¿Qué es la IA? Todo lo que hay que saber sobre inteligencia artificial

¿Qué es la inteligencia artificial?

La inteligencia artificial es «un campo técnico y científico dedicado al sistema de ingeniería que genera resultados como contenido, previsiones, recomendaciones o decisiones para un conjunto determinado de objetivos definidos por el ser humano». [ISO/IEC 22989:2022]. A pesar de que esta definición de inteligencia artificial es acertada desde el punto de vista técnico, ¿qué significa esto para el ciudadano de a pie?

En realidad, la IA solo es una herramienta práctica y no una panacea. Es tan buena como lo sean los algoritmos y el aprendizaje automático que guían sus acciones. La IA puede llegar a ser increíble a la hora de realizar una tarea específica, pero requiere muchísimos datos y repeticiones. Simplemente, aprende a analizar grandes cantidades de datos, reconocer patrones y hacer predicciones o tomar decisiones en base a los datos, y mejora continuamente su desempeño con el tiempo.

El aprendizaje automático se ha vuelto muy «competente» en la generación de todo tipo de cosas, desde códigos de software hasta imágenes, artículos, videos y música. Es el siguiente nivel de la IA, la llamada IA generativa, que difiere de la IA tradicional en cuanto a sus capacidades y aplicaciones. Mientras que los sistemas de IA tradicionales se utilizan principalmente para analizar datos y hacer predicciones, la IA generativa va un paso más allá y crea nuevos datos similares a sus datos de capacitación.

Breve historia de la inteligencia artificial

La IA de hoy en día tiene su origen en la invención en el siglo XIX de la «máquina diferencial» de Charles Babbage, la primera calculadora automática del mundo que tuvo éxito. El descifrador de códigos británico Alan Turing, figura clave entre los recursos de inteligencia de los Aliados durante la Segunda Guerra Mundial (entre otras hazañas), también puede considerarse un predecesor de las iteraciones actuales de la IA. En 1950, presentó la prueba de Turing, diseñada para evaluar a capacidad de una máquina de mostrar comportamientos inteligentes indistinguibles de los de los humanos.

El crecimiento exponencial de la potencia de computación y de Internet trajo consigo el concepto y la realidad del aprendizaje automático: el desarrollo de los algoritmos de IA que son capaces de aprender sin haber sido programados, mediante el procesamiento de grandes conjuntos de datos. A lo largo de la década pasada, la IA ha pasado a formar parte de la vida cotidiana, influyendo en la forma en la que trabajamos, nos comunicamos e interactuamos con la tecnología.

¿Cómo funciona la IA?

Básicamente, la IA analiza datos para extraer patrones y hacer predicciones. Lo hace combinando grandes conjuntos de datos con algoritmos inteligentes de IA (o conjuntos de reglas) que permiten al software aprender de los patrones de los datos. El sistema lo logra mediante una red neuronal, una matriz de nodos interconectados que intercambian información entre diversas capas para buscar conexiones y deducir el significado de los datos.

Para comprender cómo funciona, debemos profundizar en los siguientes conceptos:

• Aprendizaje: la función de aprendizaje automático de la IA permite a las máquinas aprender de los datos, identificar patrones y tomar decisiones sin programación explícita. Es más, los avances en el aprendizaje profundo permiten al software de IA comprender patrones más complejos utilizando millones de puntos de datos.
• Razonamiento: la capacidad de razonar es fundamental para la IA, ya que permite a las computadoras imitar el cerebro humano. La IA puede hacer inferencias en base a los comandos que se le han dado o cualquier otra información disponible, desde formar hipótesis o desarrollar estrategias para abordar un problema.
• Resolución de problemas: la capacidad de resolución de problemas de la IA se basa en la manipulación de datos a través de técnicas de ensayo y error. Consiste en utilizar algoritmos para explorar varias rutas posibles y encontrar la solución más óptima a problemas complejos.
• Procesamiento del lenguaje: la IA utiliza procesamiento del lenguaje natural, o PLN, para analizar los datos del lenguaje humano de forma que tengan sentido para las computadoras. ¿Qué es el PLN? Es la capacidad de las computadoras de comprender, interpretar y generar lenguaje humano a través de análisis de textos, análisis de sentimiento y traducción automática.
• Percepción: la IA escanea el entorno mediante captadores de sentido, como sensores de temperatura y cámaras. Este campo de la IA, más conocido como visión artificial, permite a las máquinas interpretar y comprender datos visuales y se utiliza en el reconocimiento de imágenes, reconocimiento facial y detección de objetos.

IA fuerte frente a IA débil

AI can be broadly categorized as weak or strong.

La IA débil, también denominada IA estrecha, hace referencia a los sistemas diseñados para llevar a cabo tareas específicas con gran eficiencia, pero limitadas a un campo en particular. No posee inteligencia general. Algunos ejemplos son las asistentes de voz Siri y Alexa.

El objetivo de la IA fuerte, también denominada IA general, es que los sistemas aborden una amplia gama de tareas con un nivel de desempeño satisfactorio. Es decir, que sean capaces de aprender y aplicar esos conocimientos en diversos campos. La IA general, con capacidades cognitivas similares a las humanas y la capacidad de llevar a cabo cualquier tarea intelectual como un humano, continúa siendo un concepto teórico.

¿Cuáles son los cuatro tipos de IA?

Mientras que las máquinas reactivas y la IA de memoria limitada existen en la actualidad, la teoría de la mente y la autoconciencia representan tipos de IA que todavía no se han desarrollado plenamente. Entonces, ¿cómo son?

• Las máquinas reactivas siguen reglas predeterminadas y son incapaces de aprender a partir de datos nuevos. Destacan en tareas específicas, como responder a clientes en línea a través de chatbots, pero les falta adaptabilidad.
• La memoria limitada puede aprender de datos históricos y tomar decisiones informadas, adaptándose en cierta medida en función del entrenamiento. Algunos ejemplos son los vehículos autónomos y las aplicaciones de procesamiento del lenguaje natural.
• La teoría de la mente es un área de investigación en curso compleja: el concepto de un agente artificial capaz de comprender las creencias, intenciones y emociones de otras entidades.
• La IA autoconsciente es el escenario hipotético de un sistema de inteligencia artificial que posea consciencia y la capacidad de comprender su propia existencia. Sigue siendo una especulación.

Aprendizaje automático frente a aprendizaje profundo

El aprendizaje automático se basa en algoritmos que mejoran automáticamente el desempeño a través de la experiencia. Existen tres categorías:

• Aprendizaje supervisado: este algoritmo se entrena en un conjunto de datos etiquetados en el que cada ejemplo tiene una entrada y una salida correspondiente, y aprende de estos datos para crear predicciones sobre nuevos datos no vistos.
• Aprendizaje no supervisado: no cuenta con etiquetas ni salidas predefinidas; este algoritmo aprende a descubrir estructuras ocultas o agrupaciones dentro de los datos.
• Aprendizaje por refuerzo: entrenado para interactuar con el entorno y aprender mediante ensayo y error, el agente recibe retroalimentación en forma de recompensas o penalizaciones a medida que realiza acciones, gracias a lo cual aprende y mejora su desempeño con el tiempo.

El aprendizaje profundo es un subconjunto del aprendizaje automático, que se centra en el entrenamiento de redes neuronales artificiales con múltiples capas, inspiradas en la estructura y función del cerebro humano, formadas por nodos interconectados (neuronas) que transmiten señales.

Al extraer automáticamente características de los datos sin procesar mediante múltiples capas de abstracción, estos algoritmos de IA destacan en el reconocimiento de imágenes y del habla, el procesamiento del lenguaje natural y muchos otros campos. El aprendizaje profundo puede manejar conjuntos de datos a gran escala con entradas de alta dimensión, pero debido a su complejidad, requiere una cantidad considerable de potencia computacional y un entrenamiento exhaustivo.

Ejemplos de inteligencia artificial

Entonces. ¿qué puede hacer la IA? La mayoría de la gente la conoce gracias a altavoces inteligentes y asistentes de teléfonos inteligentes como Siri y Alexa, pero la nueva tecnología de IA facilita constantemente nuestras vidas y las hace más eficientes de muchas otras maneras.

A continuación se enumeran algunos ejemplos de aplicaciones de la inteligencia artificial:

• La IA sanitaria puede procesar y analizar grandes cantidades de datos de pacientes para ofrecer predicciones exactas y recomendar tratamientos personalizados para obtener los mejores resultados.
• Las empresas y el sector de la fabricación se benefician de la automatización en todos los sectores, desde la detección de fraudes, la evaluación de riesgos y el análisis de las tendencias del mercado hasta los robots dotados de IA en las líneas de producción. Los sistemas de IA también pueden predecir fallos en los equipos antes de que se produzcan y detectar anomalías en los patrones de tráfico de las redes, identificando así amenazas a la ciberseguridad. En el sector del comercio minorista, la IA ofrece gestión de inventario, experiencias de compra personalizadas, chatbots para ayudar a los clientes y análisis de preferencias de los clientes, lo que aumenta las ventas gracias a anuncios mejor orientados.
• La IA educativa incluye sistemas de tutoría inteligente que se adaptan a las necesidades del alumnado, lo cual les proporciona retroalimentación y orientación personalizadas. La IA también puede ofrecer calificaciones automatizadas, creación de contenido y simulaciones de realidad virtual.
• En el sector del transporte, la IA optimiza el flujo de tráfico, predice las necesidades de mantenimiento y mejora la logística en las empresas de transporte; en el sector agrícola, puede optimizar el rendimiento de las cosechas y reducir el despilfarro de recursos. La tecnología de drones vigila las condiciones del suelo, identifica las enfermedades de los cultivos y evalúa las necesidades de riego; asimismo, los sistemas de IA pueden recomendar usos eficientes de los pesticidas y la gestión de los cultivos.
• Entretenimiento: al analizar las preferencias de los usuarios, la IA puede recomendar películas, música o libros. La realidad virtual y aumentada crean entornos de entretenimiento inmersivos. La IA de CGI realista y de «efectos especiales» mejora la experiencia visual de películas y juegos.

Gobernanza y normativa de la IA

Con su creciente integración en diversos sectores, no se puede exagerar la importancia de garantizar la calidad y fiabilidad de los softwares de IA. A pesar de los riesgos que conlleva, la IA sigue sufriendo una falta de regulación. Aquí es donde pueden ayudar las Normas Internacionales.

Las normas, como las elaboradas por ISO/IEC JTC 1/SC 42 sobre inteligencia artificial, desempeñan un papel fundamental a la hora de abordar el desarrollo y el uso éticos y responsables de las tecnologías de IA. Ayudan a llenar el vacío de la normativa, dando a los responsables de la toma de decisiones y a los responsables políticos las herramientas necesarias para establecer datos y procesos coherentes y auditables.

Strong AI vs weak AI

Artificial intelligence (AI) encompasses a diverse spectrum of capabilities, which can be broadly classified into two categories: weak AI and strong AI. Weak AI, often referred to as artificial narrow intelligence (ANI) or narrow AI, embodies systems meticulously crafted to excel at specific tasks within well-defined parameters. These systems operate within a confined scope of expertise and lack the capacity for general intelligence. Think of them as specialists trained to perform particular functions efficiently.

Despite its name, weak AI is anything but weak; it is the powerhouse behind many of the artificial intelligence applications we interact with every day. We see examples of narrow AI all around us. From Siri and Alexa’s lightning-fast responses to IBM Watson’s data-crunching prowess and the seamless navigation of self-driving cars, ANI fuels the remarkable innovations shaping our world.

Here are some other examples of narrow AI applications, characterized by their specialized algorithms designed for specific tasks:

• Smart assistants: Often referred to as the best examples of weak AI, digital voice assistants use natural language processing for a range of specific tasks like setting alarms, answering questions and controlling smart home devices.
• Chatbots: If you’ve ever talked on a chat with your favourite e-store, chances are you’re communicating with AI. Many customer service platforms us ANI algorithms to answer common enquiries, leaving humans free to perform higher-level tasks.
• Recommendation engines: Ever wondered how Netflix always seems to know what movie you want to watch or how Amazon predicts your next purchase? These platforms use ANI to analyse your viewing or purchasing habits, alongside those of similar users, to deliver personalized suggestions.
• Navigation apps: How do you get from A to B without getting lost? A navigation app, such as Google Maps, is a software application that uses ANI designed to provide real-time directions to users when navigating from one location to another.
• Email spam filters: A computer uses artificial narrow intelligence to learn which messages are likely to be spam, and then redirects them from the inbox to the spam folder.
• Autocorrect features: When your iPhone rectifies your typos as you write, you’re experiencing the power of weak AI at work in your everyday life. By leveraging algorithms and user data, these predictive text functions ensure smoother and more efficient text composition across devices.

Each of these applications demonstrates the strength of ANI to execute well-defined tasks by analysing large datasets and following specialized algorithms. So, next time you marvel at the capabilities of AI, remember that it’s weak AI that powers these remarkable innovations, shaping our world in ways that we once thought unimaginable.

In contrast, the concept of strong AI, also known as general AI, aspires to develop systems capable of tackling a wide array of tasks with a level of proficiency that satisfies human standards. Unlike their narrow AI counterparts, strong AI systems aim to possess a form of general intelligence, allowing them to adapt, learn and apply knowledge across various domains. Essentially, the goal is to create artificial entities endowed with cognitive abilities akin to those of humans, capable of engaging in intellectual endeavours spanning diverse fields.

While strong AI is purely speculative with no practical examples in use today, that doesn’t mean AI researchers aren’t busy exploring its potential developments. Notably, strong AI is being harnessed in the field of artificial general intelligence (AGI) research and the development of intelligent machines and social media algorithms.

Theoretically, AGI could perform any human job, from cleaning to coding. So, although there are currently no real-life applications of AGI, the concept is poised to have a transformative impact in several fields. These include:

• Language: Writing essays, poems, and engaging in conversations.
• Healthcare: Medical imaging, drug research and surgery.
• Transportation: Fully automated cars, trains and planes.
• Arts and entertainment: Creating music, visual art and films.
• Domestic robots: Cooking, cleaning and childcare.
• Manufacturing: Supply chain management, stocktaking and consumer services.
• Engineering: Programming, building and architecture.
• Security: Detecting fraud, preventing security breaches and improving public safety.

While researchers and developers continuously strive to push the boundaries of AI AGI capabilities, achieving true general intelligence comparable to human cognition poses immense challenges and remains an elusive goal on the horizon. That being said, with the significant advancements in AI technology and machine learning, it seems the question we should ask is not if but when.

What are the four types of AI?

Artificial intelligence (AI) encompasses a wide range of capabilities, each serving distinct functions and purposes. Understanding the four types of AI sheds some light on the evolving landscape of machine intelligence:

• Reactive machines: These AI systems operate within predefined rules but lack the capacity to learn from new data or experiences. For instance, chatbots used to interact with online customers often rely on reactive machine intelligence to generate responses based on programmed algorithms. While they perform well within their designated functions, they cannot adapt or evolve beyond their initial programming.
• Limited memory: Unlike reactive machines, AI systems with limited memory possess the ability to learn from historical data and past experiences. By processing information from previous interactions, these types of AI systems can make informed decisions and adapt to some extent based on their training. Examples include self-driving cars equipped with sensors and machine learning algorithms that enable them to navigate through dynamic environments safely. Natural language processing applications also use historical data to enhance language comprehension and interpretation over time.
• Theory of mind: This type of AI is still a pipe dream, but it describes the idea of an AI system that can perceive and understand human emotions, then use that information to predict future actions and make decisions on its own. Developing AI with a theory of mind could revolutionize a wide range of fields, including human-computer interactions and social robotics, by enabling more empathetic and intuitive machine behaviour.
• Self-aware AI: This refers to the hypothetical scenario of an AI system that has self-awareness, or a sense of self. Self-aware AI possesses human-like consciousness and understands its own existence in the world, as well as the emotional state of others. So far, these types of AI are only found in the fantastical world of science fiction, popularized by iconic movies such as Blade Runner.

These four types of AI showcase the rich diversity of intelligence seen in artificial systems. As AI continues to progress, exploring the capabilities and limitations of each type will contribute to our understanding of machine intelligence and its impact on society.

Machine learning vs deep learning

Central to these advancements are machine learning and deep learning, two subfields of AI that drive many of the innovations we see today. While related, each of these terms has its own distinct meaning.

• Supervised learning: The algorithm is trained on a labelled dataset where each example has an input and a corresponding output, learning from this labelled data to make predictions on new, unseen data.
• Unsupervised learning: Without any predefined labels or outputs, the algorithm learns to discover hidden structures or groupings within the data.
• Reinforcement learning: Trained to interact with an environment and learn through trial and error, the agent receives feedback in the form of rewards or penalties as it performs actions allowing it to learn and improve performance over time.

Deep learning is a subset of machine learning, focused on training artificial neural networks with multiple layers – inspired by the structure and function of the human brain – consisting of interconnected nodes (neurons) that transmit signals.

By automatically extracting features from raw data through multiple layers of abstraction, these AI algorithms excel at image and speech recognition, natural language processing and many other fields. Deep learning can handle large-scale datasets with high-dimensional inputs, but requires a significant amount of computational power and extensive training due to their complexity.

Examples of AI technology

So what can AI do? Most people are familiar with it through smart speakers and smartphone assistants like Siri and Alexa, but new AI technology constantly makes our lives easier and more efficient in many other ways.

Here are some examples of AI technology and applications:

• Healthcare AI can process and analyse vast amounts of patient data to provide accurate predictions and recommend personalized treatment for better outcomes.
• Business and manufacturing benefits from automation in every field, from fraud detection, risk assessment and market trends analysis to AI-powered robots on production lines. AI systems can also predict equipment failures before they occur and detect anomalies in network traffic patterns, identifying cybersecurity threats. And in retail, AI offers inventory management, personalized shopping experiences, chatbots to assist customers and analysis of customer preferences, increasing sales through better targeted adverts.
• Education AI includes intelligent tutoring systems which adapt to students’ needs, providing tailored feedback and guidance. AI also offers automated grading, content creation and virtual-reality simulations.
• Transportation AI optimizes traffic flow, predicts maintenance needs, and improves logistics in shipping companies, while in agriculture it can optimize crop yield and reduce resource wastage. Drone technology monitors soil conditions, identifies crop diseases and assesses irrigation requirements, and AI systems can recommend efficient pesticide usage and crop management.
• Entertainment: By analysing user preferences, AI can recommend movies, music or books. Virtual and augmented reality create immersive entertainment environments. Realistic CGI and “special effects” AI enhances the visual experience of movies and games.

The growth and impact of generative AI

These examples of artificial intelligence, culminating in the rise of large-scale language models like Chat GPT, mark just the beginning of a remarkable journey. This is the advent of generative AI – an exciting new frontier in artificial intelligence, focusing on the creation of new content rather than just analysing existing data. Unlike traditional AI systems that are primarily designed for classification or prediction tasks, generative models aim to develop novel outputs that mimic human creativity and imagination. This will enable machines to autonomously produce various types of content, including images, text, music and even entire virtual worlds.

However, generative AI is not yet fully polished. Generative models, while powerful, have several downsides, including the potential for creating convincing misinformation (or deep fakes), perpetuating biases and raising concerns about copyright and job displacement. They also pose security threats, challenges in quality control and require substantial computational resources, leading to high costs and environmental impacts.

The truth is, generative AI is still in its learning phase, and initial setbacks in certain software should not overshadow the extraordinary potential of AI technology. Efforts are underway to address the challenges associated with generative models through advancements in detection technology and improvements in training data and algorithms. They also include enhanced security measures, heightened education and awareness, and more efficient use of computational resources.

This multifaceted approach should ensure a more responsible and beneficial use of generative AI, supported by guidelines and regulations.

AI governance and regulations

With increasing integration across various industries, the importance of ensuring the quality and reliability of AI software cannot be overstated. Despite the risks involved, AI still suffers from a lack of regulation. This is where International Standards can help.

Standards, such as those developed by ISO/IEC JTC 1/SC 42 on artificial intelligence, play a pivotal role in addressing the responsible development and use of AI technologies. They help to bridge the gaps in regulation, giving decision makers and policymakers the tools to establish consistent and auditable data and processes.

These standards can bring long-term value to a business, particularly in areas such as environmental reporting. Standards build credibility with stakeholders, ensuring the benefits of artificial intelligence outweigh the associated risks through aligning with existing regulations and governance tools.

• ISO/IEC 42001 AI management systems

  ISO/IEC 23894 AI – Guidance on risk management

  ISO/IEC 23053 Framework for AI Systems Using ML

History of artificial intelligence: who invented AI?

AI has progressed in leaps and bounds, transforming many aspects of our world. But to truly appreciate its current capabilities, it’s important to understand its origins and evolution. So who created AI? To find out, let’s take a journey through the fascinating history of artificial intelligence.

Today’s AI loosely stems from the 19^th-century invention of Charles Babbage’s “difference engine” – the world’s first successful automatic calculator. British code-breaker Alan Turing, who was a key figure in the Allies’ intelligence arsenal during WWII, amongst other feats, can also be seen as a father figure of today’s iterations of AI. In 1950, he proposed the Turing Test, designed to assess a machine’s ability to exhibit intelligent behaviour indistinguishable from that of a human.

From that point onward, advancements in AI technology began to accelerate exponentially, spearheaded by such influential figures as John McCarthy, Marvin Minsky, Herbert Simon, Geoffrey Hinton, Yoshua Bengio, Yann LeCun, and many other. But it wasn’t all smooth sailing. While AI flourished in the early years, with computers’ capability to store more information, it soon hit a roadblock: computers simply couldn’t store enough information or process it fast enough. It wasn’t until the 1980s that AI experienced a renaissance, sparked by an expansion of the algorithm toolkit and an increase in funding.

To cut a long story short, here are some key events and milestones in the history of artificial intelligence:

• 1950: Alan Turing publishes the paper “Computing Machinery and Intelligence”, in which he proposes the Turing Test as a way of assessing whether or not a computer counts as intelligent.
• 1956: A small group of scientists gather for the Dartmouth Summer Research Project on Artificial Intelligence, which is regarded as the birth of this field of research.
• 1966-1974: This is conventionally known as the “First AI Winter”, a period marked by reduced funding and progress in AI research due to failure to live up to early hype and expectations.
• 1997: Deep Blue, an IBM chess computer, defeats world champion Garry Kasparov in a highly publicized chess match, demonstrating the fabulous potential of AI systems. In the same year, speech recognition software, developed by Dragon Systems, was implemented on Windows.
• 2011: In a televised Jeopardy! contest, IBM’s Watson Deep QA computer defeats two of the quiz shows’ all-time champions, showcasing the ability of AI systems to understand natural language.
• 2012: The “deep learning” approach, inspired by the human brain, revolutionizes many AI applications, ushering in the current AI boom.
• 2016: Developed by a Google subsidiary, the computer program AlphaGo captures the world’s attention when it defeats legendary Go player Lee Sedol. The ancient board game “Go” is one of the most complex ever created.
• 2017 to date: Rapid advancements in computer vision, natural language processing, robotics and autonomous systems are driven by progress in deep learning and increased computational power.
• 2023: The rise of large language models, such as GPT-3 and its successors, demonstrates the potential of AI systems to generate human-like text, answer questions and assist with a wide range of tasks.
• 2024: New breakthroughs in multimodal AI allow systems to process and integrate various types of data (text, images, audio and video) for more comprehensive and intelligent solutions. AI-powered digital assistants are now capable of engaging in natural, contextual conversations as well as assisting with a wide variety of tasks.

The exponential growth of computing power and the Internet has brought with it the concept – and the reality – of machine learning, the development of AI algorithms that can learn without being programmed, by processing large datasets. This is known as “deep learning” which empowers computers to learn through experience. Over the past decade, AI has become integral to everyday life, influencing how we work, communicate and interact with technology.

Estas normas pueden aportar valor a largo plazo a una empresa, especialmente en ámbitos como los informes medioambientales. Las normas desarrollan credibilidad ante las partes interesadas y garantizan que las ventajas de la inteligencia artificial superen los riesgos asociados mediante la alineación con la normativa y las herramientas de gobernanza existentes.

¿Cómo cambiará la IA nuestro mundo?

A medida que se vuelve más sofisticada, esperamos que la inteligencia artificial cambie nuestra forma de trabajar y de vivir. Además de las muchas aplicaciones descritas anteriormente, la IA desempeñará un papel crucial a la hora de abordar los desafíos mundiales y acelerar la búsqueda de soluciones.

No obstante, las implicaciones éticas de la IA se desarrollarán de forma paralela. A medida que la IA se vuelve más potente y omnipresente, debemos garantizar un desarrollo y uso responsables y abordar cuestiones de parcialidad, privacidad y transparencia. Para lograrlo, es fundamental estar al día y mostrar proactividad en su desarrollo con el fin de crear un futuro que sea beneficioso y ético para todos.