Inteligencia Artificial: Evolución, Mitos y Desafíos Actuales

1. Introducción a la Inteligencia Artificial

1.1. Definición y Evolución

1.1.1. Definición de Inteligencia Artificial

1.1.1.1. Se define como la disciplina científica y tecnológica enfocada en crear procesos mentales y su conexión con el cuerpo utilizando la metáfora computacional.

1.1.1.2. Se origina en la psicología cognitiva, que sostiene que el cerebro humano funciona como un sistema de procesamiento de datos similar a una computadora digital.

1.1.1.3. También se utiliza en la neurociencia y la neurofilosofía.

1.1.2. Historia y Pioneros

1.1.2.1. John McCarthy

1.1.2.1.1. Prominente informático estadounidense, introdujo el término «inteligencia artificial» y realizó importantes contribuciones.

1.1.2.2. Alan Turing

1.1.2.2.1. Considerado el padre de la IA.

1.1.2.2.2. Famoso por descifrar el código nazi durante la Segunda Guerra Mundial.

1.1.2.2.3. En 1950, planteó la pregunta: «¿Pueden las máquinas pensar?» en su artículo «Computing machinery and intelligence».

1.2. El Test de Turing

1.2.1. Descripción del Test

1.2.1.1. Un interrogador humano interactúa con dos participantes: A (ordenador) y B (ser humano).

1.2.1.2. Si el interrogador no puede determinar quién es el ordenador, se considera que el ordenador ha pasado la prueba.

1.2.1.3. Objetivo: demostrar que un ente es inteligente si no es posible distinguirlo de otro ente inteligente observando su comportamiento.

1.2.2. Críticas al Test de Turing

1.2.2.1. Mide si el ordenador se comporta como un ser humano, no si es inteligente.

1.2.2.2. Ejemplo de Eugene Goostman.

1.2.2.3. Limitaciones en la evaluación de la inteligencia real.

1.3. La Habitación China

1.3.1. Descripción del Experimento Mental de John Searle

1.3.1.1. Una persona que no conoce chino está en una habitación recibiendo notas en chino.

1.3.1.2. Utiliza un manual para responder, sin entender el idioma.

1.3.1.3. La persona de afuera cree estar conversando con alguien que habla chino.

1.3.2. Argumento de Searle

1.3.2.1. Simular comportamiento inteligente no implica inteligencia real.

1.3.2.2. Aplicación del argumento a sistemas de inteligencia artificial.

1.3.2.3. Distinción entre comportamiento inteligente y verdadera inteligencia.

2. Disciplinas de la Inteligencia Artificial

2.1. Aprendizaje Automático (Machine Learning)

2.1.1. Definición

2.1.1.1. Técnica analítica para resolver problemas complejos mediante la identificación, clasificación o predicción de datos.

2.1.1.2. Algoritmos que aprenden de los datos introducidos y sacan conclusiones de nuevos datos.

2.1.2. Importancia y Aplicaciones

2.1.2.1. Ámbitos: ciencia, medicina, comercio, finanzas.

2.1.2.2. Diferencia entre Machine Learning e Inteligencia Artificial.

2.2. Aprendizaje Profundo (Deep Learning)

2.2.1. Definición

2.2.1.1. Subcampo del Machine Learning.

2.2.1.2. Complejidad de los modelos matemáticos.

2.3. Ciencia de los Datos

2.3.1. Relación con la IA

2.3.1.1. Incluye Machine Learning y estadística.

2.3.1.2. IA como componente importante en la ciencia de datos.

2.4. Robótica

2.4.1. Descripción

2.4.1.1. Construcción y programación de robots para operar en situaciones complejas.

2.4.1.2. Combina varias áreas de la IA.

2.4.2. Aplicación de Machine Learning en robótica.

2.5. Clasificación Jerárquica de Términos

• 2.5.1. Informática (A)
• 2.5.2. Inteligencia Artificial (B)
• 2.5.3. Machine Learning (C)
• 2.5.4. Deep Learning (D)
• 2.5.5. Ciencia de los datos (E)

3. Mitos de la Inteligencia Artificial

3.1. Mito 1: Máquinas con conciencia propia en poco tiempo.

3.1.1. Realidad: conocimiento limitado de la neurociencia detrás de la conciencia.

3.2. Mito 2: La IA destruirá la mayoría de los trabajos y la economía humana.

3.2.1. Realidad: la IA crea nuevos trabajos y oportunidades.

3.3. Mito 3: La IA amenaza nuestra capacidad para hacer ciertas tareas.

3.3.1. Realidad: la tecnología mejora nuestra eficiencia y productividad.

3.4. Mito 4: Los avances en IA se sucederán de forma rápida y sin límites.

3.4.1. Realidad: el progreso tecnológico es lento y complejo.

3.5. Mito 5: Los robots superarán a los humanos y nos dominarán.

3.5.1. Realidad: aún estamos lejos de alcanzar niveles humanos en términos de conciencia y sensibilidad.

4. Los Datos: el Motor de la Inteligencia Artificial

4.1. Importancia de la Calidad de los Datos

4.1.1. Problemas comunes: datos no depurados.

4.1.2. Proceso de acceso, preparación y unificación de datos.

4.2. Fases de Desarrollo y Despliegue de Aplicaciones de IA

4.2.1. Creación del modelo de aplicación de IA.

4.2.2. Implementación en la empresa.

4.3. La Paradoja de Moravec

4.3.1. Dificultad de enseñar habilidades humanas ordinarias.

4.3.2. Paradoja: fácil para los ordenadores mostrar habilidades similares a las de un adulto, difícil adquirir habilidades perceptivas y motoras de un niño.

4.4. La Paradoja de Simpson

4.4.1. Descripción

4.4.1.1. Tendencia observada en varios grupos de datos desaparece al combinarlos.

4.4.2. Ejemplos

4.4.2.1. Relación entre concentración de partículas en el aire y mortalidad diaria.

4.4.2.2. Discriminación por género en la Universidad de Berkeley en 1973.

5. Amenazas, Retos y Limitaciones de la IA

5.1. Desafíos para las Organizaciones

5.1.1. Obtención de conjuntos de datos masivos útiles.

5.1.2. Data labeling (etiquetado).

5.1.3. Explicación de resultados: la inteligencia artificial explicable (XAI).

5.1.4. Desarrollo de una ética de la IA.

5.1.5. Generalización del aprendizaje.

5.1.6. Sesgo en los datos y en los algoritmos.

5.1.7. Disponibilidad de talento para el análisis de datos.

5.2. Consideración de Amenazas y Responsabilidades

5.2.1. Uso de la IA en bancos y redes sociales.

5.2.2. Sistemas de reconocimiento facial. 5.2.3. Ejemplo de tecnología «deepfake».