¿Imaginas que un ordenador le gane la partida
al mejor contrincante del juego de mesa más difícil del mundo?
Es un hecho, gracias a la Inteligencia Artificial.

Conoce todo acerca de la tecnología que ha saltado de las pantallas de la ciencia ficción para convertirse en una realidad que está dominando la Cuarta Revolución Industrial, la Inteligencia Artificial. 

¿Qué es Inteligencia Artificial?

La Inteligencia Artificial (IA) es una rama de la informática que describe la investigación y el desarrollo del comportamiento inteligente humano simulado en las máquinas. Esto implica la investigación de métodos que permitan alcanzar tal nivel y trabajar de manera independiente en caso de presentarse problemas.

Según nuestro Data Scientist en GoToDigital, José Luis Paredes, lA es la creación de un dispositivo, algoritmo, o desarrollo que reemplace al ser humano emulando sus funciones cognitivas. En otras palabras, IA le confiere a una máquina el poder de cumplir funciones antes hechas solo por humanos, y más aún, la capacidad de superarlas.

Por ejemplo, funciones como encender o apagar las luces de un espacio, o controlar las fases de una intersección vehicular semaforizada, son perfectamente automatizables a través de un algoritmo de IA.

Tecnologías cognitivas de la IA

La siguiente imagen nos permite entender mejor cuáles son esas capacidades cognitivas que tenemos los humanos, perfectamente representadas en la IA.

Capacidades cognitivas de IA

Estas tecnologías cognitivas operan similar al hemisferio izquierdo del cerebro humano, son capaces de ver, escuchar, entender y razonar. Nunca dejan de aprender.

¿Inteligencia Artificial es lo mismo que Machine Learning?

Existe una línea muy delgada entre IA y Machine Learning (ML) que muchos autores no distinguen. 

ML es la construcción de modelos para predecir una acción. Dichos modelos se entrenan a partir de la experiencia humana. Es decir, constituye el aprendizaje de un modelo a partir de una data generada por un individuo que ha etiquetado cada elemento de la base de datos, lo cual será el insumo para que la máquina aprenda, por ejemplo, un proceso de clasificación.

Entonces, la diferencia entre Inteligencia Artificial y Machine Learning es que IA no necesariamente aprende de la experiencia del humano; si no que, en el diseño del dispositivo, algoritmo, o desarrollo, se configuran funciones cognitivas humanas que son capaces de reemplazar a la persona.

Veamos ahora los diversos métodos de aprendizaje que comprende el ML.

Inteligencia Artificial Vs. Machine Learning
Métodos de Aprendizaje de Machine Learning

La Inteligencia Artificial se apoya en estos elementos de Machine Learning para emular funciones humanas que, en muchos casos, hasta puede llegar a superar a un individuo.

Asimismo, estas técnicas de ML permiten automatizar, a través de diversos algoritmos, la identificación de patrones o tendencias ocultas en los datos.

Aprendizaje Supervisado

Bajo este modelo el algoritmo aprende en función de datos etiquetados, tanto en la entrada, como en la salida de la información. Básicamente, aquí se cuenta con una base de datos como punto de partida. Dicho de otro modo, en un aprendizaje supervisado existe información preliminar que de antemano se conoce y que sirve para etiquetar cada registro previo al proceso de entrenamiento de la máquina.

La idea del aprendizaje supervisado es que, al computador o sistema, se le enseñe a predecir o clasificar a partir de un grupo de registros para los cuales se conoce de antemano su respuesta. Con ello, se entona la máquina para que la diferencia entre la etiqueta conocida y lo que saca la máquina/sistema sea reducida, y que posteriormente, la máquina/sistema tenga capacidad de generalizar para registros no usados durante el proceso de entrenamiento.

De esta manera, un tipo de aprendizaje supervisado para clasificación es aquel que parte de una variable que ha sido categorizada, digamos A y B. Él evalúa la base de datos y conoce las etiquetas asociadas a “A” y “B”, por lo cual, al momento que llegue un elemento nuevo, es capaz de reconocer y discriminar a cuál pertenece y asignarlo. Veámoslo en un ejemplo de cachorros.

Aprendizaje supervisado por Clasificación

 El problema con estos métodos de clasificación es que cada vez que entra un elemento nuevo -distinto a los ya previamente clasificados- se debe hacer un nuevo entrenamiento.

Por otra parte, el aprendizaje supervisado para modelos de predicción consiste en estimar el comportamiento futuro de una variable en función de valores presentes y pasados de la misma. Es un caso particular de la regresión, cuyo objetivo es determinar la relación entre variables a partir de un conjunto de datos.

Un ejemplo claro de ello es la predicción del estado del tiempo/clima, el algoritmo estudia el histórico de las estaciones, pudiendo predecir qué condición se tendrá en un día particular.

 


Aprendizaje No Supervisado

En este modelo la diferencia es que sólo se conocen los datos de entrada, no existe histórico de datos de salida. Digamos que es de carácter exploratorio. Es un ambiente de entrenamiento que se nutre de una data histórica, en base a la cual se entrena el modelo para que actúe según la experiencia aprendida.

También llamado aprendizaje ciego, aquí la máquina intenta encontrar patrones de comportamiento en el grupo de registros explotando similitudes entre los datos. Por ejemplo, agrupándolos por tamaño, color, forma, etc., sin que sea supervisada su actuación. Así, en ningún momento el humano proporciona orientación alguna. 

Un tipo de aprendizaje no supervisado por agrupación es separar una muestra de individuos en grupos, según las distancias que existan entre ellos. Como resultado, se crean las clases asociadas al conjunto de datos bajo consideración.

aprendizaje no supervisado por agrupación

Otro tipo, sería el de aprendizaje no supervisado por asociación que consiste en encontrar patrones de comportamiento en datos binarios, como los que se encuentran en el típico problema de “carrito de mercado”. En este sentido, el objetivo es determinar aquellas variables, o conjuntos de variables, que presentan la relación más fuerte para generar predicciones.

Otro tipo, sería el de aprendizaje no supervisado por asociación que consiste en encontrar patrones de comportamiento en datos binarios, como los que se encuentran en el típico problema de “carrito de mercado”. En este sentido, el objetivo es determinar aquellas variables, o conjuntos de variables, que presentan la relación más fuerte para generar predicciones.

aprendizaje no supervisado por asociación

Aprendizaje Por Refuerzo o Reinforcement Learning (RL)

RL se basa en un ambiente simulado a fin de que todos los posibles escenarios puedan ser incorporados bajo el esquema causa-efecto, es decir, una acción ejecutada que produce potencialmente nuevas condiciones.

En este modelo, el agente o algoritmo aprende la estrategia óptima mediante el muestreo de acciones y luego observa cuál conduce al resultado deseado. En contraste con el enfoque supervisado, se aprende esta acción óptima no de una etiqueta común, sino de una etiqueta con retraso que se llama recompensa. 

Este valor escalar indica si el resultado de lo que se hizo fue bueno o malo. Por lo tanto, el objetivo de RL es tomar acciones para maximizar la recompensa.

Caso AlphaGo Zero

El mejor ejemplo para Reinforcement Learning está ilustrado en un documental de Netflix. Se trata de la victoria de la IA sobre el mejor jugador del mundo del juego GO. Un juego de tablero de estrategia para dos personas, considerado el más complejo del mundo.

El 9 de marzo de 2016 el mejor jugador del mundo en el Go, Lee Sedol, fue derrotado por un computador llamado AlphaGo, un producto de DeepMind, una startup de aprendizaje automático con sede en Londres, propiedad de Google desde 2014.

Este software aprendió solo, a través de su propio juego, comenzando con una ‘tabula rasa’ (estado en blanco), lo cual le permitió encontrar gradualmente estrategias que superarían a cualquiera. No necesitó de una base de datos de juegos de expertos humanos para construir su estrategia ganadora de 100 a 0 contra el mejor del mundo.

AphaGoZero

Ya hemos visto todo un árbol de ramificaciones de los tipos de aprendizaje que usa la Inteligencia Artificial como elementos de Machine Learning para empoderar a las máquinas hacia una utilidad mucho más productiva, la cual abre paso a la potencialidad del humano profesional a agregar valor en áreas más críticas del negocio.

Oportunidades y Desafíos de la IA

Decir que hay una fórmula perfecta para que las empresas adopten la IA es una blasfemia. Esto depende de la industria, objetivos y cultura organizacional de cada una. Están las cautelosas y aquellas que son capaces de ir incluso mucho más allá, pues están familiarizadas con las tecnologías emergentes y la innovación. El punto es reconocer que la IA está aquí y las ventajas que ofrece son tan reales, como diversas.

Oportunidades y Desafíos de la IA

En GoToDigital tenemos la firme convicción de que esta tecnología es pieza clave para la transformación digital de empresas y ciudades. En una próxima entrega, les estaremos compartiendo el uso potencial de esta herramienta en la industria de Utilities, a través de nuestro caso de uso con la internacional Grupo Suez, para su filial Aguas de Cartagena. ¡Atentos!