La inteligencia artificial está invadiendo rápidamente todas las áreas de nuestra vida digital, seleccionando las historias de las redes sociales que vemos, identificando a nuestros amigos y mascotas en las fotos, e incluso asegurándonos de evitar accidentes en el camino. Sin embargo, si quieres entender la IA, debes comenzar con los términos que la respaldan..

Y, por lo tanto, presentamos el glosario TechRadar de AI: cinco de las palabras y frases clave que querrá saber para controlar esta tecnología cada vez mejor, y para continuar su conversación la próxima vez que surja el tema. alrededor de la mesa.

Sin embargo, primero, un descargo de responsabilidad: no todos están de acuerdo con la definición exacta de algunas de estas palabras, por lo que es posible que las vea utilizadas de manera diferente en otros sitios de la web. Siempre que sea posible, hemos tratado de mantener las definiciones más utilizadas, pero con una tecnología tan nueva y de rápido crecimiento, siempre habrá discrepancias..

  • Aquí están los ambiciosos planes de inteligencia artificial de Microsoft en detalle.

1. Algoritmos

Ah, el algoritmo famoso (o infame). Los algoritmos son conjuntos de reglas que los programas de computadora pueden seguir, por lo tanto, si uno de tus mejores amigos publica una foto tuya en Facebook, entonces las reglas dicen que debería aparecer en la parte superior de tu News Feed. O si necesita ir de A a B en Google Maps, un algoritmo puede ayudarlo a encontrar la ruta más rápida.

A las reglas les siguen las computadoras, pero generalmente las establecen los humanos, por lo que son los ingenieros de Facebook quienes eligen qué hace que una historia sea importante o qué caminos son los más rápidos. Donde la inteligencia artificial comienza a aparecer es en la modificación de estos algoritmos mediante el aprendizaje automático, de modo que los programas comienzan a adaptar estas reglas por sí mismos. Google Maps podría hacer esto si comienza a recibir datos de comentarios de que una carretera en particular está cerrada.

Cuando los sistemas de reconocimiento de imágenes se equivocan, por ejemplo, es un ejemplo de un algoritmo o conjunto de reglas en el trabajo: se han aplicado las mismas reglas pero se ha alcanzado el resultado incorrecto, por lo que se obtiene un perro parecido a un gato en lugar de un perro real. gato. En muchos sentidos, los algoritmos son los componentes básicos del aprendizaje automático (ver más abajo).

2. Inteligencia artificial.

Justo lo que es la inteligencia artificial de todos modos? Las definiciones difieren según a quién se las pida, pero en el sentido más amplio, se trata de cualquier tipo de inteligencia creada artificialmente. Obviamente.

Entonces, cuando Siri te responde como un verdadero ser humano, eso es inteligencia artificial. Y cuando Google Photos parece saber qué aspecto tiene un gato, eso también es inteligencia artificial. Y Anthony Daniels escondido dentro de su traje C-3PO también es inteligencia artificial, en cierto modo, la ilusión de un robot que habla y piensa que en realidad está controlado por un humano..

La definición realmente es tan amplia, por lo que puede ver por qué a menudo hay confusión sobre cómo se debe aplicar. Hay muchos tipos y enfoques diferentes para la IA, así que asegúrese de comprender las diferencias: cuando se describe algo que tiene AI incorporado, eso podría significar que se trata de una amplia gama de tecnologías..

3. Aprendizaje profundo

El aprendizaje profundo es un tipo o un subconjunto de aprendizaje automático (ver más abajo), por lo que los dos términos a menudo se mezclan y pueden usarse correctamente para describir la misma IA en muchos casos. Es de aprendizaje automático, pero está diseñado para ser aún más inteligente, con más matices y más capas, y está diseñado para funcionar más como el cerebro humano..

El aprendizaje profundo ha sido posible gracias a dos avances tecnológicos clave: más datos y un hardware más potente. Por eso es que recientemente se puso de moda, aunque sus raíces originales se remontan a décadas. Si lo piensa como el aprendizaje automático se convirtió en 11, puede comprender por qué se está volviendo más inteligente a medida que las computadoras se vuelven más poderosas..

El aprendizaje profundo a menudo hace uso de redes neuronales (ver más abajo) para agregar esta capa extra de inteligencia. Por ejemplo, tanto el aprendizaje profundo como el aprendizaje automático pueden reconocer a un gato en una imagen al escanear un millón de imágenes de gatos, pero mientras que el aprendizaje automático necesita saber qué características conforman un gato, el aprendizaje profundo puede determinar cómo se ve un gato por sí mismo. , siempre que haya suficientes datos en bruto para trabajar desde.


4. Aprendizaje automático

La programación del software y el hardware para hacer nuestra licitación está muy bien, pero el aprendizaje automático es la siguiente etapa, y es exactamente lo que suena. Son las máquinas que aprenden por sí mismas, en lugar de tener todo específicamente explicado cada vez..

Uno de los ejemplos más conocidos es el reconocimiento de imágenes. Proporcione a un sistema de aprendizaje automático suficientes imágenes de un gato, y eventualmente podrá detectar a un gato en una nueva imagen por sí mismo, sin las sugerencias de un operador humano. Se puede pensar que las redes de inteligencia artificial van más allá de su programación original, ya que primero se capacitaron en resmas de datos..

El programa AlphaGo de Google es otro buen ejemplo: enseñado por humanos pero capaz de tomar decisiones por su propia formación. Lo que AlphaGo también muestra es que muchos tipos de IA son muy específicos, que el motor es fantástico para jugar Go, pero que sería casi inútil en un auto con auto..

5. Redes neuronales

Atado estrechamente a la idea del aprendizaje profundo (ver arriba), las redes neuronales intentan imitar los procesos del cerebro humano, o la mayor parte del cerebro humano que entendemos en este momento. Nuevamente, el desarrollo de redes neuronales solo ha sido realmente posible en los últimos años con procesadores de alta gama..

Esencialmente significa muchas y muchas capas. En lugar de mirar una imagen y decidir si se trata de una imagen de gato, por ejemplo, la red neuronal considera varias características diferentes de la imagen y los gatos, asignándoles diferentes niveles de importancia antes de tomar una decisión final. El resultado final es un motor de reconocimiento de gatos que es mucho más preciso (de ahí que el reconocimiento de imágenes haya mejorado mucho en los últimos años).

Si no puede comprender por completo la idea, no se preocupe, las redes neuronales no son un concepto que pueda comprender completamente a partir de una breve definición de tres párrafos. Pero si lo consideras como otra herramienta de aprendizaje automático, diseñada para crear algunas de las sutilezas de la inteligencia humana, entonces tienes lo básico.

De TechRadar Semana AI es traído a usted en asociación con Honor.