Fundamentos de la Inteligencia Artificial
La humanidad está acogiendo la cuarta revolución industrial representada por la tecnología inteligente. Las nuevas tecnlogías como la AI, la IoT, el 5G y la bioingeniería están integreadas en todos los aspectos de a sociedad humana; impulsan cambios en las tendencias macro mundiales, como el desarrollo social sostenible y el crecimiento económico. Nueva energía cinética, mejora de ciudades inteligentes, transformación digital industrial experiencia del consumidor, etc.
Una definición propuesta para el término de Inteligencia Artificial ó AI por sus siglas en inglés es la siguiente:
“La rama de la informática se ocupa de hacer que las computadoras se comporten como humanos.” — Una definición popular de inteligencia artificial, y una definición anterior en este campo propuesta por John McCarthy| en la Conferencia de Dartmouth en 1956. Sin embargo, parece que esta definición ignora la posibilidad de una IA fuerte. Según otra definición, la inteligencia artificial es la inteligencia (IA débil) demostrada por las máquinas artificiales.
La Inteligencia Artificial (IA) es una nueva ciencia técnica que estudia y desarrolla teorías, métodos, técnicas y sistemas de aplicación para simular y ampliar la inteligencia humana. En 1956, el concepto de IA fue propuesto por primera vez por John McCarthy, quien definió el tema como “ciencia e ingeniería de la fabricación de máquinas inteligentes, especialmente programas informáticos inteligentes”.
La IA se preocupa por hacer que las máquinas funcionen de una manera inteligente, similar a la forma en que funciona la mente humana. En la actualidad, la IA se ha convertido en un curso interdisciplinario que involucra varios campos.
El aprendizaje automático se puede entender desde múltiples aspectos. Tom Mitchell, un científico global de aprendizaje automático, proporcionó una definición ampliamente citada: “Se dice que un programa informático aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P si su rendimiento en tareas en T, medido por P, mejora con la experiencia E”. Estas definiciones son simples y abstractas. Sin embargo, a medida que profundizamos nuestra comprensión del aprendizaje automático, encontraremos que la connotación y la extensión del aprendizaje automático están cambiando con el tiempo. Debido a que una variedad de campos y aplicaciones están involucrados y el aprendizaje automático se desarrolla rápidamente, no es fácil definir el aprendizaje automático de forma sencilla y clara.
En general, los sistemas de procesamiento y los algoritmos de aprendizaje automático (ML) son un modo de identificación que realiza la predicción mediante la búsqueda de un modo oculto en los datos. Ml es un importante subcampo de IA, que también se cruza con la minería de datos (DM) y el descubrimiento de conocimiento en la base de datos (KDD), para una mejor comprensión y distinción de la inteligencia artificial, el aprendizaje automático, la minería de datos, el reconocimiento de patrones, las estadísticas y la computación neuronal.
¿Qué es el aprendizaje automático?
El aprendizaje automático ó Machine Learning (incluido el aprendizaje profundo) es un estudio de algoritmos de aprendizaje. Se dice que un programa informático aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P si su rendimiento en tareas en T, medido por P, mejora con la experiencia E.
Escenarios de aplicación de aprendizaje automático
La solución a un problema es compleja o el problema puede implicar una gran cantidad de datos sin una función de distribución de datos clara.
¿Qué es el aprendizaje profundo?
Generalmente, la arquitectura de aprendizaje profundo o Deep Learning es una red neuronal profunda. “Profundo” en “aprendizaje profundo” se refiere al número de capas de la red neuronal.
La red se construye simulando la red neuronal humana.
En el diseño y aplicación de redes neuronales artificiales, deben tenerse en cuenta los siguientes factores: funciones de neuronas, modos de conexión entre las neuronas y aprendizaje en red (entrenamiento).
Relación de IA, aprendizaje automático y aprendizaje profundo
IA: Una nueva ciencia técnica que se centra en la investigación y el desarrollo de teorías, métodos, técnicas y sistemas de aplicación para simular y ampliar la inteligencia humana.
Aprendizaje automático: Un campo de investigación básico de la IA. Se centra en el estudio de cómo las computadoras pueden obtener nuevos conocimientos o habilidades mediante la simulación o realización del comportamiento de aprendizaje de los seres humanos, y reorganizar la arquitectura de conocimiento existente para mejorar su rendimiento. Es uno de los principales campos de investigación de la IA.
Aprendizaje profundo: Un nuevo campo de aprendizaje automático. El concepto de aprendizaje profundo se origina en la investigación sobre redes neuronales artificiales. El perceptron multicapa (MLP) es un tipo de arquitectura de aprendizaje profundo. El aprendizaje profundo tiene como objetivo simular el cerebro humano para interpretar datos como imágenes, sonidos y textos.
Tomado de https://forum.huawei.com/enterprise/es/%C2%BFqu%C3%A9-es-la-inteligencia-artificial-ai-y-cu%C3%A1les-son-sus-principales-tecnolog%C3%ADas/thread/667225022449729536-667212895009779712
En la actualidad, hay tres enfoques principales de inteligencia artificial: simbolismo, conexionismo y conductismo.
Los primeros referentes de la historia de la Inteligencia Artificial tuvieron sus inicios desde 1956 y desde entonces el desarrollo tecnológico junto con la transformación digital han sido fundamentales para el desempeño actual y prometedor futuro de esta tecnología.
Simbolismo en Inteligencia Artificial
El simbolismo también se llama lógica, escuela de psicología o escuela de psicología. Su principio es principalmente la asunción del sistema de símbolos físicos (es decir, el sistema operativo simbólico) y el principio de racionalidad limitada, que está representado principalmente por el sistema de aplicación de gráficos de conocimientos. Pertenece a la categoría de inteligencia artificial moderna, y simula el comportamiento de la inteligencia humana basado en el método de simulación inteligente del razonamiento lógico. La esencia es simular el pensamiento lógico abstracto del cerebro humano, estudiando el mecanismo de función del sistema de cognición humano, describir el proceso de cognición humana con algún símbolo, e imitar el proceso de cognición humana introduciendo el símbolo en el ordenador que puede manejar símbolos, en pocas palabras, “la cognición es cálculo”. El gráfico de conocimiento aboga por el uso de métodos lógicos para establecer un sistema de teoría unificado de la inteligencia artificial, pero se ha encontrado con el obstáculo del problema del “sentido común”.
Conexionismo en Inteligencia Artificial
El conexionismo también se llama escuela de biónica o fisiología. Su principal principio es la red neuronal y el mecanismo de conexión y algoritmo de aprendizaje entre las redes neuronales, que está representado principalmente por el aprendizaje profundo, y es la escuela de inteligencia artificial caliente en la actualidad. El método de aprendizaje profundo mejora en gran medida la eficiencia del reconocimiento de imágenes y el reconocimiento de voz, así como desempeña un papel en la conducción no tripulada y las industrias inteligentes +,. Sin embargo, la arquitectura del modelo de aprendizaje profundo en sí es una “caja negra”, es probable que le permita sin saberlo perder la oportunidad de “encontrar errores”. Por otro lado, la tecnología de aprendizaje profundo requiere una gran cantidad de datos como base para la formación, y los resultados de la capacitación son difíciles de aplicar a otras cuestiones.
Conductismo en Inteligencia Artificial
El conductismo también se llama evolucionismo o cibernética, y su principio es la teoría de control y el sistema de control de acción perceptiva, que está representado principalmente por un método de aprendizaje mejorado con mecanismo de control de recompensas y castigos. Su aprendizaje mejorado se puede utilizar para acumular rendimiento de aprendizaje basado en la ganancia y pérdida en la interacción, que es similar al mecanismo de aprendizaje real de los seres humanos. Sin embargo, este método trata el proceso de comportamiento humano demasiado simple y sólo el proceso simple de recompensa y retroalimentación de castigo se mide en la prueba. La defensa del conductismo es demasiado extrema. No estudia la importancia de la estructura interna de la psicología y la conciencia negativa del proceso, y luego se opone a la conciencia y el comportamiento, limitando el desarrollo profundo de la inteligencia artificial.
A partir del análisis de las características y deficiencias de las tres escuelas anteriores de inteligencia artificial, es fácil ver que el pensamiento de las personas es difícil de explicar en el marco teórico existente de la inteligencia artificial. Entonces cómo hacer será posible encontrar una manera de encontrar el futuro brillante de la ciencia inteligente, creo que aparte del desarrollo de cada escuela, es necesario combinarse entre sí, y los tres ismos principales avanzarán hacia la integración. Se cree que el futuro de la IA debe ser la integración inteligente entre humanos y máquinas, haciendo pleno uso de las ventajas de las personas y las máquinas para formar una nueva inteligencia.
IA ante los ojos de los desarroladores y expertos:
- “Yo propongo considerar la pregunta, ¿Pueden las máquinas pensar?” – Alan Touring, 1950.
- “La rama de la ciencia en computación encargada de hacer que las computadoras se comporten cómo humanos” – John McCarthy , 1956.
- “La ciencia de hacer que las computadoras se encarguen de hacer cosas que requieren inteligencia si son hechas por humanos” – Marvin Minsky.
Inteligencia lingüística
Se refiere a la capacidad de expresar pensamientos y entender a los demás mediante el uso de lenguajes orales o en palabras, y de dominar el habla, la semántica y la gramática de manera flexible, con la capacidad de pensar en palabras, expresar en palabras y apreciar el profundo significado de los idiomas. Las profesiones ideales para las personas que dominan la inteligencia lingüística incluyen políticos, anfitriones, abogados, oradores, editores, escritores, periodistas y maestros.
Inteligencia lógico-matemática
Se refiere a la capacidad de calcular, medir, inferir, concluir y clasificar, y de llevar a cabo operaciones matemáticas complejas. Esta inteligencia incluye sensibilidad a formas y relaciones lógicas, declaraciones y proposiciones, funciones y otros conceptos abstractos relacionados. Las profesiones ideales para las personas que dominan la inteligencia matemática lógica incluyen científicos, contadores, estadísticos, ingenieros y desarrolladores de software informático.
Controlar productos caseros por medio de la voz, tal como, la temperatura de aire acondicionado, cortinas, interruptores y control por voz para sistemas de iluminación.
Desarrollo de perfiles y contenido recomendado para usuarios con ayuda de las tecnologías de aprendizaje automatizado y aprendizaje profundo, junto con el hisotial de registros de bocinas inteligentes y televisión inteligente.
¿Qué es el aprendizaje automático?
El aprendizaje automático se puede entender desde múltiples aspectos. Tom Mitchell, un científico global de aprendizaje automático, proporcionó una definición ampliamente citada: “Se dice que un programa informático aprende de la experiencia E con respecto a alguna clase de tareas T y la medida de rendimiento P si su rendimiento en tareas en T, medido por P, mejora con la experiencia E”.
Estas definiciones son simples y abstractas. Sin embargo, a medida que profundizamos nuestra comprensión del aprendizaje automático, encontraremos que la connotación y la extensión del aprendizaje automático están cambiando con el tiempo. Debido a que una variedad de campos y aplicaciones están involucrados y el aprendizaje automático se desarrolla rápidamente, no es fácil definir el aprendizaje automático de forma sencilla y clara.
Relación de IA, aprendizaje automático y aprendizaje profundo
IA: Una nueva ciencia técnica que se centra en la investigación y el desarrollo de teorías, métodos, técnicas y sistemas de aplicación para simular y ampliar la inteligencia humana.
Aprendizaje automático: Un campo de investigación básico de la IA. Se centra en el estudio de cómo las computadoras pueden obtener nuevos conocimientos o habilidades mediante la simulación o realización del comportamiento de aprendizaje de los seres humanos, y reorganizar la arquitectura de conocimiento existente para mejorar su rendimiento. Es uno de los principales campos de investigación de la IA.
Aprendizaje profundo: Un nuevo campo de aprendizaje automático. El concepto de aprendizaje profundo se origina en la investigación sobre redes neuronales artificiales. El perceptron multicapa (MLP) es un tipo de arquitectura de aprendizaje profundo. El aprendizaje profundo tiene como objetivo simular el cerebro humano para interpretar datos como imágenes, sonidos y textos.
El aprendizaje automático o Machine Learning (incluido el aprendizaje profundo) es un estudio de algoritmos de aprendizaje. Se dice que un programa informático aprende de la experiencia con respecto a alguna clase de tareas y medidas de rendimiento si su rendimiento en las tareas en, según lo medido por, mejora con la experiencia.
Escenarios de aplicación de aprendizaje automático
La solución a un problema es compleja o el problema puede implicar una gran cantidad de datos sin una función de distribución de datos clara.
El aprendizaje automático se puede utilizar en los siguientes escenarios:
¿Qué problemas pueden resolver los algoritmos de aprendizaje automático?
El aprendizaje automático puede resolver varios tipos de problemas. Los siguientes son tres ejemplos típicos:
Clasificación: El programa informático debe determinar qué tipo de entrada pertenece a la clase K.
Para realizar la tarea, el algoritmo de aprendizaje normalmente pertenece a una función Rn->(1.2…, k), como la clasificación de imágenes.
Regresión: en este tipo de tarea, el programa introduce valores para una previsión de entrada determinada.
Por ejemplo, predecir el importe de la reclamación del asegurado o el precio de los valores.
Agrupación en clústeres: una gran cantidad de datos sin etiquetar se divide en varias categorías en función de la similitud inherente de los datos. La similitud entre categorías es pequeña.
Los algoritmos de aprendizaje automático o Machine Learning
Lo interpretaremos desde los siguientes cinco niveles:
Descripción general de los algoritmos de aprendizaje automático
Las diferencias entre los algoritmos de aprendizaje automático y los algoritmos tradicionales basados en reglas
Cuándo usar el aprendizaje automático
¿Qué problemas pueden resolver los algoritmos de aprendizaje automático?
Algoritmos comunes de aprendizaje automático
Descripción general de los algoritmos de aprendizaje automático
El algoritmo de aprendizaje automático es encontrar una solución a un problema basado en datos históricos. Es justo cuando los seres humanos han aprendido de la experiencia histórica (no importa lo que el maestro nos dijo o los padres nos enseñan) predecir lo que podría suceder, o la solución a nuevos problemas.
En una frase, el algoritmo de aprendizaje humano es un proceso de aprendizaje de la experiencia para averiguar reglas para resolver lo que ha sucedido o sucederá. El algoritmo de aprendizaje automático es un proceso de aprendizaje a partir de datos históricos para encontrar modelos para predecir qué nuevos datos se generarán o cómo se deben procesar los nuevos datos.
Diferencias entre los algoritmos de aprendizaje automático y los algoritmos tradicionales basados en reglas
Sabemos que el algoritmo tradicional basado en reglas es un flujo de proceso que las personas resumen de la experiencia histórica para determinar cómo manejar un cierto tipo de problema. Los métodos de funcionamiento están predeterminados y la máquina solo se puede ejecutar según el proceso pre-organizado sí o no.
El algoritmo de aprendizaje automático es un proceso de aprendizaje automático autónomo, y es difícil describir los resultados del aprendizaje problemático.
Cuándo usar el aprendizaje automático
El aprendizaje automático se puede utilizar en las siguientes situaciones:
El problema implica una gran cantidad de datos, pero la regla de datos no se puede encontrar claramente.
No se pueden describir reglas, como el reconocimiento de voz.
Los mandatos cambian con el tiempo y pueden tener nuevos significados en cualquier momento.
Hay demasiados factores, y el cambio de una dimensión conduce a otros cambios.
¿Qué problemas pueden resolver los algoritmos de aprendizaje automático?
El aprendizaje automático puede resolver varios tipos de problemas. Los siguientes son tres ejemplos típicos:
Clasificación: El programa informático debe determinar qué tipo de entrada pertenece a la clase K.
Para realizar la tarea, el algoritmo de aprendizaje normalmente pertenece a una función Rn->(1.2…, k), como la clasificación de imágenes.
Regresión: en este tipo de tarea, el programa introduce valores para una previsión de entrada determinada.
Por ejemplo, predecir el importe de la reclamación del asegurado o el precio de los valores.
Agrupación en clústeres: una gran cantidad de datos sin etiquetar se divide en varias categorías en función de la similitud inherente de los datos. La similitud entre categorías es pequeña.
Como respuesta a las dudas y expectativas que genera el uso de Sistemas de Inteligencia Artificial nace la norma ISO/IEC 42001:2023
La norma ISO 42001:2023 se ha establecido como el primer estándar internacional dedicado a los Sistemas de Gestión de Inteligencia Artificial (SGIA), marcando un hito significativo para empresas que desarrollan, proveen o utilizan servicios basados en IA. Este estándar proporciona un marco para el desarrollo y uso responsable de la inteligencia artificial, ofreciendo directrices esenciales para asegurar que la tecnología sea fiable, transparente y ética.
La ISO 42001:2023 busca garantizar que las organizaciones empleen sistemas de IA de manera responsable, enfocándose en la fiabilidad, transparencia y ética de estas tecnologías. No solo aborda los beneficios de la IA, sino que también considera sus riesgos potenciales, especialmente en términos de impacto en los individuos afectados por su aplicación.
Esta norma internacional es aplicable a cualquier organización, independientemente de su tamaño, forma jurídica o el sector en el que opere, incluyendo tanto entidades públicas como privadas. Ofrece una base para la certificación, respaldando el compromiso de las empresas con un uso ético y responsable de la IA.
Tengo una pagina que habla sobre la norma 42001:2003 en específico la liga aquí
