenta de que la adopción de la Inteligencia Artificial es un
viaje y no una carrera corta. Es fundamental que las
personas que impulsan la adopción de la IA dentro de una
empresa sean realistas sobre el plazo y lo que la IA es capaz
de hacer. La relación entre los humanos y la IA se fortalece
mutuamente, y cualquier implementación de IA puede
tardar algún tiempo antes de que comience a tener un
impacto positivo y significativo.6
Es un gran consejo. Por eso, especialmente para las empresas que están comenzando en el
camino de la IA, es esencial adoptar un enfoque experimental. Piense en ello como si
estuviera armando un programa piloto; es decir, está en la “fase de gatear y caminar”.
Pero cuando se trata del proceso de implementación de la IA, es común centrarse

demasiado en las diferentes tecnologías, que sin duda son fascinantes y poderosas.
Sin embargo, el éxito es mucho más que sólo tecnología; en otras palabras, primero
debe haber un argumento comercial claro. Aquí hay algunas áreas en las que pensar
al comenzar:
• Sin duda, las decisiones en las empresas suelen ser ad hoc y,

bueno, ¡una cuestión de conjeturas! Pero con la IA, tienes la
oportunidad de utilizar la toma de decisiones basada en datos,
que debería ser más precisa. Entonces, ¿en qué parte de su
organización esto puede tener el mayor beneficio?
• Como se vio con la automatización robótica de procesos (RPA), que

cubrimos en el capítulo5, la IA puede ser extremadamente efectiva
al manejar tareas repetitivas y mundanas.
• Los chatbots pueden ser otra forma de empezar con la IA. Son
relativamente fáciles de configurar y pueden servir para casos de
uso específicos, como el servicio al cliente. Puedes aprender más
sobre esto en el Capítulo6.
6Esto se basa en la entrevista del autor, en marzo de 2019, con Kalyan Kumar,
vicepresidente corporativo y CTO global de HCL Technologies.
Andrew Ng, director ejecutivo de Landing AI y ex director de Google

Brain, ha propuesto varios enfoques en los que pensar al identificar en
qué centrarse con su proyecto inicial de IA:7
• Victoria rapida: Un proyecto debe durar entre 6 y 12
meses y debe tener una alta probabilidad de éxito, lo
que debería ayudar a generar impulso para más
iniciativas. Andrew sugiere tener un par de proyectos, ya
que aumenta las probabilidades de ganar.
• Significativo: Un proyecto no tiene por qué ser transformador. Pero
debería tener resultados que ayuden a mejorar la empresa de
manera notable, generando más aceptación para inversiones
adicionales en IA. El valor generalmente proviene de menores
costos, mayores ingresos, encontrar nuevas extensiones del
negocio o mitigar riesgos.
• Enfoque específico de la industria: Esto es fundamental ya que un proyecto

exitoso será otro factor para impulsar la aceptación. Por lo tanto, si tiene una
empresa que vende un servicio de suscripción, entonces un sistema de
inteligencia artificial para reducir la deserción sería un buen lugar para
comenzar.
• Datos: No limites tus opciones según la cantidad de datos que

tengas. Andrew señala que un proyecto de IA exitoso puede tener
tan solo 100 puntos de datos. Pero los datos aún deben ser de alta
calidad y bastante limpios, que son temas clave que se tratan en el
Capítulo2.
Al analizar esta fase, también vale la pena evaluar el “tango” entre empleados y
máquinas. Tenga en cuenta que esto a menudo se pasa por alto y puede tener
consecuencias adversas en un proyecto de IA. Como hemos visto en este libro, la IA es
excelente para procesar grandes cantidades de datos con pocos errores y a gran
velocidad. La tecnología también es excelente con predicciones y detección de
anomalías. Pero hay tareas que los humanos hacen mucho mejor, como ser creativo,
abstraerse y comprender conceptos.
Tenga en cuenta el siguiente ejemplo de esto de Erik Schluntz, cofundador y director de

tecnología de Cobalt Robotics:
Nuestros robots de seguridad son excelentes para detectar eventos

inusuales en entornos de trabajo y campus, como detectar a una
persona en una oficina oscura con imágenes térmicas impulsadas
por IA. Pero uno de nuestros operadores humanos se acerca.
7https://hbr.org/2019/02/how-to-choose-your-first-ai-project
entra y hace la llamada de cómo responder. Incluso con todo el

potencial de la IA, todavía no es la mejor opción para una
misión crítica cuando se la compara con variables ambientales
en constante cambio y la imprevisibilidad humana. Considere la
gravedad de que la IA cometa un error en diferentes
situaciones: no detectar a un intruso malintencionado es
mucho peor que hacer sonar accidentalmente una falsa alarma
a uno de nuestros operadores.8
A continuación, asegúrese de tener claros los KPI y medirlos con diligencia. Por
ejemplo, si está desarrollando un chatbot personalizado para servicio al cliente, es
posible que desee compararlo con métricas como la tasa de resolución y la
satisfacción del cliente.
Y por último, deberás realizar una evaluación informática. Si tiene principalmente sistemas
heredados, entonces podría resultar más difícil y costoso implementar la IA, incluso si los
proveedores tienen API e integraciones. Esto significa que deberá moderar sus
expectativas.
A pesar de todo esto, las inversiones realmente pueden marcar la diferencia, incluso para las
empresas más antiguas. Para ver un ejemplo de esto, consideremos Symrise, cuyas raíces se
remontan a más de 200 años en Alemania. En el momento de escribir este artículo, la empresa es
un productor mundial de sabores y fragancias, con más de 30.000 productos.
Hace unos años, Symrise se embarcó en una importante iniciativa, con la ayuda de IBM, para
aprovechar la IA para crear nuevos perfumes. La empresa no sólo tuvo que reestructurar su
infraestructura de TI existente, sino que también tuvo que dedicar un tiempo considerable a
ajustar los modelos. Pero fue de gran ayuda que ya contaba con un amplio conjunto de datos, lo
que permitía una mayor precisión. Tenga en cuenta que incluso una ligera desviación en la
mezcla de un compuesto puede hacer que un perfume falle.
Según el presidente de Scent and Care de Symrise, Achim Daub:

Ahora nuestros perfumistas pueden trabajar con un
aprendiz de IA a su lado, que puede analizar miles de
fórmulas y datos históricos para identificar patrones y
predecir combinaciones novedosas, ayudando a
hacerlos más productivos y acelerar el proceso de
diseño guiándolos hacia fórmulas que nunca antes
habían tenido. sido visto antes.9
8Esto se basa en la entrevista del autor, en abril de 2019, con Erik Schluntz, cofundador y
director de tecnología de Cobalt Robotics.
9www.symrise.com/newsroom/article/breaking-new-fragrance-groundwith-
artificial-intelligence-ai-ibm-research-and-symrise-are-workin/
Formando el equipo
¿Qué tamaño debe tener el equipo inicial para un proyecto de IA? Quizás una buena guía sea
utilizar la “regla de las dos pizzas” de Jeff Bezos.10En otras palabras, ¿es esto suficiente para
alimentar a las personas que participan?
Ah, y no debería haber prisa por formar el equipo. Todos deben estar muy
concentrados en el éxito y comprender la importancia del proyecto. Si hay poco que
mostrar del proyecto de IA, las perspectivas de futuras iniciativas podrían estar en
peligro.
El equipo necesitará un líder que generalmente tenga experiencia empresarial u

operativa, pero que también tenga algunas habilidades técnicas. Dicha persona
debería poder identificar el caso de negocio para el proyecto de IA, pero también
comunicar la visión a múltiples partes interesadas de la empresa, como el
departamento de TI y la alta dirección.
En términos de personal técnico, probablemente no será necesario un doctorado en

IA. Si bien estas personas son brillantes, a menudo se centran principalmente en
innovaciones en el campo, como refinar modelos o crear otros nuevos. Estas
habilidades no suelen ser esenciales para un piloto de IA.
Más bien, busque personas que tengan experiencia en ingeniería de software o ciencia de
datos. Sin embargo, como se señaló anteriormente en este capítulo, es posible que estas
personas no tengan una sólida formación en IA. Debido a esto, puede ser necesario que
dediquen algunos meses de capacitación a aprender los principios básicos del aprendizaje
automático y el aprendizaje profundo. También debería centrarse en comprender cómo
utilizar las plataformas de inteligencia artificial, como TensorFlow.
Dados los desafíos, puede ser una buena idea buscar la ayuda de consultores, que puedan
ayudar a identificar las oportunidades de IA pero también brindar asesoramiento sobre la
preparación de datos y el desarrollo de modelos.
Dado que un piloto de IA será experimental, el equipo debe contar con personas dispuestas a
asumir riesgos y de mente abierta. De lo contrario, el progreso podría ser extremadamente
difícil.
Las herramientas y plataformas adecuadas

Existen muchas herramientas para ayudar a crear modelos de IA y la mayoría de ellas son de
código abierto. Aunque es bueno probarlos, es recomendable realizar primero su evaluación de
TI. Al hacer esto, debería estar en una mejor posición para evaluar las herramientas de
inteligencia artificial.
10www.geekwire.com/2018/amazon-tops-600k-worldwide-employees-1st-time-13-
jump-year-ago/
Algo más: ¡puede darse cuenta de que su empresa ya está utilizando múltiples herramientas y
plataformas de IA! Esto puede causar problemas con la integración y la gestión del proceso con
proyectos de IA. En vista de esto, una empresa debería desarrollar una estrategia para las
herramientas. Piense en ello como su pila de herramientas de inteligencia artificial.
Bien, entonces echemos un vistazo a algunos de los lenguajes, plataformas y herramientas más
comunes para la IA.
Lenguaje Python
Guido van Rossum, que obtuvo su maestría en matemáticas e informática en la
Universidad de Amsterdam en 1982, trabajaría en varios institutos de
investigación en Europa, como la Corporación para Iniciativas Nacionales de
Investigación (CNRI). Pero fue a finales de los años 80 cuando crearía su propio
lenguaje informático, llamado Python. En realidad, el nombre proviene de la
popular serie de comedia británica.Monty Python.
Así que el lenguaje era un poco poco convencional, pero eso lo hacía tan poderoso. Python
pronto se convertiría en el estándar para el desarrollo de IA.
Parte de esto se debió a la simplicidad. Con solo unos pocos scripts de código, puede crear
modelos sofisticados, por ejemplo con funciones como filtrar, mapear y reducir. Pero, por
supuesto, el lenguaje también permite una codificación mucho más sofisticada.
Van Rossum desarrolló Python con una filosofía clara:11

• Lo bello es mejor que lo feo.
• Explícito es mejor que implícito.
• Lo simple es mejor que lo complejo.
• Complejo es mejor que complicado.

• Plano es mejor que anidado.
• Escaso es mejor que denso.
Estos son sólo algunos de los principios.
Además, Python tenía la ventaja de crecer en la comunidad académica, que tenía

acceso a Internet, lo que ayudó a acelerar la distribución. Pero también hizo
posible el surgimiento de un ecosistema global con miles de paquetes y
bibliotecas de IA diferentes. Éstos son sólo algunos:
11www.python.org/dev/peps/pep-0020/
• NumPy: Esto permite aplicaciones informáticas científicas. En el centro

de esto está la capacidad de crear una sofisticada variedad de objetos
con alto rendimiento. Esto es fundamental para el procesamiento de
datos de alto nivel en modelos de IA.
• Matplotlib: Con esto, puede trazar conjuntos de datos. A menudo,

Matplotlib se usa junto con NumPy/Pandas (Pandas se refiere a
"Biblioteca de análisis de datos de Python"). Esta biblioteca hace
que sea relativamente fácil crear estructuras de datos para
desarrollar modelos de IA.
• IA simple: Esta es una implementación de los algoritmos de IA del

libro.Inteligencia artificial: un enfoque moderno, de Stuart Russel y
Peter Norvig. La biblioteca no sólo tiene una rica funcionalidad sino
que también proporciona recursos útiles para navegar por el
proceso.
• PyBrain: Se trata de una biblioteca modular de aprendizaje

automático que permite crear modelos sofisticados (redes
neuronales y sistemas de aprendizaje por refuerzo) sin mucha
codificación.
• Scikit-Aprende: Lanzada en 2007, esta biblioteca tiene una amplia

fuente de capacidades que permiten la regresión, agrupación y
clasificación de datos.
Otro beneficio de Python es que existen muchos recursos para aprender. Una
búsqueda rápida en YouTube mostrará miles de cursos gratuitos.
Ahora existen otros lenguajes sólidos que puedes usar para IA como C++, C# y Java. Si
bien generalmente son más poderosos que Python, también son complejos. Además,
cuando se trata de construir modelos, a menudo hay poca necesidad de crear
aplicaciones completas. Y, por último, existen bibliotecas de Python creadas para
máquinas de IA de alta velocidad (con GPU) como CUDA Python.
Marcos de IA
Existe una gran variedad de marcos de IA que proporcionan sistemas de un extremo
a otro para crear modelos, entrenarlos e implementarlos. Con diferencia, el más
popular es TensorFlow, respaldado por Google. La empresa inició el desarrollo de este
marco en 2011, a través de su división Google Brain. El objetivo era encontrar una
manera de crear redes neuronales más rápido para integrar la tecnología en muchas
aplicaciones de Google.
En 2015, Google decidió abrir TensorFlow de código abierto, principalmente

porque la empresa quería acelerar el progreso de la IA. Y sin duda, esto es lo
que pasó. Al abrir TensorFlow, Google convirtió su tecnología en un estándar
de desarrollo de la industria. El software se ha descargado
41 millones de veces y hay más de 1.800 contribuyentes. De hecho, TensorFlow

Lite (que es para sistemas integrados) se ejecuta en más de 2 mil millones de
dispositivos móviles.12
La ubicuidad de la plataforma ha dado como resultado un gran ecosistema. Esto significa
que hay muchos complementos como TensorFlow Federated (para datos descentralizados),
TensorFlow Privacy, TensorFlow Probability, TensorFlow Agents (para aprendizaje por
refuerzo) y Mesh TensorFlow (para conjuntos de datos masivos).
Para usar TensorFlow, tienes la opción de una variedad de lenguajes para

crear tus modelos, como Swift, JavaScript y R. Aunque, en su mayor parte, el
más común es Python.
En términos de estructura básica, TensorFlow toma datos de entrada como una
matriz multidimensional, que también se conoce como tensor. Hay un flujo,
representado por un gráfico, a medida que los datos circulan por el sistema.
Cuando ingresa comandos en TensorFlow, se procesan utilizando un sofisticado

kernel de C++. Esto permite un rendimiento mucho mayor, lo que puede ser esencial
ya que algunos modelos pueden ser enormes.
TensorFlow se puede utilizar para casi cualquier cosa cuando se trata de IA. Estos son
algunos de los modelos que ha impulsado:
• Investigadores del NERSC (Centro Nacional de Computación Científica

para la Investigación Energética) del Laboratorio Nacional
Lawrence Berkeley crearon un sistema de aprendizaje profundo
para predecir mejor el clima extremo. Fue el primer modelo de este
tipo que rompió la barrera informática de la exposición (mil
millones de cálculos). Gracias a esto, los investigadores ganaron el
premio Gordon Bell.13
• Airbnb utilizó TensorFlow para crear un modelo que categorizaba

millones de fotos de anuncios, lo que mejoró la experiencia de los
huéspedes y generó mayores conversiones.14
• Google utilizó TensorFlow para analizar datos del telescopio

espacial Kepler de la NASA. ¿El resultado? Al entrenar una red
neuronal, el modelo descubrió dos exoplanetas. Google
también puso a disposición del público el código.15
Google ha estado trabajando en TensorFlow 2.0 y un objetivo clave es simplificar el

proceso de API. También existe algo llamado Conjuntos de datos, que ayuda a agilizar
la preparación de datos para modelos de IA.
https://medium.com/tensorflow/recap-of-the-2019-tensorflow-
12
devsummit-1b5ede42da8d
13 www.youtube.com/watch?v=p45kQklIsd4&feature=youtu.be
14 www.youtube.com/watch?v=tPb2u9kwh2w&feature=youtu.be
15 https://ai.googleblog.com/2018/03/open-sourcing-hunt-for-exoplanets. HTML
Entonces, ¿cuáles son algunos de los otros marcos de IA? Vamos a ver:
• PyTorch: Facebook es el desarrollador de esta plataforma, que fue

lanzada en 2016. Al igual que TensorFlow, el lenguaje principal
para programar el sistema es Python. Si bien PyTorch aún se
encuentra en las primeras fases, ya se considera el segundo lugar
detrás de TensorFlow en términos de uso. Entonces, ¿qué es
diferente con esta plataforma? PyTorch tiene una interfaz más
intuitiva. La plataforma también permite el cálculo dinámico de
gráficos. Esto significa que puede realizar cambios fácilmente en
sus modelos en tiempo de ejecución, lo que ayuda a acelerar el
desarrollo. PyTorch también hace posible tener diferentes tipos de
CPU y GPU de backend.
• Keras: Aunque TensorFlow y PyTorch son para expertos en IA con

experiencia, Keras es para principiantes. Con una pequeña
cantidad de código (en Python) puedes crear redes neuronales. En
la documentación, se señala: “Keras es una API diseñada para seres
humanos, no para máquinas. Pone la experiencia del usuario al
frente y al centro. Keras sigue las mejores prácticas para reducir la
carga cognitiva: ofrece API consistentes y simples, minimiza la
cantidad de acciones del usuario requeridas para casos de uso
comunes y proporciona comentarios claros y procesables en caso
de error del usuario”.dieciséis¡Hay una guía de “Introducción” que solo
toma 30 segundos! Sin embargo, la simplicidad no significa que no
sea poderoso. El caso es que puedes crear modelos sofisticados
con Keras. Por ejemplo, TensorFlow ha integrado Keras en su
propia plataforma. Incluso para aquellos que son profesionales de
la IA, el sistema puede resultar bastante útil para realizar
experimentos iniciales con modelos.
Con el desarrollo de la IA, existe otra herramienta común: Jupyter Notebook. No es una
plataforma o herramienta de desarrollo. En cambio, Jupyter Notebook es una aplicación web que
facilita la codificación en Python y R para crear visualizaciones e importar sistemas de inteligencia
artificial. También puedes compartir fácilmente tu trabajo con otras personas, similar a lo que
hace GitHub.
Durante los últimos años, también ha surgido una nueva categoría de herramientas de
inteligencia artificial llamada aprendizaje automático automatizado o autoML. Estos sistemas
ayudan a abordar procesos como la preparación de datos y la selección de funciones. En su
mayor parte, el objetivo es brindar ayuda a aquellas organizaciones que no cuentan con
científicos de datos e ingenieros de inteligencia artificial con experiencia. Se trata de la tendencia
de rápido crecimiento del “científico de datos ciudadano”, es decir, una persona que no tiene una
sólida formación técnica y que aún puede crear modelos útiles.
https://keras.io/
dieciséis
Algunos de los jugadores en el espacio autoML incluyen H2O.ai, DataRobot y SaaS.

Los sistemas son intuitivos y utilizan la facilidad de arrastrar y soltar con el desarrollo
de modelos. Como no debería sorprender, los mega operadores tecnológicos como
Facebook y Google han creado sistemas autoML para sus propios equipos. En el caso
de Facebook, cuenta con Asimo, que ayuda a gestionar la formación y pruebas de
300.000 modelos cada mes.17
Para ver un caso de uso de autoML, eche un vistazo a Lenovo Brasil. La empresa tenía
dificultades para crear modelos de aprendizaje automático para ayudar a predecir y
gestionar la cadena de suministro. Tenía dos personas que codificaban 1.500 líneas de
código R cada semana, pero esto no era suficiente. El hecho es que no sería rentable
contratar más científicos de datos.
De ahí que la empresa implementó DataRobot. Al automatizar varios

procesos, Lenovo Brasil pudo crear modelos con más variables, lo que
generó mejores resultados. En pocos meses, el número de usuarios de
DataRobot pasó de dos a diez.
Mesa8-1muestra algunos otros resultados.18
Tabla 8-1.Los resultados de implementar un sistema autoML
Tareas Antes Después
Creación de modelos 4 semanas 3 días

Modelos de producción 2 días 5 minutos
Precisión de las predicciones <80% 87,5%
Bastante bien, ¿verdad? Absolutamente. Pero todavía hay algunas advertencias. Con Lenovo
Brasil, la empresa contó con el beneficio de científicos de datos capacitados, que entendían los
matices de la creación de modelos.
Sin embargo, si utiliza una herramienta de autoML sin dicha experiencia, fácilmente podría tener
serios problemas. Existe una buena posibilidad de que cree modelos que tengan suposiciones o
datos erróneos. En todo caso, ¡los resultados pueden resultar, en última instancia, mucho peores
que no utilizar la IA! Debido a esto, DataRobot en realidad requiere que un nuevo cliente tenga
un ingeniero de campo y un científico de datos dedicados a trabajar con la empresa durante el
primer año.19
Ahora también existen plataformas low-code que han demostrado ser útiles para
acelerar el desarrollo de proyectos de IA. Uno de los líderes en el espacio es Appian,
que tiene la audaz garantía de “Idea para aplicación en ocho semanas”.
17www.aimlmarketplace.com/technology/machine-learning/the-rise-
ofautomated-machine-learning
18https://3gp10c1vpy442j63me73gy3s-wpengine.netdna-ssl.com/wp-content/
uploads/2018/08/Lenovo-Case-Study.pdf
19www.wsj.com/articles/yes-you-too-can-be-an-ai-expert-11554168513
Con esta plataforma, puede configurar fácilmente una estructura de datos limpia.
Incluso existen sistemas para ayudar a guiar el proceso, como alertas sobre
problemas. Sin duda, esto proporciona una base sólida para construir un modelo.
Pero el código bajo también ayuda de otras maneras. Por ejemplo, puedes probar
varias plataformas de IA (por ejemplo, de Google, Amazon o Microsoft) para ver cuál
funciona mejor. Luego puede crear la aplicación con una interfaz moderna e
implementarla en la Web o en aplicaciones móviles.
Para tener una idea del poder del código bajo, eche un vistazo a lo que KPMG ha hecho con esta
tecnología. La empresa pudo ayudar a sus clientes a abandonar el uso de LIBOR en los
préstamos. En primer lugar, KPMG utilizó su propia plataforma de inteligencia artificial, llamada
Ignite, para ingerir los datos no estructurados y utilizar el aprendizaje automático y el
procesamiento del lenguaje natural para remediar los contratos. A continuación, la empresa
utilizó Appian para ayudar a compartir documentos, reglas comerciales personalizables y
generación de informes en tiempo real.
Un proceso de este tipo, cuando se realiza manualmente, fácilmente podría llevar miles de
horas, con una tasa de error del 10% al 15%. Pero cuando se utilizó Ignite/Appian, la
precisión superó el 96%. Ah, y el tiempo para procesar los documentos fue en segundos.
Implementar y monitorear el sistema de IA

Incluso cuando se crea un modelo de IA que funciona, aún queda trabajo por hacer. Necesita
encontrar formas de implementarlo y monitorearlo.
Esto requiere una gestión del cambio, que siempre es compleja y difícil. La IA es diferente
de una implementación de TI típica, ya que implica el uso de predicciones e información
para la toma de decisiones. Esto significa que las personas tendrán que repensar cómo
interactúan con la tecnología.
Considere también que lo más probable es que los usuarios finales sean personas no
técnicas, ya sean empleados o consumidores. Por eso es necesario trabajar mucho
para que el modelo de IA sea lo más sencillo posible. Por ejemplo, si ha creado un
sistema para marketing online, es posible que desee limitar las opciones para el
usuario, digamos a sólo cuatro o cinco de ellas.
¿Por qué? Si hay demasiados, los usuarios pueden frustrarse y ni siquiera saber por
dónde empezar. Todo esto es parte del llamado problema de la “parálisis del análisis”.
Cuando esto suceda, inevitablemente habrá poca adopción del modelo de IA, lo que
obstaculizará gravemente el progreso.
Otra buena estrategia es utilizar visualizaciones que sean interactivas. En otras palabras,
puedes ver fácilmente cómo cambian las tendencias ajustando algunas variables. También
puede permitir hacer clic en una determinada parte del gráfico para profundizar en más
detalles.
También es esencial crear documentación. Pero esto debería ser algo más que materiales
escritos. Por ejemplo, un enfoque eficaz es desarrollar tutoriales en vídeo. Un esfuerzo de
este tipo contribuirá en gran medida a crear una adopción sólida.
Como práctica recomendada, la implementación inicial debe ser limitada. Quizás esto podría ser para un
pequeño grupo de usuarios beta y una pequeña sección de la base de clientes. También debería haber
advertencias de que el modelo de IA se encuentra en las primeras etapas y puede tener errores.
Por lo tanto, esta fase se trata de aprendizaje. ¿Que funciona? ¿Qué se debe eliminar?
¿Dónde se pueden mejorar las cosas?
Definitivamente se trata de un proceso iterativo que no debe apresurarse.
Luego, una vez que el modelo de IA esté listo para su implementación completa,
debería haber suficiente apoyo y alguien que lidere la gestión del proyecto. También
debe haber reconocimiento al equipo por la victoria. Con suerte, los elogios
provendrán de los niveles más altos de la empresa, lo que ayudará a fomentar cada
vez más innovación.
Existe una variedad de plataformas automatizadas para ayudar a optimizar el proceso

de flujo de trabajo, como Alteryx. La visión de la empresa es democratizar la ciencia y
el análisis de datos, independientemente de si alguien tiene experiencia técnica o no.
El sistema Alteryx maneja las áreas clave del proceso: descubrimiento de datos,
preparación de datos, análisis e implementación. Y todo esto se hace con
herramientas de arrastrar y soltar sin código. Además, muchos de los clientes de la
empresa son operadores no tecnológicos como Hyatt, Unilever y Kroger.
Una vez más, el desarrollo de la IA es realmente un viaje y su estrategia cambiará

inevitablemente. Esto es inevitable. Según Kurt Muehmel, vicepresidente de
ingeniería de ventas en Dataiku20:
Lo que a veces las empresas no se dan cuenta es que el

camino hacia la IA es una evolución a largo plazo no sólo de
la tecnología sino también de la forma en que la empresa
colabora y trabaja en conjunto. Entonces, además de la
educación, uno de los componentes clave de una estrategia
de IA debería ser la gestión general del cambio. Es
importante crear hojas de ruta a corto y largo plazo sobre
lo que se logrará primero con análisis predictivos, luego
quizás con aprendizaje automático y, en última instancia,
como objetivo a más largo plazo, con IA, y cómo cada hoja
de ruta impacta varias partes del proceso. negocios así
como las personas que forman parte de esas líneas de
negocio y su día a día.
20Esto es de la entrevista del autor, en abril de 2019, con Kurt Muehmel, vicepresidente de
ingeniería de ventas de Dataiku.
Conclusión
Como se muestra en este capítulo, al abordar la implementación de la IA, es fundamental
considerar dos caminos. El primero es aprovechar al máximo los sistemas de terceros que
utilicen la tecnología. Pero también debería prestarse atención a la calidad de los datos. De lo
contrario, es probable que los resultados estén equivocados.
El segundo camino es realizar un proyecto de IA, que se base en los datos propios de su
empresa. Para tener éxito, debe haber un equipo sólido que tenga una combinación de
experiencia técnica, comercial y de dominio. Es probable que también sea necesario algún
entrenamiento en IA. Este es el caso incluso para aquellos con experiencia en ciencia e
ingeniería de datos.
A partir de aquí, no debería haber prisa en los pasos del proyecto: evaluar el entorno
de TI, establecer un objetivo comercial claro, limpiar los datos, seleccionar las
herramientas y plataformas adecuadas, crear el modelo de IA e implementar el
sistema. Con los proyectos iniciales, inevitablemente habrá desafíos, por lo que es
fundamental ser flexible. Pero el esfuerzo debería valer la pena.
Conclusiones clave
• Incluso las mejores empresas tienen dificultades para

implementar la IA. Por esto, debe haber mucho cuidado,
diligencia y planificación. También es importante darse cuenta
de que el fracaso es común.
• Hay dos formas principales de utilizar la IA en una empresa: a través

de una aplicación de software de un proveedor o un modelo
interno. Esto último es mucho más difícil y requiere un mayor
compromiso por parte de la organización.
• Cuando se utilizan aplicaciones de IA disponibles en el mercado, aún queda

mucho trabajo por hacer. Por ejemplo, si los empleados no ingresan los
datos correctamente, es probable que los resultados no sean correctos.
• La educación es fundamental en la implementación de IA, incluso para

ingenieros experimentados. Existen excelentes recursos de
capacitación en línea para ayudar con esto.
• Tenga en cuenta los riesgos de las implementaciones de IA, como el sesgo,

la seguridad y la privacidad.
• Algunas de las partes clave del proceso de implementación de la IA

incluyen las siguientes: identificar un problema a resolver; formar
un equipo fuerte; seleccionar las herramientas y plataformas
adecuadas; crear el modelo de IA; e implementar y monitorear el
modelo de IA.
• Al desarrollar un modelo, observe cómo se relaciona la tecnología con las

personas. El hecho es que las personas pueden ser mucho mejores en
determinadas tareas.
• Formar el equipo no es fácil, así que no apresures el proceso. Tener un

líder que tenga buena experiencia empresarial u operativa, con
una combinación de habilidades técnicas.
• Es bueno experimentar con las distintas herramientas de IA. Sin

embargo, antes de hacer esto, asegúrese de realizar una
evaluación de TI.
• Algunas de las herramientas de inteligencia artificial más populares

incluyen TensorFlow, PyTorch, Python, Keras y Jupyter Notebook.
• Las herramientas automatizadas de aprendizaje automático o autoML ayudan a

abordar procesos como la preparación de datos y la selección de funciones
para modelos de IA. La atención se centra en aquellos que no tienen
habilidades técnicas.
• La implementación del modelo de IA es más que simplemente escalar.

También es fundamental que el sistema sea fácil de usar, para permitir
una adopción mucho mayor.
CAPÍTULO
El futuro de la IA
Los pros y los contras
En la conferencia Web Summit de finales de 2017, el legendario físico Stephen

Hawking ofreció su opinión sobre el futuro de la IA. Por un lado, tenía la esperanza de
que la tecnología pudiera superar a la inteligencia humana. Esto probablemente
significaría que muchas enfermedades horribles se curarán y tal vez haya maneras de
abordar los problemas ambientales, incluido el cambio climático.
Pero también estaba el lado oscuro. Hawking habló de cómo la tecnología tenía el
potencial de ser el "peor acontecimiento en la historia de nuestra civilización".1
Algunos de los problemas incluyen el desempleo masivo e incluso robots asesinos. Por esta
razón, instó a buscar formas de controlar la IA.
Las ideas de Hawking ciertamente no son marginales. Destacados empresarios tecnológicos

como Elon Musk y Bill Gates también han expresado profundas preocupaciones sobre la IA.
Sin embargo, hay muchos que son decididamente optimistas, si no exuberantes.

Masayoshi Son, director ejecutivo de SoftBank y administrador del fondo de riesgo Vision
de 100 mil millones de dólares, es uno de ellos. En una entrevista con CNBC, proclamó que
dentro de 30 años tendremos autos voladores, la gente vivirá mucho más y habremos
curado muchas enfermedades.2También señaló que el foco principal de su fondo está en la
IA.
1www.cnbc.com/2017/11/06/stephen-hawking-ai-could-be-worst-event-
incivilization.html
2www.cnbc.com/2019/03/08/softbank-ceo-ai-will-completely-change-the-
wayhumans-live-within-30-years.html
© Tom Taulli 2019

https://doi.org/10.1007/978-1-4842-5028-0_9
162 Capítulo 9 | El futuro de la IA
Bueno entonces ¿quién tiene razón? ¿Será el futuro distópico o utópico? ¿O estará en
algún punto intermedio? Bueno, predecir nuevas tecnologías es sumamente difícil,
casi imposible. A continuación se muestran algunos ejemplos de pronósticos que se
han equivocado:
• Thomas Edison declaró que la CA (corriente alterna)

fallaría.3
• En su libroEl camino por delante(publicado a finales de 1995),
Bill Gates no mencionó Internet.
• En 2007, Jim Balsillie, codirector ejecutivo de Research in
Motion (el creador del dispositivo BlackBerry), dijo que el
iPhone tendría poca tracción.4
• En la icónica película de ciencia ficción.Cazarecompensas
(lanzado en 1982 y ambientado en 2019), hubo muchas
predicciones que estaban equivocadas, como cabinas
telefónicas con videoteléfonos y androides (o “replicantes”)
que eran casi indistinguibles de los humanos.
A pesar de todo esto, hay una cosa que es segura: en los próximos años, veremos
mucha innovación y cambios provenientes de la IA. Esto parece inevitable, sobre todo
porque se siguen invirtiendo enormes cantidades en la industria.
Entonces, echemos un vistazo a algunas de las áreas que probablemente tendrán un

impacto enorme en la sociedad.
Coches Autónomos
Cuando se trata de IA, una de las áreas de mayor alcance son los coches autónomos.
Curiosamente, esta categoría no es realmente nueva. Sí, ¡ha sido un sello distintivo de
muchas historias de ciencia ficción durante muchas décadas! Pero desde hace algún
tiempo, ha habido muchos ejemplos de innovación en la vida real, como los siguientes:
• Carro de Stanford: Su desarrollo comenzó a principios de la década

de 1960 y el objetivo original era crear un vehículo teledirigido para
misiones lunares. Pero los investigadores finalmente cambiaron su
enfoque y desarrollaron un vehículo autónomo básico, que
utilizaba cámaras e inteligencia artificial para la navegación. Si bien
fue un logro destacado para la época, no fue práctico ya que
requirió más de 10 minutos para planificar cualquier movimiento.
3www.msn.com/en-us/news/technology/the-best-and-worst-technology-predictionsof-
all-time/ss-BBIMwm3#image=5
4www.recode.net/2017/1/9/14215942/iphone-steve-jobs-apple-ballmernokia-
anniversary
• Ernst Dickmanns: Brillante ingeniero aeroespacial alemán,

centraría su atención en la idea de convertir una furgoneta
Mercedes en un vehículo autónomo... a mediados de los años
1980. Conectó cámaras, sensores y computadoras. También
fue creativo en la forma en que utilizó el software, por ejemplo,
centrando el procesamiento de gráficos únicamente en detalles
visuales importantes para ahorrar energía. Al hacer todo esto,
pudo desarrollar un sistema que controlaría la dirección, el
acelerador y los frenos de un automóvil. Probó el Mercedes en
una autopista de París (en 1994) y recorrió más de 600 millas,
con una velocidad de hasta 81 mph.5Sin embargo, se retiró la
financiación de la investigación porque no estaba nada claro si
podría haber una comercialización en el momento oportuno.
Tampoco ayudó que la IA estuviera entrando en otro invierno.
Pero el punto de inflexión para los coches autónomos llegó en 2004. El principal catalizador fue la
guerra de Irak, que estaba cobrando un precio terrible entre los soldados estadounidenses. Para
DARPA, la creencia era que los vehículos autónomos podrían ser una solución.
Pero la agencia enfrentó muchos desafíos difíciles. Por eso creó un concurso, denominado
DARPA Grand Challenge, en 2004, que tenía un gran premio de 1 millón de dólares para
fomentar una innovación más amplia. El evento implicó una carrera de 150 millas en el
desierto de Mojave y, desafortunadamente, no fue alentador ya que los autos tuvieron un
desempeño miserable. ¡Ninguno de ellos terminó la carrera!
Pero esto sólo estimuló aún más innovación. Al año siguiente, cinco coches terminaron la
carrera. Luego, en 2007, los coches estaban tan avanzados que podían realizar acciones
como giros en U y fusiones.
A través de este proceso, DARPA pudo permitir la creación de componentes

clave para vehículos autónomos:
• Sensores: Estos incluyen sistemas de radar y ultrasonidos que
pueden detectar vehículos y otros obstáculos, como bordillos.
• Cámaras de vídeo: Pueden detectar señales de tráfico,

semáforos y peatones.
• Lidar (detección y alcance de luz): Este dispositivo, que suele

estar en la parte superior de un coche autónomo, dispara rayos
láser para medir el entorno. Luego, los datos se integran en los
mapas existentes.
• Computadora: Esto ayuda con el control del automóvil, incluida la

dirección, la aceleración y el frenado. El sistema aprovecha la IA
para aprender, pero también tiene reglas integradas para evitar
objetos, obedecer las leyes, etc.
5www.politico.eu/article/delf-driving-car-born-1986-ernst-dickmannsmercedes/
Ahora, cuando se trata de coches autónomos, existe mucha confusión sobre lo

que realmente significa “autónomo”. ¿Es cuando un coche se conduce solo o
debe haber un conductor humano?
Para comprender los matices, existen cinco niveles de autonomía:
• Nivel 0: Aquí es donde un humano controla todos los sistemas.
• Nivel 1: Con esto, las computadoras controlan funciones limitadas como

el control de crucero o el frenado, pero solo una a la vez.
• Nivel 2: Este tipo de coche puede automatizar dos funciones.
• Nivel 3: Aquí es donde un coche automatiza todas las funciones de

seguridad. Pero el conductor puede intervenir si algo sale mal.
• Nivel 4: El coche generalmente puede conducirse solo. Pero hay

casos en los que un humano debe participar.
• Nivel 5: Este es el Santo Grial, en el que el coche es completamente

autónomo.
La industria automotriz es uno de los mercados más grandes y es probable que la IA

desate cambios desgarradores. Consideremos que el transporte es el segundo mayor
gasto de los hogares, detrás de la vivienda, y el doble que la atención sanitaria. Algo más a
tener en cuenta: el coche típico se utiliza sólo alrededor del 5% del tiempo, ya que
normalmente está aparcado en algún lugar.6
A la luz de la enorme oportunidad de mejora, no debería sorprender que la industria de los

automóviles autónomos haya recibido enormes cantidades de inversión. No se trata sólo de que
los capitalistas de riesgo inviertan en una miríada de nuevas empresas, sino también en
innovación de fabricantes de automóviles tradicionales como Ford, GM y BMW.
Entonces, ¿cuándo podríamos ver que esta industria se generalice? Las estimaciones varían
ampliamente. Pero según un estudio de Allied Market Research, se prevé que el mercado alcance
los 556.670 millones de dólares en 2026, lo que representaría una tasa de crecimiento anual
compuesta del 39,47%.7
Pero aún queda mucho por resolver. "En el mejor de los casos, todavía estamos a años de
tener un automóvil que no requiera volante", dijo Scott Painter, director ejecutivo y
fundador de Fair. “Los coches seguirán necesitando ser asegurados, reparados y
mantenidos, incluso si regresaste del futuro en un Delorean y trajiste el manual sobre
cómo hacer que estos coches sean totalmente autónomos. Fabricamos 100 millones de
automóviles al año, de los cuales 16 millones al año están en los EE. UU. Y, suponiendo que
quisiera que todo el suministro tuviera estas características de inteligencia artificial, aún
pasarían 20 años hasta que tuviéramos más automóviles en las carreteras, incluidos todos
los diferentes niveles de IA versus la cantidad de autos que no tenían esas tecnologías”.8
6www.sec.gov/Archives/edgar/data/1759509/000119312519077391/d633517ds1a.htm
7 www.alliedmarketresearch.com/autonomous-vehicle-market
8De la entrevista del autor, en mayo de 2019, con Scott Painter, director ejecutivo y fundador de
Fair.
Pero hay muchos otros factores a tener en cuenta. Al fin y al cabo, conducir es complejo,
especialmente en zonas urbanas y suburbanas. ¿Qué pasa si se cambia o incluso se
manipula una señal de tráfico? ¿Qué tal si un coche autónomo debe afrontar un dilema
como tener que decidir chocar contra un coche que viene en sentido contrario o tirarse a
una acera, en la que pueden haber peatones? Todo esto es extremadamente difícil.
Tareas aparentemente simples por la noche pueden resultar difíciles de realizar. John
Krafcik, director ejecutivo de Waymo de Google, señala que los estacionamientos son un
excelente ejemplo.9Requieren encontrar lugares disponibles, evitar otros automóviles y
peatones (lo que puede ser impredecible) y moverse hacia el espacio.
Pero la tecnología es sólo uno de los desafíos de los vehículos autónomos. Aquí hay
algunos otros a considerar:
• Infraestructura: Nuestras ciudades y pueblos están construidos para

automóviles tradicionales. Pero al mezclar vehículos autónomos,
probablemente habrá muchos problemas logísticos. ¿Cómo se anticipa
un coche a las acciones de los conductores humanos? De hecho, puede
ser necesario instalar sensores a lo largo de las carreteras. U otra
opción es tener vías separadas para vehículos autónomos. Los
gobiernos probablemente también necesitarán cambiar la educación
vial, brindando orientación sobre cómo interactuar con vehículos
autónomos mientras están en la carretera.
• Regulación: Éste es un gran comodín. En su mayor parte, este

puede ser el mayor impedimento, ya que los gobiernos tienden
a trabajar lentamente y se resisten al cambio. Estados Unidos
también es un país muy litigioso, lo que puede ser otro factor
que podría frenar el desarrollo.
• Adopción: Los vehículos autónomos probablemente no serán

baratos, ya que sistemas como Lidar son costosos. Este será sin
duda un factor limitante. Pero al mismo tiempo, hay indicios de
escepticismo por parte del público en general. Según una encuesta
de AAA, alrededor del 71% de los encuestados dijeron que tienen
miedo de viajar en un vehículo autónomo.10
Teniendo en cuenta todo esto, la fase inicial de vehículos autónomos probablemente será para
situaciones controladas, por ejemplo para transporte por carretera, minería o transbordadores. Un caso
de esto es Suncor Energy, que utiliza camiones autónomos para excavar en varios sitios en Canadá.
Las redes de viajes compartidos, como Uber y Lyft, pueden ser otro punto de partida. Estos
servicios están bastante estructurados y son comprensibles para el público.
9www.businessinsider.com/waymo-ceo-john-krafcik-explains-big-challengefor-
self-driving-cars-2019-4
10https://newsroom.aaa.com/2019/03/americans-fear-self-driving-cars-survey/
Tenga en cuenta que Waymo ha estado probando un servicio de taxi autónomo en

Phoenix (es similar a un sistema de viajes compartidos como Uber, pero los autos
tienen sistemas autónomos). Así lo explica una publicación de blog de la compañía:
Comenzaremos dándoles a los pasajeros acceso a nuestra aplicación. Pueden usarlo para
llamar a nuestros vehículos autónomos las 24 horas del día, los 7 días de la semana.
Pueden viajar por varias ciudades en el área metropolitana de Phoenix, incluidas Chandler,
Tempe, Mesa y Gilbert. Ya sea para una noche divertida o simplemente para descansar de
la conducción, nuestros pasajeros obtienen siempre los mismos vehículos limpios y
nuestro conductor Waymo con más de 10 millones de millas de experiencia en vías
públicas. Los pasajeros verán estimaciones de precios antes de aceptar el viaje en función
de factores como el tiempo y la distancia hasta su destino.11
Waymo ha descubierto que la clave es la educación porque los pasajeros tienen muchas preguntas. Para
solucionar esto, la empresa ha integrado un sistema de chat en la aplicación para ponerse en contacto
con una persona de soporte. El salpicadero del coche también cuenta con una pantalla que proporciona
detalles del trayecto.
Según la publicación del blog, "los comentarios de los ciclistas seguirán siendo vitales en
cada paso del camino".12
Estados Unidos contra China
El rápido ascenso de China ha sido asombroso. Dentro de unos años, la

economía puede ser más grande que la de Estados Unidos y una parte clave del
crecimiento será la IA. El gobierno chino se ha fijado el ambicioso objetivo de
gastar 150.000 millones de dólares en esta tecnología hasta 2030.13Mientras
tanto, seguirá habiendo importantes inversiones de empresas como Baidu,
Alibaba y Tencent.
Aunque a menudo se considera que China no es tan creativa o innovadora como
Silicon Valley (a menudo etiquetada como “imitadores”), esta percepción puede
resultar ser un mito. Un estudio del Instituto Allen de Inteligencia Artificial destaca
que se espera que China supere a Estados Unidos en los artículos técnicos más
citados sobre IA.14
El país tiene otras ventajas, que el experto en inteligencia artificial y capitalista de

riesgo Kai-Fu Lee ha señalado en su provocativo libro:Superpotencias de la IA: China,
Silicon Valley y el nuevo orden mundial15:
11 https://medium.com/waymo/riding-with-waymo-one-today-9ac8164c5c0e
12Ibídem.
www.diamandis.com/blog/rise-of-ai-in-china
13
www.theverge.com/2019/3/14/18265230/china-is-about-to-overtake-americain-
14
ai-research
15 Nueva York: Houghton Mifflin Harcourt, 2018.
• Entusiasmo: En la década de 1950, el lanzamiento ruso del Sputnik

despertó el interés de personas en Estados Unidos por convertirse
en ingenieros del programa espacial. De hecho, algo similar ha
sucedido en China. Cuando el mejor jugador de Go del país, Ke Jie,
perdió ante el sistema de inteligencia artificial AlphaGo, esto fue
una llamada de atención. El resultado es que esto ha inspirado a
muchos jóvenes a seguir una carrera en IA.
• Datos: Con una población de más de 1.300 millones de habitantes,

China es rica en datos (hay más de 700 millones de usuarios de
Internet). Pero el gobierno autoritario del país también es crítico,
ya que la privacidad no se considera particularmente importante,
lo que significa que hay mucho más margen de maniobra a la hora
de desarrollar modelos de IA. Por ejemplo, en un artículo publicado
enMedicina de la naturaleza, los investigadores chinos tuvieron
acceso a datos de 600.000 pacientes para realizar un estudio
sanitario.dieciséisAunque aún se encontraba en las primeras etapas,
demostró que un modelo de IA podía diagnosticar eficazmente
afecciones infantiles como la gripe y la meningitis.
• Infraestructura: Como parte de los planes de inversión del

gobierno chino, se ha centrado en la creación de ciudades de
próxima generación que permitan automóviles autónomos y otros
sistemas de inteligencia artificial. También ha habido un despliegue
agresivo de redes 5G.
En cuanto a Estados Unidos, el gobierno ha sido mucho más vacilante con la IA.
El presidente Trump ha firmado una orden ejecutiva, denominada “Iniciativa
estadounidense de IA”, para fomentar el desarrollo de la tecnología, pero los
términos son vagos y no está nada claro cuánto dinero se destinará a ella.
Desempleo Tecnológico
El concepto de desempleo tecnológico, que ganó notoriedad gracias al famoso economista John
Maynard Keynes durante la Gran Depresión, explica cómo las innovaciones pueden conducir a la
pérdida de empleos a largo plazo. Sin embargo, la evidencia de esto ha sido difícil de alcanzar. A
pesar de que la automatización ha afectado gravemente a industrias como la manufacturera, a
menudo se produce una transición de la fuerza laboral a medida que las personas se adaptan.
¿Pero podría ser diferente la revolución de la IA? Muy bien podría. Por ejemplo, el
gobernador de California, Gavin Newsom, teme que su estado pueda sufrir un desempleo
masivo en áreas como el transporte por carretera y el almacenamiento, y pronto.17
www.nature.com/articles/s41591-018-0335-9
dieciséis
www.mercurynews.com/2019/03/18/were-not-prepared-for-the-promise-
17
ofartificial-intelligence-experts-warn/
Aquí hay otro ejemplo: Harvest CROO Robotics ha construido un robot, llamado Harv,
que puede recoger fresas y otras plantas sin causar hematomas. Por supuesto,
todavía se encuentra en la fase experimental, pero el sistema está mejorando
rápidamente. La expectativa es que un robot haga el trabajo de 30 personas.18
Y por supuesto, no habrá salarios que pagar ni exposición a responsabilidad laboral.
Pero la IA puede significar algo más que reemplazar empleos poco calificados. Ya hay indicios de
que la tecnología podría tener un impacto importante en las profesiones administrativas. Seamos
realistas, hay aún más incentivos para automatizar estos trabajos porque generan una
remuneración más alta.
Solo una categoría que podría enfrentar la pérdida de empleos en IA es el campo legal, ya que
una variedad de nuevas empresas están apuntando al mercado como Lawgood, NexLP y RAVN
ACE. Las soluciones están enfocadas a automatizar áreas como la investigación jurídica y la
revisión de contratos.19Aunque los sistemas están lejos de ser perfectos, ciertamente pueden
procesar mucho más volumen que las personas y también pueden volverse más inteligentes a
medida que se utilizan cada vez más.
Es cierto que el mercado laboral en general es dinámico y se crearán nuevos

tipos de carreras. También es probable que haya innovaciones en IA que ayuden
a los empleados y faciliten su trabajo. Por ejemplo, la startup de software
Measure Square ha podido utilizar algoritmos sofisticados para convertir planos
de planta en papel en planos digitalmente interactivos. Gracias a esto, ha sido
más fácil iniciar y completar proyectos a tiempo.
Sin embargo, a la luz del potencial impacto transformador de la IA, parece razonable
que habrá un impacto adverso en una amplia gama de industrias. Quizás un presagio
de esto sea lo que ocurrió con la pérdida de empleos en el sector manufacturero
entre los años 1960 y 1990. Según el Pew Research Center, prácticamente no ha
habido crecimiento de los salarios reales en los últimos 40 años.20Durante este
período, Estados Unidos también ha experimentado una brecha cada vez mayor en
riqueza. El economista de Berkeley, Gabriel Zucman, estima que el 0,1% de la
población controla casi el 20% de la riqueza.21
18www.washingtonpost.com/news/national/wp/2019/02/17/feature/inside-
therace-to-replace-farmworkers-with-robots/
19www.cnbc.com/2017/02/17/lawyers-could-be-replaced-by-
artificialintelligence.html
20www.pewresearch.org/fact-tank/2018/08/07/for-most-us-workers-realwages-
have-barely-budged-for-decades/
21http://fortune.com/2019/02/08/growing-wealth-inequality-us-study/
Sin embargo, hay acciones que se pueden tomar. En primer lugar, los gobiernos pueden intentar
brindar educación y asistencia para la transición. Con el ritmo del cambio en el mundo actual, será
necesario que haya una renovación continua de habilidades para la mayoría de las personas. La
directora ejecutiva de IBM, Ginni Rometty, ha señalado que la IA cambiará todos los puestos de trabajo
en los próximos 5 a 10 años. Por cierto, su empresa ha experimentado una reducción del 30 % en la
plantilla del departamento de recursos humanos debido a la automatización.22
A continuación, hay algunas personas que defienden la renta básica, que proporciona una
cantidad mínima de compensación para todos. Sin duda, esto suavizaría parte de la
desigualdad, pero también tiene desventajas. La gente definitivamente se siente orgullosa
y satisfecha de sus carreras. Entonces, ¿cuál podría ser la moral de una persona si no
puede encontrar trabajo? Podría tener un impacto profundo.
Por último, incluso se habla de algún tipo de impuesto a la IA. Básicamente, esto
recuperaría las grandes ganancias de aquellas empresas que se benefician de la
tecnología. Aunque, dado su poder, probablemente sería complicado aprobar este tipo de
legislación.
La militarización de la IA
El Laboratorio de Investigación de la Fuerza Aérea está trabajando en prototipos de algo llamado
Skyborg. Está fuera deGuerra de las Galaxias. Piense en Skyborg como R2-D2 que sirve como
compañero de IA para un avión de combate, ayudando a identificar objetivos y amenazas.23El
robot de IA también puede tomar el control si el piloto está incapacitado o distraído. La Fuerza
Aérea incluso está considerando utilizar esta tecnología para operar drones.
Genial, ¿eh? Ciertamente. Pero hay un problema importante: mediante el uso de la IA, ¿podrían los
humanos quedar finalmente fuera del circuito a la hora de tomar decisiones de vida o muerte en el
campo de batalla? ¿Podría esto conducir en última instancia a más derramamiento de sangre? ¿Quizás
las máquinas tomarán decisiones equivocadas, causando aún más problemas?
Muchos investigadores y empresarios de IA están preocupados. Para ello, más de 2.400

personas han firmado una declaración que pide la prohibición de los llamados robots
asesinos.24
Incluso las Naciones Unidas están explorando algún tipo de prohibición. Pero Estados Unidos,
junto con Australia, Israel, el Reino Unido y Rusia, se han resistido a esta medida.25Como
resultado, puede estar surgiendo una verdadera carrera armamentista de IA.
22www.cnbc.com/2019/04/03/ibm-ai-can-predict-with-95-percent-accuracywhat-
employees-will-quit.html
23www.popularmechanics.com/military/aviation/a26871027/air-force-aifighter-
plane-skyborg/
24www.theguardian.com/science/2018/jul/18/thousands-of-scientists-pledgenot-
to-help-build-killer-ai-robots
25www.theguardian.com/science/2019/mar/29/uk-us-russia-opposing-killerrobot-
ban-un-ai
Según un artículo de la RAND Corporation, existe incluso la posibilidad de que esta

tecnología conduzca a una guerra nuclear, digamos en el año 2040. ¿Cómo? Los
autores señalan que la IA puede facilitar la localización de submarinos y sistemas de
misiles móviles. Según el informe:
Los investigadores dicen que las naciones pueden verse

tentadas a buscar capacidades de primer ataque como medio
para obtener influencia de negociación sobre sus rivales,
incluso si no tienen intención de llevar a cabo un ataque. Esto
socava la estabilidad estratégica porque incluso si el Estado
que posee estas capacidades no tiene intención de utilizarlas, el
adversario no puede estar seguro de ello.26
Pero en el corto plazo, la IA probablemente tendrá el mayor impacto en la guerra de

información, que aún podría ser altamente destructiva. Pudimos vislumbrar esto cuando el
gobierno ruso interfirió en las elecciones presidenciales de 2016. El enfoque era bastante
poco tecnológico, ya que utilizaba granjas de trolls de las redes sociales para difundir
noticias falsas, pero las consecuencias fueron significativas.
Pero a medida que la IA se vuelve más poderosa y más asequible, es probable que veamos cómo
potencia este tipo de campañas. Por ejemplo, los sistemas deepfake pueden crear fácilmente
fotografías y vídeos realistas de personas que podrían utilizarse para difundir mensajes
rápidamente.
Descubrimiento de medicamento
Los avances en el descubrimiento de fármacos han sido casi milagrosos, ya que ahora tenemos
curas para enfermedades tan difíciles de tratar como la hepatitis C y hemos seguido avanzando
con una gran cantidad de cánceres. Pero, por supuesto, ciertamente hay mucho por hacer. El
hecho es que las compañías farmacéuticas están teniendo cada vez más problemas para
encontrar tratamientos. Aquí hay solo un ejemplo: en marzo de 2019, Biogen anunció que uno de
sus medicamentos para el Alzheimer, que se encontraba en ensayos de Fase III, no logró mostrar
resultados significativos. Tras la noticia, las acciones de la compañía se desplomaron un 29%,
eliminando 18.000 millones de dólares de valor de mercado.27
Considere que el desarrollo de fármacos tradicionales a menudo implica mucho ensayo y error,
lo que puede llevar mucho tiempo. Entonces, ¿podría haber una manera mejor?
Cada vez más, los investigadores buscan ayuda en la IA. Estamos viendo surgir una variedad de
nuevas empresas que se están centrando en la oportunidad.
26www.rand.org/news/press/2018/04/24.html
27www.wsj.com/articles/biogen-shares-drop-28-after-endingalzheimers-phase-3-
trials-11553170765
Uno es Insitro. La compañía, que comenzó en 2019, no tuvo problemas para recaudar
la asombrosa cantidad de 100 millones de dólares en su ronda Serie A. Algunos de los
inversores incluyeron Alexandria Venture Investments, Bezos Expeditions (que es la
firma de inversión de Jeff Bezos de Amazon.com), Mubadala Investment Company,
Two Sigma Ventures y Verily.
Aunque el equipo es relativamente pequeño (con alrededor de 30 empleados), todos son

investigadores brillantes que abarcan áreas como ciencia de datos, aprendizaje profundo,
ingeniería de software, bioingeniería y química. La directora ejecutiva y fundadora, Daphne
Koller, tiene una rara combinación de experiencia en informática avanzada y ciencias de la
salud, ya que dirigió el negocio de atención médica de Google, Calico.
Como testimonio de la destreza de Insitro, la compañía ya se ha asociado con el mega operador

farmacéutico Gilead. Implica pagos potenciales de más de mil millones de dólares para la
investigación sobre la esteatohepatitis no alcohólica (NASH), que es una enfermedad hepática
grave.28Una clave es que Gilead ha podido reunir una gran cantidad de datos que pueden
entrenar los modelos. Esto se hará utilizando células externas al cuerpo de una persona, es decir,
con un sistema in vitro. Gilead tiene cierta urgencia en buscar enfoques alternativos ya que uno
de sus tratamientos para NASH, selonsertib, fracasó en sus ensayos clínicos (era para aquellos
que padecían la enfermedad en las últimas etapas).
La promesa de la IA es que acelerará el descubrimiento de fármacos porque el aprendizaje profundo

debería poder identificar patrones complejos. Pero la tecnología también podría resultar útil para
desarrollar tratamientos personalizados (por ejemplo, adaptados a la composición genética de una
persona) que probablemente sean fundamentales para curar ciertas enfermedades.
De todos modos, probablemente sea mejor moderar las expectativas. Habrá

grandes obstáculos que superar, ya que la industria de la salud deberá sufrir
cambios porque habrá una mayor educación para la IA. Esto llevará tiempo y
probablemente habrá resistencia.
A continuación, el aprendizaje profundo es generalmente una "caja negra" cuando se trata de comprender
cómo funcionan realmente los algoritmos. Esto podría resultar difícil a la hora de obtener la aprobación
regulatoria para nuevos medicamentos, ya que la FDA se centra en las relaciones causales.
Por último, el cuerpo humano es muy sofisticado y todavía estamos aprendiendo cómo
funciona. Y además, como hemos visto con innovaciones como la decodificación del
Genoma Humano, normalmente lleva un tiempo considerable comprender nuevos
enfoques.
Como señal de las complejidades, consideremos la situación de Watson de IBM. Aunque la

compañía cuenta con algunos de los investigadores de IA más talentosos y ha gastado
miles de millones en la tecnología, recientemente anunció que ya no vendería Watson con
fines de descubrimiento de fármacos.29
28www.fiercebiotech.com/biotech/stealthy-insitro-opens-up-startinggilead-deal-
worth-up-to-1-05b
29https://khn.org/morning-breakout/ups-and-downs-of-artificialintelligence-ibm-
stops-sales-development-of-watson-for-drug-discoveryhospitals-learn-from-ehrs/
Gobierno
Un artículo de Bloomberg.com de abril de 2019 causó un gran revuelo. Describió una
mirada entre bastidores a cómo Amazon.com administra su sistema de inteligencia
artificial de altavoces Alexa.30Si bien gran parte se basa en algoritmos, también hay miles
de personas que analizan clips de voz para ayudar a mejorar los resultados. A menudo, la
atención se centra en abordar los matices de la jerga y los dialectos regionales, que han
resultado difíciles para los algoritmos de aprendizaje profundo.
Pero, por supuesto, es natural que la gente se pregunte: ¿mi altavoz inteligente realmente
me escucha? ¿Mis conversaciones son privadas?
Amazon.com se apresuró a señalar que tiene reglas y requisitos estrictos. ¡Pero

incluso esto generó aún más preocupación! Según Bloomberg. com, los revisores
de AI a veces escuchaban clips que involucraban actividades potencialmente
criminales, como agresión sexual. Pero aparentemente Amazon tiene la política
de no interferir.
A medida que la IA se generalice, tendremos más historias de este tipo; y en su mayor parte no
habrá respuestas claras. Es posible que, en última instancia, algunas personas decidan no
comprar productos de IA. Sin embargo, probablemente será un grupo pequeño. Oye, incluso con
la gran cantidad de problemas de privacidad con Facebook, no ha habido una disminución en el
crecimiento de usuarios.
Lo más probable es que los gobiernos comiencen a abordar los problemas de la IA. Un grupo de
congresistas ha patrocinado un proyecto de ley, llamado Ley de Responsabilidad Algorítmica,
cuyo objetivo es exigir que las empresas auditen sus sistemas de inteligencia artificial (sería para
empresas más grandes, con ingresos superiores a 50 millones de dólares y más de 1 millón de
usuarios).31La ley, si se promulga, sería aplicada por la Comisión Federal de Comercio.
También hay medidas legislativas de estados y ciudades. En 2019, la ciudad de Nueva

York aprobó su propia ley para exigir más transparencia con la IA.32También hay
esfuerzos en el estado de Washington, Illinois y Massachusetts.
Con toda esta actividad, algunas empresas se están volviendo proactivas, por ejemplo
adoptando sus propios consejos de ética. Basta con mirar a Microsoft. La junta de ética de
la compañía, llamada Aether (IA y Ética en Ingeniería e Investigación), decidió no permitir el
uso de su sistema de reconocimiento facial para detenciones de tráfico en California.33
30www.bloomberg.com/news/articles/2019-04-10/is-anyone-listening-toyou-on-
alexa-a-global-team-reviews-audio
31www.theverge.com/2019/4/10/18304960/congress-algorithmicaccountability-
act-wyden-clarke-booker-bill-introduced-house-senate
32www.wsj.com/articles/our-software-is-biased-like-we-are-cannew-laws-change-
that-11553313609?mod=hp_lead_pos8
33www.geekwire.com/2019/policing-ai-task-industry-government-customers/
Mientras tanto, es posible que también veamos activismo de IA, en el que la gente se
organiza para protestar por el uso de determinadas aplicaciones. Una vez más,
Amazon.com ha sido el objetivo de esto, con su software Rekognition que utiliza el
reconocimiento facial para ayudar a las autoridades a identificar a los sospechosos. La
ACLU ha expresado su preocupación por la precisión del sistema, especialmente en lo que
respecta a las mujeres y las minorías. En uno de sus experimentos, descubrió que
Rekognition identificó a 28 miembros del Congreso con antecedentes penales.34En cuanto a
Amazon.com, ha cuestionado las afirmaciones.
El reconocimiento es sólo una entre varias aplicaciones de IA en el ámbito policial que

están generando controversia. Quizás el ejemplo más notable es COMPAS (Perfil de gestión
de delincuentes correccionales para sanciones alternativas), que utiliza análisis para medir
la probabilidad de que alguien cometa un delito. El sistema se utiliza a menudo para dictar
sentencias. Pero el gran problema es: ¿podría esto violar el derecho constitucional de una
persona al debido proceso, ya que existe el riesgo real de que la IA sea incorrecta o
discriminatoria? En realidad, por ahora hay pocas respuestas buenas. Pero dada la
importancia que tendrán los algoritmos de IA en nuestro sistema judicial, parece una
buena apuesta que la Corte Suprema promulgue una nueva ley.
AGI (Inteligencia General Artificial)

En el capítulo1, aprendimos sobre la diferencia entre IA fuerte y débil. Y en su
mayor parte, estamos en la fase débil de la IA, en la que la tecnología se utiliza
para categorías estrechas.
En cuanto a una IA fuerte, se trata de lo último: la capacidad de una máquina de rivalizar
con un humano. Esto también se conoce como Inteligencia General Artificial o AGI. Es
probable que falten muchos años para lograrlo, algo que tal vez no veamos hasta el
próximo siglo o nunca.
Pero, por supuesto, hay algunos investigadores brillantes que creen que la AGI
llegará pronto. Uno de ellos es Ray Kurzweil, inventor, futurista, autor de bestsellers y
director de ingeniería de Google. En lo que respecta a la IA, ha dejado su huella en la
industria, por ejemplo con innovaciones en áreas como los sistemas de texto a voz.
Kurzweil cree que la AGI se producirá (en la que se descifrará la prueba de Turing) en
2019, y luego, en 2045, se producirá la Singularidad. Aquí es donde tendremos un
mundo de personas híbridas: en parte humanos, en parte máquinas.
¿Algo loco? Quizás. Pero Kurzweil tiene muchos seguidores de alto perfil.
34www.businessinsider.com/ai-experts-call-on-amazon-not-to-sell-
rekognitionsoftware-to-police-2019-4
Pero queda mucho trabajo por hacer para llegar a AGI. Incluso con los grandes avances logrados en el
aprendizaje profundo, generalmente todavía requiere grandes cantidades de datos y una potencia
informática significativa.
En cambio, AGI necesitará nuevos enfoques, como la capacidad de utilizar el aprendizaje no

supervisado. La transferencia de aprendizaje probablemente también será fundamental. Por
ejemplo, como cubrimos anteriormente en el libro, la IA ha podido desarrollar capacidades
sobrehumanas al jugar juegos como Go. Pero el aprendizaje por transferencia significaría que
este sistema podría aprovechar este conocimiento para jugar a otros juegos o aprender otros
campos.
Además, AGI deberá tener capacidad de sentido común, abstracción, curiosidad y

encontrar relaciones causales, no sólo correlaciones. Tales habilidades han resultado
extremadamente difíciles con las computadoras. En todo caso, será necesario que se
produzcan avances en las tecnologías de hardware y chips. Esta es la opinión de Yann
LeCun, uno de los principales investigadores de IA del mundo y científico jefe de
inteligencia artificial de Facebook.35También cree que es necesario avanzar mucho
más con las baterías y otras fuentes de energía.
Algo más será fundamental: más diversidad dentro del campo de la IA. Según un informe
del AI Now Institute, alrededor del 80% de los profesores de IA son hombres; y entre el
personal de investigación de IA en Facebook y Google, las mujeres representaban el 15% y
el 10%, respectivamente.36
Este desequilibrio significa que la investigación podría ser más susceptible al sesgo.
Además, se perderá el beneficio de tener puntos de vista y conocimientos más amplios.
Bien social
La firma de consultoría de gestión McKinsey & Co. ha escrito un extenso estudio titulado
“Aplicación de la inteligencia artificial para el bien social”.37Muestra cómo se utiliza la IA
para abordar cuestiones como la pobreza, los desastres naturales y la mejora de la
educación. El estudio tiene aproximadamente 160 casos de uso. Así que aquí hay un vistazo
a solo algunos:
• El análisis de las plataformas de redes sociales puede ayudar a rastrear el

brote de una enfermedad.
• Una organización sin fines de lucro, llamada Rainforest Connection, utiliza

TensorFlow para crear modelos de IA, basados en datos de audio, para
localizar la tala ilegal.
35http://fortune.com/2019/02/18/facebook-yann-lecun-lawnmowersdeep-
learning/
36www.theverge.com/2019/4/16/18410501/artificial-intelligence-aidiversity-
report-facial-recognition
37www.mckinsey.com/featured-insights/artificial-intelligence/appling-artificial-
intelligence-for-social-good
• Los investigadores han construido una red neuronal entrenada con vídeos
de cazadores furtivos en África. Para ello, un dron sobrevuela zonas
para detectar a los infractores, por ejemplo mediante imágenes
térmicas infrarrojas.
• Se está utilizando IA para analizar datos de 55.893 parcelas en la ciudad de

Flint para encontrar evidencia de envenenamiento por plomo. El
sistema se basa principalmente en un modelo bayesiano, que permite
predicciones de toxicidad más sofisticadas. Esto significa que los
trabajadores de la salud pueden actuar más rápidamente si hay algún
problema en la ciudad, lo que podría salvar vidas.
Conclusión
Creo que este tema es un buen lugar para terminar este libro. Independientemente
de todo el potencial de daño y las consecuencias adversas, la IA realmente promete
ser transformadora para el mundo. Y la buena noticia es que hay muchas personas
que están centradas en hacer esto realidad. No se trata de ganar grandes cantidades
de dinero o conseguir fama. El objetivo es cambiar el mundo.
Conclusiones clave
• Los coches autónomos están lejos de ser nuevos. Pero el punto de

inflexión para el desarrollo de esta tecnología llegó en 2004,
con un concurso patrocinado por DARPA.
• Algunos de los componentes clave de un automóvil autónomo

incluyen cámaras de video, Lidar (láseres que ayudan a
procesar el entorno) y sensores (por ejemplo, para detectar
otros vehículos y obstáculos como bordillos).
• En términos de definir qué es “autónomo”, hay cinco niveles.

La quinta es cuando el vehículo es totalmente autónomo.
• Algunos de los desafíos para los autos autónomos son la infraestructura (las
carreteras existentes no son ideales), la regulación, los costos y la adopción
por parte de los consumidores.
• Estados Unidos es considerado el líder mundial en IA. Pero esto podría

cambiar pronto. China está invirtiendo mucho en IA y tiene
importantes ventajas, como enormes cantidades de datos y una
gran cantidad de ingenieros capacitados.
• Uno de los temores de la IA es que conduzca a un desempleo masivo,

ya sea para trabajos manuales o informales. Es cierto que la
tecnología ya ha impactado industrias, como la manufactura, pero
los mercados han demostrado ser adaptables. Pero si la IA es
transformadora, podría generar bastante disrupción. Esta es la
razón por la que probablemente será necesario capacitarse y
volver a capacitarse para nuevas carreras.
• Los drones han tenido un gran impacto en la guerra. Pero con

la IA, es posible permitir que esta tecnología tome
decisiones en el campo de batalla. Ahora hay mucha gente
que ve esto como un gran problema. Sin embargo, Estados
Unidos, Rusia y otros países parecen estar centrados en la
búsqueda de armas autónomas.
• Pero cuando se trata de guerra, al menos a corto plazo, la
IA puede tener un efecto más inmediato con la difusión
de información falsa. Vimos esto con la interferencia
rusa en las elecciones presidenciales de 2016.
• Se espera que la IA sea de gran ayuda en el proceso de descubrimiento de
fármacos. Los megaoperadores farmacéuticos, como Gilead, ya están
explorando la tecnología. La IA no sólo puede procesar enormes
cantidades de datos, sino también detectar patrones que pueden no ser
discernibles para los humanos.
• A medida que la IA se generalice, habrá crecientes preocupaciones

sobre la privacidad y la transparencia. Debido a esto, ha habido
movimientos en el Congreso, incluidas ciudades y estados,
para imponer regulaciones. No está claro qué puede suceder,
pero parece probable que veamos más restricciones.
Mientras tanto, algunas empresas intentan ser
proactivas, por ejemplo creando comités de ética.
• Inteligencia General Artificial o AGI es donde un sistema tiene
inteligencia humana. Sin embargo, es probable que estemos
muy lejos de esto. La razón es que será necesario que haya
nuevas innovaciones en IA, como el aprendizaje no
supervisado y la creación de nuevo hardware.
APÉNDICE
A
Recursos de IA
Publicaciones y blogs que cubren la IA
• aitrends.com:www.aitrends.com/
• La Inteligencia Artificial de Berkeley
(BAIR): https://bair.berkeley.edu/blog/
• KDnuggets:www.kdnuggets.com/news/index.html
• Dominio del aprendizaje automático:https://machinelearning
mastery.com/blog/
• Revisión de tecnología del MIT:www.technologyreview.com/
• ScienceDaily—Sección de IA:www.sciencedaily.com/
news/computers_math/artificial_intelligence/
Blogs de IA de la empresa
• Baidu:http://research.baidu.com/
• Mente profunda:https://deepmind.com/blog/
• Facebook:https://research.fb.com/blog/
• Google:https://ai.googleblog.com/
•Microsoft:www.microsoft.com/enus/research/
•NVIDIA:https://blogs.nvidia.com/blog/category/
deeplearning/
• OpenAI:https://openai.com/blog/
© Tom Taulli 2019

https://doi.org/10.1007/978-1-4842-5028-0
178 Apéndice A | Recursos de IA
Feeds de Twitter de los principales investigadores de IA
• Fei-Fei Li:https://twitter.com/drfeifei
• Ian Goodfellow:https://twitter.com/goodfellow_ian
• Demis Hassabis:https://twitter.com/demishassabis
• Yann Lecun:https://twitter.com/ylectun?
• Andrés Ng:https://twitter.com/AndrewYNg
Herramientas y plataformas de IA de código abierto
• Cuaderno Jupyter:https://jupyter.org/
• Keras:https://keras.io/
• Lenguaje Python:www.python.org/
• PyTorch:https://pytorch.org/
• TensorFlow:www.tensorflow.org/
Cursos online
• Coursera:www.coursera.org/
• Udacidad:www.udacity.com/
• Udemy:www.udemy.com/
GRAMO
Glosario
Función de activación: Se utiliza en modelos de aprendizaje profundo para ayudar a calcular relaciones
no lineales.
Actuadores: Dispositivos electromecánicos como motores. Ayudan con el

movimiento de un robot.
AI: Ver Inteligencia Artificial.
IA invierno: Un período de tiempo prolongado, como en las décadas de 1970 y 1980, cuando la
industria de la IA estuvo bajo mucha presión, como por ejemplo con recortes en la financiación.
Inteligencia artificial: Donde las computadoras pueden aprender de la experiencia, lo que a

menudo implica procesar datos utilizando algoritmos sofisticados. La inteligencia artificial es una
categoría amplia que incluye subconjuntos como el aprendizaje automático, el aprendizaje
profundo y el procesamiento del lenguaje natural (PLN).
Red neuronal artificial (RNA): La estructura más básica para un modelo de aprendizaje
profundo. La ANN incluye múltiples capas ocultas que procesan datos mediante el
uso de algoritmos sofisticados.
Fatiga de la automatización: Con RPA, generalmente habrá menos mejoras a medida que
se automaticen más tareas.
Aprendizaje automático automatizado (AutoML): Una herramienta o plataforma digital que permite a los
principiantes crear sus propios modelos de IA.
Propagación hacia atrás: Un gran avance en el aprendizaje profundo. La retropropagación

permite una asignación más eficiente de ponderaciones en los modelos.
Teorema de Bayes: Una medida estadística utilizada en el aprendizaje automático que ayuda a
proporcionar una visión más precisa de las probabilidades.
Grandes datos: Categoría de tecnología que implica el procesamiento de enormes

cantidades de datos. A menudo se describe que Big Data tiene las tres V: es decir, volumen,
variedad y velocidad.
© Tom Taulli 2019

https://doi.org/10.1007/978-1-4842-5028-0
180 Glosario
Binning: Implica organizar datos en grupos.

Datos categóricos: Datos que no tienen un significado numérico sino que tienen un
significado textual, por ejemplo, al describir raza o género.
Corteza cerebral: Parte del cerebro humano que tiene más similitudes con la IA.
Ayuda con el pensamiento y otras actividades cognitivas.
chatbot: Un sistema de IA que se comunica con las personas.
Agrupación: Una forma de aprendizaje no supervisado que toma datos sin etiquetar y
utiliza algoritmos para agrupar elementos similares.
Cobot: Un robot que trabaja junto a las personas.
Automatización de procesos robóticos cognitivos (CRPA): Un sistema RPA que aprovecha las
tecnologías de IA.
Red neuronal convolucional (CNN): Un modelo de aprendizaje profundo que pasa por
diferentes variaciones (o convoluciones) de análisis de datos. Las CNN se utilizan a menudo
para aplicaciones complejas como el reconocimiento facial.
Lago de datos: Permite el almacenamiento y procesamiento de cantidades masivas de datos

estructurados y no estructurados. A menudo hay poca o ninguna necesidad de volver a
formatear los datos.
Tipo de datos: el tipo de información que representa una variable, como un número
booleano, entero, de cadena o de punto flotante.
Árbol de decisión: Un algoritmo de aprendizaje automático que es un flujo de trabajo de rutas de

decisión.
falso: Implica el uso de modelos de aprendizaje profundo para crear imágenes o videos que sean
engañosos o dañinos.
Aprendizaje profundo: Un tipo de IA que utiliza redes neuronales que imitan los procesos del
cerebro. Gran parte de la innovación en este campo durante la última década se ha producido en
la investigación del aprendizaje profundo.
Modelado de conjuntos: Implica el uso de más de un modelo para generar

predicciones.
ETL (Extracción, Transformación y Carga): una forma de integración de datos que
normalmente se utiliza en un almacén de datos.
Junta de Ética: Un comité que evalúa los problemas de los proyectos de IA.
Experto en Sistemas: Un tipo temprano de aplicación de IA que surgió en la década de

1980. Utilizó sistemas lógicos sofisticados para ayudar a comprender ciertas áreas como la
medicina, las finanzas y la manufactura.
Explicabilidad: El proceso de comprender las causas subyacentes de un modelo de

aprendizaje profundo.
Glosario 181
Falso positivo: Cuando la predicción de un modelo muestra que el resultado es verdadero

aunque no lo sea.
Característica: Esta es una columna de datos. Ingeniería de
características: Consulte Extracción de funciones.
Extracción de características: Describe el proceso de selección de las variables para un modelo de

IA.
Red neuronal de retroalimentación: Un modelo de aprendizaje profundo que procesa datos en

una dirección lineal a través de capas ocultas. No hay vuelta en bicicleta.
Red Adversaria Generativa (GAN): Desarrollado por el investigador de IA Ian Goodfellow,

este es un modelo de aprendizaje profundo de próxima generación que ayuda a crear
nuevos resultados como audio, texto o video.
GPU (Unidades de procesamiento de gráficos): Chips que se utilizaron originalmente para videojuegos
de alta velocidad debido a su capacidad de procesar grandes cantidades de datos rápidamente. Pero las
GPU también han demostrado ser expertas en el manejo de aplicaciones de IA.
Hadoop: Permite gestionar Big Data, por ejemplo posibilitando la creación de

almacenes de datos sofisticados.
Capas ocultas: Los diferentes niveles de análisis en un modelo de aprendizaje profundo.
Modelo oculto de Markov (HMM): Un algoritmo que se utiliza para descifrar palabras
habladas.
Hiperparámetros: Características de un modelo que no se pueden aprender directamente del proceso

de formación.
Instancia: Esta es una fila de datos.
Cuaderno Jupyter: una aplicación basada en web que facilita la codificación en Python y R para crear
visualizaciones e importar sistemas de inteligencia artificial.
Agrupación de K-medias: Un algoritmo que es eficaz para agrupar datos similares sin
etiquetar.
K-vecino más cercano (k-NN): Un algoritmo de aprendizaje automático que clasifica datos en
función de similitudes.
Lematización: Un proceso en PNL que elimina afijos o prefijos para centrarse en

encontrar raíces de palabras similares.
Lidar (detección y alcance de luz):Un dispositivo, que suele estar en la parte superior
de un coche autónomo, que dispara rayos láser para medir el entorno.
Regresión lineal: Muestra la relación entre ciertas variables, lo que puede ayudar con las
predicciones para sistemas de aprendizaje automático.
182 Glosario
Aprendizaje automático: Donde una computadora puede aprender y mejorar procesando datos
sin tener que ser programada explícitamente. El aprendizaje automático es un subconjunto de la
IA.
Metadatos: Se trata de datos sobre datos, es decir, descripciones. Por ejemplo, un archivo de
música puede tener metadatos como tamaño, duración, fecha de carga, comentarios, género,
artista, etc.
Clasificador ingenuo de Bayes: Un método de aprendizaje automático que utiliza el teorema de

Bayes para hacer predicciones, pero las variables son independientes entre sí.
Reconocimiento de entidad nombrada: En el proceso de PNL, esto implica identificar

palabras que representan lugares, personas y organizaciones.
Procesamiento del lenguaje natural (PNL): Un subconjunto de la IA que se ocupa de cómo

las computadoras entienden y manipulan el lenguaje.
Red neuronal: Un sofisticado modelo de IA que imita el cerebro. Una red

neuronal tiene varias capas que intentan encontrar patrones únicos que
involucran múltiples capas de análisis.
Distribución normal: un gráfico de datos que parece una campana y el punto medio es la
media.
Sistema NoSQL: Una base de datos de próxima generación. La información se basa en un

modelo de documento para permitir una mayor flexibilidad en el análisis y el manejo de
datos estructurados y no estructurados.
Datos ordinales: una combinación de datos numéricos y categóricos, como una calificación de
Amazon.com para un producto.
Sobreajuste: Cuando un modelo no es preciso porque los datos no reflejan lo que se

está probando o hay un enfoque en las características incorrectas.
correlación de Pearson: Muestra la fuerza de una correlación: de 1 a -1. Cuanto

más cerca esté de 1, más precisa será la correlación.
Fonemas: Las unidades de sonido más básicas en un idioma.
Análisis predictivo: Implica utilizar datos para hacer pronósticos.
Pitón: Un lenguaje informático que se ha convertido en el estándar en el desarrollo de

modelos de IA.
PyTorch: Una plataforma, desarrollada por Facebook, que permite la creación de

sofisticados modelos de IA.
Red neuronal recurrente (RNN): Un modelo de aprendizaje profundo que procesa entradas anteriores a
lo largo del tiempo. Un caso de uso común es cuando una persona escribe caracteres en una aplicación
de mensajería, ya que la IA predecirá la siguiente palabra.
Aprendizaje reforzado: Un enfoque para crear un modelo de IA en el que el sistema es

recompensado por las predicciones correctas y castigado por las incorrectas.
Glosario 183
Base de datos relacional: Una base de datos, cuyas raíces se remontan a los años 1970, que
crea relaciones entre tablas de datos y tiene un lenguaje de programación, llamado SQL.
Automatización robótica de escritorio (RDA):El sistema RPA trabaja junto con un empleado
para gestionar trabajos o tareas.
Automatización Robótica de Procesos (RPA): Categoría de software que automatiza tareas

rutinarias y mundanas dentro de una organización. Suele ser una forma inicial de
implementar la IA.
Sistema operativo robótico (ROS): Un sistema de middleware de código abierto que

gestiona partes críticas de un robot.
R-cuadrado: proporciona una forma de medir la precisión de una regresión. Un R cuadrado

varía de 0 a 1. Y cuanto más cerca esté un modelo de 1, mayor será la precisión.
Análisis de los sentimientos: Aquí es donde se extraen datos de las redes sociales y se encuentran las
tendencias.
Sensor: El sensor típico es una cámara o un Lidar, que utiliza un escáner láser para crear
imágenes en 3D.
Sigmoideo: Una función de activación común para un modelo de aprendizaje profundo.

Tiene un valor que oscila entre 0 y 1. Es más, cuanto más cerca esté de 1, mayor será la
precisión.
Desviación Estándar: Mide la distancia promedio desde la media, lo que da una

idea de la variación en los datos.
Derivado: Describe el proceso de reducir una palabra a su raíz (o lema), por
ejemplo, eliminando afijos y sufijos.
IA fuerte: Esta es la verdadera IA, en la que una máquina puede participar en habilidades similares a las
humanas, como discusiones abiertas.
Datos estructurados: datos que generalmente se almacenan en una base de datos relacional u
hoja de cálculo, ya que la información está en una estructura preformateada (como números de
Seguro Social, direcciones e información de puntos de venta).
Etiquetado de partes del discurso (POS): En el proceso de PNL, esto implica revisar el texto
y designar cada palabra en su forma gramatical adecuada, por ejemplo, sustantivos,
verbos, adverbios, etc.
TensorFlow: Una plataforma de código abierto, respaldada por Google, que permite la
creación de modelos sofisticados de IA.
Datos de prueba: Datos con los que se evalúa la precisión de un modelo.
Tres leyes de la robótica: Basadas en los escritos de ciencia ficción de Isaac Asimov,
estas leyes proporcionan el marco básico de cómo los robots deben interactuar con la
sociedad.
184 Glosario
Tokenización: En el proceso de PNL donde el texto se analiza y segmenta en

varias partes.
Modelado de temas: En el proceso de PNL, esto implica buscar patrones y grupos
ocultos en el texto.
Datos de entrenamiento: datos que se utilizan para crear un algoritmo de IA.
Verdadero positivo: Cuando un modelo hace una predicción correcta.
Prueba de Turing: Creado por Alan Turing, esta es una forma de determinar si un sistema
ha logrado una verdadera IA. La prueba involucra a una persona que hace preguntas a dos
participantes: un ser humano y el otro una computadora. Si no está claro quién es el
humano, entonces se ha pasado la prueba de Turing.
Automatización robótica de procesos desatendida (RPA): El sistema RPA es completamente

autónomo ya que el bot se ejecuta en segundo plano.
Datos no estructurados: datos que no tienen formato predefinido, como imágenes,

vídeos y archivos de audio.
Aprendizaje supervisado: Un modelo de IA que utiliza datos etiquetados. Este es el

enfoque más común.
Aprendizaje sin supervisión: Implica un modelo de IA que utiliza datos sin etiquetar. Generalmente, esto
significa que será necesario contar con sistemas de aprendizaje profundo para detectar patrones.
Problema de gradiente desaparecido: Explica cómo la precisión disminuye a medida que un modelo de
aprendizaje profundo crece.
Asistente virtual: Un dispositivo de inteligencia artificial que ayuda a una persona con sus actividades diarias.
IA débil: Aquí es donde se utiliza la IA para un caso de uso particular, como con Siri de
Apple.
I I
Índice
A C
función de activación,73, 74, 89 celonis,98
actuadores,127 chatbot,103, 104, 119, 121, 122
Adobe,144, 145 Porcelana,166, 167
invierno ai,11, 12, 14 agrupación,52, 55, 60, 62–64
Amazon.com,132, 135, 139, 146 robótica de cobalto,148
Inteligencia artificial cobots,132, 133, 141

invierno ai,11, 12 Automatización de procesos robóticos cognitivos
profundo,10, 16 (CRPA),100, 102
sistemas expertos,8, 12, 14
Red neuronal convolucional (CNN),
aprendizaje automático,9, 12,
76–78, 81, 88, 90
16 Lenguaje natural
Procesando,9 proceso CRISP-DM,29, 30, 38
IA fuerte,4, 8, 12, 17
IA débil,4, 12, 17 D
Red neuronal artificial El Gran Desafío DARPA,163 lago
(ANA),73, 74, 89 de datos,27
Asimov, Isaac,129, 137, 142
Árbol de decisión,54, 60, 61,
Aprendizaje automático automatizado
67 falso,79, 80
(autoML),154
Aprendizaje profundo,69–72, 75–88
Fatiga de automatización,99
coches autónomos,162–166 mi
B Ellison, Larry,26
Engelberger, José,129 Modelado
propagación hacia atrás,72, 74, 75, 89
de conjuntos,54, 61, 62 junta de
renta básica,169
ética,146
Teorema de Bayes,43, 66
Gestión de excepciones,93
grandes datos,23–25
Sistemas expertos,8, 12-14
© Tom Taulli 2019

https://doi.org/10.1007/978-1-4842-5028-0
186 Índice
F METRO
Facebook,51, 143, 144, 154 Aprendizaje automático,40–42, 44–55, 60–62,
Extracción de características,71 65, 66
función de avance,73, 89 Marco, Gary,86–89

McCarthy, Juan,2, 6–8, 12
GRAMO microsoft,139
Red adversarial generativa Minsky, Marvin,2, 6, 9, 10, 13
(GAN),76, 78, 79, 90 almizcle, elon,97, 130
Google,1, 3, 4, 15, 17, 70, 71, 76, 78, 81, 83,
85, 87, 132, 133, 140, 171, 174 norte
h
Clasificador ingenuo de Bayes,55–57
Reconocimiento de entidad nombrada,110

hadoop,27
Procesamiento natural del lenguaje
Hawking, Stephen,161 (PNL),104–106, 123
Modelo oculto de Markov (HMM),111 Redes neuronales,71–74, 76–79, 81, 85, 89
Hinton, Geoffrey,2, 14, 15, 17, 69, 70, 74 Ng, Andrés,148
hiperparámetros,50 sin SQL,22, 27, 38
I oh
IBM,7, 8, 13, 25, 26, 34, 149, 169, 171 Codificación one-hot,34
ImagenNet,51 Oráculo,23, 26, 34
Robots industriales,128–130, 132 sobreajuste,77, 88
j P, Q
cuaderno jupyter,154 Correlación de Pearson,44, 67
fonemas,111
k lenguaje pitón,151, 152
Keras,154
PyTorch,154
Agrupación de K-medias,55, 62-65 K-vecino
más cercano (k-NN),54, 57, 58, 67 R

Red neuronal recurrente
l (RNN),76, 77, 81, 89
lago katrina,39, 41 Aprendizaje reforzado,50, 53, 54, 67 Base de
LeCun, Yann,77, 79 datos relacional,21, 25, 26, 28, 38 Automatización
Lee, Kai-Fu,166 robótica de escritorio (RDA),94, 102
lematización,106, 109, 110 Automatización Robótica de Procesos (RPA),92–
lídar,163 102 Sistema operativo robótico (ROS),138, 139
Li, Fei-Fei,69, 70 robots,126–128, 133
regresión lineal,49, 54, 58, 59, 67 Rosenblatt, Frank,10
lenguaje LISP,7, 11, 14 R-cuadrado,59, 67
Índice 187
S Datos de series de tiempo,22
tokenización,106, 108
salesforce.com,144
modelado de temas,110
Samuel, Arturo L.,41
Datos de entrenamiento,49,
Searle, John,3, 4
67 Turing, Alan
Sensor,126, 127, 133, 163, 165
Prueba de Turing,2–4, 17
Análisis de los sentimientos,52, 56
Sigmoideo,74, 89
Ud.
Localización simultánea y
ruta de usuario,91, 92, 95, 98,
mapeo (SLAM),131
100 RPA desatendida,93, 102
robots sociales,136, 137
datos no estructurados,22, 24, 26,
Hijo, Masayoshi,161
27, 38
Desviación Estándar,42, 43, 66
Aprendizaje sin supervisión,50, 52–55, 67
derivación,108, 109, 124 arreglo de
puntadas,39–41
V
IA fuerte,173
Problema de gradiente que
Datos estructurados,21, 22, 27, 32, 38
desaparece,76 Asistente virtual,118,
Aprendizaje supervisado,50, 51, 54–62, 67
119 Comercio por voz,116, 117
t Reconocimiento de voz,111, 112, 118
Etiquetado de partes del discurso (POS), W, X, Y

110 desempleo tecnológico,167–169
Waymo,165, 166
flujo tensor,152-154
IA débil,173
tesla,130, 138, 141 Datos
de prueba,49 z
Tres leyes de la robótica,137 Zoho,145

Tom Taulli - Artificial Intelligence Basics. A Non-Technical Introduction-Apress (2019) - 150-195.en - Es

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tom Taulli - Artificial Intelligence Basics. A Non-Technical Introduction-Apress (2019) - 150-195.en - Es

Cargado por

Copyright:

Formatos disponibles

Traducido del inglés al español - www.onlinedoctranslator.

Conceptos básicos de la inteligencia artificial 141

Pero el uso de la IA con la robótica aún se encuentra en sus etapas incipientes.

Pero cuando se piensa en utilizar robots, es importante comprender las limitaciones.

• Un robot puede realizar acciones, sentir su entorno y tener cierto

• Hay dos formas principales de operar un robot: el telerobot

• Si bien la IA está teniendo un impacto en los robots, el proceso

• Los robots de consumo se encuentran todavía en las etapas iniciales,

• Durante la década de 1950, el escritor de ciencia ficción Isaac

• El Sistema Operativo de Robot (ROS) se ha convertido en un

• El desarrollo de robots inteligentes presenta muchos desafíos

En marzo de 2019, un tirador transmitió en vivo en Facebook su brutal asesinato

Los sistemas de inteligencia artificial se basan en "datos de

© Tom Taulli 2019

datos de este tipo específico de contenido, algo que es difícil ya

En este capítulo, veremos algunas de las mejores prácticas para

Enfoques para implementar la IA

• Puntuación predictiva: Esto muestra la probabilidad de que un cliente

• Recomendaciones inteligentes: Einstein analiza datos para mostrar qué

Pero independientemente del enfoque que se adopte, la implementación y el uso de

A continuación, desde el principio del proceso de implementación, es esencial pensar en los

Un ejemplo de esto es Amazon.com, que cerró su software de reclutamiento basado en inteligencia

Los pasos para la implementación de la IA

Aquí hay algunos otros pasos a tener en cuenta:

• Identificar un problema a resolver.

• Forme un equipo fuerte.

• Crear el modelo de IA (recorrimos este proceso en el

Echemos un vistazo a cada uno.

Identificar un problema a resolver

Esto es lo que Kalyan Kumar, vicepresidente corporativo y CTO global de HCL

Pero cuando se trata del proceso de implementación de la IA, es común centrarse

• Sin duda, las decisiones en las empresas suelen ser ad hoc y,

• Como se vio con la automatización robótica de procesos (RPA), que

Andrew Ng, director ejecutivo de Landing AI y ex director de Google

• Enfoque específico de la industria: Esto es fundamental ya que un proyecto

• Datos: No limites tus opciones según la cantidad de datos que

Tenga en cuenta el siguiente ejemplo de esto de Erik Schluntz, cofundador y director de

Nuestros robots de seguridad son excelentes para detectar eventos

entra y hace la llamada de cómo responder. Incluso con todo el

Según el presidente de Scent and Care de Symrise, Achim Daub:

El equipo necesitará un líder que generalmente tenga experiencia empresarial u

En términos de personal técnico, probablemente no será necesario un doctorado en

Las herramientas y plataformas adecuadas

Van Rossum desarrolló Python con una filosofía clara:11

• Complejo es mejor que complicado.

Además, Python tenía la ventaja de crecer en la comunidad académica, que tenía

• NumPy: Esto permite aplicaciones informáticas científicas. En el centro

• Matplotlib: Con esto, puede trazar conjuntos de datos. A menudo,

• IA simple: Esta es una implementación de los algoritmos de IA del

• PyBrain: Se trata de una biblioteca modular de aprendizaje

• Scikit-Aprende: Lanzada en 2007, esta biblioteca tiene una amplia

En 2015, Google decidió abrir TensorFlow de código abierto, principalmente

41 millones de veces y hay más de 1.800 contribuyentes. De hecho, TensorFlow

Para usar TensorFlow, tienes la opción de una variedad de lenguajes para

Cuando ingresa comandos en TensorFlow, se procesan utilizando un sofisticado

• Investigadores del NERSC (Centro Nacional de Computación Científica

• Airbnb utilizó TensorFlow para crear un modelo que categorizaba

• Google utilizó TensorFlow para analizar datos del telescopio

Google ha estado trabajando en TensorFlow 2.0 y un objetivo clave es simplificar el

• PyTorch: Facebook es el desarrollador de esta plataforma, que fue

• Keras: Aunque TensorFlow y PyTorch son para expertos en IA con

Algunos de los jugadores en el espacio autoML incluyen H2O.ai, DataRobot y SaaS.

De ahí que la empresa implementó DataRobot. Al automatizar varios