1.

Hacer una investigación detallada y completa sobre que es la inteligencia artificial y

sus elementos importantes.

¿Qué es la inteligencia artificial o IA?

La inteligencia artificial (IA) es un conjunto de tecnologías que permiten que las

computadoras realicen una variedad de funciones avanzadas, incluida la capacidad de ver,
comprender y traducir lenguaje hablado y escrito, analizar datos, hacer recomendaciones y
mucho más.

La IA es la columna vertebral de la innovación en la computación moderna, lo que genera

valor para las personas y las empresas. Por ejemplo, el reconocimiento óptico de caracteres
(OCR) usa la IA para extraer texto y datos de imágenes y documentos, y convierte el
contenido no estructurado en datos estructurados listos para las empresas, además de
brindar estadísticas valiosas.

¿Todo listo para comenzar? Los clientes nuevos obtienen $300 en créditos gratuitos que
pueden usar en Google Cloud.

Introducción a la IA generativa

Definición de Inteligencia Artificial

La inteligencia artificial es un campo de la ciencia relacionado con la creación de

computadoras y máquinas que pueden razonar, aprender y actuar de una manera que
normalmente requeriría inteligencia humana o que involucra datos cuya escala excede lo
que los humanos pueden analizar.

La IA es un campo amplio que incluye muchas disciplinas, como la informática, el análisis

y la estadística de datos, la ingeniería de hardware y software, la lingüística, la neurociencia
y hasta la filosofía y la psicología.
A nivel operativo para el uso empresarial, la IA es un conjunto de tecnologías que se basan
principalmente en el aprendizaje automático y el aprendizaje profundo, que se usan para el
análisis de datos, la generación de predicciones y previsiones, la categorización de objetos,
el procesamiento de lenguaje natural, las recomendaciones, la recuperación inteligente de
datos y mucho más.

¿Cómo funciona la IA?

Si bien los detalles varían según las diferentes técnicas de IA, el principio central gira en
torno a los datos. Los sistemas de IA aprenden y mejoran a través de la exposición a
grandes cantidades de datos, lo que permite identificar patrones y relaciones que las
personas pueden pasar por alto.

Este proceso de aprendizaje suele implicar algoritmos, que son conjuntos de reglas o
instrucciones que guían el análisis y la toma de decisiones de la IA. En el aprendizaje
automático, un subconjunto popular de la IA, los algoritmos se entrenan con datos
etiquetados o no etiquetados para hacer predicciones o categorizar información.

El aprendizaje profundo, una especialización adicional, utiliza redes neuronales artificiales

con varias capas para procesar información, imitando la estructura y la función del cerebro
humano. A través del aprendizaje y la adaptación continuos, los sistemas de IA se vuelven
cada vez más hábiles en la realización de tareas específicas, desde el reconocimiento de
imágenes hasta la traducción de idiomas y más.

¿Quieres aprender a usar la IA? Realiza el curso para principiantes gratuito Introduction to
Generative AI.

Tipos de inteligencia artificial

La inteligencia artificial se puede organizar de varias maneras, según las etapas de
desarrollo o las acciones que se están realizando.

Por ejemplo, se suelen reconocer cuatro etapas de desarrollo de la IA.

1. Máquinas reactivas: IA limitada que solo reacciona a diferentes tipos de estímulos

basados en reglas preprogramadas. No usa memoria y, por lo tanto, no puede
 aprender con datos nuevos. Deep Blue de IBM, que venció al campeón de ajedrez
Garry Kasparov en 1997, fue un ejemplo de una máquina reactiva.
2. Memoria limitada: Se considera que la mayor parte de la IA moderna es de
memoria limitada. Puede usar la memoria para mejorar con el tiempo mediante el
entrenamiento con datos nuevos, por lo general, a través de una red neuronal
artificial o algún otro modelo de entrenamiento. El aprendizaje profundo, un
subconjunto del aprendizaje automático, se considera inteligencia artificial con
memoria limitada.
3. Teoría de la mente: En la actualidad no existe IA con teoría de la mente, pero se
están investigando distintas posibilidades. El término hace referencia a la IA que
puede emular la mente humana y tiene capacidades de toma de decisiones similares
a las de un ser humano, lo cual incluye reconocer y recordar emociones, y
reaccionar en situaciones sociales como lo haría un ser humano.
4. Autoconocimiento: Un paso más allá de la IA con teoría de la mente, el concepto
de IA con autoconocimiento describe una máquina mítica que tiene conocimiento
de su propia existencia y tiene las capacidades intelectuales y emocionales de un ser
humano. Al igual que la IA con teoría de la mente, la IA con autoconciencia no
existe en la actualidad.

Una forma más útil de categorizar ampliamente los tipos de inteligencia artificial es según
lo que puede hacer la máquina. Todo lo que llamamos inteligencia artificial actualmente se
considera inteligencia “estrecha” porque solo puede realizar un conjunto reducido de
acciones en función de su programación y entrenamiento. Por ejemplo, un algoritmo de IA
que se use para la clasificación de objetos no podrá realizar procesamiento de lenguaje
natural. La Búsqueda de Google es una forma de IA estrecha, al igual que las estadísticas
predictivas o los asistentes virtuales.

La inteligencia artificial general (AGI) sería la capacidad de una máquina de "sentir, pensar
y actuar" como lo haría una persona. La AGI no existe actualmente. El siguiente nivel sería
la superinteligencia artificial (ASI), en la que la máquina podría funcionar de manera
superior a la humana en todo aspecto.
Modelos de entrenamiento de inteligencia artificial
Cuando las empresas hablan de IA, suelen hablar de "datos de entrenamiento". Pero ¿qué
significa eso? Recuerda que la inteligencia artificial con memoria limitada es una IA que
mejora con el tiempo, ya que se entrena con datos nuevos. El aprendizaje automático es
un subconjunto de la inteligencia artificial que usa algoritmos para entrenar datos y obtener
resultados.

A grandes rasgos, suelen usarse tres tipos de modelos de aprendizaje en el aprendizaje

automático:

El aprendizaje supervisado es un modelo de aprendizaje automático que asigna una

entrada específica a un resultado mediante datos de entrenamiento etiquetados (datos
estructurados). En términos simples, para entrenar un algoritmo que reconozca imágenes de
gatos, se lo alimenta con imágenes etiquetadas como gatos.

El aprendizaje no supervisado es un modelo de aprendizaje automático que aprende

patrones en función de datos no etiquetados (datos no estructurados). A diferencia del
aprendizaje supervisado, el resultado final no se conoce con anticipación. En cambio, el
algoritmo aprende de los datos y los clasifica en grupos en función de diversos atributos.
Por ejemplo, el aprendizaje no supervisado es bueno para identificar patrones y realizar
modelado descriptivo.

Además del aprendizaje supervisado y no supervisado, suele emplearse un enfoque mixto

llamado aprendizaje semisupervisado, en el que solo se etiquetan algunos de los datos. En
el aprendizaje semisupervisado, se conoce un resultado final, pero el algoritmo debe
determinar cómo organizar y estructurar los datos para lograr los resultados deseados.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede

describir en términos generales como “aprender haciendo”. Un "agente" aprende a realizar
una tarea definida mediante prueba y error (un bucle de reacción) hasta que su rendimiento
está dentro de un rango deseado. El agente recibe un refuerzo positivo cuando realiza la
tarea de forma correcta y un refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo
de aprendizaje por refuerzo sería enseñarle a una mano robótica a recoger una pelota.

Tipos comunes de redes neuronales artificiales

Un tipo común de modelo de entrenamiento en la IA es una red neuronal artificial, que se
basa a grandes rasgos en el cerebro humano.

Una red neuronal es un sistema de neuronas artificiales (a veces llamadas perceptrones),

que son nodos de procesamiento que se usan para clasificar y analizar datos. Los datos se
ingresan en la primera capa de una red neuronal, y cada perceptrón toma una decisión y,
luego, pasa esa información a varios nodos de la siguiente capa. Los modelos de
entrenamiento con más de tres capas se denominan "redes neuronales profundas" o
"aprendizaje profundo". Algunas redes neuronales modernas tienen cientos o miles de
capas. La salida de los perceptrones finales permite realizar la tarea impuesta a la red
neuronal, como clasificar un objeto o encontrar patrones en los datos.

Estos son algunos de los tipos más comunes de redes neuronales artificiales que puedes
encontrar:

Las redes neuronales prealimentadas (FF) son una de las formas más antiguas de redes
neuronales, ya que los datos fluyen en una dirección a través de capas de neuronas
artificiales hasta que se obtiene el resultado. En la actualidad, la mayoría de las redes
neuronales prealimentadas se consideran "prealimentadas profundas" con varias capas (y
más de una capa "oculta"). Las redes neuronales prealimentadas suelen vincularse a un
algoritmo de corrección de errores llamado "propagación inversa" que, en términos
simples, comienza con el resultado de la red neuronal y realiza el proceso en sentido
inverso para llegar al principio, detectando errores para mejorar la exactitud de la red
neuronal. Muchas redes neuronales simples, pero potentes, son prealimentadas profundas.

Las redes neuronales recurrentes (RNN) difieren de las redes neuronales prealimentadas
en que suelen usar datos de series temporales o datos que involucran secuencias. A
diferencia de las redes neuronales prealimentadas, que usan ponderaciones en cada nodo de
la red, las redes neuronales recurrentes tienen “memoria” de lo que sucedió en la capa
anterior como contingente a la salida de la capa actual. Por ejemplo, cuando se realiza
procesamiento de lenguaje natural, las RNN pueden “tener en cuenta” otras palabras usadas
en una oración. Las RNN a menudo se usan para el reconocimiento de voz, la traducción y
la generación de descripciones de imágenes.

La memoria a largo/corto plazo (LSTM) es una forma avanzada de RNN que puede usar
memoria para "recordar" lo que sucedió en capas anteriores. La diferencia entre las RNN y
las LTSM es que estas últimas pueden recordar lo que sucedió hace varias capas mediante
el uso de "celdas de memoria". La LSTM suele usarse para el reconocimiento de voz y la
realización de predicciones.

Las redes neuronales convolucionales (CNN) incluyen algunas de las redes neuronales
más comunes en la inteligencia artificial moderna. Las CNN suelen usarse en el
reconocimiento de imágenes y emplean varias capas distintas (una capa convolucional y,
luego, una capa de agrupación) que filtran diferentes partes de una imagen antes de volver a
unirla (en la capa completamente conectada). Es posible que las capas convolucionales
anteriores busquen características simples de una imagen, como colores y bordes, antes de
buscar características más complejas en capas adicionales.

En las redes generativas adversarias (GAN), se usan dos redes neuronales que compiten
entre sí en un juego que, en última instancia, mejora la exactitud del resultado. Una red (el
generador) crea ejemplos que la otra red (el discriminante) juzga como verdaderos o falsos.
Las GAN se han usado para crear imágenes realistas y hasta hacer arte.