¿Qué es la Inteligencia Artificial (Artificial Intelligence)?

Continuo con las reflexiones sobre cómo influye la IA en la educación que comencé en mi anterior post: La inteligencia artificial (IA) y el futuro de la educación.

Términos como inteligencia artificial, machine learning (aprendizaje automático) y deep learning (aprendizaje profundo) resuenan en diferentes ámbitos, tanto empresariales, formativos, políticos, y de salud, entre otros.

¿Qué significan cada uno de estos términos? ¿Qué relación podemos encontrar entre ellos? ¿Cuál es la aplicación específica en el campo educativo?

En general, son técnicas y sistemas informáticos que permiten que un computador realice tareas que normalmente requieren inteligencia humana.

Todo comienza con un algoritmo
Un algoritmo es “un conjunto de instrucciones informáticas diseñadas para realizar una tarea específica” (Techterms)

El aprendizaje automático y el aprendizaje profundo son subconjuntos y aplicaciones de la inteligencia artificial.

Bueno, comencemos desde el principio...

Aprendizaje Automático (Machine Learning)

El Machine Learning extrae conocimiento a través de la experiencia supervisada. El algoritmo es "entrenado" por un operador humano, que le proporciona grandes cantidades de datos.

Machine Learning permite que el computador reconozca objetos específicos en imágenes o videos. La recolección de miles o millones de imágenes es etiquetada por el operador. Por ejemplo, imágenes en las que aparecen gatos. El algoritmo construye un modelo que etiqueta las imágenes que contengan gatos, tal como lo hace un ser humano. Cuando el nivel de precisión alcanzado es alto, el computador "aprendió" cómo reconocer un gato en imágenes y videos.
Con base al conjunto de datos (imágenes de gatos), los algoritmos hacen sus propias inferencias sobre imágenes semejantes y así poder identificar otros tipos de gatos diferenciandolos por ejemplo de un perro.
Las cámaras con reconocimiento facial y el etiquetados de las imágenes que subimos en Facebook utilizan está tecnología.

El Aprendizaje Automático presenta ciertos problemas: El "entrenamiento" consume mucho tiempo. Además, no constituye una verdadera medida de inteligencia de la máquina ya que su "aprendizaje" se apoya en las abstracciones propuestas por el operador humano.

Aprendizaje Profundo (Deep Learning)

El aprendizaje profundo es una evolución del aprendizaje automático que crea modelos jerárquicos cada vez más complejos destinados a imitar los procesos de pensamiento en el cerebro humano.
A diferencia de lo que ocurre con el Aprendizaje Automático, el Aprendizaje Profundo está menos sometido a supervisión.

El Aprendizaje Profundo explora el uso de redes neuronales artificiales, una forma de algoritmo inspirado en la estructura y función del cerebro humano.

Una red neuronal es “adiestrada” o alimentada con grandes cantidades de datos y reglas acerca de las relaciones entre los datos (por ejemplo, “un abuelo es más viejo que el padre de una persona”).

Las redes neuronales artificiales (ANN) constan de capas (o niveles) organizadas jerárquicamente. Las primeras capas son responsables del reconocimiento de detalles específicos, mientras que las capas más profundas detectan y reconocen patrones más abstractos.

Una red neuronal incluye habitualmente un gran número de procesadores en paralelo. Cada uno de ellos especializado en una reducida área de conocimiento y asociado a los datos almacenados en su memoria local.

Por la estructura de la red neuronal artificial, el aprendizaje profundo tiene la capacidad para identificar patrones en datos no estructurados, como imágenes, sonido, vídeo y texto. El aprendizaje profundo transforma sectores, como la atención sanitaria, la energía, las finanzas y el transporte.

El aprendizaje profundo está también vinculado a la construcción de automóviles sin conductor, análisis masivo de datos, sistemas informáticos que se adapten a la experiencia, sin depender de un programador humano, descubrimientos de medicamentos, desarrollo de nuevos materiales, robots con un mayor nivel de consciencia acerca del entorno que los rodea.

Red Neuronal

El aprendizaje profundo utiliza redes neuronales profundas. Una Red Neuronal consta de capas con neuronas. La "profundidad" de la red está definida por el número de capas y neuronas inter-conectadas: capa de entrada (Input Layer), capas ocultas y capa de Salida (Output Layer). El número de capas ocultas y la cantidad de neuronas de cada capa dependen de la complejidad del problema que la red deba resolver.

La capa de entrada recibe los datos de entrada.
Las capas ocultas realizarán cálculos matemáticos con los datos de entrada. Por ejemplo, en un reconocimiento de edificios, una capa se especializa en reconocer bordes, otra en el reconocimiento de colores y texturas, otra en estilos arquitectónicos, etc.

La capa de salida entrega una determinada predicción.
La predicción es el resultado final de los datos de entrada multiplicados por el "peso" asociado a cada conexión y una Función de Activación de cada neurona. Los valores iniciales de peso pueden asignarse aleatoriamente o determinados por la "experiencia" adquirida por la propia red.

Gracias a esta estructura, una red puede aprender a través de la experiencia adquirida por el propio procesamiento de datos.

Entrenamiento de la Red Neuronal

Para entrenando la Red Neuronal se requiere una gran cantidad de Datos de Entrada y una gran capacdad de cálculo computacional.

En un próximo post describiré ejemplos en la web para que ejercites con diferentes algoritmos de IA disponibles en la web.

¡Estás bienvenido a escribir tus comentarios y opinión!