El término "inteligencia artificial" (artificial intelillence) fue acuñado por John McCarthy en 1956 durante la Conferencia de Dartmouth, un evento histórico que reunió a algunos de los mejores científicos de la época para discutir la posibilidad de crear una máquina que pudiera pensar como un ser humano. Sin embargo, los conceptos e ideas que estaban detrás de la inteligencia artificial se remontan a mucho antes.

Ya en la década de 1940, los matemáticos Norbert Wiener y John von Neumann, estaban trabajando en la teoría de los sistemas y la computación que sentaron las bases para la I.A. que posteriormente McCarthy definiría como "la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente programas de computadora inteligentes".

Otra influencia y fuente de inspiración para esta tecnología se encuentra en la ciencia ficción. Los robots y las máquinas inteligentes aparecieron por primera vez en la literatura y el cine en la década de 1920, y estos conceptos se han convertido en elementos básicos de la cultura popular.

Algunas tecnologías con inteligencia existen desde hace más de 50 años, pero los avances en la potencia informática, la disponibilidad de enormes cantidades de datos y los nuevos algoritmos han permitido que se den grandes avances en este campo en los últimos años.

En la actualidad, la inteligencia artificial se ha convertido en una de las tecnologías más disruptivas y que más atención despierta. El ritmo al que se suceden los modelos, cada vez más potentes, se está acelerando y tanto las posibilidades como los potenciales peligros de su uso están generando debate tanto entre la comunidad científica como en las instancias políticas.

Para mitigar el impacto negativo de la inteligencia artificial, es importante tomar medidas para garantizar que la tecnología se utilice de manera responsable y ética. Entre otras:

• Fomentar la transparencia y la responsabilidad en el diseño y el uso de la IA.

• Desarrollar políticas y regulaciones que protejan los derechos y la privacidad de los usuarios.

• Invertir en la formación de profesionales altamente cualificados que puedan diseñar, implementar y gestionar sistemas de IA.

Las IAs más mediáticas

Durante la segunda mitad de 2022 y 2023 se ha producido una explosión en el campo de las inteligencias artificiales.

Estos rápidos avances están haciendo posible nuevas aplicaciones, mejorando la capacidad de la IA para resolver problemas complejos y para transformar nuestras vidas y nuestro mundo de formas que aún no somos capaces de vislumbrar.

Algunos ejemplos de modelos que han visto la luz en los últimos dos años y que han acaparado una gran atención mediática son los siguientes:

• Procesamiento del Lenguaje Natural: ChatGPT, GPT-4, BERT, Bing Chat

• Generación de Imágenes: DALL-E, CLIP, StyleGAN 3, Stable Diffusion, Midjourney

• Transcripción de Audio: DeepSpeech, Wav2Vec 3, QuartzNet, Whisper

• Generación de Música: MuseNet, Amper Music, AIVA

• Generación de Código de Programación: GPT-Codex, GitHub Copilot, Deep TabNine

¿Cómo hablar con las Inteligencias artificiales?: los prompts

Un prompt es una instrucción o una solicitud dada a la IA para que realice una tarea o proporcione información.

Los prompts pueden ser simples o complejos, y pueden ser utilizados en una variedad de aplicaciones de la IA, desde chatbots hasta sistemas de recomendación. Pero, ¿Cómo se les puede sacar el mejor partido?:

• Sé específico y claro: proporcionar detalles precisos y específicos ayudará a la IA a comprender mejor la tarea y realizarla de manera más eficiente. Si la IA no entiende lo que se le está pidiendo, puede proporcionar resultados inexactos o irrelevantes.

• Proporciona información relevante. Por ejemplo, si se está solicitando a un sistema de recomendación que sugiera una película, es importante proporcionar información sobre el género de la película que se desea, el tipo de trama que se prefiere y la clasificación de edad adecuada. Cuanta más información relevante se proporcione, más precisa será la respuesta de la IA.

• Aporta retroalimentación: si la IA proporciona una respuesta inexacta o no relevante, proporcionar retroalimentación sobre lo que se esperaba o lo que se necesitaba puede ayudar a la IA a comprender mejor la tarea y mejorar su rendimiento en el futuro

Esto se debe a que la IA está transformando la ingeniería en casi todas las industrias y áreas de aplicación. Más allá de la conducción autónoma, la IA también se utiliza en modelos que predicen los fallos de las máquinas, indicando cuándo requerirán mantenimiento; en análisis y sensores relacionados con la salud, como los sistemas de monitorización de pacientes; y en sistemas robóticos que aprenden y mejoran directamente mediante la experiencia. La inteligencia artificial automatiza el aprendizaje y descubrimiento repetitivos a través de datos. La inteligencia artificial es diferente de la automatización de robots basada en hardware. En lugar de automatizar tareas manuales, la inteligencia artificial realiza tareas computarizadas frecuentes de alto volumen de manera confiable y sin fatiga. Para este tipo de automatización, la investigación humana sigue siendo fundamental para configurar el sistema y hacer las preguntas correctas.

• IA agrega inteligencia a productos existentes. En la mayoría de los casos, la inteligencia artificial no se venderá como aplicación individual. En su lugar, los productos que ya utiliza serán mejorados con recursos de inteligencia artificial, de forma muy similar en que se agregó Siri como característica a una nueva generación de productos de Apple. La automatización, las plataformas conversacionales, los bots y las máquinas inteligentes se pueden combinar con grandes cantidades de datos para mejorar muchas tecnologías en el hogar y en el lugar de trabajo, desde inteligencia de seguridad hasta análisis de las inversiones.

• La inteligencia artificial se adapta a través de algoritmos de aprendizaje progresivo para permitir que los datos realicen la programación. La inteligencia artificial encuentra estructura y regularidades en los datos de modo que el algoritmo adquiere una habilidad: el algoritmo se convierte en un clasificador o predictor. De este modo, así como el algoritmo puede aprender a jugar ajedrez, puede aprender también que producto recomendar a continuación en línea. Y los modelos se adaptan cuando se les proveen nuevos datos. La retropropagación es una técnica de inteligencia artificial que permite al modelo hacer ajustes, a través de capacitación y datos agregados, cuando la primera respuesta no es del todo correcta.

• La inteligencia artificial analiza más datos y datos más profundos empleando redes neuronales que tienen muchas capas ocultas. Construir un sistema de detección de fraude con cinco capas ocultas era casi imposible hace unos años. Todo eso ha cambiado con increíble poder de cómputo y el Big Data. Se necesitan muchos datos para entrenar modelos de aprendizaje profundo porque aprenden directamente de los datos. Cuantos más datos les pueda proporcionar, más precisos se vuelven.

• La inteligencia artificial logra una increíble precisión a través de redes neuronales profundas – lo cual antes era imposible. Por ejemplo, sus interacciones con Alexa, Google Search y Google Photos están todas basadas en el aprendizaje profundo – y se siguen volviendo más precisas cuanto más las usamos. En el campo de la medicina, las técnicas de inteligencia artificial del aprendizaje profundo, clasificación de imágenes y reconocimiento de objetos se pueden emplear ahora para detectar cáncer en MRIs (imágenes de resonancia magnética) con la misma precisión que radiólogos altamente capacitados.

• La inteligencia artificial saca el mayor provecho de los datos. Cuando los algoritmos son de autoaprendizaje, los datos mismos pueden volverse de propiedad intelectual. Las respuestas están en los datos; usted sólo tiene que aplicar inteligencia artificial para sacarlas a la luz. Como el rol de los datos es ahora más importante que nunca antes, pueden crear una ventaja competitiva. Si tiene los mejores datos en una industria competitiva, incluso si todos aplican técnicas similares, los mejores datos triunfarán.

bookmark_border

AI Platform habilita muchas partes del flujo de trabajo del aprendizaje automático (AA). En este documento, se proporciona una descripción introductoria del proceso de AA general y se explica cómo se aplica cada servicio de AI Platform al proceso.

Para obtener una introducción a los servicios, consulta la Descripción general técnica de AI Platform.

Una descripción breve del aprendizaje automático

El aprendizaje automático (AA) es un subcampo de la inteligencia artificial (IA). El objetivo del AA es hacer que las computadoras aprendan de los datos que les proporcionas. En lugar de escribir código que describa la acción que debe realizar la computadora, tu código proporciona un algoritmo que se adapta en función de ejemplos de comportamiento esperado. El programa resultante, compuesto por el algoritmo y los parámetros aprendidos asociados, se llama un modelo entrenado.

El flujo de trabajo del AA

El siguiente diagrama proporciona una descripción general de alto nivel de las etapas en un flujo de trabajo del AA. Los cuadros rellenos de azul indican dónde AI Platform proporciona API y servicios administrados:

Flujo de trabajo del AA

A fin de desarrollar y administrar un modelo listo para la producción, debes completar las siguientes etapas:

• Consigue y prepara tus datos.

• Desarrolla tu modelo.

• Entrena un modelo del AA con tus datos:

  • Entrena el modelo

  • Evalúa la exactitud del modelo

  • Ajusta los hiperparámetros

• Implementa tu modelo entrenado.

• Envía solicitudes de predicción a tu modelo:

  • Predicción en línea

  • Predicción por lotes

• Supervisa las predicciones de forma continua.

• Administra tus modelos y sus versiones.

Estas etapas son iterativas. Es posible que debas volver a evaluar y regresar a un paso anterior en cualquier punto del proceso.

En el resto de esta página, se analizan las etapas en detalle.

Antes de comenzar, evalúa el problema

Antes de comenzar a pensar en cómo resolver un problema con el AA, tómate un tiempo para analizar el problema que estás tratando de resolver. Pregúntate a ti mismo las siguientes preguntas:

¿Tienes un problema bien definido para resolver?

Muchos enfoques diferentes son posibles cuando se usa el AA para reconocer patrones en los datos. Es importante definir la información que intentas obtener del modelo y por qué necesitas esa información.

¿El AA es la mejor solución para el problema?

El AA supervisado (el estilo del AA descrito en esta documentación) se adapta bien a ciertos tipos de problemas.

Solo debes considerar usar el AA a fin de solucionar tu problema si tienes acceso a un conjunto considerable de datos para entrenar tu modelo. No hay absolutos sobre cuánta información es suficiente. Cada característica (atributo de datos) que incluyes en tu modelo aumenta la cantidad de instancias (registros de datos) que necesitas para entrenar adecuadamente el modelo. Consulta las recomendaciones del AA para obtener orientación sobre la ingeniería de atributos.

También debes tener en cuenta la división del conjunto de datos en tres subconjuntos: Uno para el entrenamiento, otro para la evaluación (o validación) y otro para la prueba.

Investiga alternativas que puedan proporcionar una manera más fácil y concreta de resolver el problema. espliegue en el hardware o en los sistemas de la empresa.

Antes de todo, tenemos la tecnología, que nos permite construir cosas, ya sean objetos físicos o digitales. Luego está la ciencia cognitiva, que hace que el producto sea accesible para las personas. 

Identifica puntos que pueden percibirse como familiares y los usa para su beneficio. Si alguna vez usted ha intentado utilizar algo, pero ni siquiera sabía cómo empezar o cómo manejarlo, entonces usted ha tenido contacto con un mal diseño.

A continuación, tenemos las necesidades humanas. Este es quizás el punto clave: cada diseño es una respuesta a una necesidad. 

Un diseño solo existe, es decir, un buen diseño solo existe, porque alguien tenía un problema que resolverse. Como dice Don Norman, un buen diseñador es principalmente un identificador y solucionador de problemas. La cuestión clave es identificar el problema correcto que se debe resolver y comprender cómo la gente usará lo que está construyendo para la resolución de ese problema.

Finalmente, tenemos la cuestión de la estética. Este es quizás el punto más incomprendido sobre el papel del diseño: mucha gente cree que el diseño es una adición al proceso, algo que se agrega al final para embellecer las cosas. 

En realidad, el diseño es el proceso, es la investigación sobre:

1. el problema que queremos resolver;

2. el sistema en el que se inserta;

3. las personas involucradas en cada paso y quién usará lo que está construyendo.

La estética es importante (sobre todo, nos atraen naturalmente las cosas bellas y agradables), pero es solo un punto relevante entre muchos otros.

Diseño en Inteligencia Artificial

La primera función del diseño es garantizar que lo que estamos construyendo pueda resolver el problema principal. En el caso de los productos de Inteligencia Artificial, tenemos que ir un paso más allá y preguntarnos «¿Es la Inteligencia Artificial la mejor manera de resolver este problema?» 

Este es quizás el paso más importante de todos: un error en este paso significa que corremos el riesgo de gastar tiempo, dinero y recursos creando una súper herramienta para resolver algo que ni siquiera es un problema.

Más adelante, como diseñadores, debemos pensar en cómo se formateará el producto y cómo se relacionará la gente con él. Nuestro papel es asegurarnos de que los usuarios comprendan cómo funciona y lo qué se puede y lo qué no se puede hacer con él. 

En el caso de la Inteligencia Artificial, tenemos que pensar qué aspectos se deben presentar al usuario y cuál es la mejor forma de hacerlo.

¿Cómo lidiar con los aspectos impredecibles de la inteligencia artificial y Machine Learning? ¿Cómo abordar los problemas de transparencia o control del sistema? ¿Cuál es la mejor manera de explicarle al usuario cómo funciona el sistema y qué puede esperar de él?

Estas preguntas (y varias otras) son importantes para evitar el riesgo de no cumplir con las expectativas del usuario, generando frustración, mal uso o abandono.

Hace algún tiempo, leí un artículo de Google que hablaba sobre el desarrollo de una API para la detección de objetos. En este artículo, los autores decían que durante la demostración, el tiempo de respuesta de la API para reconocer un objeto prácticamente no tenía retraso ni demora, es decir, reconocía los objetos casi de inmediato en cuanto se colocaban frente a la cámara. 

Al principio, esto puede parecer un gran éxito, pero de hecho, provocó una pésima experiencia de usuario, porque la velocidad con la que se reconocieron los objetos dejó a los usuarios en duda sobre si el proceso había sido exitoso o no. 

Varios usuarios creían que había ocurrido algún error, porque no esperaban que la máquina reconociera los objetos tan rápidamente.

Esto plantea una pregunta interesante:  ¿Debemos priorizar la forma en que los usuarios esperan que la tecnología funcione, aunque esto signifique sacrificar la velocidad, de modo que les dé tiempo para entender y confiar en lo que la máquina está haciendo?

Es un gran desafío trabajar con algo tan nuevo y con tanto potencial, pero honestamente, no puedo imaginarme haciendo otra cosa además de eso.

El día a día del desarrollo d