Inteligencia y artificios

INTELIGENCIA ARTIFICIAL: 

• Inteligencia de computadoras y algoritmos, herramientas, útiles, pero que manifiestan:
  • Diferencia: autonomía
  • Diferencia: procesos cognitivos similares a los humanos
  • Diferencia: aprendizaje
  • Diferencia: rapidez. “La velocidad puede hacerse pasar por inteligencia, pero no lo es” 
  • Diferencia: automatización. 
    • Ejemplo: el ajedrez. Kasparov vs. Deep Blue.
    • Texto: “¿Cuál es la diferencia entre la IA y la automatización? Bueno, la automatización es lo que podemos hacer con las computadoras y la IA es lo que desearíamos poder hacer. En cuanto descubrimos cómo hacer algo, deja de ser IA y empieza a ser automatización.” (Fuente)
    • Inteligencia (artificial) general e Inteligencia (artificial) estrecha (aplicada)
      • IA general: “superinteligencia”, sobrehumana, ¿antihumana?. Ejemplo paradigmático: 2001: Una odisea del espacio (Stanley Kubrick, 1968).
      • Hal 9000: Heuristic Algorithmic. Capacidades: rec. voz, rec. facial, lenguaje natural, arte, emociones y razonamiento.
      • IA estrecha: grandes cantidades de datos de manera rápida, tareas basadas en reglas lógicas y explícitas (no ambiguas o aquellas que requieren intuición, creatividad, emoción, juicio y empatía.)
  • La IA estrecha y las capacidades humanas concretas:
    • Visión artificial: del reconocimiento facial a la construcción visual
    • Procesamiento del lenguaje natural (PLN): interpretar el lenguaje humano, traducción o análisis de textos.
    • Reconocimiento de sonidos vocales: analizar archivos de audio.
    • Sistemas basados en el conocimiento registran y almacenan hechos en una “base de conocimientos”, y posteriormente utilizan un “motor de inferencias”.
  • Aumento de la IA: colaboraciones entre seres humanos y máquinas, “interfaces generativas”: interactuar y comprender todas las posibles soluciones generadas. Soluciones nuevas, interesantes y creativas para los problemas del mundo real. No sustituye la necesidad de la creatividad humana: aumenta las capacidades creativas permitiendo que los seres humanos interactúen y exploren miles de soluciones posiblemente únicas de una manera rápida y eficiente.
  • Momento favorable a la IA:
    • Desarrollo de la programación
    • Desarrollo de la tecnología. Dato: el costo de un gigabyte de almacenamiento cayó de1 millón de dólares en 1967 a aproximadamente 2 centavos en 2017 (Fuente)
    • Democratización: conexión, cooperación e intercambio. Ejemplos: 
      • GitHub es una plataforma web de depósito de códigos y red social. Los usuarios pueden alojar y compartir públicamente códigos.
      • Kaggle es una comunidad en línea de competencias en ciencias de datos, incluyendo aquellas relacionadas con la IA. La plataforma en sí es propiedad de Google y permite a los usuarios alojar y publicar conjuntos de datos.
      • Cursos gratuitos sobre IA e Iniciativas gubernamentales de aprendizaje en IA.
    • Disponibilidad de datos y aprendizaje automático: muchas interacciones diarias son ahora digitales o asistidas digitalmente y generan un volumen importante de datos. Se estima que el 90% de los datos del mundo se crearon sólo en los últimos años y que las tasas de generación de datos siguen acelerándose. El fenómeno se denomina “Big Data”:y se caracteriza por: 
      • Velocidad. Los datos se generan y procesan a una velocidad más rápida que en cualquier otro momento de la historia.
      • Volumen. En la actualidad existe una inmensa cantidad de datos generados y almacenados.
      • Variedad. Los datos se presentan en diferentes formas y formatos, incluyendo texto, imágenes, video y audio.
      • Proveedores públicos de datos: DAG (Datos abiertos gubernamentales). Programas de datos abiertos disponibles para ser “leídos” por sistemas de IA.
      • Proveedores privados de datos: 
        • Bolsas de datos procedentes de clientes, empleados y proveedores de empresas
        • Usos/usuarios de la web: rastro de navegación, móviles, ordenadores, RRSS y compras online
        • Internet de las cosas (aparatos gestionados por Internet)
        • Industria 4.0 (electrónica, digital, biotecnológica)
      • Todo ello alimenta y acentúa el aprendizaje automático y al aprendizaje profundo, subestructuras de la IA)
• Aprendizaje automático: subconjunto de la Inteligencia Artificial que incluye técnicas estadísticas complejas que permiten a las máquinas aprender (mejorar en tareas a través de la experiencia) pero sin estar programadas explícitamente para ello. Existen varios tipos de aprendizaje automático, incluyendo el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo.
  • El ejemplo del ajedrez: aprendizaje basado en reglas (“si-entonces”, aprendizaje clásico) frente a “aprender partidas completas (aprendizaje automático)
• Aprendizaje profundo: subconjunto del aprendizaje automático compuesto por algoritmos que permiten que el software se entrene a sí mismo para realizar tareas (como el reconocimiento de sonidos vocales e imágenes). Inspirado en el cerebro humano, el aprendizaje profundo funciona exponiendo las redes neuronales de múltiples capas a grandes cantidades de datos.
• Robótica de procesos. Si el aprendizaje automático se centra en “aprender”, la robótica está dirigida al “hacer”, aunque puede haber interacción entre ambos estratos de la IA.
  • Concepto: “trabajo de alto valor (no automatizable)” frente a trabajo de bajo valor
• Tipos de aprendizaje automático:
  • aprendizaje supervisado: regresiones (predicciones) y clasificaciones (cancelaciones)
  • aprendizaje no supervisado: perfiles de clientes, anomalías. Concepto: “con frecuencia se compran juntos”
  • aprendizaje por refuerzo: enseñar a jugar al ajedrez.
  • aprendizaje profundo. Redes neuronales artificiales (RNA). Por ejemplo, en el caso de una RNA utilizada para clasificar imágenes, los nodos de la capa de entrada reciben el valor del color de cada pixel de una imagen; se espera que la capa de salida especifique si la imagen representa un perro o un gato o algo diferente según la aplicación. Durante la fase de entrenamiento, se presentan a la RNA imágenes que ya fueron identificadas como un perro o un gato. Con cada nueva imagen de entrenamiento, la RNA aprende a modificar los coeficientes de sus funciones de activación para producir la respuesta gato/perro esperada. 
    • Ejemplos: pintar como Van Gogh o hablar como Obama
• Otros campos del AA: 
  • Visión artificial: radiografías, matrículas, reconocimiento facial (identificación, contratación, reclutamiento), vigilancia, logotipos, 
  • Procesamiento del lenguaje natural y reconocimiento de sonidos vocales.
• Riesgos:
  • sesgo: hombres/mujeres, europeos/no europeos, etc
  • interseccionalidad: suma de sesgos. Superposición de varias identidades sociales, tales como el género, la raza, la orientación sexual y la condición socioeconómica 
  • subestimación de lo humano, maquinación excesiva.
• Utilidades (ejemplos y áreas):
  • Seguridad cibernética
  • Regulación de semáforos y tráfico
  • Eliminación de tareas tediosas
  • Asistentes virtuales y bots conversacionales
  • Servicios y prestaciones médicas
  • Filtros de spam y correos engañosos
  • Contaminación del aire, calidad de vida
  • Percepción de sentimientos colectivos

La IA reinventa uno de los juegos más antiguos de la humanidad