A pesar de que tiene más de 50 años, la mayoría de las personas no saben de qué se trata este campo de estudio.
¿Eres uno de ellos?
Con tantos nombres complicados, como aprendizaje automático, circuitos neuronales, aprendizaje profundo, análisis predictivo, etc., es totalmente comprensible que las personas se confundan.
la IA creará un crecimiento estimado del PIB de 13 billones de dólares entre ahora y 2030.
Científicos líderes en IA describen la IA como la cuarta revolución industrial o «la nueva electricidad». La IA es, sin duda, una pieza central de la transformación digital y su aplicación en toda la industria cambiará drásticamente nuestro mundo y la forma en que hacemos negocios.
La cuestión es que muchas personas están interesadas en colaborar en esta revolución de la IA pero se sienten agobiadas por su complicada tecnología. No saben de qué es capaz la IA, y mucho menos cómo podrían usarla para su empresa.
Y esto es exactamente lo que esta publicación pretende resolver: hacer que la IA sea más comprensible para las personas sin antecedentes técnicos, para que puedan evaluar los posibles casos de uso de IA por sí mismos. Eso es importante, ya que nadie conoce los entresijos de su negocio mejor que ellos, pueden llegar a las ideas más valiosas sobre cómo usar la IA dentro de su empresa.
Pero esa es exactamente la razón por la que estás aquí: para comprender la Inteligencia Artificial (IA) de una vez por todas y cómo puedes usarla para ayudar a hacer crecer tu negocio.
Indice
¿Qué es la Inteligencia artificial?
Se denominó «inteligencia artificial» porque una máquina en realidad podría considerarse «inteligente» si demostraba algo parecido a la inteligencia humana.
En realidad, este procedimiento supone únicamente programar computadoras de una nueva forma utilizando grandes cantidades de datos para entrenarlas. Así pueden realizar determinadas actividades que normalmente realizan los humanos.
Lo interesante de este método es lo útil que se ha vuelto. Puede realizar tareas que otros software y tecnologías no pueden o no podrían hacer también.
Hay una gran cantidad de publicidad innecesaria en torno a la IA, que se debe principalmente a un error común que muchas personas tienen.
Partes
La inteligencia artificial se puede separar en dos partes o dos ideas:
Inteligencia Artificial Estrecha (ANI)
Esto describe AI que son buenos en una tarea específica, en la que están entrenados y desarrollados. Esto puede ser, por ejemplo, un sistema de IA que predice los precios de las casas en función de datos históricos o el algoritmo que le recomienda vídeos de YouTube. Otros ejemplos son el mantenimiento predictivo, el control de calidad, etc.
ANI es una herramienta muy poderosa y agregará mucho valor adicional a nuestra sociedad en los próximos años. Todo el progreso que vimos en los últimos años, y lo que escuchamos constantemente en las noticias, sucedió en el campo de ANI.
Inteligencia Artificial General (AGI)
Este es el objetivo final de la IA: un sistema informático que es tan inteligente o más inteligente que un ser humano.
Un AGI podría realizar con éxito cualquier tarea intelectual que un ser humano pueda hacer. Esta es también la parte de la IA que genera más miedo en las personas. Se ha hablado de un mundo en el que los ordenadores superarán en inteligencia a los humanos, donde se automatizan prácticamente todos los trabajos.
Esto es lo que quiero decir con publicidad innecesaria. Está llevando a temores irracionales sobre el futuro de la humanidad, mientras que en realidad, todavía estamos a muchos avances tecnológicos lejos de alcanzar un AGI real.
Tipos
La IA ha progresado mucho en las últimas décadas, por lo que el campo se dividió en subcampos con bastante rapidez.
Aunque no todas estas áreas se han categorizado correctamente, estos son los que creemos que son los principales:
Puramente reactivo
Esta es la forma más básica de IA. Esta tecnología puede observar una situación y actuar de acuerdo con lo que ve. No es capaz de conceptualizar, y no tiene memoria. Solo se enfoca en completar tareas.
Ejemplos: Deep Blue de IBM (la máquina que derrotó al campeón de ajedrez), AlphaGo de Google (la máquina que derrotó a los campeones de Go).
Memoria limitada
Este es el siguiente nivel de Purely Reactive. Esta IA puede recopilar información para construir una imagen del mundo en su mente informática. Tiene suficiente memoria para aprender pequeñas tareas y se puede utilizar para realizar algunas decisiones.
Ejemplos: vehículos automatizados, chatbots y asistentes personales digitales.
Teoria de la mente
Este tipo de IA utiliza tecnología más compleja. Todavía se está desarrollando y tiene como objetivo hacer que las máquinas puedan interactuar con las personas y comprenderlas emocionalmente.
Todavía no hay ejemplos reales, pero muchos de los robots en las películas muestran cómo podría funcionar este tipo de IA, como C-3PO y R2-D2 en Star Wars.
Autoconsciente
El rey de la tecnología, esto lleva las cosas al siguiente nivel. Estas máquinas podrán interactuar socialmente, desarrollar personalidades, tener sentimientos y formar opiniones.
¿Qué es el aprendizaje automático?
Se podría decir que Machine Learning es la tecnología principal de la IA. Utiliza técnicas estadísticas para dar al programa de computadora la capacidad de aprender de los datos, sin ser programado explícitamente.
Machine Learning es la herramienta de IA que causó todo el alboroto y que permitió casi todo el valor que se crea a través de los sistemas de IA. También se puede separar en diferentes partes, pero solo una parte es responsable del 80% del valor que se crea mediante Machine Learning. De lo que hablo es de aprendizaje supervisado.
Los algoritmos de aprendizaje supervisados simplemente aprenden las asignaciones de entrada (A) a salida (B), aprendiendo relaciones dentro de grandes cantidades de datos.
Ejemplos
Imagina que deseas construir un sistema que pueda clasificar los correos electrónicos en correos deseados y no deseados. Deberías acumular muchos ejemplos de correos electrónicos «etiquetados». Esto significa que tienes una etiqueta para cada correo electrónico, que indica si es spam o no. Después de acumular miles de correos electrónicos con etiquetas, puedes alimentar estos datos en un algoritmo de aprendizaje automático supervisado.
En el proceso de capacitación, el algoritmo analizaría todos los correos electrónicos entregados y mejoraría su comprensión sobre qué atributos diferencian el correo no deseado de los correos deseados. En este ejemplo, el sistema debe asignar correos electrónicos (A) a una etiqueta que indique si el correo es spam o no (B).
Otro ejemplo es la publicidad en línea, donde la entrada es información sobre un usuario (A) y la salida del sistema es una etiqueta que indica si un usuario hará clic en agregar o no (B).
Otro ejemplo es el reconocimiento de voz, donde la entrada es voz como un archivo de audio (A) y la salida es una transcripción de lo que se dice en el archivo de audio (B).
A primera vista, esto puede parecer una tecnología bastante limitante, pero es increíblemente potente si encuentra la aplicación adecuada para ello. Es la principal causa de valor adicional que se crea a través de la IA para nuestra sociedad.
El número de casos de uso diferentes para esta tecnología parece infinito y la gente descubre nuevos cada día.
Terminología de IA
La inteligencia artificial es un campo muy complejo con muchos términos que pueden ser bastante confusos al principio. Probablemente has oído hablar de redes neuronales, aprendizaje profundo o ciencia de datos.
Ahora echaremos un vistazo a los términos más importantes de IA y descubriremos su significado, para que puedas pensar cómo podrías aplicar la IA dentro de tu negocio.
Inteligencia artificial
La Inteligencia Artificial es un área de la informática que enfatiza la creación de máquinas inteligentes que funcionan y reaccionan como los humanos. Como ya mencioné, cuando las personas hablan de IA, en su mayoría se refieren a Inteligencia General Artificial (AGI). Debería verse la IA como el área completa, y el aprendizaje automático y el aprendizaje profundo como las técnicas utilizadas para hacer que las computadoras actúen de manera inteligente.
Aprendizaje automático
Machine Learning es un subcampo de la IA . Es un campo de estudio que brinda a las computadoras la capacidad de aprender de los datos sin ser programados explícitamente. Lo que haces con Machine Learning es entrenar al programa para que haga una determinada tarea.
Por lo tanto, el aprendizaje automático a menudo da como resultado un sistema de IA en funcionamiento, que es básicamente una pieza de software.
Ejemplo de un proyecto de Machine Learning:
Imagina que tienes una empresa de bienes raíces con muchos datos sobre casas. Te asocias con una empresa de Machine Learning para construir un sistema de Machine Learning para predecir los precios futuros de las casas. Un sistema como este te permite tomar una mejor decisión con respecto a en qué casas deseas invertir y determinar el momento adecuado para liquidar tus inversiones.
Aprendizaje profundo
Deep Learning es una subparte de Machine Learning, que es responsable de todas las exageraciones de los medios y la mayoría de los avances en ANI, que vimos en los últimos años y que todavía vemos hoy.
Básicamente es lo mismo que Machine Learning: le das al algoritmo datos etiquetados y aprende a predecir la etiqueta. La diferencia con el aprendizaje automático es que utiliza algoritmos más modernos y sofisticados, llamados redes neuronales. Por el contrario: en Machine Learning, utiliza algoritmos más simples y tradicionales.
Debido a su complejidad, nuevos descubrimientos técnicos y la disponibilidad de suficientes datos y poder computacional, los algoritmos de aprendizaje profundo fueron capaces de romper los puntos de referencia anteriores en muchas tareas e incluso superar a los humanos en algunas de ellas (por ejemplo: recomendar películas en Netflix).
Aunque las redes neuronales casi siempre funcionan mejor que los algoritmos tradicionales, tienen ciertas desventajas.
A menudo escuchas que las redes neuronales se construyen como el cerebro humano o se inspiran en él, pero en realidad, no tienen casi nada que ver con eso. Es cierto que inicialmente estaban inspirados por el cerebro, pero los detalles de cómo funcionan no tienen relación alguna con el funcionamiento de los cerebros humanos biológicos.
Ejemplo de un proyecto de aprendizaje profundo:
Un proyecto de aprendizaje profundo no difiere mucho de un proyecto de aprendizaje automático cuando lo miras desde una vista de alto nivel. Solo necesita muchos más datos, más potencia de cálculo e ingenieros altamente cualificados.
Ciencia de los datos
El resultado de un proyecto de Data Science suele ser un conjunto de ideas que ayudan a tomar mejores decisiones comerciales, como decidir si invertir en algo, si debes adquirir cierto equipo o si tu sitio web debe ser reestructurado.
Se podría decir que Data Science es la ciencia de extraer conocimiento e información de los datos analizándolos con métodos estadísticos, visualizaciones, etc. Como resultado se ofrecen diapositivas o presentaciones donde se resumen las conclusiones obtenidas para que los responsables de las empresas adopten determinadas decisiones.
Ejemplo de un proyecto de ciencia de datos:
Imagina que te encuentras en la industria de la publicidad en línea. Al analizar los datos de ventas de tu empresa, los científicos de datos descubrieron que la industria de viajes no te compra muchos anuncios. Como resultado, podrías cambiar el enfoque de tus equipos de ventas a compañías de la industria de viajes.
Algunas personas dicen que la IA es un subconjunto de la ciencia de datos y algunas personas dicen que es al revés. Por lo tanto, depende de con quién esté hablando, pero diría que la ciencia de datos es un campo interdisciplinario que utiliza muchas herramientas del aprendizaje automático y el aprendizaje profundo de IA, pero también tiene sus propias herramientas separadas. Su objetivo es principalmente generar conocimientos empresariales.
¿Qué son los datos?
Los datos pueden adoptar muchas formas: hojas de cálculo, imágenes, audio, datos de sensores, etc. Estos se dividen en dos categorías principales: datos estructurados y no estructurados.
Datos estructurados
Los datos estructurados, como su nombre ya lo indica, son datos que se almacenan en un formato estructurado siguiendo un esquema predefinido. Se refiere a cualquier dato que reside en un campo fijo dentro de un registro o un archivo. Puede ser textual o no textual.
Datos no estructurados
Los datos no estructurados son esencialmente todo lo demás que no está estructurado a través de un esquema predefinido. Puede ser textual o no textual, pero cuando las personas hablan de datos no estructurados, se refieren principalmente a imágenes, vídeos, archivos de audio, documentos, etc.
Dado que el aprendizaje supervisado es el tipo de aprendizaje automático más utilizado, cuando las personas dicen «datos», en su mayoría se refieren a datos etiquetados.
Ejemplo: tienes un conjunto de datos con fotos de 100.000 perros y gatos donde cada foto tiene una etiqueta, ya sea «Gato» o «Perro».
¿Cómo se obtienen los datos?
Puedes encontrar muchos conjuntos de datos para muchos problemas en Internet, pero la mayoría de las veces necesitas crear tu propio conjunto de datos que está específicamente diseñado para el problema que estás tratando de resolver con IA.
Hay tres formas principales de obtener datos:
1. Etiquetado manual
Imagina que deseas crear un clasificador que pueda detectar si hay un hombre o una mujer en una imagen determinada. Para entrenar a tal clasificador, necesitarías crear u obtener muchas imágenes de hombres y mujeres. Luego, debes asignar una etiqueta a cada imagen: hombres (etiqueta 1) o mujer (etiqueta 2). También puedes pagarle a alguien para que haga el trabajo de etiquetado por ti.
2. Observar comportamientos
Imagina que tienes un negocio de comercio electrónico y deseas predecir cuándo un cliente realizará una compra, lo que a su vez te permite administrar mejor tus existencias, etc.
Puedes crear un conjunto de datos simplemente observando cómo se comportan tus usuarios en tu sitio web y cómo hacen compras. Esto daría como resultado un conjunto de datos que describe las acciones de cada usuario, junto con una etiqueta: compra (etiqueta 1) o no compra (etiqueta 2).
3. Uso de fuentes de datos gratuitas, compra de datos u obtención de un tercero
Hay muchas fuentes gratuitas para conjuntos de datos como Kaggle. También puedes usar Google Data Search, que funciona como Google pero solo para conjuntos de datos. Si no encuentras nada, puedes buscar conjuntos de datos en un mercado de datos u obtenerlos de un socio.
Uso indebido de datos
La adquisición de datos puede parecer simple a primera vista, pero hay muchas cosas que pueden salir mal.
Imagina que deseas crear una aplicación de IA específica y comienzas a adquirir Datos que crees que son útiles. Tu plan es acumular datos durante dos años y luego construir un sistema de inteligencia artificial. Esta es una muy mala práctica.
La forma correcta sería adquirir los datos que puedes obtener y entregárselos a un experto en IA lo antes posible. Este, después de evaluar esos datos, te indicará las partes que son útiles, las que son completamente inútiles y los datos que debes añadir adicionalmente.
Para ahorrar dinero y tiempo: evalúa la calidad de tus datos rápidamente junto con expertos.
Otro gran problema son las etiquetas incorrectas. Ejemplo: imágenes de gatos etiquetadas como perros y perros etiquetados como gatos, etc.
Esto evita que el algoritmo aprenda lo que realmente separa a los gatos de los perros y lo confunde por completo. Lo positivo es que el problema existente con las etiquetas incorrectas es menos importante cuanto más datos haya en total. Si tienes un gran conjunto de datos con más de 2 millones de imágenes etiquetadas de perros y gatos, unas pocas etiquetas incorrectas no afectarán su rendimiento.
Otro problema es que algunas personas suponen que debido a que su empresa tiene muchos datos, que estos datos son útiles o que un equipo de IA puede hacerlo útil.
Aunque, por lo general, más datos son mejores, puedes tener miles de millones de entradas de datos, que no valen nada y ni siquiera los mejores ingenieros de IA del mundo pueden crear valor a partir de algo que no tiene valor. Por lo tanto, no arroje datos a un equipo de inteligencia artificial y suponga que de alguna manera será valioso.
Cómo se usa la IA hoy
La IA moderna se está utilizando en muchos campos diferentes para diferentes propósitos, incluido el razonamiento, el conocimiento, la planificación, el aprendizaje, la comunicación, la percepción, el desplazamiento y la manipulación de objetos.
Aunque ha habido muchos proyectos en múltiples campos, algunos han recibido mucha más atención del público. Estos son algunos de los ejemplos más famosos:
Azul profundo
En 1997, IBM desarrolló una computadora que derrotaría al campeón mundial de ajedrez Gary Kasparov. El mundo se quedó sin palabras ante esta máquina al evidenciar que las máquinas eran capaces de derrotar a los humanos en determinadas tareas.
TOPIO
En 2007, este sistema fue creado para competir contra jugadores de ping-pong. Utilizaba sistemas de aprendizaje automático para poder seguir mejorando su nivel de habilidad.
El Vocaloid
A principios del milenio, se construyó el primer vocalista robot de IA. Este sistema puede cantar cualquier canción. Solo necesitas ingresar la melodía y la letra.
Reconocimiento de voz
Esta tecnología comenzó con los teléfonos inteligentes y es una de las tecnologías más populares y más utilizadas.
Su rendimiento no es perfecto, pero con el tiempo, está mejorando (el mejor ejemplo es Siri).
ASIMO
Este es un robot independiente que fue creado por el grupo Honda. Puede imitar muchos movimientos humanos con fluidez.
Estos movimientos incluyen caminar, correr, patear una pelota y subir escaleras. Pero hay más: tiene la capacidad también de pronosticar movimientos y adoptar decisiones, ¡una auténtica mezcla de capacidades motoras y cognitivas!
Robot REEM
Este robot fue construido entre 2006 y 2010 y, al igual que ASIMO, combina movimiento con percepción, planificación, aprendizaje y conocimiento.
Extremidades artificiales
Un punto de inflexión en la atención médica: las extremidades artificiales han sido muy útiles para mejorar la calidad de vida de las personas afectadas por enfermedades o accidentes.
Órganos sensoriales artificiales
Ahora se han desarrollado implantes que pueden reemplazar los órganos sensoriales.
Estos incluyen:
- narices artificiales que responden a moléculas volátiles;
- implantes cocleares que fijan la audición;
- electrodos estimulantes de neuronas para recuperar parcialmente la vista y
- lenguas artificiales que pueden saborear mejor los sabores que un catador profesional.
Ventaja para el comercio electrónico
La IA también está cambiando la forma en que funcionan las tiendas online, que definitivamente es una transición que no tiene punto de retorno.
La tecnología te permite analizar lo que los usuarios han hecho en Internet y puedes predecir lo que harán a continuación.
Esto se remonta al aprendizaje automático: a través de algoritmos de autoaprendizaje, el aprendizaje automático puede desglosar la gran variedad de Big Data para crear experiencias de focalización muy específicas.
Del mismo modo, se han creado asistentes de compras personales, aplicaciones activadas por voz y chatbots, y sistemas de interacción que generan conversaciones. Esto hace que las personas sea innecesarias y, por lo tanto, opcionales.
Ciberseguridad e Inteligencia artificial
La ciberseguridad es uno de los muchos usos de la inteligencia artificial. Los estudios indican que lleva 196 días enteros recuperarse de cualquier violación de datos. Las empresas pueden utilizar la IA para evitar tanto pérdidas financieras como de tiempo.
IA ofrece información que permite a las empresas comprender las amenazas fácilmente, lo que reduce los tiempos de respuesta y hace que las empresas cumplan con las mejores prácticas de seguridad.
Por otro lado, el aprendizaje automático (ML) ayuda a reconocer patrones en los datos para que las máquinas puedan aprender de la experiencia. Entonces, al aprovechar la inteligencia de amenazas cibernéticas, el aprendizaje automático y la inteligencia artificial, las empresas pueden responder a los problemas con rapidez y confianza.
Examinemos ahora cómo la IA puede ayudar en la ciberseguridad.
Detección Automatizada
Las medidas de seguridad automatizadas muestran el papel creciente de la IA en la ciberseguridad.
Junto con el aprendizaje automático, la inteligencia artificial puede ayudar a las empresas a identificar amenazas y encontrar rápidamente vínculos entre riesgos potenciales. Esta forma de detección elimina los errores humanos del proceso.
Gracias al aprendizaje automático, AI puede adaptarse y aprender de la experiencia y los patrones en lugar de causa y efecto. De hecho, hoy es posible que las máquinas se enseñen a sí mismas. Significa que pueden crear modelos para el reconocimiento de patrones en lugar de esperar a que los humanos los desarrollen.
IA está capacitada para procesar grandes cantidades de datos, lo que significa que comprende mejor las amenazas cibernéticas. Después de eso, la IA en ciberseguridad aprovecha el razonamiento para determinar varios riesgos, por ejemplo, direcciones sospechosas, archivos extraños, etc., antes de iniciar soluciones adecuadas.
Errores de identificación rápida
La IA está mejorando significativamente la duración necesaria para identificar problemas sospechosos en los sitios web. Por ejemplo, en 2016, Google puso en la lista negra a unos 20.000 sitios por tener malware y otros 50.000 por estafas de phishing cada semana.
Teniendo en cuenta estas cifras, alrededor de 280,000 sitios se ven afectados cada mes. Ahora, aunque los humanos son rápidos, no son lo suficientemente rápidos como para examinar millones de sitios cada mes e identificar 280.000 sitios web sospechosos.
Del mismo modo, los desarrolladores están aprovechando la inteligencia artificial para identificar a las personas con malas intenciones en los sitios. Este proceso se conoce como detección de anomalías y tiene varios usos con la ciberseguridad. Dependiendo de sus técnicas de Inteligencia Artificial, el programa puede analizar toneladas de visitantes y clasificarlos en función de su nivel de amenaza y comportamiento en unos pocos segundos.
Autenticación segura
Si dispones de una web que necesita que los usuarios inicien sesión o tiene formularios que exigen entrada, AI puede hacer más seguro el proceso de autenticación.
La primera forma en que se puede lograr la autenticación segura es la identificación física, donde la IA utiliza diferentes factores para identificar a una persona. Por ejemplo, un teléfono inteligente puede usar escáneres de huellas digitales y reconocimiento facial para permitirle iniciar sesión. El proceso detrás de esto implica que el programa analice los principales puntos de datos sobre su cara y dedos para discernir si el inicio de sesión es auténtico.
Además de eso, IA puede analizar otros factores para determinar si un usuario específico está autorizado para iniciar sesión en un dispositivo tecnológico. La tecnología analiza la forma en que ingresa las teclas, su velocidad de escritura y su tasa de error al deletrear.
Tiempos de respuesta más rápidos
IA puede procesar cantidades masivas de información no estructurada para proporcionar información con mayor eficiencia. Además, tiene la capacidad de aprender patrones con más rapidez, disminuyendo así el tiempo de respuesta. Ello hace que sea más rápido y más fácil detener las amenazas antes de que causen problemas.
Por ejemplo, IBM ahora está utilizando tecnologías cognitivas e IA en ciberseguridad para permitir a las empresas identificar amenazas rápidamente y responder en consecuencia.
Ciberseguridad sin errores
La ciberseguridad sin errores es una excelente aplicación de inteligencia artificial en seguridad. A diferencia de los humanos, la IA no puede cansarse ni aburrirse al realizar tareas repetitivas.
Como tal, el riesgo de error humano se reduce significativamente. Sin embargo, los humanos necesitan trabajar con IA para obtener mejores resultados.
Por un lado, los humanos ofrecen el sentido común de que carecen las máquinas. Aparte de eso, son mejores tomadores de decisiones en situaciones no estándar.
El enorme potencial de Big Data
Como sabemos, hay una gran cantidad de datos a nuestra disposición, pero la pregunta es, ¿realmente comprendemos cuán extensa es?
Lamentablemente no. ¡Ningún humano es capaz de hacerlo!
Pero ahí es donde la IA puede salvarnos.
Existen sistemas que pueden analizar grandes volúmenes de datos no estructurados e identificar atributos o tendencias de productos ocultos en tiempo real.
Un excelente ejemplo en este campo es Adext AI, un nuevo sistema que utiliza algoritmos inteligentes para detectar las últimas y más exitosas tendencias en campañas de publicidad digital publicadas en las principales plataformas de Internet, por lo que actualmente está logrando un aumento promedio del 83% en el rendimiento de los anuncios.
Utiliza tecnologías avanzadas de aprendizaje automático e inteligencia artificial para encontrar el público más rentable para cualquier tipo de anuncio en línea. También automatiza la gestión y optimización del presupuesto en varios grupos demográficos y múltiples canales (como Google, Facebook e Instagram) para garantizar que obtenga más clientes potenciales y ventas.
La IA es el futuro de la publicidad. La pregunta ahora es: ¿estás listo para abrazar esta nueva era de publicidad impulsada por IA?
Todo esto suena muy futurista, ¿verdad? Pues está sucediendo ahora.
La IA va de la mano con el mundo digital, y aunque no lo parezca, es casi imposible para nosotros no usarlo.
AI está creando una experiencia única para el consumidor, una experiencia que hasta ahora solo podría haber sido creada por tiendas físicas.
¿Estamos cerca de presenciar lo que vemos en las películas?
Muchas películas nos han dado la idea de que en el futuro, la raza humana será erradicada por los robots.
¿Pero es eso realmente exacto?
Es un poco presuntuoso.
Hemos estado a cargo de crear estas tecnologías desde el principio.
Sin embargo, si observamos algunos de los avances tecnológicos reales en esas películas de gran éxito a lo largo de los años, ¡algunos de ellos se han logrado con IA!
IA para combatir el Covid-19
Hoy, las tecnologías y herramientas de IA juegan un papel clave en todos los aspectos de la respuesta a la crisis COVID-19:
- Comprender el virus y acelerar la investigación médica sobre medicamentos y tratamientos.
- Detectar y diagnosticar el virus y predecir su evolución.
- Ayudar a prevenir o retrasar la propagación del virus a través de la vigilancia y el rastreo de contactos
- Responder a la crisis de salud a través de información personalizada y aprendizaje
- Monitorizar la recuperación y mejorar las herramientas de alerta temprana.
Para ayudar a facilitar el uso de la IA a lo largo de la crisis, los encargados de formular políticas deberían alentar el intercambio de conjuntos de datos y modelos médicos, moleculares y científicos en plataformas colaborativas para ayudar a los investigadores de IA a desarrollar herramientas efectivas para la comunidad médica, y deberían garantizar que los investigadores tengan acceso a la capacidad informática necesaria.
Para cumplir la promesa completa de IA de combatir COVID-19, los responsables de las políticas deben asegurarse de que los sistemas de IA sean confiables y estén alineados con los Principios de AI de la OCDE:
- deben respetar los derechos humanos y la privacidad;
- ser transparente, explicable, robusto, seguro y protegido; y
- los actores involucrados en su desarrollo y uso deben seguir siendo responsables.
Antes de que el mundo fuera consciente de la amenaza que representa el coronavirus (COVID-19), los sistemas de inteligencia artificial (IA) habían detectado el brote de un tipo desconocido de neumonía en China.
Dado que el brote se ha convertido en una pandemia mundial, se pueden emplear herramientas y tecnologías de IA para apoyar los esfuerzos de los responsables políticos, la comunidad médica y la sociedad en general para gestionar cada etapa de la crisis y sus consecuencias: detección, prevención, respuesta, recuperación y para acelerar la investigación.
Acelerar la investigación utilizando IA para comprender y tratar COVID-19
Las herramientas y técnicas de IA pueden ayudar a los encargados de formular políticas y a la comunidad médica a comprender el virus COVID-19 y acelerar la investigación sobre tratamientos mediante el análisis rápido de grandes volúmenes de datos de investigación.
Las herramientas de minería de datos e IA pueden descubrir el historial, la transmisión y el diagnóstico del virus, las medidas de gestión y las lecciones de epidemias anteriores.
Los modelos de aprendizaje profundo pueden ayudar a predecir medicamentos o tratamientos antiguos y nuevos que podrían tratar COVID-19. Varias instituciones están utilizando IA para identificar tratamientos y desarrollar prototipos de vacunas.
Las plataformas o foros dedicados permiten la consolidación y el intercambio de experiencia multidisciplinaria en IA, incluso a nivel internacional.
Se proporciona acceso a conjuntos de datos en epidemiología, bioinformática y modelación molecular, por ejemplo, a través del COVID-19 Open Research Dataset Challenge por parte del gobierno de EE.UU. y organizaciones asociadas que ponen a disposición más de 29.000 artículos de investigación académica para el coronavirus y COVID-19.
Las empresas de tecnología como IBM, Amazon, Google y Microsoft también ponen a disposición el poder de cálculo para la IA.
Enfoques innovadores que incluyen premios, colaboraciones de código abierto y hackatones, están ayudando a acelerar la investigación sobre soluciones impulsadas por la IA para la pandemia.
Por ejemplo, el «CoronaHack – AI vs. Covid-19» del Reino Unido busca ideas de empresas, científicos de datos e investigadores biomédicos sobre el uso de la IA para controlar y gestionar la pandemia.
Usando IA para ayudar a detectar, diagnosticar y prevenir la propagación del coronavirus
La IA también se puede emplear para ayudar a detectar, diagnosticar y prevenir la propagación del virus. Los algoritmos que identifican patrones y anomalías ya están funcionando para detectar y predecir la propagación de COVID-19, mientras que los sistemas de reconocimiento de imágenes están acelerando el diagnóstico médico.
Por ejemplo:
- Los sistemas de alerta temprana impulsados por IA pueden ayudar a detectar patrones epidemiológicos al extraer las principales noticias, el contenido en línea y otros canales de información en varios idiomas para proporcionar alertas tempranas.
- Las herramientas de IA pueden ayudar a identificar cadenas de transmisión de virus y monitorizar impactos económicos más amplios.
- El diagnóstico rápido es clave para limitar el contagio y comprender la propagación de la enfermedad. Aplicado a imágenes y datos de síntomas, la IA podría ayudar a diagnosticar rápidamente los casos de COVID-19.
Limitar el contagio es una prioridad en todos los países y las aplicaciones de IA están ayudando a prevenir la propagación del virus.
Varios países están utilizando la vigilancia de la población para monitorizar los casos de COVID-19.
En Corea los algoritmos usan datos de geolocalización, imágenes de cámaras de vigilancia y registros de tarjetas de crédito para rastrear pacientes con coronavirus. China asigna un nivel de riesgo (código de color: rojo, amarillo o verde) a cada persona que indica el riesgo de contagio utilizando el software del móvil.
Muchos países, incluidos Austria, China, Israel, Polonia, Singapur y Corea, han establecido sistemas de localización de contactos para identificar posibles rutas de infección. En Israel, por ejemplo, los datos de geolocalización se utilizaron para identificar a las personas que entran en contacto cercano con portadores de virus conocidos y enviarles mensajes de texto que les indican que se aíslen de inmediato.
Se están desplegando robots y drones semiautónomos para responder a las necesidades inmediatas en los hospitales, como entregar alimentos y medicamentos, limpiar y esterilizar, ayudar a médicos y enfermeras, y realizar entregas de equipos.
Ayuda de la IA para responder a la crisis
Los sistemas de IA interactivos y conversacionales ayudan a responder a la crisis de salud a través de información personalizada, asesoramiento y tratamiento y aprendizaje.
- Para combatir la desinformación, la «infodemia» COVID-19, las redes sociales y los motores de búsqueda están utilizando información y herramientas de IA personalizadas y dependen de algoritmos para encontrar y eliminar material problemático en sus plataformas.
- Se han implementado asistentes virtuales y chatbots para apoyar a organizaciones de salud, por ejemplo en Canadá, Francia, Finlandia, Italia, Estados Unidos y la Cruz Roja Americana. Estas herramientas ayudan a clasificar a las personas según la presencia de síntomas. El Centro para el Control y la Prevención de Enfermedades de los Estados Unidos y Microsoft han desarrollado un servicio de autocomprobación de coronavirus para ayudar a los usuarios a autoevaluar COVID-19 y sugerir un curso de acción.
- Identificar, encontrar y contactar a personas vulnerables y de alto riesgo. Por ejemplo, Medical Home Network, una organización sin fines de lucro con sede en Chicago, ha implementado una plataforma de IA para identificar a los pacientes de Medicaid con mayor riesgo de COVID-19 en función del riesgo de complicaciones respiratorias y aislamiento social.
- La IA puede eventualmente jugar un papel en acelerar la capacitación y educación del personal de salud.
Finalmente, las herramientas de IA pueden ayudar a monitorizar la crisis económica y la recuperación, por ejemplo, vía satélite, redes sociales y otros datos, y pueden aprender de la crisis y generar alertas tempranas para brotes futuros.
Resumen
Espero que esta publicación te haya dado una introducción sólida al campo de la Inteligencia Artificial desde una perspectiva de alto nivel y que ahora comprendas mejor cómo funciona la IA y lo que realmente puede hacer.
Para resumir: hemos hablado sobre la idea errónea común sobre AI (por ejemplo, que las personas a menudo confunden AGI con ANI) y qué es realmente el aprendizaje automático y los datos.
Ahora estás familiarizado con los términos más comunes del campo: ciencia de datos, aprendizaje profundo, inteligencia artificial y aprendizaje automático. Además, te enseñamos dónde puedes obtener datos, cómo no debes adquirir los datos y que tener una gran cantidad de datos no significa necesariamente que puedas hacer AI con ellos.