Glosario amigable de conceptos clave sobre Inteligencia Artificial
La Inteligencia Artificial (IA) es la tecnología que va a provocar el mayor cambio disruptivo que hayamos vivido. A medida que hemos avanzado hacia un futuro cada vez más digital, la IA se ha convertido en un término omnipresente en nuestro día a día. Desde chatbots y asistentes de voz hasta algoritmos de búsqueda y reconocimiento de imágenes, la IA ha calado en nuestras vidas de manera sorprendente. Sin embargo, a pesar de su cotidianeidad, la IA puede ser un concepto complicado para quienes no están familiarizados con la tecnología. En este glosario, que pretende ser amigable y accesible, se incluyen conceptos clave de la Inteligencia Artificial, utilizando un lenguaje sencillo y sin jerga técnica. Desde definiciones básicas hasta aspectos más avanzados.
Índice de contenidos
Algoritmo
Un algoritmo es un conjunto de instrucciones que sigue un programa para ofrecerte un resultado. Por ejemplo, los motores de búsqueda como Google utilizan algoritmos para mostrar resultados basados en tus consultas, y las aplicaciones de redes sociales como TikTok e Instagram utilizan algoritmos para mostrarte contenido basado en tus intereses. Los algoritmos permiten a las herramientas de IA crear modelos predictivos o generar contenido y arte basado en tus entradas.
Alucinación
Cuando la IA presenta ficción como si fuera realidad, lo llamamos alucinación. Esto puede ocurrir cuando el conjunto de datos de la IA no es preciso o su entrenamiento tiene defectos, lo que hace que emita respuestas basadas en su conocimiento limitado. Aunque el tema es complejo, hay maneras de detectar alucinaciones fácilmente, como nos explica el escritor Stephen Johnson.
Aprendizaje Automático (Machine Learning)
Cuando los algoritmos pueden mejorar por sí mismos aprendiendo de la experiencia o los datos, se llama aprendizaje automático. Este es el concepto general que abarcan otros términos de IA, como el aprendizaje profundo y los modelos de lenguaje grande.
Aprendizaje No Supervisado (Unsupervised Learning)
El aprendizaje no supervisado es una técnica de aprendizaje automático en la cual un algoritmo se entrena utilizando datos sin etiquetas ni resultados previos. El objetivo del algoritmo es encontrar patrones y estructuras ocultas en los datos sin ninguna guía externa. Esta técnica es útil cuando no se dispone de datos etiquetados para entrenar modelos de aprendizaje supervisado.
Aprendizaje Profundo (Deep Learning)
El aprendizaje profundo intenta recrear la forma en que el cerebro humano aprende, utilizando tres o más “capas” de redes neuronales para procesar grandes cantidades de datos y aprender mediante ejemplos. Por ejemplo, el software de autos autónomos utiliza el aprendizaje profundo para identificar señales de alto, marcas de carril y semáforos. A través del reconocimiento de objetos y un entrenamiento repetitivo, la IA podrá identificar objetos con una precisión cercana al 100%.
Aprendizaje Supervisado (Reinforcement Learning from Human Feedback)
RLHF es el proceso de entrenar a la IA con la retroalimentación de las personas. Cuando la IA proporciona resultados incorrectos, un humano le muestra cuál debería ser la respuesta correcta. Esto permite que la IA proporcione resultados precisos y útiles mucho más rápido.
Inteligencia Artificial (AI)
La IA es como la “inteligencia” que encontramos en las computadoras o máquinas, pero que imita la inteligencia humana. Es un término amplio que abarca muchos tipos de inteligencia en las máquinas. Por ejemplo, tenemos herramientas como ChatGPT, Midjourney y Google Bard, que pueden generar contenidos de carácter artístico, de texto, programación… Si bien algunos debaten si estas herramientas son realmente “inteligentes”, la IA es el término que se ha quedado para describirlas.
Inteligencia Artificial Conversacional
Las herramientas de IA con las que puedes hablar, como los chatbots o los asistentes de voz, se llaman IA conversacional. Algunos ejemplos populares son ChatGPT, Google Bard, Alexa, Google Assistant y Siri.
Inteligencia Artificial Estrecha (Narrow AI)
La IA estrecha, también conocida como IA débil o IA específica, se refiere a sistemas de inteligencia artificial que están diseñados para realizar tareas específicas y limitadas. Estas IA son muy competentes en su área de especialización, pero carecen de la versatilidad y comprensión general de la inteligencia humana.
Inteligencia Artificial Fuerte (Strong AI)
La IA fuerte, también conocida como IA general o IA completa, es una forma hipotética de inteligencia artificial que tiene la capacidad de comprender, aprender y razonar como un ser humano en cualquier tarea intelectual. La IA fuerte aún no se ha logrado y es objeto de debates y especulaciones en el campo de la inteligencia artificial.
Inteligencia Artificial General (Artificial General Intelligence)
La AGI se refiere a una forma avanzada de inteligencia artificial que tiene la capacidad de comprender y aprender cualquier tarea intelectual que un ser humano pueda realizar. A diferencia de la IA convencional, que se enfoca en tareas específicas, la AGI se asemeja más a la inteligencia humana general y tiene la capacidad de transferir conocimientos entre diferentes dominios.
Inteligencia Artificial Generativa (Generative AI)
La IA generativa puede crear arte, imágenes, texto y otros resultados a partir de tus entradas, a menudo impulsada por un LLM. Además de herramientas como ChatGPT, hay muchos otros ejemplos interesantes de IA generativa, como Adobe Photoshop, que tiene una herramienta llamada Generative Fill que puede crear arte con solo unas pocas indicaciones de texto o convertir una imagen vertical en un fondo de pantalla panorámico.
Ingeniería de Instrucciones (Prompt Engineering)
Un “prompt” es cualquier serie de palabras que utilizas para obtener una respuesta de un programa, como la IA generativa. Todas tus búsquedas en Google son ejemplos de “prompts”. La ingeniería de instrucciones en el contexto de la IA es el arte de escribir instrucciones para obtener las respuestas más útiles de los chatbots. Es un campo en el que las personas son contratadas para crear instrucciones creativas para probar las capacidades y limitaciones de las herramientas de IA.
Minería de Datos (Data Mining)
La minería de datos es el proceso de buscar patrones o tendencias en grandes conjuntos de datos. Algunas herramientas de IA utilizan la minería de datos para entender qué hace que las personas compren más en una tienda o sitio web, o cómo optimizar un negocio para satisfacer una mayor demanda durante las horas punta.
Modelo de Lenguaje Grande (LLM)
Un modelo de lenguaje grande (LLM) es un algoritmo de aprendizaje profundo entrenado con una gran cantidad de datos para generar, traducir y procesar texto. Los LLM (como el GPT-4 de OpenAI) permiten a las herramientas de IA, como ChatGPT, comprender tus preguntas y generar respuestas basadas en ellas. También impulsan herramientas de IA que pueden identificar las partes importantes de un texto o un video y resumirlos para ti.
Procesamiento del Lenguaje Natural (Natural Language Processing)
Cuando un programa puede entender entradas escritas en lenguaje humano, entra en el campo del procesamiento del lenguaje natural. Es lo que permite que tu aplicación de calendario entienda qué hacer cuando escribes “Tengo una reunión a las 8 p.m. en la cafetería de la Quinta Avenida mañana”, o cuando preguntas a Siri “¿Cómo estará el clima hoy?”
Redes Neuronales (Neural Networks)
Las redes neuronales de IA imitan la estructura de neuronas del cerebro humano para aprender de conjuntos de datos. Son el sistema que permite el aprendizaje automático y el aprendizaje profundo, y finalmente permite que las máquinas realicen tareas complejas como el reconocimiento de imágenes y la generación de texto.
Redes Neuronales Recurrentes (RNN)
Las redes neuronales recurrentes son un tipo especial de redes neuronales que tienen conexiones que forman bucles, lo que les permite mantener información a lo largo del tiempo. Son útiles en tareas donde la secuencia de datos es relevante, como en el procesamiento del lenguaje natural, traducción de idiomas, generación de texto y predicción de series temporales.
Sesgo (Bias)
En el contexto de la IA, el sesgo se refiere a resultados erróneos producidos porque el algoritmo hace suposiciones incorrectas o carece de datos suficientes. Por ejemplo, las herramientas de reconocimiento de voz pueden no entender ciertos acentos del inglés correctamente porque fueron entrenadas solo con un acento americano.