Inteligencia artificial: definición, sistemas de IA y toda la información

| |

¿Qué es realmente la inteligencia artificial? ¿Qué significa aprendizaje automático? ¿Y cómo fue eso de nuevo con las GAN? Aquí encontrarás definiciones bien claras de términos técnicos que se utilizan habitualmente.

Cualquiera que piense en el futuro de las computadoras no puede ignorar la inteligencia artificial. Y si piensas en el pasado de la computadora, tampoco lo piensas: el sueño de la máquina pensante ya se puede encontrar entre los antiguos griegos.

Pero la época de las leyendas parece haber terminado: la inteligencia artificial está en todas partes hoy. Pero, ¿Qué es exactamente lo que llamamos Inteligencia Artificial hoy en día? Y, ¿Cómo funciona?

¿Qué es la inteligencia artificial?

John McCarthy, uno de los padres fundadores de la IA, describió la Inteligencia Artificial como «la ciencia y la tecnología de fabricación de máquinas inteligentes», es decir, como un campo de actividad para investigadores e ingenieros.

Hoy en día el término suele significar precisamente estas máquinas inteligentes: la inteligencia artificial significa sistemas informáticos que se comportan de forma inteligente . Inteligencia aquí significa: Resuelves tareas que normalmente requieren inteligencia, como comprender y expresar el lenguaje, el reconocimiento de imágenes, la toma de decisiones o las traducciones.

Según el Grupo de Expertos de la UE , los sistemas de IA son “sistemas de software (y posiblemente hardware) diseñados por humanos que actúan sobre un objetivo complejo a nivel físico o digital, percibiendo su entorno a través de la recopilación de datos, la interpretación estructurada o recopilada de datos no estructurados, dibujar conclusiones o procesar la información derivada de estos datos y decidir sobre la (s) medida (s) apropiada (s) para lograr el objetivo especificado. Los sistemas de inteligencia artificial pueden usar reglas simbólicas o aprender un modelo numérico, y también pueden analizar los efectos de sus acciones previas en el medio ambiente y adaptar su comportamiento en consecuencia «.

IA débil / ajustada

A diferencia de los humanos, las IA generalmente solo aprenden y completan una tarea en un nivel alto . Por lo tanto, una IA de este tipo se denomina IA débil o estrecha. Dentro de su especialidad, ahora suelen ser superiores a los humanos. Todos los sistemas de IA actuales son IA débiles.

IA general / fuerte

Todavía no existe una IA con capacidad similar a la inteligencia humana que pueda trabajar con muchas tareas diferentes. Pero es el objetivo principal de la investigación de la IA. Tal IA se llama inteligencia artificial general. Comunes, pero menos claros debido a sus orígenes filosóficos, son los términos IA fuerte o verdadera. En alemán, la traducción de inteligencia artificial general también se puede encontrar aquí y allá.

Super IA

Si la Inteligencia Artificial avanza tanto que supera a los humanos en todos los aspectos, se crea la Super Inteligencia Artificial. Para muchos alarmistas de la IA, la aparición de una KSI -llamada singularidad- marca el probable fin de la humanidad. Por otro lado, algunos expertos en IA esperan que la super IA resuelva los principales problemas de la humanidad, como la pobreza, el cambio climático y las enfermedades.

Campos de aplicación de la inteligencia artificial

Según la consultora de gestión McKinsey, la mayoría de los efectos económicos de la revolución de la inteligencia artificial aún están por llegar. Pero las aplicaciones de IA ya se pueden encontrar en la industria y para los usuarios finales, impulsadas por las capacidades de inteligencia artificial que ya están disponibles.

La tecnología de IA actual se puede dividir aproximadamente en cuatro campos: tecnología básica, aplicaciones en la industria, para usuarios finales , aquí la asistencia está en primer plano, así como en el sector del entretenimiento y el arte .

Las tecnologías básicas son la visión artificial y el procesamiento del lenguaje natural, los asistentes digitales, la automatización de procesos robóticos y el aprendizaje automático avanzado. En este campo, la investigación académica e industrial marca la pauta y desarrolla la inteligencia artificial.

En la industria, el software de inteligencia artificial ayuda a administrar las cadenas de suministro, el mantenimiento, la investigación y el desarrollo, y las ventas y el marketing. Las industrias de alta tecnología, como el comercio en línea o los motores de búsqueda, utilizan algoritmos de inteligencia artificial para comprender mejor a sus clientes y mostrarles productos y resultados de búsqueda adecuados. Y Amazon usa IA para operar tiendas de comestibles completamente sin cajero y sin cajero.

Los usuarios finales usan asistentes digitales como el Asistente de Google o Alexa de Amazon a diario y usan el reconocimiento facial para desbloquear sus teléfonos inteligentes. La inteligencia artificial también mejora los servicios existentes, como el cálculo de gráficos para videojuegos o la ampliación de videos y fotos antiguas. Mientras tanto, los artistas han descubierto las capacidades creativas de la inteligencia artificial y trabajan en particular con deepfakes y la tecnología GAN subyacente para la generación y modificación de imágenes.

Cómo crear inteligencia artificial

Hay varios métodos para crear inteligencia artificial. Básicamente, se pueden distinguir dos enfoques diferentes:

La llamada «IA buena y anticuada» (GOFAI) determinó la investigación en IA hasta finales de los años 80 y se esforzó por conseguir una IA fuerte. La idea: el pensamiento humano consiste en la combinación lógica de conceptos individuales que contienen nuestro conocimiento sobre el mundo.

SHRDLU fue uno de los primeros programas de IA que intentó comprender el lenguaje natural. La IA, creada entre 1968 y 1970, puede mover objetos geométricos y proporcionar información sobre ellos cuando se le pide.

Esta idea dio lugar a los llamados sistemas expertos, que empaquetan información sencilla sobre el mundo en categorías simbólicas y operan con ellas en conclusiones lógicas.

El GOFAI no cumplió con las grandes expectativas de la IA: llegó el primer invierno de la IA. Se recortaron los fondos de investigación y se desecharon los proyectos. En la actualidad, este tipo de IA se utiliza, por ejemplo, en la automatización de procesos.

Aprendizaje profundo / Machine Learning / Deep Learning

El favorito de la investigación en IA es el aprendizaje automático, especialmente el aprendizaje profundo.

El aprendizaje automático crea sistemas informáticos que aprenden a realizar tareas utilizando datos. En lugar de que un desarrollador proporcione instrucciones línea por línea en forma de código de programación, tras el impulso inicial el software sigue escribiendo su código por sí mismo y lo optimiza para obtener un mejor resultado.

El favorito actual de la disciplina de investigación es el llamado deep learning: aprendizaje automático con redes neuronales multicapa que reconocen patrones en los datos con una precisión cada vez mayor y así aprenden las preferencias humanas, reconocen objetos o entienden el lenguaje.

El aprendizaje automático impulsa un gran número de servicios actuales de IA. Ya sea Google, Netflix o Facebook: Los algoritmos de aprendizaje hacen recomendaciones, mejoran los motores de búsqueda y permiten que los asistentes de voz den respuestas.

Redes neuronales artificiales / (Artificial) Neural Networks

Las redes neuronales artificiales se inspiran en una imagen rudimentaria del cerebro humano: Un algoritmo crea diferentes capas de neuronas conectadas o nodos que intercambian información entre sí. Las redes neuronales tienen sus inicios matemáticos en 1943.

En el caso más sencillo, la arquitectura consta de una capa de entrada, una capa oculta intermedia y una capa de salida. La señal de entrada es modificada por los valores generados inicialmente de forma aleatoria por las neuronas intermedias y pasa a la capa de salida.

Una simple red neuronal artificial.  Un círculo corresponde a una neurona artificial, una flecha muestra la conexión de una salida de una neurona a la entrada de otra.  Imagen: Wikipedia.
Una sencilla red neuronal artificial. Un círculo corresponde a una neurona artificial, una flecha muestra la conexión de una salida de una neurona con la entrada de otra.

Ahora se puede comparar la salida con la entrada: ¿la predicción fue correcta o no? En función del resultado, se modifican los valores de las neuronas centrales y se repite el proceso con una nueva entrada. A través de muchas repeticiones, la predicción se vuelve cada vez más precisa.

Publicación Destacada

En resumen: las redes neuronales son algoritmos que se optimizan a sí mismos.

Si desea profundizar, le recomendamos la excelente serie de videos en inglés vinculados .

Aprendizaje profundo / Deep Learning

El aprendizaje profundo es el aprendizaje automático con redes neuronales con más de una capa oculta.

Estas complejas redes neuronales iniciaron su marcha triunfal a más tardar en 2012, cuando una red de este tipo ganó ampliamente el concurso ImageNet de análisis de imágenes.

Cada capa de una red neuronal profunda puede analizar su propia información de imagen: bordes, texturas y patrones hasta objetos.  De archivo: Distil.
Cada capa de una red neuronal profunda puede analizar su propia información de la imagen: Bordes, texturas y patrones hasta los objetos.

El aprendizaje profundo es el responsable del auge de la IA en los últimos años, especialmente en el reconocimiento de imágenes, la conducción autónoma o las falsificaciones profundas.

El avance en el aprendizaje profundo es posible gracias a procesadores cada vez más rápidos y chips de IA dedicados, como la TPU de Google, así como a grandes cantidades de datos que se utilizan para entrenar la máquina.

Red Generativa Adversarial (GAN)

Las GAN consisten en dos redes neuronales (agentes) que se mejoran mutuamente. Ambos se entrenan con un conjunto de datos común, como las fotos.

Un agente crea un contenido similar al conjunto de datos, el otro lo compara con el conjunto de datos original. Si lo reconoce como falso, esto obliga al agente falsificador a mejorar su contenido, hasta que parezca que pertenece al conjunto de datos de entrenamiento.

En 4,5 años, las IAs de GAN se han vuelto cada vez mejores para generar retratos humanos.

Con suficientes repeticiones, se crea un maestro de la falsificación: los GAN generan personas engañosamente reales, deepfakes, paisajes urbanos o modelos falsos. Escriben poesía, hacen música y crean costosas obras de arte, convierten los juegos retro en versiones HD. Desde su introducción en 2014, han mejorado constantemente.

Caja negra e inteligencia artificial explicable

El aprendizaje automático tiene una desventaja central: a menudo es imposible entender exactamente cómo la IA llega a su resultado. Las redes neuronales profundas son tan complejas que no está claro qué papel juegan las capas individuales y las neuronas en el procesamiento de la IA.

Por lo tanto, los sistemas de inteligencia artificial a menudo se denominan caja negra : una caja negra y opaca que se encuentra entre la entrada y la salida.

Datos en la parte delantera, resultados en la parte posterior.  Lo que sucede en el medio no está claro, por lo que la imagen de la caja negra.
Datos en la parte delantera, resultados en la parte posterior. Lo que sucede en el medio no está claro: esta es la caja negra.

Los investigadores de la rama de investigación de «IA explicable» están tratando de investigar esta caja negra. Desea hacer que los sistemas de inteligencia artificial completos, o al menos los resultados individuales, sean comprensibles para las personas.

Empresas tecnológicas como Microsoft, IBM, Google o Facebook también están desarrollando herramientas de software que supuestamente arrojarán luz sobre la complejidad de las redes neuronales artificiales. El investigador de inteligencia artificial Iyad Rawhan está a punto de solicitar una nueva disciplina que investigue el comportamiento de las máquinas inteligentes.

Entrenamiento de IA: así se entrena la inteligencia artificial

La formación forma parte de la inteligencia artificial tanto como los marcadores de posición en las fórmulas matemáticas. Pero la forma en que se aprende y se entrena depende totalmente de la IA. Le presentaré algunos métodos de aprendizaje que se utilizan en el entrenamiento de la IA.

Aprendizaje supervisado

En el aprendizaje supervisado, la IA es supervisada en el sentido de que sus datos de entrenamiento están preparados. Por ejemplo, si una IA debe reconocer objetos en fotos, todos los gatos, coches, árboles, etc. se marcan en las fotos de entrenamiento antes de la formación.

Oculus Rift: Oculus revela el título exclusivo de Asgard's Wrath
Ejemplo de una imagen preparada por un humano para el entrenamiento de IA.

Este proceso de etiquetado lleva mucho tiempo, pero es la base del éxito del entrenamiento supervisado: la IA sabe qué patrones debe buscar gracias al intenso trabajo humano de preparación.

El aprendizaje supervisado está detrás de gran parte del actual uso generalizado de las IA, por ejemplo para la conducción autónoma, el reconocimiento facial o la búsqueda en línea. Las etiquetas suelen ser puestas por trabajadores con salarios bajos; en los últimos años, se ha convertido en una industria mundial.

Aprendizaje no supervisado o autosupervisado / Unsupervised Learning

El aprendizaje no supervisado es el faro de esperanza en la investigación de la IA. Esto se debe a que, a diferencia del aprendizaje supervisado, los datos no se preparan de forma elaborada: La IA recibe grandes cantidades de datos sin etiquetas y busca de forma independiente patrones en los datos.

El método tiene dos ventajas: En primer lugar, los conjuntos de datos amplios y bien preparados son escasos. En segundo lugar, una IA puede descubrir así correlaciones en los datos que permanecen ocultas para los humanos.

En palabras del investigador de IA Yann LeCun, «Si la inteligencia es un pastel, la mayor parte del pastel es aprendizaje no supervisado, la guinda es el aprendizaje supervisado y la guinda es el aprendizaje por refuerzo».

¿Bot o no?  Con esta herramienta de navegador puede exponer textos de IA falsos
La potente IA de texto GPT-2 de OpenAI ha sido posible gracias al aprendizaje autosupervisado: los avances en la generación de textos por parte de la inteligencia artificial también aportan nuevas herramientas para detectar textos falsos.

Mientras tanto, el término aprendizaje autosupervisado también se ha generalizado. Según el punto de vista, se trata de una variante especial del aprendizaje no supervisado o de un sinónimo. LeCun ya ha anunciado que a partir de ahora sólo hablará de aprendizaje autosupervisado en lugar de aprendizaje no supervisado.

En el aprendizaje autosupervisado, a menudo se retiene parte de los datos de entrenamiento y la IA tiene que predecirlos, como la siguiente palabra de una frase. Esto le obliga a aprender detalles importantes sobre los datos, como las representaciones semánticas.

El aprendizaje autosupervisado se utiliza para el escalado de la IA, por ejemplo, y ha permitido los grandes avances de las IAs lingüísticas en los últimos 1,5 años. OpenAI utiliza el método de aprendizaje del potente algoritmo GPT-2. Y Microsoft lo ha utilizado para entrenar a Turing-NLG, la mayor IA de voz hasta la fecha.

Aprendizaje reforzado

El aprendizaje por refuerzo se basa en el palo y la zanahoria: cada vez que la IA lleva a cabo su tarea con éxito, es recompensada. Si no consigue su objetivo, no obtiene nada o es castigado.

Con este método de prueba y error, la IA pasa de principiante a profesional en muchas áreas a través de la prueba y el error, por ejemplo en Go y ajedrez, Dota 2, Starcraft 2 o póker. Todos los éxitos recientes se basan en el llamado aprendizaje profundo por refuerzo, una combinación de refuerzo y aprendizaje profundo.

Publicación Destacada

Aprendizaje por transferencia / Transfer Learning

El aprendizaje por transferencia se refiere a los métodos de formación en los que las habilidades aprendidas de una IA se aplican a un problema nuevo pero relacionado. Un ejemplo es la IA de reconocimiento de imágenes de Google, Inception, que utilizan los investigadores para detectar el cáncer de pulmón.

Las nuevas empresas de IA como Kheiron entrenan IA de reconocimiento de imágenes probadas para diagnosticar el cáncer. 

A largo plazo, el aprendizaje por transferencia podría alejar a las IA de los talentos insulares y llevarlas hacia una mayor flexibilidad. La investigación sobre el aprendizaje por transferencia es, por tanto, una importante contribución a la inteligencia artificial general.

Aprendizaje por imitación

El aprendizaje por imitación utiliza las demostraciones como material de entrenamiento para las IAs. En los videojuegos, por ejemplo, puede tratarse de grabaciones de jugadores humanos luchando en un juego, o de un robot que aprende observando los movimientos humanos.

El clásico de Artari Montezuma's Revenge fue notoriamente difícil de descifrar para las IA.  Mientras tanto, se ha hecho, entre otras cosas, por la IA tomando a jugadores humanos como modelos.
El clásico de Atari «La venganza de Montezuma» no pudo ser jugado durante mucho tiempo por las IAs. Mientras tanto, ha sido logrado por la IA utilizando el aprendizaje imitativo basado en maniobras de juegos humanos.

Una ventaja del aprendizaje imitativo sobre el aprendizaje por refuerzo es su mayor flexibilidad: en algunos entornos, las recompensas son difíciles de definir o de conseguir. Un método de prueba y error puro no ayuda a la IA entonces. Aquí ayuda la demostración humana, de la que la IA puede aprender el camino.

Aprendizaje de pocos tiros / Few Shot Learning

A menudo se necesitan innumerables ejemplos hasta que una IA reconoce con éxito patrones en los datos. Los llamados métodos de aprendizaje de una o pocas veces ayudan a las IAs a aprender una nueva habilidad de forma similar a los humanos, utilizando sólo unos pocos ejemplos o incluso un solo ejemplo.

La IA de Nvidia puede hacer bailar a las personas, transmitir expresiones faciales y generar tomas callejeras. El todoterreno solo necesita algunos ejemplos, como algunas fotos de un presentador de noticias. | Vídeo: Nvidia

En la práctica, las IAs podrían aprender nuevas tareas sin necesidad de un amplio entrenamiento. Por ejemplo, los investigadores de Samsung lograron intercambiar los rostros de las personas con sólo unos pocos ejemplos. Un grupo de investigación israelí incluso ha ido más allá y ha desarrollado un método para realizar deepfakes en tiempo real sin necesidad de entrenamiento facial previo.

Aprendizaje adversario

Los sistemas de IA son a menudo susceptibles a ataques con los llamados «ejemplos opuestos». Las IA especializadas en análisis de imágenes pueden ser engañadas con imágenes mínimamente manipuladas. Un ligero desplazamiento de píxeles que es invisible para el ojo humano o un tipo de marca de agua suele ser suficiente para esto. Código malicioso visual, por así decirlo.

Luego, una IA reconoce un rifle en lugar de una tortuga, una camiseta con una impresión especial protege contra el reconocimiento facial o un automóvil autónomo gira repentinamente porque ha escaneado una pegatina peligrosa en un letrero de la calle.

Gracias a una camiseta impresa, un investigador es invisible para una IA que reconoce a las personas.  Imagen: Xu et al.
Gracias a una camiseta impresa, un investigador es invisible para una IA que reconoce a las personas. 

El campo de investigación del aprendizaje opuesto intenta hacer que los sistemas de IA sean más robustos contra los ataques de píxeles . Los sistemas a menudo se entrenan para esto con los ejemplos opuestos dañinos mencionados anteriormente. Así es como aprenden a no enamorarse de ellos.

Por supuesto, como en muchos otros escenarios de ciberseguridad, aquí ocurre el conocido juego del gato y el ratón: si se cierra una brecha de seguridad, se abre una nueva.

El papel de la inteligencia artificial en la digitalización

Para comprender el papel de la inteligencia artificial en la digitalización, primero debe aclararse el término digitalización. En alemán tiene un doble significado, que en inglés está más claramente separado por las palabras «digitalización» y «digitalización».

La «Digitalización» es la transmisión (automática) de valores / datos analógicos como documentos en papel, microfilmes, fotografías o grabaciones de sonido en los formatos digitales correspondientes.

Esto hace que los datos sean accesibles para los procesos de «digitalización» : la habilitación, mejora o conversión de modelos y procesos comerciales mediante el uso de tecnologías digitales y datos digitalizados, que se convierten en conocimiento utilizable mediante métodos de procesamiento de datos. Cualquiera que hable hoy de digitalización en alemán suele referirse a este proceso.

La digitalización en este sentido conduce a una transformación digital : La profunda reorganización de los procesos, competencias y modelos de negocios u otros organizacionales para poder aprovechar al máximo las ventajas de las nuevas tecnologías digitales.

La tecnología de inteligencia artificial juega un papel triple en este proceso: hoy en día, ayuda a digitalizar datos analógicos, por ejemplo, con análisis de imágenes y voz. También puede analizar grandes cantidades de datos, es decir, «big data», y reconocer patrones en ellos. Para hacer esto, a menudo se capacita con los datos digitalizados, reconoce imágenes, procesa el lenguaje natural, hace predicciones en el campo de la analítica predictiva, interactúa con clientes y empleados a través de chatbots o crea máquinas inteligentes en el borde de la nube.

La IA hace una contribución significativa a la transformación digital: se abren nuevos mercados, los procesos antiguos están desapareciendo o se están modificando fundamentalmente, y las estructuras de mercado establecidas se están rompiendo. Sin algoritmos de inteligencia artificial no habría Google, ni Facebook, ni Netflix, ni Uber ni Amazon, al menos no en la forma en que conocemos a las corporaciones.

Transformación digital, inteligencia artificial e Industria 4.0

Publicación Destacada

En la industria manufacturera, la tecnología de IA habilita las dos bases de la Industria 4.0: el Internet industrial de las cosas y la robótica.

El Internet de las Cosas (IoT) es un motor esencial y un componente de la digitalización de la economía y la sociedad. El IoT amplía la red de comunicación global clásica de Internet, por ejemplo con dispositivos inteligentes para usuarios finales o sensores inteligentes para dispositivos industriales que se integran en la red global como «socios de comunicación». Entregan grandes cantidades de datos previamente desaprovechados y les proporcionan software de inteligencia artificial para su evaluación y control.

Con el Internet de las cosas industrial (IIoT) , todas las máquinas, productos y procesos pueden conectarse en red: el material faltante se ordena automáticamente, las piezas de trabajo se mueven sin problemas a la siguiente máquina, los errores se reconocen idealmente antes de que sucedan: el control del proceso se vuelve más transparente y más fácil de control y al mismo tiempo más eficiente gracias a una amplia automatización. Esto debería reducir los costos y permitir procesos rápidos con un alto grado de flexibilidad.

Además de IIoT, la robótica en particular tiene demanda en la producción: la automatización trabaja con mucho esfuerzo para la especificación e instalación de los robots en una línea de producción. Sin embargo, cada robot es un especialista y tiene una capacidad muy limitada para percibir, moverse y manipular. La automatización es inflexible, costosa, debe calibrarse con precisión y solo vale la pena para las grandes empresas que fabrican una gran cantidad de productos estandarizados.

La inteligencia artificial ya puede poner en funcionamiento robots que sean más flexibles y perciban mejor su entorno. Esto permite los llamados cobots : brazos robóticos pequeños y económicos que son programables y pueden trabajar junto a las personas. Este desarrollo permite una mayor flexibilidad en la producción: los cobots pueden usarse temporalmente en una estación de trabajo, luego reprogramarse y continuar funcionando en otra ubicación. Esto hace que la tecnología sea interesante para empresas que anteriormente no podían permitirse la automatización clásica.

Sin embargo, el gran objetivo de la Industria 4.0 son robots que sean aún más inteligentes, más flexibles y más atentos. Deben ser capaces de reconocer y procesar objetos con la misma flexibilidad que los humanos, y así automatizar todas las etapas de un proceso de fabricación.

La «fábrica de luces apagadas» debería hacer esto posible para muchos productos, una fábrica totalmente autónoma que funciona sin intervención humana y, por lo tanto, no necesita iluminación. Estos robots necesitan avances en la investigación de la IA, especialmente en el reconocimiento de objetos y el aprendizaje por refuerzo, con los que los robots pueden aprender rápidamente nuevas tareas.

Inteligencia artificial: ventajas y riesgos

Las aplicaciones de IA actuales son esencialmente procesos estadísticos y pueden usarse donde existan grandes cantidades de datos y una cierta inexactitud no tiene consecuencias fatales. En estos casos, la IA puede ofrecer un gran valor añadido: para empresas como Google, Baidu o Facebook, que utilizan la IA para organizar sus resultados de búsqueda o feeds de noticias, o para los usuarios finales que utilizan la IA para desbloquear sus teléfonos inteligentes, ordenar fotos o traducir textos.

En aquellos casos en los que se requiere una mayor precisión, la tecnología de IA actual llega a sus límites: La revolución en la movilidad a través de los vehículos autónomos se prometió hace unos años, pero aún existen accidentes provocados por errores en los sistemas de asistencia al conductor autónomos de bajo nivel provocados.

En otros casos, la inexactitud de los sistemas simplemente se ignora: la vigilancia de la IA está avanzando en todo el mundo, los estados utilizan IA de reconocimiento facial inexacto para combatir el crimen o monitorear manifestaciones. Los sistemas de inteligencia artificial que han sido entrenados con conjuntos de datos cargados de razas hacen recomendaciones sobre si las personas deben recibir libertad bajo fianza. Sistemas similares en los bancos deciden quién tiene derecho a un préstamo.

Cuando se ignoran la inexactitud y la precarga, surge la impresión de una infalibilidad de los algoritmos basada en la máquina. Esto a veces dificulta que los afectados impugnen las decisiones. Ya sea que los sistemas de inteligencia artificial más precisos resuelvan estos problemas o simplemente creen otros nuevos, he discutido en este artículo sobre los pros y los contras de la vigilancia de inteligencia artificial.

Deepfakes y desempleo

Los videos falsificados por IA, los llamados deepfakes, continúan extendiéndose. Por el momento, la tecnología parece usarse principalmente para entretenimiento y pornografía. La tecnología es utilizada ocasionalmente por estafadores y espías.

Los políticos estadounidenses todavía advierten sobre una avalancha de deepfakes en las elecciones estadounidenses de 2020. Por lo tanto, las grandes plataformas de redes sociales como Facebook o Twitter quieren identificar o incluso eliminar los deepfakes políticos.

Otro problema de la inteligencia artificial es la automatización generalizada: el ex candidato presidencial estadounidense Andrew Yang incluso pidió un ingreso básico para armar a la sociedad estadounidense contra el desempleo masivo relacionado con la inteligencia artificial que temía.

Por el momento, parece que la automatización está progresando lentamente por el momento, pero la tecnología de inteligencia artificial tiene el potencial de reemplazar incluso a aquellos que tradicionalmente se han librado de la automatización. Esto incluye puestos en administración, en bufetes de abogados, en medios de comunicación y también en áreas creativas, especialmente en diseño.

IA: ¿Milagro económico o nuestro fin?

Una Inteligencia Artificial general traslada las ventajas y los riesgos de la IA a lo existencial: sería una intervención masiva en casi todas las áreas de la vida y una revolución para la sociedad, la economía, la educación, la medicina y la investigación.

De ahí podría surgir una superinteligencia que nos relevaría de cualquier trabajo, solucionaría cualquier problema y revolucionaría la democracia. Este potencial probablemente impulsará a los investigadores de IA hasta que su visión se haya realizado, o hasta que haya evidencia de que su esfuerzo es imposible. Los laboratorios de IA como Deepmind u OpenAI están buscando una forma de súper IA, que algún día podría combinar muchos componentes individuales para formar una gran red neuronal, a través del desvío de muchos proyectos de IA individuales especializados.

Estos intentos preocupan a quienes consideran a un GKI, y más aún a una superinteligencia, como una amenaza potencialmente existencial. El filósofo Nick Bostrom y el investigador de IA Stuart Russel advierten de la extinción de la humanidad por una IA demasiado inteligente. Si quieres entender el argumento de Bostrom de una manera lúdica, deberías echar un vistazo a este simulador de clips.

El pionero de la inteligencia artificial Yann LeCun y el neurobiólogo Anthony Zader están más relajados al respecto: los dos expertos creen que la inteligencia artificial carece del instinto para matar personas: la máquina abrumadora simplemente no tiene interés en el fin de la humanidad. Los dos son reforzados por el investigador cognitivo Steven Pinker, quien considera que los temores de Bostrom son una tontería distópica.

Lina
Lina García ha escrito sobre tecnología y marketing, cubriendo todo, desde la analítica hasta la realidad virtual, desde 2010. Antes de eso, obtuvo un doctorado en inglés, enseñó a escribir a nivel universitario y lanzó y publicó una revista en formato impreso y digital. Ahora es escritora, editora y consultora de marketing a tiempo completo.
Anterior

El gigante tecnológico Tencent entra en el negocio de la realidad virtual

La nueva supercomputadora de IA de Meta está diseñada para sentar las bases del Metaverso

Siguiente

Deja un comentario