La Inteligencia Artificial (IA) es una tecnología revolucionaria que está transformando nuestra forma de vivir y trabajar. En esencia, la IA permite a las máquinas aprender de la experiencia, ajustarse a nuevas situaciones y realizar tareas que tradicionalmente requerían inteligencia humana. Pese a que hoy en día la IA sigue siendo un campo de investigación muy activo, existen muchas aplicaciones en las que ya se está usando, como por ejemplo la conducción autónoma, asistentes virtuales o sistemas de diagnóstico médico.

Lo quieras o no, la IA está influyendo en tu día a día, recomendándote productos para comprar en Amazon o videos que ver en Youtube. Además, su desarrollo es muy rápido y el alcance que tendrá en el futuro cercano será todavía mayor. Es por ello que creo que es muy importante que todos sepamos qué es la IA, cómo funciona e incluso cómo podemos aprender a usarla (y desarrollarla) para beneficiarnos de ella y no terminar siendo sus esclavos.

Tipos de inteligencia artificial

La primera distinción que debemos hacer es entre Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL):

• IA: Es la inteligencia artificial en su sentido más amplio. Se encarga de cualquier tipo de tarea que pueda ser llevada a cabo por una máquina. Este campo se remonta a los años 50, y ejemplos de algoritmos IA son los sistemas expertos o IA simbólica.
• ML: Es una técnica de IA que se centra en la capacidad de los algoritmos para aprender a partir de datos de ejemplo. Aparece a finales de los 80 y principios de los 90, y ejemplos de algoritmos de ML son los árboles de decisión, regresiones lineales, máquinas de vectores soporte, etc.
• DL: Es una técnica de ML que se centra en la capacidad de los algoritmos para aprender de los datos de manera más eficiente, principalmente a través de redes neuronales artificiales, y que ha dominado el campo de la IA en los últimos años gracias a la disponibilidad de grandes cantidades de datos, el desarrollo de algoritmos de aprendizaje más eficientes y la aparición de hardware con mayor capacidad de cálculo (GPUs), entre otros factores.

En segundo lugar, podemos diferenciar entre tipos de IA en función de cómo aprenden:

• IA de Aprendizaje Supervisado: Aprende de datos etiquetados para hacer predicciones. Es el método más común en la actualidad para el desarrollo de aplicaciones de IA "estrecha" o "débil", lo que significa que suelen ser capaces de llevar a cabo tareas específicas para las que han sido entrenadas, a veces incluso mejor de lo que un humano podría hacer, pero que no son capaces de generalizar a otras tareas (por ejemplo, una IA para jugar ajedrez puede ser capaz de vencer a la mayoría de los humanos, pero no es capaz de jugar a cualquier juego).
• IA de Aprendizaje No Supervisado: En este caso no es necesario disponer de datos etiquetados (lo cual puede ser costoso o incluso imposible en ciertas aplicaciones) sino que el algoritmo debe encontrar patrones en los datos por sí mismo. Este tipo de IA suele ser más "fuerte" o "general" ya que es capaz de generalizar a nuevas tareas a las que no ha sido entrenada. Esta es la manera en la que los modelos de IA más potentes, como GPT-4, se entrenan (al menos en parte).
• IA de Aprendizaje por Refuerzo: En este caso los algoritmos aprenden a través de su interacción con un entorno (normalmente simulado) mediante prueba y error. De la misma manera que se podría entrenar a un perro, un algoritmo de IA de aprendizaje por refuerzo puede ser capaz de descubrir por sí mismo cuales son las mejores acciones a realizar en una situación concreta con el objetivo de maximizar una recompensa.

Si bien tradicionalmente se ha hecho esta distinción en función de cómo aprenden los algoritmos, en la actualidad los modelos más potentes se obtienen combinando las tres técnicas anteriores. En primer lugar, modelos como GPT-4 y similares se entrenan de manera no supervisada con ingentes cantidades de datos, y posteriormente se refina de manera supervisada para ajustar los resultados a las necesidades de cada aplicación. Por último, el uso de aprendizaje por refuerzo da lugar a los modelos finales que se usan en aplicaciones como ChatGPT.

Ejemplos de uso de la Inteligencia Artificial

Hoy en día, la IA se utiliza en una amplia variedad de aplicaciones que están transformando industrias enteras. Veamos algunos de los ejemplos más relevantes:

• Generación de Contenido y Creatividad: Modelos como GPT-4 pueden escribir artículos, código, poesía y guiones que rivalizan con el contenido humano. Estos modelos entienden el contexto y pueden mantener coherencia a lo largo de textos extensos. Herramientas como DALL-E 2, Midjourney y Stable Diffusion pueden crear imágenes impresionantes a partir de descripciones textuales, revolucionando el mundo del diseño y el arte digital. Las IA pueden componer música original en diversos estilos, crear arreglos y hasta imitar el estilo de compositores famosos.
• Transporte y Movilidad: Empresas como Tesla y Waymo utilizan IA avanzada para detectar objetos y peatones en tiempo real, predecir el comportamiento de otros vehículos, planificar rutas óptimas y tomar decisiones de conducción en milisegundos.
• Medicina y Salud: Las IA pueden detectar tumores en radiografías y resonancias magnéticas, identificar patologías en retinografías y analizar mamografías para la detección temprana del cáncer. La IA acelera el descubrimiento de nuevos medicamentos prediciendo interacciones moleculares. También permite el análisis de datos genéticos para tratamientos individualizados.
• Comercio y Marketing: Sistemas de recomendación utilizados por Amazon para sugerir productos, Netflix para recomendar contenido y Spotify para crear listas de reproducción personalizadas. Chatbots y asistentes virtuales que pueden resolver dudas comunes, procesar reclamaciones y gestionar reservas y pedidos.
• Industria y Manufactura: Sistemas de visión artificial que detectan defectos en productos, IA que anticipa fallos en maquinaria industrial y algoritmos que mejoran la eficiencia en líneas de producción.
• Educación: Sistemas que adaptan el contenido al ritmo de cada estudiante, IA que puede calificar ensayos y ejercicios, y asistentes que responden dudas y guían el aprendizaje.

Para una lista exhaustiva de ejemplos de aplicaciones, con links a artículos científicos y código de ejemplo, puedes visitar Papers with Code.

¿Cómo funciona la IA?

Para aquellos ajenos al tema, la IA incluye todos aquellos algoritmos que, de alguna manera, son capaces de llevar a cabo tareas normalmente atribuidas a personas o animales y no a máquinas. En un programa tradicional tenemos una serie de reglas bien definidas que el ordenador va ejecutando de manera secuencial para así conseguir su objetivo. Sin embargo, existen problemas para los cuales o bien no conocemos tales reglas o, de hacerlo, necesitaríamos una lista tan larga que no podríamos expresarlas en un programa. Es aquí donde entra en juego la IA ya que en vez de definir estas reglas confiaremos en un algoritmo para que las descubra por sí mismo simplemente dándole ejemplos de lo que queremos hacer (por ejemplo, saber qué hay en una imagen o traducir una frase de un idioma a otro).

La IA no es algo nuevo ya que desde los años 50 existen investigadores intentando desarrollar máquinas capaces de pensar por si mismas. La IA comprende un gran número de técnicas diferentes, todas con este objetivo. Entre estas técnicas la IA simbólica fue la predominante desde los años 50 hasta los años 80, momento en el que llegó a su máximo esplendor gracias a los sistemas expertos. Algunos ejemplos de aplicación de IA simbólica son programas para jugar al ajedrez o intentos primitivos de clasificación de imágenes o traducción de texto. En este tipo de algoritmos el conocimiento es codificado mediante reglas explícitas (lo cual, cómo ya hemos comentado, tiene sus limitaciones). A partir de los 80, sin embargo, un nuevo campo de la IA conocido como Machine Learning (ML) se hizo popular gracias, principalmente, a que es capaz de llevar a cabo tareas solo a partir de ejemplos. Ésto le permite a un algoritmo descubrir sus propias reglas a través del proceso de entrenamiento. Al no tener ningún tipo de conocimiento previo codificado por una persona, los modelos de ML son capaces de encontrar reglas que quizás nunca se nos habrían ocurrido o que ni siquiera tendrían sentido para nosotros. Aún así, estas reglas pueden ser mejores a la hora de llevar a cabo una tarea concreta, y este es el motivo de su desempeño superior. Algunos ejemplos de aplicación que dieron un empuje a este campo son sistemas de recomendación o filtros de spam para e-mail.

Sin embargo, este tipo de algoritmos se encuentran limitados por la manera en la que los datos utilizados durante el entrenamiento son representados. Esto implica que para aquellos casos en los que los datos son complicados, la precisión de estos modelos se ve limitada debido a una representación deficiente. De nuevo, el factor limitante es el humano ya que esta representación es llevada a cabo por expertos en la tarea en cuestión. Si has sido capaz de descubrir el principal patrón en la evolución de la IA podrás sugerir una solución a este problema... De nuevo, la solución consiste en dejar que sea el mismo algoritmo el que descubra por sí mismo la mejor representación de los datos para llevar a cabo la tarea determinada. Es en este punto donde entra el Deep Learning (DL) con modelos que no son solo capaces de descubrir patrones en los datos sino también la mejor representación de los mismos. El DL es el campo de la IA más activo hoy en día, ya que desde principios de los años 2010 está dando muy buenos resultados en aplicaciones que hasta entonces habían estado lejos del alcance del ML.

Son este tipo de algoritmos los que hoy en día son responsables de la percepción en coches autónomos, el reconocimiento de voz en asistentes virtuales o el diagnóstico médico, entre otras aplicaciones.

¿Cómo aprender sobre IA?

Una vez explicado de qué va la película voy a intentar darte los motivos por los que creo que deberías aprender IA.

Pese a que la mayor parte de aplicaciones de IA que vemos hoy en día vienen principalmente del sector tecnológico, la IA tiene el potencial de impactar prácticamente cualquier industria (medicina, automoción, manufactura, turismo... La lista es infinita). Sin embargo, el conocimiento necesario para poder llevar a cabo proyectos de IA de manera efectiva hacen que su uso todavía no sea masivo fuera de aquellos sectores que sí poseen tal experiencia. Este hecho se traduce en que aquellas personas que sean capaces de utilizar herramientas para el desarrollo de proyectos de IA tengan más posibilidades a la hora de encontrar trabajo o trabajos mejor pagados. Por ejemplo, puestos como Data Scientist o Deep Learning Engineer son algunos de los puestos más solicitados hoy en día. Es por este motivo que es importante que el mayor número de personas pueda tener acceso a este conocimiento y experiencia, y ese es el principal objetivo de El Curso de IA. Creo que la verdadera revolución estará en el uso de esta tecnología a menor escala (fábricas, tiendas, hoteles...) pero para ello es necesario que existan los recursos necesarios para aprender sobre IA y que sean accesibles a profesionales tradicionalmente alejados del campo de la programación y que podrían utilizar estas herramientas para mejorar en sus negocios o empresas.

Desde un punto de vista social, opino que conocer cómo funcionan las APPs y gadgets inteligentes que utilizamos a diario (y que sólo hará que aumentar en número en el futuro) te puede ser útil para ser más consciente sobre su uso. Conceptos tales como la privacidad, el sesgo de los algoritmos, responsabilidad ante errores (que en aplicaciones cómo la conducción autónomo o sistemas médicos puede ser fatal) son problemas reales a los que se enfrenta el mundo de la IA y de los cuales debemos ser conscientes tanto desde el punto de vista de desarrolladores como de usuarios.

Si eres una persona que no está en contacto con el mundo de la programación aquí encontrarás recursos que te pueden ayudar a adentrarte en este mundo. Hoy en día existen herramientas que facilitan mucho el desarrollo de modelos de IA y que, con un poco de formación, pueden ser utilizadas fácilmente para implementar soluciones con impacto real.

Por otro lado, si eres un estudiante o desarrollador de software, también encontrarás contenido más avanzado que te permitirá entender cómo funcionan por dentro estos algoritmos y potencialmente desarrollar los tuyos propios. La IA, y en particular el del DL, es uno de los campos más divertidos en los que trabajar hoy en día. La gran cantidad de datos de los que disponemos hoy en día y que se siguen generando a cada minuto permiten el desarrollo de nuevas aplicaciones que hasta ahora no habían sido posibles. Esto le da a la IA un potencial enorme de impacto que otros campos de la ciencia no tienen hoy en día.

Espero en este punto haberte convencido de que adentrarse en el mundo de la IA es una buena decisión (sobre todo si eres un estudiante que está pensando a qué dedicarse en su futuro). Si quieres aprender más sobre IA, considera apuntarte a El Curso de IA, dónde aprenderás todo lo necesario para impulsar tu carrera con esta tecnología 🚀