Las primeras iteraciones de las aplicaciones de Inteligencia Artificial con las que más interactuamos hoy en día se basaban en modelos tradicionales de aprendizaje automático. Estos modelos se basan en algoritmos de aprendizaje desarrollados y mantenidos por científicos de datos. En otras palabras, los modelos tradicionales de aprendizaje automático necesitan la intervención humana para procesar nueva información y realizar cualquier tarea nueva que quede fuera de su formación inicial. Por ejemplo, Apple incorporó Siri a su iOS en 2011. Esta primera versión de Siri fue entrenada para comprender un conjunto de afirmaciones y peticiones muy específicas. Fue necesaria la intervención humana para ampliar la base de conocimientos y la funcionalidad de Siri.
Sin embargo, las capacidades de la IA no han dejado de evolucionar desde el gran avance que supuso el desarrollo de las redes neuronales artificiales en 2012, que permiten a las máquinas participar en el aprendizaje de refuerzo y simular cómo procesa la información el cerebro humano. A diferencia de los modelos básicos de aprendizaje automático, los modelos de aprendizaje profundo permiten a las aplicaciones de IA aprender a realizar nuevas tareas que requieren inteligencia humana, adoptar nuevos comportamientos y tomar decisiones sin intervención humana. Como resultado, el aprendizaje profundo ha permitido la automatización de tareas, la generación de contenidos, el mantenimiento predictivo y otras capacidades en todos los sectores.
Debido al aprendizaje profundo y a otros avances, el campo de la IA permanece en un estado de cambio constante y acelerado. Nuestra comprensión colectiva de la IA realizada y la IA teórica sigue cambiando, lo que significa que las categorías y la terminología de la IA pueden diferir (y solaparse) de una fuente a otra. Sin embargo, los tipos de IA pueden entenderse en gran medida examinando dos categorías que la engloban: Capacidades y funcionalidades de la IA.
Los tres tipos de IA basados en capacidades
1. Inteligencia Artificial Estrecha
La Inteligencia Artificial Estrecha, también conocida como IA Débil, a la que nos referimos como IA Estrecha, es el único tipo de IA que existe en la actualidad. Cualquier otra forma de IA es teórica. Se puede entrenar para realizar una tarea única o limitada, a menudo mucho más rápido y mejor que una mente humana. Sin embargo, no puede actuar fuera de la tarea definida. En cambio, se centra en un único subconjunto de capacidades cognitivas y avanza en ese espectro. Siri, Alexa de Amazon e IBM Watson son ejemplos de IA estrecha. Incluso ChatGPT de OpenAI se considera una forma de Narrow AI porque se limita a la única tarea de chat basado en texto.
2. IA general
La Inteligencia Artificial General (IAG), también conocida como IA Fuerte, no es hoy más que un concepto teórico. La AGI puede utilizar aprendizajes y habilidades previos para realizar nuevas tareas en un contexto diferente sin necesidad de que los seres humanos entrenen los modelos subyacentes. Esta capacidad permite a la AGI aprender y realizar cualquier tarea intelectual que pueda realizar un ser humano.
3. Super IA
La superinteligencia artificial es, al igual que la inteligencia artificial, un concepto estrictamente teórico. Si algún día se hace realidad, la super IA pensaría, razonaría, aprendería, emitiría juicios y poseería capacidades cognitivas que superarían a las de los seres humanos. Las aplicaciones que posean capacidades de Super IA habrán evolucionado más allá del punto de comprender los sentimientos y experiencias humanas para sentir emociones, tener necesidades y poseer creencias y deseos propios.
Vea también: El 88% de las empresas ya usan IA en sus campañas de marketing y el 54% planea gastar aún más
Los cuatro tipos de Inteligencia Artificial basados en funcionalidades
Debajo de la IA estrecha, uno de los tres tipos basados en capacidades, hay dos categorías de IA funcional:
1. IA de máquina reactiva
Las máquinas reactivas son sistemas de IA sin memoria diseñados para realizar una tarea muy específica. Como no pueden recordar resultados o decisiones anteriores, sólo trabajan con los datos disponibles en ese momento. La IA reactiva se basa en la matemática estadística y puede analizar grandes cantidades de datos para producir un resultado aparentemente inteligente.
Ejemplos de IA Artificial Reactiva
- IBM Deep Blue: El superordenador de ajedrez de IBM venció al gran maestro Garry Kasparov a finales de los 90 analizando las piezas del tablero y prediciendo los resultados probables de cada movimiento.
- El motor de recomendaciones de Netflix: Las recomendaciones de visionado de Netflix se basan en modelos que procesan conjuntos de datos recopilados a partir del historial de visionado para ofrecer a los clientes los contenidos que tienen más probabilidades de disfrutar
2. IA de memoria limitada
A diferencia de la IA de máquina reactiva, esta forma de IA puede recordar acontecimientos y resultados pasados y supervisar objetos o situaciones específicos a lo largo del tiempo. La IA de memoria limitada puede utilizar datos del pasado y del presente para decidir el curso de acción que tiene más probabilidades de ayudar a conseguir un resultado deseado. Sin embargo, aunque la IA de memoria limitada puede utilizar datos pasados durante un periodo de tiempo específico, no puede retener esos datos en una biblioteca de experiencias pasadas para utilizarlos a largo plazo. A medida que se entrena con más datos, la IA de memoria limitada puede mejorar su rendimiento.
Ejemplos de IA de memoria limitada
- IA generativa: herramientas de IA generativa como ChatGPT, Bard y DeepAI se basan en capacidades de IA de memoria limitada para predecir la siguiente palabra, frase o elemento visual dentro del contenido que está generando.
- Asistentes virtuales y chatbots: Siri, Alexa, Google Assistant, Cortana e IBM Watson Assistant combinan el procesamiento del lenguaje natural (NLP) y la IA de memoria limitada para comprender preguntas y peticiones, realizar las acciones adecuadas y redactar respuestas
- Coches autónomos: Los vehículos autónomos utilizan IA de Memoria Limitada para comprender el mundo que les rodea en tiempo real y tomar decisiones informadas sobre cuándo aplicar velocidad, frenar, hacer un giro, etc.
3. IA de teoría de la mente
La IA basada en la teoría de la mente es una clase funcional de IA que se encuentra por debajo de la IA general. Aunque se trata de una forma de IA no realizada en la actualidad, la IA con funcionalidad de Teoría de la Mente comprendería los pensamientos y emociones de otras entidades. Esta comprensión puede afectar al modo en que la IA interactúa con quienes la rodean. En teoría, esto permitiría a la IA simular relaciones similares a las humanas. Dado que la IA con Teoría de la Mente podría inferir motivos y razonamientos humanos, personalizaría sus interacciones con los individuos en función de sus necesidades emocionales e intenciones únicas. La IA basada en la teoría de la mente también sería capaz de comprender y contextualizar obras de arte y ensayos, algo que las actuales herramientas de IA generativa no pueden hacer.
Emotion AI es una IA de teoría de la mente actualmente en desarrollo. Los investigadores esperan que sea capaz de analizar voces, imágenes y otros tipos de datos para reconocer, simular, controlar y responder adecuadamente a los seres humanos en el plano emocional. Hasta la fecha, la IA de las emociones es incapaz de comprender y responder a los sentimientos humanos.
4. IA consciente de sí misma
La IA consciente de sí misma es una clase de IA funcional para aplicaciones que posean capacidades de super IA. Al igual que la IA basada en la teoría de la mente, la IA consciente de sí misma es estrictamente teórica. Si alguna vez se consigue, tendría la capacidad de comprender sus propias condiciones y rasgos internos junto con las emociones y pensamientos humanos. También tendría su propio conjunto de emociones, necesidades y creencias.
La IA de las emociones es una IA de teoría de la mente actualmente en desarrollo. Los investigadores esperan que sea capaz de analizar voces, imágenes y otros tipos de datos para reconocer, simular, controlar y responder adecuadamente a los seres humanos a nivel emocional. Hasta la fecha, la IA de las emociones es incapaz de comprender y responder a los sentimientos humanos.
Otras capacidades y aplicaciones prácticas de las tecnologías de IA
Visión por ordenador
Las aplicaciones de IA con visión por ordenador pueden entrenarse para interpretar y analizar el mundo visual. Esto permite a las máquinas inteligentes identificar y clasificar objetos dentro de imágenes y secuencias de vídeo.
Entre las aplicaciones de la visión por ordenador se incluyen
- Reconocimiento y clasificación de imágenes
- Detección de objetos
- Seguimiento de objetos
- Reconocimiento facial
- Recuperación de imágenes basada en el contenido
La visión por ordenador es fundamental para los casos de uso en los que las máquinas de IA interactúan y recorren el mundo físico que las rodea. Algunos ejemplos son los coches autónomos y las máquinas que navegan por almacenes y otros entornos.
Robótica
Los robots industriales pueden utilizar Narrow AI para realizar tareas rutinarias y repetitivas de manipulación de materiales, ensamblaje e inspecciones de calidad. En sanidad, los robots equipados con Narrow AI pueden ayudar a los cirujanos a controlar las constantes vitales y detectar posibles problemas durante las intervenciones. Las máquinas agrícolas pueden realizar tareas autónomas de poda, traslado, aclareo, siembra y pulverización. Y los dispositivos domésticos inteligentes, como el iRobot Roomba, pueden navegar por el interior de una casa mediante visión por ordenador y utilizar los datos almacenados en la memoria para comprender su progreso.
Sistemas expertos
Los sistemas expertos equipados con capacidades de Narrow AI pueden entrenarse en un corpus para emular el proceso humano de toma de decisiones y aplicar la experiencia para resolver problemas complejos. Estos sistemas pueden evaluar grandes cantidades de datos para descubrir tendencias y patrones que permitan tomar decisiones. También pueden ayudar a las empresas a predecir acontecimientos futuros y entender por qué ocurrieron los pasados.
