Para entender cómo llegamos a estar hoy inmersos en un mundo que no para de hablar de inteligencia artificial, es interesante analizar y pensar que no es algo de este último tiempo, sino que la comunidad científica hace ya muchísimos años que trabaja en teorizar e intentar fabricar máquinas que se parezcan a nosotros o que al menos simulen nuestras capacidades humanas.
Puede inferirse con certeza que la primera incursión en IA fue la máquina de Turing. A partir de allí, en las décadas de 1950 y 1960, se sentaron las bases teóricas de la IA. Estas teorías se basaban en cómo las máquinas podrían simular la inteligencia humana.
Ya a fines de los 60s y durante los 70s, se usaron principalmente enfoques simbólicos y reglas basadas en lógica, siendo el programa Deep Blue de IBM para jugar ajedrez a nivel experto un ejemplo icónico de la época.
La conexión simbólica surge en los 80s y se extiende a los 90s, período en el que se exploraron técnicas que combinaban el razonamiento simbólico con métodos basados en el conocimiento y aprendizaje de las conexiones entre los datos.
A principios de los 2000s se produce un resurgimiento de investigaciones en técnicas que habían comenzado en la década anterior pero no habían resultado lo suficientemente fructíferas: las redes neuronales. Este período se destacó por los avances significativos en algoritmos de aprendizaje como el supervisado, no supervisado, así como también técnicas de procesamiento de lenguaje natural y visión computarizada.
En los 2010s con el aumento masivo en la disponibilidad de datos, poder computacional y comunicaciones, el enfoque en el Deep learning comenzó a dominar el campo de la IA. Reconocimiento de imágenes, conducción autónoma, procesamiento de lenguaje natural, son ejemplos de técnicas que alcanzaron niveles que apenas soñaban Turing y McCarthy décadas atrás.
La inteligencia artificial moderna tiene como finalidad crear agentes inteligentes, que ayuden a las personas y organizaciones a desempeñar sus tareas con niveles de eficiencia y eficacia superlativos, generando un ROI elevado en la inversión tecnológica y dando ventaja competitiva.
Dentro las fuerzas que impulsan la rápida evolución de la IA, podemos destacar algunas de las más influyentes:
- El desarrollo de Big Data
- El auge del E-commerce
- Internet de las cosas (IoT)
- Las redes sociales
- El crecimiento en el poder computacional
- La reducción drástica en el costo del procesamiento
Estas fuerzas dan un empuje importante a las inversiones en tecnología y, particularmente sobre la IA, cifran expectativas en construir sistemas que puedan acelerar los procesos de negocios. Para que esto sea posible, se busca dotar a los sistemas de capacidad que les permitan:
- Percibir su entorno
- Representarlo
- Aprender
- Tomar decisiones autónomas
La representación del entorno es lo que llamamos MODELO.
El tunning del modelo es el aprendizaje, en el cual se ajustan métricas a partir de interactuar con un simulador o de exponerse a nueva información repetidamente, y a partir de ese aprendizaje tomar decisiones autónomas. Este proceso busca entonces comprender la distribución de los datos de entrada y, a partir de allí, generar el aprendizaje.
Pero no todo es fantástico, también hay desafíos para mantener a la IA alejada de nuestras propias limitaciones. En este sentido, uno de los mayores desafíos que hoy presenta la IA es resolver la influencia de los sesgos. Al no tener programación específica, los agentes de IA adquieren los sesgos de los datos. Por ejemplo, puede darse que un auto autónomo no reconozca a un peatón que cruza en la mitad de la calle, porque fue entrenado para “entender” que los peatones cruzan en las esquinas. Esto trae los problemas obvios que los modelos deberán solucionar para adaptarse a tareas críticas, y brindar decisiones objetivas tanto operativas como estratégicas.
Actualmente la tendencia de adopción de IA marca que en los próximos 24 meses la mayoría de las organizaciones planean integrar soluciones a medida basadas en esta tecnología. En términos estadísticos, las empresas están obteniendo un ROI de 3,7 por cada dólar invertido en IA, lo cual hace muy atractivo que las inversiones en tecnología se vuelquen a este ámbito.
Sin embargo, la principal barrera de adopción de IA es la falta de personal calificado. Este desafío es el que enfrentan las organizaciones y las empresas de tecnología, contar con personas capaces de identificar necesidades, modelar soluciones y hacer los ajustes necesarios para obtener el mayor provecho.