Este año, en IP Consultores iniciamos esta serie en nuestro blog con la que abordamos quizá la tecnología más importantes del segundo cuarto del siglo XXI: la IA. El término Inteligencia Artificial fue acuñado por el informático John McCARTHY [1927-2011] durante el Proyecto de Investigación de Verano de Dartmouth sobre IA en 1956. La Inteligencia Artificial es un ámbito de las Ciencias de la Computación que básicamente tiene por objeto de estudio el comportamiento inteligente de las máquinas. En este sentido, es importante aclarar que, para efectos de la Inteligencia Artificial, por “máquina” se entiende cualquier robot, computadora o, incluso, un programa computacional.
En IP Consultores, creemos que, si parte de nuestra Visión es que más personas se involucren en el ecosistema de innovación, es fundamental qué comprendan cabalmente cómo funciona.
Los especialistas de la Inteligencia Artificial se han puesto de acuerdo en que el comportamiento inteligente está vinculado con las facultades de aprendizaje y razonamiento. Por lo que uno de los objetivos fundamentales de la IA es el desarrollo de un mecanismo integrado de aprendizaje y razonamiento de las máquinas. De acuerdo con Wannes MEERT, Tinne DE LAET y Luc DE RAEDT, la IA se integra de dos subcampos: el Aprendizaje automático (Machine learning) y el Razonamiento automático (Reasoning learning).1 A continuación, explicaremos el significado de cada uno de ellos para lograr una mejor comprensión de este ámbito de las Ciencias de la Computación.
¿Qué es el Aprendizaje automático?
De acuerdo con Tom MITCHELL [1951], una máquina es capaz de aprender “si su desempeño de una tarea específica mejora a partir de una experiencia.” Esto significa que, entre más veces una máquina desempeña una tarea y obtiene la retroalimentación adecuada, entonces está más expuesta a la “experiencia” y por lo tanto su desempeño mejora. Esta definición puede comprenderse a partir de la definición de Arthur SAMUEL [1901-1990]: “las computadoras que tienen la capacidad de aprender sin ser explícitamente programadas.”2 Entre 1950 y 1960, SAMUEL desarrolló un programa computacional que se convirtió en una de las primeras aplicaciones de la Inteligencia Artificial a nivel mundial.
El programa de Arthur SAMUEL permitió desarrollar “verificadores” que, después de múltiples juegos, lo convirtieron en un “jugador más fuerte” frente a sus oponentes. A principios de los noventa del siglo XX, se desarrollaron otros programas como Chinook (en la Universidad de Alberta) y Deep Blue (para el ajedrez). Otro ejemplo de Aprendizaje automático son los filtros de correo electrónico que remueven de manera automática mensajes no deseados y pueden organizar mensajes en carpetas. Un tercer ejemplo de este subcampo de la IA son los sistemas de recomendación que ciertas tiendas usan para sugerir ciertos productos a sus clientes.3
El Aprendizaje automático distingue básicamente dos tipos de problemas: 1) el tipo de función que necesita aprenderse, y 2) el tipo de retroalimentación y experiencias disponibles. El Aprendizaje automático requiere una función o un modelo para mejorar la retroalimentación, a partir de los ejemplos o las experiencias conocidas. Esto significa que se requiere un mecanismo capaz de adaptarse, a partir del desempeño del modelo del resultado, según un nuevo ejemplo o experiencia. La corrección del modelo significa que se pueda computar cómo se debería cambiar la función para mejorar el rastreo de la función respecto del resultado. Las funciones más comunes son: 1) simbólicas, 2) bayesianas, y 3) profundas; mientras que la retroalimentación puede ser: 1) Aprendizaje supervisado, y 2) Aprendizaje reforzado.4
¿Qué es el Razonamiento automático?
En la actualidad existen diversas aplicaciones de Inteligencia Artificial (como Chat GPT) que funcionan a partir de patrones estadísticos usados mediante funciones de Aprendizaje automático. Por lo que la pregunta sobre si estas aplicaciones “razonan” o “entienden” siempre está presente en la disertación sobre el significado de la Inteligencia Artificial. De acuerdo con Wannes MEERT, Tinne DE LAET y Luc DE RAEDT, el Razonamiento automático es impulsado por el conocimiento y no por los datos.5 Este subcampo sirve para apoyar el razonamiento cuando hay conocimiento disponible sobre un dominio particular y puede ser usado para flexibilizar respuestas sobre múltiples preguntas.
Para comprender a cabalidad el significado del Razonamiento automático se puede considerar el ejemplo de los programas computacionales que imitan el funcionamiento del raciocinio humano. Los sistemas de expertos funcionan a partir de programas computacionales que imitan la habilidad de tomar decisiones de un experto humano en un dominio específico. Las inferencias probabilísticas pueden razonar de las causas a los efectos (de enfermedades a síntomas) y de los efectos a las causas (un razonamiento diagnóstico). Así como también, esbozar conclusiones sobre la probabilidad de las variables dadas a partir del resultado de otras variables conocidas.6
El Aprendizaje automático resulta un subcampo de la IA muy útil para el desarrollo de complejos programas que resultan difíciles de implementar de manera manual. Por ejemplo, algunas de las aplicaciones más comunes sobre el funcionamiento del Aprendizaje automático pueden verse en los automóviles autónomos o en distintas máquinas industriales. Para lograr que una máquina se desempeñe mejor al ejecutar sus tareas aprendiendo desde las experiencias, se usan datos (“input”) para producir un resultado (“output”). En el ámbito del Aprendizaje automático, esto se logra a través del aprendizaje de funciones matemáticas que también se conocen como “modelos de aprendizaje automático.”7
Conclusiones
El interés en al aprendizaje y el razonamiento automáticos, según Wannes MEERT, Tinne DE LAET y Luc DE RAEDT, se debe a tres razones: 1) la IA busca desarrollar sistemas inteligentes, 2) puede ayudar a nuevos conocimientos sobre la conducta y la inteligencia humanas, y 3) es importante tener máquinas que aprenden y razonan autónomamente. La Ciencia de Datos es una forma de análisis que permite reformatear y combinar información para poder extraer conocimiento nuevo y útil de una gran y compleja colección de datos. En este sentido, el Aprendizaje automático y la Minería de datos sirven para analizar datos tal y como se hace desde la Ciencia de Datos.8
La Inteligencia Artificial es un campo de las Ciencias de la Computación que básicamente tiene por objeto de estudio el comportamiento inteligente de las máquinas.
En esta ocasión, en IP Consultores retomamos nuestra serie de entradas que se han publicado bajo el título ¿De qué hablamos cuando hablamos de …? Lo anterior, a fin de que nuestro público de lengua castellana se familiarice con las principales innovaciones y tecnologías que configuran el ecosistema de innovación. Creemos que, si parte de nuestra Visión es que más personas se involucren en el ecosistema de innovación, es fundamental qué comprendan cabalmente cómo funciona. Por este motivo, al equipo de IP Consultores nos resulta prioritario contribuir a la divulgación de las principales innovaciones tecnológicas con la finalidad antes mencionada.
- MEERT, Wannes, DE LAET, Tinne, y DE RAEDT, Luc, “Artificial Intelligence. A Perspective from the Field,” en SMUHA, Nathalie A., The Cambridge Handbook of the Law, Ethics and Policy of Artificial Intelligence, Cambridge University Press, 2025. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
- ibídem. ↩︎
