¿Qué es la inteligencia artificial?

Conoce más sobre la inteligencia artificial

La IA moderna es un sistema capaz de percibir su entorno y tomar medidas para maximizar la posibilidad de alcanzar con éxito sus objetivos, así como interpretar y analizar los datos de tal manera que aprende y se adapta a medida que avanza.

Una definición temprana de la inteligencia artificial (IA) provino de uno de sus padres fundadores, Marvin Minsky, quien la describió como «la ciencia de hacer que las máquinas hagan cosas que requerirían inteligencia si la hicieran los hombres. Si bien el núcleo de esa definición hoy sigue siendo verdad, los científicos de computación modernos van un poco más allá y definen a la IA como un sistema que es capaz de percibir su entorno y actuar para maximizar la posibilidad de alcanzar con éxito sus objetivos –y además, a la capacidad de ese sistema para interpretar y analizar datos de tal manera que aprende y se adapta sobre la marcha.

Historia de la IA

Desde el mito griego de Pigmalión hasta el cuento victoriano de Frankenstein, hace mucho tiempo que los humanos están fascinados por la idea de crear un ser hecho por el hombre que pudiera pensar y actuar como una persona. Con el surgimiento de las computadoras, nos dimos cuenta de que la visión de la inteligencia artificial emergería no en forma de entidades autónomas e independientes, sino como un conjunto de herramientas y tecnologías conectadas que podrían aumentar y adaptarse a las necesidades humanas.

El término «inteligencia artificial» fue acuñado en 1956, en una conferencia científica en la Universidad de Dartmouth en Hanover, New Hampshire, EE. UU. Desde entonces, la IA y la gestión de datos se han desarrollado de una manera extremadamente interdependiente. Para realizar análisis significativamente robustos, la IA requiere de muchos big data. Para que muchos datos se procesen digitalmente, el sistema requiere de IA. Como tal, la historia de la IA se ha desarrollado junto con el aumento del poder de computación y las tecnologías de base de datos. 

Hoy, los sistemas de negocios que antes solo podían manejar algunos gigabytes de datos ahora pueden gestionar terabytes, y pueden usar IA para procesar resultados e información estratégica en tiempo real. Y a diferencia de una creación artificial que llega tambaleando hasta la aldea, las tecnologías de IA son ágiles y tienen capacidad de respuesta –diseñadas para mejorar y aumentar a sus socios humanos, no para reemplazarlos.

Tipos de IA

La IA es una de las áreas de desarrollo tecnológico de más rápido crecimiento. Hoy, sin embargo, incluso los modelos de IA más complejos solo están usando la «inteligencia artificial estrecha», que es la más básica de los tres tipos de IA. Las otras dos siguen siendo materia de ciencia ficción y, en estos momentos, no se están usando de ninguna manera práctica. Dicho esto, al ritmo que ha avanzado la ciencia de la computación en los últimos 50 años, es difícil decir adónde nos llevará el futuro de la IA.

Inteligencia artificial estrecha (ANI)

La ANI es el tipo de IA que existe hoy y también se conoce como IA “débil”. Si bien las tareas que puede realizar la IA estrecha pueden ser impulsadas por algoritmos altamente complejos y redes neuronales son, no obstante, singulares y orientadas a objetivos. El reconocimiento facial, las búsquedas en internet y los autos autoconducidos son todos ejemplos de IA estrecha. Se categoriza como débil no porque carezca de alcance y poder, sino porque todavía está muy lejos de tener los componentes humanos que atribuimos a la verdadera inteligencia. El filósofo John Searle define la IA estrecha como «útil para probar una hipótesis sobre la mente, pero en realidad no serían mentes».

Inteligencia artificial general (AGI)

La AGI debería ser capaz de realizar con éxito cualquier tarea intelectual que un humano pueda hacer. Al igual que los sistemas de IA estrecha, los sistemas de AGI pueden aprender de la experiencia y detectar y prever patrones, pero tienen la capacidad de llevarlos un paso más allá. La AGI puede extrapolar ese conocimiento a través de una amplia gama de tareas y situaciones que no son abordadas por datos adquiridos previamente ni algoritmos existentes

La Summit Supercomputer es una de las pocas supercomputadoras del mundo que demuestra la AGI. Puede realizar 200.000 billones cálculos en un segundo lo cual a un ser humano le llevaría mil millones de años. Para que los modelos de AGI sean significativamente factibles, no necesariamente necesitarían tanta potencia, sino que necesitarían capacidades computacionales que actualmente solo existen a nivel de supercomputadora. 

Superinteligencia artificial (ASI)

Los sistemas de ASI teóricamente son completamente autoconscientes. Más allá de simplemente imitar o entender el comportamiento humano, lo comprenden a un nivel fundamental.

Empoderada con estos rasgos humanos y aumentados aun más con poder de procesamiento y analítico que supera con creces a los nuestros, la ASI puede presentar un futuro distópico y de ciencia ficción en el cual los seres humanos se vuelven cada vez más obsoletos.

Es poco probable que alguien que viva hoy vea un mundo así alguna vez, pero dicho eso, la IA está avanzando a un ritmo tal que es importante considerar las pautas éticas y la administración para anticiparse a una inteligencia artificial que podría superarnos en casi todas las maneras medibles. Como aconsejó Stephen Hawking, “debido al gran potencial de la IA, es importante investigar cómo cosechar sus beneficios al tiempo que se evitan posibles peligros”.

Beneficios de la IA

Hace solo un par de décadas, el uso de IA en las operaciones de negocio estaba en una etapa de «adopción temprana» y su potencial seguía siendo algo teórico. Desde entonces, las tecnologías y aplicaciones de IA han estado avanzando y añadiendo valor a los negocios, donde IDC proyecta un crecimiento del 19,6% anual en 2022, unos USD 432.800 millones. Y a medida que las tecnologías de IA mejoran y emergen como la próxima ola de innovación, también lo hace la comprensión humana de su potencial y la creatividad con la que se aplican. Hoy, las empresas obtienen una gama siempre creciente de beneficios medibles de los sistemas potenciados por IA, incluyendo los cinco de abajo:

Resiliencia en todo el negocio: mucho antes de que existieran las computadoras, las empresas conocían el valor de recopilar y comprender los datos sobre su negocio, mercado y clientes. A medida que los data sets crecieron y fueron más complejos, la capacidad para analizar esos datos de manera precisa y oportuna se volvió cada vez más desafiante. Las soluciones potenciadas por IA aportan la capacidad no solo de gestionar Big Data, sino también de sacar de ellos información estratégica accionable. Con la IA, los procesos complejos pueden automatizarse, los recursos se pueden usar de manera más eficiente, y las disrupciones (y oportunidades) pueden preverse y es posible adaptarse a ellas.

Mejor servicio al cliente: la IA habilita a las empresas a personalizar las ofertas de servicio e interactuar con sus clientes en tiempo real. A medida que los consumidores pasan por el embudo de ventas moderno desde «lead» hasta «conversión», generan data sets complejos y diversos. La IA brinda a los sistemas de negocio el poder de aprovechar estos datos para atender e interactuar mejor con sus clientes.

Toma de decisiones confiable: los buenos líderes de negocio siempre se esfuerzan por tomar decisiones rápidas y fundamentadas. Cuanto más crucial sea la decisión, mayor será la probabilidad de que tenga innumerables y complejos componentes e interdependencias. La IA ayuda a aumentar la sabiduría y la experiencia de los seres humanos, con análisis avanzado de datos e información estratégica accionable que dan soporte a una toma de decisiones confiable y en tiempo real.

Productos y servicios relevantes: muchos modelos tradicionales de I+D eran retrógrados. El análisis de rendimiento y los datos de feedback del cliente a menudo no ocurrían hasta mucho después de que un producto o servicio hubiera entrado al mercado. Tampoco existían sistemas que pudieran detectar rápidamente posibles brechas y oportunidades en el mercado. Con sistemas potenciados por IA, las empresas pueden ver una amplia variedad de data sets, simultáneamente y en tiempo real. Esto les permite modificar productos existentes y presentar otros nuevos, en base a en los datos más relevantes y actualizados del mercado y el cliente.

Fuerza laboral comprometida: una reciente encuesta de Gallup muestra que las empresas cuyos empleados informan un alto nivel de compromiso son hasta un 21% más rentables en promedio. Las tecnologías de IA en el lugar de trabajo pueden reducir la carga de las tareas rutinarias y permitir que los empleados se enfoquen en un trabajo más gratificante. Las tecnologías de RR. HH. que usan IA también pueden ayudar a notar cuándo los empleados están ansiosos, cansados o aburridos. Personalizando las recomendaciones de bienestar y ayudando a priorizar las tareas, la IA puede dar soporte a los empleados y ayudarlos a restaurar un equilibrio saludable entre vida laboral y personal.

Tecnologías de IA

Para ser útil, la AI debe ser aplicable. Su verdadero valor solo puede obtenerse cuando brinda información estratégica accionable. Si pensamos en la IA en términos de un cerebro humano, entonces las tecnologías de IA son como las manos, ojos y movimientos del cuerpo todo lo que permite ejecutar las ideas del cerebro. Las siguientes son algunas de las tecnologías de IA más usadas y en rápido avance.

Machine learning

El machine learning y todos sus componentes es un subconjunto de la IA. En el machine learning, los algoritmos se aplican a diferentes tipos de métodos de aprendizaje y técnicas de análisis, que le permiten al sistema aprender y mejorar automáticamente a partir de la experiencia sin ser programados explícitamente. En los negocios, el machine learning se puede aplicar a cualquier problema o objetivo que requiera resultados predictivos, obtenidos del análisis de datos complejos.

¿Cuál es la diferencia entre IA y machine learning? Machine learning es un componente de la IA y no puede existir sin ella. Por lo tanto, no se trata de que sean diferentes, sino de cómo son diferentes. IA procesa datos para tomar decisiones y proyecciones. Los algoritmos de machine learning permiten que la IA no solo procese esos datos, sino que los use para aprender y ser más inteligente, sin necesidad de programación adicional.

Procesamiento de lenguaje natural (NLP)

El NLP permite a las máquinas reconocer y entender el lenguaje escrito, los comandos de voz, o ambos. Esto incluye la capacidad de traducir el lenguaje humano a una forma que el algoritmo pueda entender. La generación de lenguaje natural (NLG) es un subconjunto del NLP que permite a la máquina convertir el lenguaje digital en lenguaje humano natural. En aplicaciones más sofisticadas, el NLP puede usar el contexto para inferir la actitud, estado de ánimo y otras cualidades subjetivas a fin de interpretar con mayor precisión el significado. Las aplicaciones prácticas del NLP incluyen chatbots y asistentes de voz digitales como Siri y Alexa.

Visión por computadora

La visión por computadora es el método por el cual las computadoras entienden y “ven” imágenes y videos digitales en contraposición a solo reconocerlos o categorizarlos. Las aplicaciones de visión por computadora usan sensores y algoritmos de aprendizaje para extraer información compleja y contextual que luego se puede usar para automatizar o fundamentar otros procesos. La visión por computadora también puede extrapolar datos para propósitos predictivos, lo cual básicamente significa que puede ver a través de las paredes y a la vuelta de las esquinas. Los autos autoconducidos son un buen ejemplo de la visión por computadora en uso.

Robótica

La robótica no es nada nuevo y se ha usado durante años, especialmente en la fabricación. Sin la aplicación de IA, sin embargo, la automatización debe lograrse mediante programación y calibración manuales. Si existen debilidades o ineficiencias en esos flujos de trabajo, solo pueden detectarse después del hecho, o después de que algo se rompe. El operador humano a menudo no puede saber qué condujo a un problema, o qué adaptaciones podrían hacerse para lograr mayor eficiencia y productividad. Cuando la IA se incorpora a la mezcla generalmente a través de sensores de  IoT, trae consigo la capacidad de ampliar en gran medida el alcance, volumen y tipo de tareas robóticas realizadas. Los ejemplos de robótica en la industria incluyen robots de retiro de pedidos para su uso en grandes almacenes y robots agrícolas que pueden programarse para recoger o atender cultivos en los momentos óptimos.

IA empresarial en acción

Cada año, más y más empresas se están dando cuenta de los beneficios y ventajas competitivas que las soluciones de IA pueden aportar a sus operaciones. Algunos sectores, como el cuidado de la salud y la banca, tienen data sets especialmente grandes y vulnerables. Para ellos, la utilidad de la IA era obvia desde sus primeras iteraciones. Pero hoy, el alcance y accesibilidad de la IA moderna significan que tiene aplicaciones relevantes en casi todos los modelos de negocio. Los siguientes son solo algunos ejemplos de tales industrias.

IA en el cuidado de la salud

Los data sets médicos son algunos de los más grandes, más complejos y más sensibles del mundo. Un foco principal de la IA en el cuidado de la salud es aprovechar esos datos para encontrar relaciones entre diagnóstico y protocolos de tratamiento, y los resultados del paciente. Además, los hospitales están recurriendo a soluciones de IA para dar soporte a otras áreas e iniciativas operativas. Estas incluyen satisfacción y optimización de la fuerza laboral, satisfacción del paciente, y ahorro de costos, por nombrar solo algunas.

IA en la banca

Los bancos e instituciones financieras tienen una mayor necesidad de seguridad, cumplimiento y velocidad transaccional y, como tales, fueron algunos de los primeros en adoptar tecnologías de IA. Funciones como bots de IA, asesores de pagos digitales y mecanismos de detección de fraudes biométricos contribuyen a mejorar la eficiencia y el servicio al cliente, así como la reducción del riesgo y el fraude. Vea cómo los bancos están impulsando un servicio de punta a punta con digitalización y tecnologías inteligentes.

IA en fabricación

Cuando los dispositivos y máquinas están conectados para enviar y recibir datos a través de un sistema central, abarcan una red de IoT. La IA no solo procesa esa información, sino que la usa para proyectar oportunidades y disrupciones, y para automatizar las mejores tareas y flujos de trabajo en respuesta. En las fábricas inteligentes, esto se extiende a los protocolos de fabricación on-demand para impresoras 3D e inventarios virtuales. Descubra cómo Adidas usa machine learning para ofrecer calzado personalizado en solo 24 horas.

IA en comercio minorista

La pandemia tuvo un impacto masivo en los hábitos de compra, al ver un aumento significativo de las compras on-line durante el mismo período del año anterior. Esto ha contribuido a crear un clima extremadamente competitivo y rápidamente cambiante para los minoristas. Los compradores on-line interactúan en una amplia gama de puntos de contacto y generan cantidades más grandes que nunca de data sets complejos y no estructurados. Para comprender y aprovechar mejor estos datos, los minoristas buscan soluciones de IA que puedan procesar y analizar data sets dispares para brindar información estratégica útil e interacciones en tiempo real con sus clientes. 

Ética y desafíos de IA

En 1948, el pionero en ciencias de la computación Alan Turing dijo: “Una computadora merecería ser llamada inteligente si pudiera engañar a un humano para hacerle creer que es humano”. Aunque la velocidad de procesamiento y el poder analítico de una computadora moderna impulsada por IA le parecería increíble a Turing, él probablemente habría entendido los dilemas éticos presentados por ese nivel de poder. A medida que la IA mejora en entendernos e imitarnos, parece cada vez más humana. Y a medida que generamos cada vez más datos personales a través de canales digitales, necesitamos –cada vez más– poder confiar en las aplicaciones de IA que subyacen a tantas de nuestras actividades diarias. Más abajo se muestran algunos ejemplos de desafíos éticos que los líderes de negocio deben conocer y monitorear.

Uso ético de los datos del cliente

En la década de 2020, la mayor parte de la información que compartimos y recopilamos como empresas o individuos va través de canales conectados digitalmente. A principios de 2020, había más de 3.500 millones de teléfonos inteligentes en el mundo, todos compartiendo enormes cantidades de datos –desde su ubicación por GPS hasta los detalles y preferencias personales de sus usuarios, a través de redes sociales y comportamientos de búsqueda–. A medida que las empresas obtienen un acceso más amplio a la información personal de sus clientes, resulta extremadamente importante establecer benchmarks y protocolos siempre en desarrollo para proteger la privacidad y minimizar el riesgo.

Sesgo de la IA

El sesgo puede infiltrarse en un sistema de IA debido al sesgo humano en la programación de sus algoritmos o a través de prejuicios sistémicos que pueden propagarse mediante supuestos defectuosos en el proceso de machine learning. En el primer caso, es más obvio ver cómo podría ocurrir esto. Pero en el segundo caso, puede ser más difícil de detectar y evitar. Un bien conocido ejemplo de sesgo de IA ocurrió dentro del sistema de salud de Estados Unidos, donde las aplicaciones de IA estaban siendo usadas para asignar estándares de cuidado. El algoritmo aprendió que ciertos grupos demográficos eran menos capaces de pagar por la atención. Luego extrapoló esa información para correlacionar erróneamente a ese grupo con uno con menos derecho a la atención. Después de descubrir este desafortunado error, los científicos informáticos de UC Berkeley trabajaron con los desarrolladores para modificar las variables algorítmicas, reduciendo así el sesgo en un 84%.

Transparencia de la IA e IA explicable

La transparencia en IA es la capacidad de determinar cómo y por qué un algoritmo llegó a una conclusión o decisión en particular. Los algoritmos de IA y machine learning que fundamentan los resultados y los resultados en sí a menudo son tan complejos que van más allá del entendimiento humano. Tales algoritmos se conocen como modelos de «caja negra». En los negocios, es importante garantizar que los modelos de datos sean justos, imparciales y puedan explicarse y examinarse externamente. Especialmente en áreas como la aviación o la medicina, están en juego vidas humanas. Por lo tanto, es vital que las personas que usan estos datos se tomen muy en serio las iniciativas de control de datos.

Deepfakes y fake news

«Deepfake» es una combinación de palabras entre «deep learning» y «fake». Es una técnica que usa IA y machine learning para habitualmente superponer la cara de una persona en el cuerpo de otra en un video, con una precisión tal que es indistinguible del original. En su forma inocente, puede resultar en efectos visuales asombrosos como el rejuvenecimiento de 30 años de Robert De Niro y Joe Pesci en la película The Irishman. Desafortunadamente, su uso más común es crear historias creíbles de noticias falsas o poner a las celebridades en videos gráficos o comprometedores en los que nunca aparecieron originalmente.