¿Qué es la Inteligencia Artificial?

La literatura de ciencia ficción de los años 40 contribuyó enormemente a inspirar a los científicos e ingenieros de la época en el tema de la inteligencia artificial. Un papel crucial lo tuvo el escritor estadounidense Isaac Asimov, que en el libro Runaround de 1942 ideó las 3 leyes de la robótica : 1) No

El matemático británico Alan Turing en los años 50 fue el primer intelectual en cuestionarse seriamente sobre la inteligencia artificial. "¿Pueden pensar las máquinas?" En aquel entonces existían solo 4 ordenadores en el mundo (Manchester Mark I, Cambridge EDSAC, ENIAC, BINAC). El debate sobre la inteligencia de las máquinas acababa de nacer. La respuesta a

El filósofo estadounidense John Searle fue el antagonista más importante de Alan Turing en el pensamiento filosófico sobre la IA. Según Searle, las máquinas pueden parecer inteligentes, pero no tienen ni conciencia ni comprensión real. Para demostrarlo ideó el ejemplo de la "habitación china": La Chinese Room : Imagina una habitación cerrada. Dentro hay una

Durante la Primera (1760 – 1840), Segunda (1870 – 1914) y Tercera Revolución Industrial (1970 – hoy), se inventaron nuevas tecnologías que cambiaron la forma de realizar tareas, aumentando la productividad, la innovación y el entusiasmo por las posibilidades que ofrecían. Hablamos de la máquina de vapor, los ferrocarriles y el carbón como combustible fósil

La ley de Amara afirma que las personas tienden a sobrestimar el efecto de una tecnología en el corto plazo y a subestimarlo en el largo plazo. El ciclo del hype, en cambio, describe que, cuando se introduce una nueva tecnología en el mercado, esta sigue cinco fases: Las cinco fases del ciclo del hype:

El Machine Learning es solo uno de los posibles enfoques para hacer inteligente a una máquina; hoy por hoy, el más indicado para obtener la mayoría de los resultados (outputs) deseados. Sin embargo, no siempre es el enfoque más funcional, ya que el Machine Learning requiere, además de competencias específicas, grandes cantidades de datos y

El Machine Learning ha representado una verdadera ruptura con los métodos alternativos del pasado, ya que permite a las máquinas gestionar datos nunca vistos antes. A diferencia del pasado, de hecho, el ser humano no necesita programar necesariamente la máquina con reglas específicas (p. ej., Rule-based Systems, etc.), sino que, tras el aprendizaje ver Módulo

En este enfoque, el humano organiza los datos que entrega a la máquina, facilitándole la tarea de conectar inputs (datos de entrada) con outputs (resultados esperados), ya que parte de datos correctamente etiquetados. Existen dos tipos de aprendizaje supervisado: 1) Classification Learning → La máquina debe generar un output categórico. Ejemplo: Entrenar un algoritmo para

En este enfoque, el humano no organiza los datos que entrega a la máquina, sino que es la máquina la que debe analizarlos y organizarlos entre sí en función de similitudes (clustering). Por lo tanto, a diferencia del aprendizaje supervisado, la máquina aprende solo a partir de los inputs (lo que, en el aprendizaje supervisado,

Con este enfoque la máquina aprende experimentando: 1) Prueba acciones: La máquina intenta realizar una acción en el entorno que la rodea (por ejemplo, en un videojuego, intenta moverse a la derecha); 2) Recibe feedbacks (positivo o negativo) del entorno: Recibe una "recompensa" o una "penalización" del entorno, una señal numérica que indica si la

El Deep Learning consiste en el uso de redes neuronales artificiales (ANNs), o neural nets , dentro del Machine Learning para permitir que la máquina aprenda aún mejor de los datos. Las ANNs son software que se inspiran en el cerebro humano, aunque de forma simplificada. En el cerebro humano, las neuronas biológicas reciben señales

La red neuronal artificial (ANN), como se anticipó, permite que la máquina aprenda de manera aún más profunda (Deep Learning) respecto al Machine Learning "clásico". Una red neuronal está compuesta por tres partes principales: Capa de entrada (Input) : recibe los datos en bruto (p. ej., imágenes, textos, números, etc.) y los vectoriza; Capas ocultas

En este apartado analizaremos en detalle la MLP (Multilayer Perceptron), es decir, una arquitectura de Deep Learning sencilla que permite entender la lógica detrás de todas las demás redes neuronales artificiales, que veremos brevemente al final. Supongamos que una máquina deba aprender a través de datos utilizando la red neuronal artificial y que, entre los

El Deep Learning permite obtener resultados que los métodos clásicos de Machine Learning (Supervised Learning, Unsupervised Learning y Reinforcement Learning) tienen dificultades para alcanzar, sobre todo cuando los datos son muy grandes, complejos o no estructurados (imágenes, audio, texto). En particular, el Deep Learning permite a la máquina analizar y generar outputs para los que

Gracias a la IA Generativa pasamos de usar los ordenadores para clasificar elementos, adivinar secuencias y aplicar reglas, a usarlos para generar desde cero nuevos contenidos como textos, imágenes, código, sonidos y video de altísima calidad, sin estar programados explícitamente para ello. La Inteligencia Artificial Generativa (Generative AI o GenAI ) es un paradigma aplicativo

El término "Modelo de IA" se refiere al resultado del aprendizaje automático a partir de datos mediante Machine Learning (ya sea supervisado, no supervisado o por refuerzo). Un Modelo de IA se vuelve complejo y capaz de producir IA Generativa solo mediante Deep Learning, donde las muchas capas ocultas y los numerosos nodos permiten una

Un Agent IA es un software que pone en contacto al ser humano con un Modelo de IA. Los Agents IA permiten al ser humano utilizar los Modelos de IA para tareas específicas (Chat, Creación de imágenes, Desarrollo de Software, funcionalidades verticales específicas para el negocio, etc.). Lo hacen gestionando: Funcionalidades, Parámetros y Prompt. Funcionalidades:

En este apartado entraremos en lo práctico: analizaremos los pasos operativos que hay que realizar para construir un Modelo de IA: 1) Elección del IDE El IDE es un software que reúne en un único programa todas las herramientas útiles para escribir, modificar, probar y gestionar el código de una aplicación. Los más famosos son

El prompt es un texto que transmite una instrucción o una pregunta al Modelo de IA con el fin de obtener un output. Cuanto más optimizado esté el prompt para el Modelo de IA, mejor será el output generado por el Modelo. Ejemplo: si quisiera saber cuáles son las ciudades con mayor número de residentes

El fine-tuning consiste en tomar un Modelo pre-entrenado (pre-trained) sobre un vastísimo dataset general y "afinarlo" para un propósito específico, entrenándolo adicionalmente sobre un dataset más pequeño y especializado. Un Modelo fine-tuned en una tarea específica casi siempre supera a un Modelo genérico o a un Modelo entrenado desde cero sobre un dataset pequeño. Aprovecha

Es posible obtener el fine-tuning también gracias al Reinforcement Learning from Human Feedback ( RLHF ), es decir, las personas evalúan las respuestas del Modelo, dando una puntuación (o ranking) a las mejores respuestas. El Modelo aprende a predecir qué respuesta sería mejor valorada por los seres humanos ( Reward Model ) mediante un algoritmo

La ética es la rama de la filosofía que estudia los principios y valores morales, distinguiendo entre comportamiento correcto e incorrecto, buenas y malas acciones, etc., con el objetivo de guiar las decisiones morales. El tema ético es extremadamente sensible en el ámbito de la IA y se divide en: • Ethical AI : sistemas

El algorithmic bias se produce cuando un algoritmo arroja resultados sesgados debido a prejuicios presentes en los datos de entrenamiento. Los sesgos de la máquina pueden derivarse de prejuicios humanos presentes en los datos y también de los confirmation bias , es decir, cuando un ser humano da más peso a información que confirma sus

Como vimos anteriormente, la Explainable IA representa una IA en la que la decisión de la máquina puede comprenderse y explicarse. Uno de los principales problemas de la IA Generativa es precisamente el de no poder comprender la lógica detrás de una decisión. La naturaleza estocástica de estos nuevos Modelos de IA generativa, de hecho,

Cada nueva tecnología trae oportunidades pero también riesgos. Estos riesgos requieren necesariamente regulaciones para prevenir daños directos o indirectos a cosas o personas. La regulación nace para garantizar seguridad y confianza en la adopción de la tecnología. El primer reglamento completo aprobado en el ámbito de la inteligencia artificial fue el Artificial Intelligence Act ,

Los límites de un Modelo de IA no dependen solo de la calidad de los datos, sino también de la capacidad de cómputo de las máquinas. A su vez, esta está influida por la complejidad del problema de referencia. El Polynomial time o P es el conjunto de problemas que un ordenador puede resolver en

El Nondeterministic Polynomial time o NP es el conjunto de problemas para los que, dada una solución, un ordenador puede verificar en tiempo polinómico si es correcta. Sin embargo, encontrar la solución óptima partiendo del problema podría requerir un tiempo exponencial. Ejemplo: imaginemos que un ordenador deba encontrar la combinación ganadora de una caja fuerte

Además de los límites computacionales, existen también los límites de los datos. Hemos analizado anteriormente los límites cualitativos, con los algorithmic bias, pero no es el único límite de los datos. Existe también un límite de tipo cuantitativo. De hecho, la cantidad de datos requerida para obtener un output válido depende del número de variables

Tras leer todos los apartados de este sitio serás capaz de entender si un Modelo de IA es demasiado costoso respecto a tus necesidades profesionales, cuáles son los límites de la IA, qué es un Agent IA y cómo aprovecharlo, qué es un RAG, qué es el fine-tuning, la diferencia entre software open source y

Como hemos visto, la IA te permite resolver fácilmente todos los problemas de tipo P , al menos aquellos que no requieren la elaboración de outputs importantes o el análisis de grandes cantidades de inputs. En primer lugar, habría que entender cuáles son todas esas actividades time consuming y de bajo valor añadido que ocupan