1.3. ¿Cómo clasificamos las IA?
La clasificación de la inteligencia artificial puede hacerse de varias formas, por ejemplo según su aprendizaje, funcionamiento, características u objetivos. Enfocaremos la clasificación en función del tipo de aprendizaje.
- IA de aprendizaje automático (machine learning). El objetivo es que los sistemas informáticos aprendan y mejoren mediante datos, sin requerir programación explícita. Existen tres subcategorías importantes:
- IA supervisada. Usa datos etiquetados para entrenar algoritmos, de forma que les permite hacer predicciones precisas sobre nuevos datos. Se usa en aplicaciones como por ejemplo la clasificación de correo electrónico (para diferenciar el correo basura del que no lo es) o el diagnóstico médico (diagnóstico de melanomas).
- IA no supervisada. Aprende de datos no etiquetados para descubrir patrones ocultos o agrupar datos. Se incluyen tareas como por ejemplo el agrupamiento y la reducción de la dimensión, útiles para el análisis de datos y la segmentación de clientes, por ejemplo.
- IA por refuerzo (reinforcement learning). Aprendida por medio de la interacción con un entorno dinámico, toma decisiones con retroalimentación en forma de recompensas o penalizaciones. Se usa, por ejemplo, en aplicaciones desde la conducción autónoma hasta la formación de robots.
- IA de aprendizaje profundo. Es una rama de la inteligencia artificial que utiliza modelos de redes neuronales para aprender y comprender patrones complejos a partir de datos. Estas serían algunas características que la definen:
- Redes neuronales profundas. Las redes neuronales profundas consisten en varias capas de neuronas interconectadas, inspiradas en el funcionamiento del cerebro humano. Cada capa procesa información y transmite la salida a las siguientes capas, de forma que permite un aprendizaje jerárquico.
- Capacidad de representación. Con múltiples capas, este tipo de IA puede aprender a representar patrones de datos muy complejos. Esta capacidad hace que sea adecuada para tareas como por ejemplo el reconocimiento de imágenes, el procesamiento del lenguaje natural y otros ámbitos con datos complicados.
- Aprendizaje jerárquico. Las capas sucesivas aprenden características a diferentes niveles de abstracción. Por ejemplo, en el reconocimiento de imágenes, las capas iniciales pueden detectar formas básicas, mientras que las capas más profundas pueden identificar patrones más complejos.
- Procesamiento de entrada con muchas dimensiones. Las dimensiones se refieren a los diferentes atributos o variables que describen cada instancia de los datos. La capacidad de manipular gran cantidad de datos con muchas dimensiones es básica en muchas aplicaciones, puesto que permite a los modelos captar detalles sutiles y complejos en los datos.
- Gran cantidad de datos y potencia de cálculo. El entrenamiento de estos modelos necesita cantidades enormes de datos para obtener unos resultados óptimos. Esto implica disponer de ordenadores con una gran capacidad de cálculo.
- Aplicaciones de la IA de aprendizaje profundo.
- Reconocimiento de imágenes. Identificación de objetos y patrones en imágenes, como por ejemplo la clasificación de gatos y perros.
- Procesamiento del lenguaje natural (PNL). Por ejemplo, traducción automática, análisis de sentimientos o generación de texto, entre otros.
- Visión por ordenador. Detección de caras, segmentación de objetos, etc.
- Reconocimiento de la voz. Transformación de voz a texto y al revés.
- Juegos de ordenador. Aprendizaje de políticas óptimas en juegos como por ejemplo el Go o los videojuegos.
- Código de lenguaje de programación. Generación o modificación de código de programas.
La inteligencia artificial generativa estaría dentro de este grupo de IA de aprendizaje profundo. Es decir, si lo representamos gráficamente, quedaría de este modo:
Esta inteligencia, la IAG, aprende de los datos de forma automática. Analiza cantidades inmensas de datos y encuentra patrones y relaciones que de otra forma serían difíciles de detectar, y crea material original a partir de estos datos.
La inteligencia artificial generativa utiliza como marco de trabajo las redes generativas antagónicas (GAN, sigla del inglés generative adversarial networks), dos redes neuronales: una generadora y otra discriminadora. La generadora se encarga de crear contenido nuevo, mientras que la discriminadora se encarga de evaluar si el contenido generado es real o falso. Esta interacción entre la generadora y la discriminadora permite que la IA aprenda de los datos de forma eficaz y eficiente, y genera nuevo contenido de alta calidad y realista.