¿Qué es la inteligencia artificial o IA?

La inteligencia artificial (IA) es un conjunto de tecnologías que permiten que las computadoras
realicen una variedad de funciones avanzadas, incluida la capacidad de ver, comprender y traducir
lenguaje hablado y escrito, analizar datos, hacer recomendaciones y mucho más.

La IA es la columna vertebral de la innovación en la computación moderna, lo que libera valor para

las personas y las empresas. Por ejemplo, el reconocimiento óptico de caracteres (OCR) usa la IA
para extraer texto y datos de imágenes y documentos, y convierte el contenido no estructurado en
datos estructurados listos para las empresas, además de brindar estadísticas valiosas.

Definición de inteligencia artificial

La inteligencia artificial es un campo de la ciencia relacionado con la creación de computadoras y

máquinas que pueden razonar, aprender y actuar de una manera que normalmente requeriría
inteligencia humana o que involucre datos cuya escala exceda lo que los humanos pueden
analizar.

La IA es un campo amplio que abarca muchas disciplinas diferentes, incluidas la informática, el

análisis de datos y las estadísticas, la ingeniería de hardware y software, la lingüística, la
neurociencia y hasta la filosofía y la psicología.

A nivel operativo para el uso empresarial, la IA es un conjunto de tecnologías que se basan

principalmente en el aprendizaje automático y el aprendizaje profundo, que se usan para el
análisis de datos, la generación de predicciones y previsiones, la categorización de objetos, el
procesamiento de lenguaje natural, las recomendaciones, la recuperación inteligente de datos y
mucho más.

Tipos de inteligencia artificial

La inteligencia artificial se puede organizar de varias maneras, según las etapas de desarrollo o las
acciones que se están realizando.

Por ejemplo, se suelen reconocer cuatro etapas de desarrollo de la IA.

Máquinas reactivas: IA limitada que solo reacciona a diferentes tipos de estímulos basados en
reglas preprogramadas. No usa memoria y, por lo tanto, no puede aprender con datos nuevos.
Deep Blue de IBM, que venció al campeón de ajedrez Garry Kasparov en 1997, fue un ejemplo de
una máquina reactiva.

Memoria limitada: Se considera que la mayor parte de la IA moderna es de memoria limitada.

Puede usar la memoria para mejorar con el tiempo mediante el entrenamiento con datos nuevos,
por lo general, a través de una red neuronal artificial o algún otro modelo de entrenamiento. El
aprendizaje profundo, un subconjunto del aprendizaje automático, se considera inteligencia
artificial con memoria limitada.

Teoría de la mente: Actualmente no existe IA con teoría de la mente, pero se están investigando
distintas posibilidades. El término hace referencia a IA que puede emular la mente humana y tiene
capacidades de toma de decisiones similares a las de un ser humano, lo cual incluye reconocer y
recordar emociones, y reaccionar en situaciones sociales como lo haría un ser humano.

Autoconocimiento: Un paso más allá de la IA con teoría de la mente, el concepto de IA con

autoconocimiento describe una máquina mítica que tiene conocimiento de su propia existencia y
tiene las capacidades intelectuales y emocionales de un ser humano. Al igual que la IA con teoría
de la mente, la IA con autoconciencia no existe en la actualidad.

Una forma más útil de categorizar ampliamente los tipos de inteligencia artificial es según lo que
puede hacer la máquina. Todo lo que llamamos inteligencia artificial actualmente se considera
inteligencia “estrecha” porque solo puede realizar un conjunto reducido de acciones en función de
su programación y entrenamiento. Por ejemplo, un algoritmo de IA que se use para la clasificación
de objetos no podrá realizar procesamiento de lenguaje natural. La Búsqueda de Google es una
forma de IA estrecha, al igual que las estadísticas predictivas o los asistentes virtuales.

La inteligencia artificial general (AGI) sería la capacidad de una máquina de "sentir, pensar y
actuar" como lo haría una persona. La AGI no existe actualmente. El siguiente nivel sería la
superinteligencia artificial (ASI), en la que la máquina podría funcionar de manera superior a la
humana en todo aspecto.

Modelos de entrenamiento de inteligencia artificial

Cuando las empresas hablan de IA, suelen hablar de "datos de entrenamiento". Pero ¿qué significa
eso? Recuerda que la inteligencia artificial con memoria limitada es una IA que mejora con el
tiempo, ya que se entrena con datos nuevos. El aprendizaje automático es un subconjunto de la
inteligencia artificial que usa algoritmos para entrenar datos y obtener resultados.

A grandes rasgos, suelen usarse tres tipos de modelos de aprendizaje en el aprendizaje

automático:

El aprendizaje supervisado es un modelo de aprendizaje automático que asigna una entrada

específica a un resultado mediante datos de entrenamiento etiquetados (datos estructurados). En
términos simples, para entrenar un algoritmo que reconozca imágenes de gatos, se lo alimenta
con imágenes etiquetadas como gatos.
El aprendizaje no supervisado es un modelo de aprendizaje automático que aprende patrones en
función de datos no etiquetados (datos no estructurados). A diferencia del aprendizaje
supervisado, el resultado final no se conoce con anticipación. En cambio, el algoritmo aprende de
los datos y los clasifica en grupos en función de diversos atributos. Por ejemplo, el aprendizaje no
supervisado es bueno para identificar patrones y realizar modelado descriptivo.

Además del aprendizaje supervisado y no supervisado, suele emplearse un enfoque mixto llamado
aprendizaje semisupervisado, en el que solo se etiquetan algunos de los datos. En el aprendizaje
semisupervisado, se conoce un resultado final, pero el algoritmo debe determinar cómo organizar
y estructurar los datos para lograr los resultados deseados.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir en

términos generales como “aprender haciendo”. Un "agente" aprende a realizar una tarea definida
mediante prueba y error (un ciclo de reacción) hasta que su rendimiento está dentro de un rango
deseado. El agente recibe un refuerzo positivo cuando realiza la tarea de forma correcta y un
refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo de aprendizaje por refuerzo sería
enseñarle a una mano robótica a recoger una pelota.

Tipos comunes de redes neuronales artificiales

Un tipo común de modelo de entrenamiento en la IA es una red neuronal artificial, que se basa a
grandes rasgos en el cerebro humano.

Una red neuronal es un sistema de neuronas artificiales (a veces llamadas perceptrones), que son
nodos de procesamiento que se usan para clasificar y analizar datos. Los datos se ingresan en la
primera capa de una red neuronal, y cada perceptrón toma una decisión, y luego pasa esa
información a varios nodos de la siguiente capa. Los modelos de entrenamiento con más de tres
capas se denominan "redes neuronales profundas" o "aprendizaje profundo". Algunas redes
neuronales modernas tienen cientos o miles de capas. Las salida de los perceptrones finales
permite realizar la tarea impuesta a la red neuronal, como clasificar un objeto o encontrar
patrones en los datos.

Estos son algunos de los tipos más comunes de redes neuronales artificiales que puedes
encontrar:

Las redes neuronales prealimentadas (FF) son una de las formas más antiguas de redes
neuronales, ya que los datos fluyen en una dirección a través de capas de neuronas artificiales
hasta que se obtiene el resultado. En la actualidad, la mayoría de las redes neuronales
prealimentadas se consideran "prealimentadas profundas" con varias capas (y más de una capa
"oculta"). Las redes neuronales prealimentadas suelen vincularse a un algoritmo de corrección de
errores llamado "propagación inversa" que, en términos simples, comienza con el resultado de la
red neuronal y hace el proceso en sentido inverso para llegar al principio, detectando errores para
mejorar la exactitud de la red neuronal. Muchas redes neuronales simples, pero potentes, son
prealimentadas profundas.

Las redes neuronales recurrentes (RNN) difieren de las redes neuronales prealimentadas en que
suelen usar datos de series temporales o datos que involucran secuencias. A diferencia de las
redes neuronales prealimentadas, que usan ponderaciones en cada nodo de la red, las redes
neuronales recurrentes tienen “memoria” de lo que sucedió en la capa anterior como contingente
a la salida de la capa actual. Por ejemplo, cuando se realiza procesamiento de lenguaje natural, las
RNN pueden “tener en cuenta” otras palabras usadas en una oración. Las RNN a menudo se usan
para el reconocimiento de voz, la traducción y la generación de descripciones de imágenes.

Las RNN de memoria a largo/corto plazo (LSTM) son una forma avanzada de RNN que puede usar
memoria para "recordar" lo que sucedió en capas anteriores. La diferencia entre las RNN y las
LTSM es que pueden recordar lo que sucedió hace varias capas mediante el uso de "celdas de
memoria". La LSTM suele usarse para el reconocimiento de voz y la realización de predicciones.

Las redes neuronales convolucionales (CNN) incluyen algunas de las redes neuronales más
comunes en la inteligencia artificial moderna. Las CNN suelen usarse en el reconocimiento de
imágenes y emplean varias capas distintas (una capa convolucional y, luego, una capa de
agrupación) que filtran diferentes partes de una imagen antes de volver a unirla (en la capa
completamente conectada). Es posible que las capas convolucionales anteriores busquen
características simples de una imagen, como colores y bordes, antes de buscar características más
complejas en capas adicionales.

En las redes generativas adversarias (GAN), se usan dos redes neuronales que compiten entre sí en
un juego que, en última instancia, mejora la exactitud del resultado. Una red (el generador) crea
ejemplos que la otra red (el discriminante) juzga como verdaderos o falsos. Las GAN se han usado
para crear imágenes realistas y hasta hacer arte.

Beneficios de la IA

Automatización

La IA puede automatizar flujos de trabajo y procesos, o trabajar de forma independiente y

autónoma de un equipo humano. Por ejemplo, la IA puede ayudar a automatizar aspectos de la
seguridad cibernética mediante la supervisión y el análisis continuos del tráfico de red. De manera
similar, una fábrica inteligente puede tener decenas de tipos diferentes de IA en uso, como robots
que usan visión artificial para navegar por las fábricas o inspeccionar productos en busca de
defectos, crear gemelos digitales o usar analítica en tiempo real para medir la eficiencia y la
producción.
Reduce errores humanos

La IA puede eliminar errores manuales en el procesamiento de datos, las estadísticas, el

ensamblaje en la fabricación y otras tareas a través de automatización y algoritmos que siguen los
mismos procesos cada vez.

Elimina las tareas repetitivas

La IA se puede usar para realizar tareas repetitivas, lo que libera al capital humano a fin de que
trabaje en los problemas de mayor impacto. La IA se puede usar para automatizar procesos, como
verificar documentos, transcribir llamadas telefónicas o responder preguntas sencillas de los
clientes, como “¿A qué hora cierran?”. Con frecuencia, los robots se usan para realizar tareas
“aburridas, sucias o peligrosas” en lugar de que las haga un ser humano.

Rápido y preciso

La IA puede procesar más información de forma más rápida que un ser humano, mediante la
búsqueda de patrones y el descubrimiento de relaciones en datos que el humano podría no
detectar.

Disponibilidad infinita

La IA no tienen limitaciones en términos de horarios, necesidad de descansar ni ningún otro factor

que pueda interrumpir la labor de un ser humano. Cuando se ejecutan en la nube, la IA y el
aprendizaje automático pueden estar “siempre activos”, y trabajar continuamente en las tareas
asignadas.

Investigación y desarrollo acelerados

La capacidad de analizar grandes cantidades de datos con rapidez puede acelerar los avances en
investigación y desarrollo. Por ejemplo, la IA se usó en el modelado predictivo de nuevos
tratamientos farmacéuticos potenciales o para cuantificar el genoma humano.

Aplicaciones y casos de uso de inteligencia artificial

Reconocimiento de voz

Convertir automáticamente una frase hablada en un texto escrito.

Reconocimiento de imágenes

Identificar y categorizar diversos aspectos de una imagen.

Traducción

Traducir palabras escritas o habladas de un idioma a otro.

Modelado predictivo

Extraer datos para prever resultados específicos con altos niveles de detalle.

Analítica de datos

Encontrar patrones y relaciones en los datos para la inteligencia empresarial.

Seguridad cibernética

Analiza de forma autónoma redes en busca de ciberataques y amenazas.

Productos y servicios relacionados

Google ofrece varios productos, soluciones y aplicaciones de inteligencia artificial de alta

sofisticación en una plataforma de nube confiable que permite a las empresas crear e
implementar fácilmente algoritmos y modelos de IA.

Mediante el uso de productos como Vertex AI, CCAI, DocAI, o las API de IA, las organizaciones
pueden interpretar todos los datos que producen, recopilan o analizan de cualquier otra forma, sin
importar el formato que tengan, a fin de tomar decisiones empresariales prácticas.

¿Cómo se usa la IA para mejorar la atención médica y la

investigación biomédica?
Radiología: La capacidad de la IA para interpretar los resultados de las imágenes puede ayudar a
detectar un cambio minúsculo en una imagen que un clínico podría omitir por accidente.

Imágenes: Un ejemplo es el uso de IA para evaluar cómo se verá un individuo después de una
cirugía facial y de paladar hendido.

Telesalud: Los dispositivos portátiles permiten el monitoreo constante de un paciente y la

detección de cambios fisiológicos que pueden proporcionar señales de alerta temprana de un
evento como un ataque de asma.

Cuidados clínicos: Un gran enfoque de la IA en el sector de salud es en los sistemas de apoyo a la

decisión clínica, los cuales utilizan observaciones de la salud y conocimiento de casos para ayudar
con las decisiones de tratamiento.

¿Cómo utilizan la IA los investigadores financiados por el NIBIB en su investigación biomédica?

Diagnóstico temprano de la Enfermedad de Alzheimer (EA) mediante el análisis de redes

cerebrales
La degeneración neurológica relacionada con la EA comienza mucho antes de que aparezcan los
síntomas clínicos. La información proporcionada por los datos de neuroimagen de una IRM
funcional (fMRI, por sus siglas en inglés), los cuales pueden detectar cambios en el tejido cerebral
durante las primeras etapas de la EA, tiene potencial para la detección y tratamiento tempranos.
Los investigadores están combinando la capacidad de la fMRI para detectar cambios cerebrales
sutiles con la capacidad del aprendizaje automático para analizar múltiples cambios cerebrales a
través del tiempo. Este enfoque intenta mejorar la detección temprana de la EA, así como otros
trastornos neurológicos, incluyendo la esquizofrenia, el autismo y la esclerosis múltiple.

Predicción de los niveles de glucosa en la sangre utilizando sensores portátiles

Los investigadores financiados por el NIBIB están construyendo modelos de aprendizaje

automático para mejorar el manejo de los niveles de glucosa en la sangre mediante el uso de
datos obtenidos de sensores portátiles. Las nuevas tecnologías de detección portátiles
proporcionan mediciones continuas que incluyen el ritmo cardiaco, la conductancia de la piel, la
temperatura, y los movimientos del cuerpo. Los datos se utilizarán para entrenar una red de
inteligencia artificial que ayude a predecir cambios en los niveles de glucosa en la sangre antes de
que ocurran. El poder anticipar y prevenir los problemas de control de glucosa en la sangre
mejorará la seguridad del paciente y reducirá las costosas complicaciones.