Tema 4.2 - Inteligencia Artifical

• Introducción a la Inteligencia Artificial
• Inteligencia Artificial en las empresas
• Analítica cognitiva
• Capacidades en Inteligencia Artificial
• Aprendizaje profundo (Deep Learning)

Introducción a la Inteligencia Artificial 

• La Inteligencia Artificial es el arte de crear máquinas que realicen funciones que requieren inteligencia cuando son realizadas por personas 
• Alan Turing fue un informático que desarrolló una de las primeras teorías sobre la Inteligencia Artificial
• Un ordenador posee inteligencia si a un interrogador humano se le da la tarea de determinar qué jugador -A o B- es un ordenador y cuál es un humano, pero el interrogador es incapaz de determinar la differencia. El interrogador se limita a utilizar preguntas escritas 
• Esta definición operativa de la inteligencia se conoce ahora como la prueba de Turing

Prueba de Turing (Representación Gráfica)

¿Cómo es posible que un ordenador supere el test de Turing? Si examinamos más de cerca las técnicas subyacentes que debe tener una máquina para superar la prueba, el ordenador necesitará al menos las siguientes capacidades: 

• Procesamiento del lenguaje natural: el ordenador debe ser capaz de traducir el inglés para poder comunicarse eficazmente 
• Representación del conocimiento: el ordenador debe almacenar datos de entrada y recuperarlos posteriormente 
• Razonamiento automático: el ordenador debe ser capaz de utilizar la información almacenada para responder a preguntas y sacar conclusiones. Para ello, el ordenador debe aplicar un algoritmo 
• Aprendizaje automatizado: el ordenador debe adaptar su respuesta a los datos de entrada anteriores para formular nuevas respuestas 

Superposición Entre el Big Data y la IA

La Inteligencia Artificial en las Empresas 

• El estudio de la Inteligencia Artificial es complejo, altamente científico y requiere años de experiencia 
• Por ello, el marco de Big Data considera la IA como una extensión de Big Data que incluye el análisis cognitivo (como se muestra en la figura 68) 
• El anillo exterior del marco de Big Data representa el siguiente paso práctico que puede dar una empresa, siempre que ya haya establecido una práctica effectiva de Big Data 
• Las inversiones en Inteligencia Artificial están creciendo rápidamente, sobre todo en el sector tecnológico, con empresas como Google y Baidu a la cabeza. El McKinsey Global Institute estima que en 2016 se gastaron entre 20.000 y 30.000 millones de dólares en investigación y desarrollo de IA

Analítica Cognitiva 

La analítica cognitiva es el diseño y desarrollo de algoritmos capaces de reflectar la toma de decisiones humanas, basándose en el entorno percibido y en características personalizadas. La analítica cognitiva se diferencia de otras formas de analítica por dos razones principales: 

• La analítica cognitiva toma decisiones basadas en el entorno percibido. El entorno puede ser differente en cualquier momento del día (como queda claro en el ejemplo de los coches autoconducidos) y debe procesarse en función de la situación específica. Para detectar el entorno percibido, es necesario capturar datos de entrada a través de sensores 
• La analítica cognitiva toma decisiones basadas en características personalizadas. Los algoritmos aprenden de su usuario específico para ajustar su toma de decisiones a ese individuo específico. En el ejemplo de los termostatos que aprenden, la temperatura de dos hogares distintos tendrá patrones de calefacción diferentes en función de las características de cada uno de los usuarios 
• Para conseguir estas dos características clave de la Inteligencia Artificial, la analítica cognitiva se ocupa del desarrollo de agentes racionales 
• Un agente es algo que actúa (del latín "agere" que significa "hacer"). Un agente racional es aquel que actúa para conseguir el mejor resultado o, cuando hay incertidumbre, el mejor resultado esperado 
• Por tanto, un agente racional trata de imitar las decisiones racionales que toman los seres humanos 
• La analítica cognitiva se centra, pues, en el diseño y desarrollo de agentes racionales

Visión General de Alto Nivel de un Agente Racional

Capacidades en Inteligencia 

Se considera que un sistema es inteligente si tiene la capacidad de superar la prueba de Turing, que combina cuatro capacidades esenciales:

Procesamiento del lenguaje natural 

• El Procesamiento del Lenguaje Natural (PLN) es el ámbito que define las interacciones entre los ordenadores y los lenguajes humanos (naturales), para que las personas puedan interactuar con el ordenador. Los principales retos del procesamiento del lenguaje natural son el reconocimiento del habla, la comprensión del significado de las frases y las barreras lingüísticas o dialectales 
• Los principales retos de la PNL tienen que ver con la sintaxis y la semántica, la sintaxis es la forma en que se construyen las frases y cómo las combinaciones de palabras dan sentido a una frase, la semántica, por su parte, se ocupa del hecho de que (las combinaciones de) palabras pueden tener un significado diferente cuando se utilizan en contextos diferentes 

Representación del conocimiento 

• La representación del conocimiento es el campo de la Inteligencia Artificial dedicado a representar la información sobre el mundo en una forma que un sistema informático pueda utilizar para resolver tareas complejas 
• La representación del conocimiento incorpora los hallazgos de la psicología sobre cómo los humanos resuelven problemas y representan el conocimiento para diseñar afirmaciones lógicas que faciliten el diseño y la construcción de sistemas complejos 
• Una parte crucial de estos sistemas es que el conocimiento se represente simbólicamente, y que los procedimientos de razonamiento sean capaces de extraer las consecuencias de dicho conocimiento como nuevas representaciones simbólicas 

Razonamiento automatizado (Automated Reasoning – AR) 

• El razonamiento automatizado en Inteligencia Artificial es la capacidad de conocimiento que se ocupa de entender las capacidades de razonamiento en los sistemas informáticos, el objetivo del razonamiento automatizado es diseñar sistemas informáticos que puedan razonar de forma completamente automática (sin intervención humana) 

Aprendizaje automático (Machine Learning) 

• El objetivo del aprendizaje automático es diseñar un sistema que mejore y se perfeccione con el tiempo, al igual que los humanos memorizan información o relaciones cuando se les presentan, los sistemas informáticos pueden aprender de interacciones anteriores

Aprendizaje Profundo (Deep Learning) 

• El aprendizaje profundo es una forma avanzada de aprendizaje automático que utiliza representaciones de datos de aprendizaje (en lugar de algoritmos) que se utiliza específicamente para la inteligencia artificial 
• El aprendizaje profundo es un tipo de aprendizaje automático que puede procesar una gama más amplia de recursos de datos, requiere menos pre-procesamiento de datos por parte de los seres humanos y a menudo puede producir resultados más precisos que los enfoques tradicionales de aprendizaje automático (aunque requiere una mayor cantidad de datos para hacerlo) 
• El aprendizaje profundo se utiliza predominantemente en el procesamiento de imágenes, vídeo, voz y audio

Ejemplos de Aprendizaje Profundo (Deep Learning)