Algunas clasificaciones de las inteligencias artificiales

Robot señala una ontología

Hoy continuaremos con las clasificaciones de la IA que conversamos los otros días. Como sabemos, hasta el momento existen varios criterios de clasificar las inteligencias artificiales; a continuación listaremos estas tres:

Clasificación de las IA por su aprendizaje

Un primer criterio para clasificar las IA puede ser por el modo que aprenden:

  1. Aprendizaje automático o Machine Learning: permite a los sistemas informáticos aprender automáticamente a partir de los datos. Se trata de un conjunto de técnicas que permiten a los algoritmos aprender patrones a partir de los datos y hacer predicciones o tomar decisiones en función de ellos. En el aprendizaje automático, los algoritmos son entrenados a partir de un conjunto de datos para que puedan generalizar y hacer predicciones precisas sobre nuevos datos. Dentro de esta categoría podemos incorporar estas subcategorías:
    • Aprendizaje supervisado: En este enfoque, los modelos de aprendizaje automático se entrenan utilizando datos etiquetados, es decir, datos que tienen una etiqueta o categoría asociada con ellos. El objetivo es que el modelo aprenda a predecir la etiqueta correcta para datos no etiquetados en el futuro. Por ejemplo: la detección de correo basura o spam en el correo electrónico
    • Aprendizaje no supervisado: En este enfoque, los modelos de aprendizaje automático se entrenan utilizando datos no etiquetados, es decir, datos que no tienen una etiqueta o categoría asociada con ellos. El objetivo es que el modelo descubra patrones y estructuras en los datos por sí solo, tal es el caso de la segmentación de clientes y la detección de anomalías
    • Aprendizaje por refuerzo: En este enfoque, los modelos de aprendizaje automático se entrenan para tomar decisiones a través de la retroalimentación continua de un entorno. El modelo aprende a tomar decisiones que maximicen una recompensa en el largo plazo. Un ejemplo son algunos juegos de video y los sistemas de control de robots
    • Aprendizaje semi-supervisado: Este enfoque es una combinación de aprendizaje supervisado y no supervisado, donde se utiliza una pequeña cantidad de datos etiquetados junto con una gran cantidad de datos no etiquetados para entrenar el modelo. El objetivo es mejorar el rendimiento del modelo utilizando datos no etiquetados. Este aprendizaje automático se incluye en la clasificación de documentos y el reconocimiento simple de voz
    • Aprendizaje activo: Este enfoque es similar al aprendizaje supervisado, pero el modelo de aprendizaje automático puede elegir qué datos etiquetados se utilizan para entrenar el modelo. El objetivo es reducir la cantidad de datos etiquetados necesarios para entrenar el modelo. Ejemplos de aplicaciones de aprendizaje activo incluyen la clasificación de documentos y la detección de objetos en imágenes.
  2. Aprendizaje profundo o Deep Learning: esta técnica avanzada de aprendizaje se basa en redes neuronales artificiales. Estas redes neuronales están diseñadas para imitar el comportamiento de las redes neuronales del cerebro humano. El aprendizaje profundo se utiliza para tareas que requieren una gran cantidad de datos y una alta capacidad de procesamiento. Algunas aplicaciones del aprendizaje profundo son:
    • Reconocimiento de voz: Los sistemas de reconocimiento de voz utilizan modelos de aprendizaje profundo para identificar y transcribir el habla humana con alta precisión. Algunos ejemplos incluyen los asistentes virtuales de voz como Siri, Alexa y Google Assistant
    • Reconocimiento de imágenes: Los sistemas de reconocimiento de imágenes utilizan redes neuronales convolucionales (o CNN por sus siglas en inglés) para analizar y clasificar imágenes. Ejemplos de esto son Google Images, Facebook y Pinterest, que utilizan la tecnología de aprendizaje profundo para analizar y clasificar las imágenes que suben los usuarios
    • Traducción automática: Las herramientas de traducción automática utilizan modelos de aprendizaje profundo basados en redes neuronales para traducir automáticamente el texto de un idioma a otro con alta precisión. Google Translate es un ejemplo de esto
    • Conducción autónoma: Los vehículos autónomos utilizan redes neuronales profundas para procesar los datos de los sensores y tomar decisiones en tiempo real sobre la dirección, la velocidad y la seguridad vial. Ejemplos de esto son Tesla, Waymo y Uber.
    • Análisis de sentimientos: Las herramientas de análisis de sentimientos utilizan modelos de aprendizaje profundo para analizar grandes cantidades de datos de texto, como publicaciones en redes sociales, y determinar las emociones y actitudes expresadas en el texto. Ejemplos de esto incluyen herramientas de marketing y análisis de opinión pública.
    • Juegos de estrategia: Los modelos de aprendizaje profundo se han utilizado para desarrollar agentes de juego inteligentes en juegos de estrategia como Go y ajedrez. AlphaGo de Google DeepMind es un ejemplo notable de esto.

Las principales diferencias entre el aprendizaje automático y el aprendizaje profundo son:

  • Capacidad de representación: El aprendizaje automático se basa en modelos de aprendizaje superficial, lo que significa que sólo pueden aprender características o patrones simples de los datos. En cambio, el aprendizaje profundo utiliza redes neuronales profundas, lo que les permite aprender características más complejas y abstracciones de los datos
  • Cantidad de datos necesarios: El aprendizaje automático puede funcionar con conjuntos de datos más pequeños, mientras que el aprendizaje profundo requiere grandes cantidades de datos para funcionar de manera efectiva
  • Procesamiento de datos: El aprendizaje automático se centra en el procesamiento de datos estructurados, como tablas y bases de datos, mientras que el aprendizaje profundo también puede manejar datos no estructurados, como imágenes y texto
  • Tiempo de entrenamiento: El entrenamiento de modelos de aprendizaje profundo es más largo y costoso que el entrenamiento de modelos de aprendizaje automático
  • Rendimiento: El aprendizaje profundo ha demostrado tener un mejor rendimiento en tareas complejas, como la visión por computadora y el procesamiento del lenguaje natural, en comparación con los modelos de aprendizaje automático

Clasificación de las IA por su funcionamiento

  1. Inteligencia Artificial basada en reglas: Se basa en un conjunto de reglas predefinidas que permiten a la máquina tomar decisiones y realizar tareas, como los chatbots y los sistemas expertos
  2. Aprendizaje automático: Este tipo de inteligencia artificial permite a las máquinas aprender de los datos que se les proporcionan y mejorar su capacidad de tomar decisiones y realizar tareas con el tiempo. Ejemplos de esto son los algoritmos de clasificación y los sistemas de recomendación que vemos en varias aplicaciones y sitios de ventas
  3. Redes neuronales: Se basa en una estructura similar a la del cerebro humano, con capas de nodos interconectados que pueden ser entrenados para reconocer patrones y realizar tareas. Aquí cabe mencionar a los sistemas de reconocimiento de voz y los sistemas de visión artificial que hemos comentado en artículos anteriores al referirnos a los aportes de la IA a la inclusión
  4. Inteligencia artificial evolutiva: Utiliza algoritmos genéticos y de evolución para crear soluciones a problemas complejos, como por ejemplo los sistemas de optimización y los juegos que evolucionan con el tiempo
  5. Inteligencia artificial de procesamiento del lenguaje natural (NLP): Permite a las máquinas entender y procesar el lenguaje humano de forma natural, tales como los asistentes de voz Siri y Alexa y el actualmente archifamoso ChatGPT.
  6. Inteligencia artificial cognitiva: Pretende emular la forma en que el cerebro humano procesa la información y realiza tareas, como la percepción, el razonamiento y la toma de decisiones. Ejemplos de esto son los sistemas de predicción de ventas y los sistemas de procesamiento de imágenes médicas que también comentábamos en un artículo anterior

Cabe destacar que estas categrorías de inteligencia artificial no son mutuamente excluyentes, y a menudo se combinan en diferentes sistemas y aplicaciones.

Tal es el caso de la denominada inteligencia generativa que se enfoca en crear sistemas que puedan generar nuevos contenidos, como imágenes, música, texto, etc. a partir de patrones y datos existentes. Por lo tanto, la inteligencia generativa se puede considerar como una subcategoría dentro del aprendizaje automático ya que se basa en la capacidad de las máquinas para aprender de los datos existentes y generar nuevos contenidos a partir de ellos.

Clasificación de las IA por sus características y objetivos

Además de los tipos de inteligencia artificial mencionador, también existen otras categorías que se utilizan comúnmente para clasificar los diferentes tipos de inteligencia artificial. Algunas de ellas incluyen:

  1. Inteligencia artificial débil vs. inteligencia artificial fuerte: Esta clasificación se refiere a la capacidad de la inteligencia artificial para realizar tareas específicas. La inteligencia artificial débil se refiere a sistemas diseñados para realizar tareas específicas, mientras que la inteligencia artificial fuerte se refiere a sistemas que tienen la capacidad de realizar cualquier tarea intelectual que un ser humano puede realizar.
  2. Inteligencia artificial simbólica vs. inteligencia artificial subsimbólica: Esta clasificación se refiere a cómo se representa y manipula la información en los sistemas de inteligencia artificial. La inteligencia artificial simbólica utiliza símbolos y reglas lógicas para representar y manipular la información, mientras que la inteligencia artificial subsimbólica utiliza redes neuronales y otros enfoques de aprendizaje automático para representar y manipular la información
  3. Inteligencia artificial supervisada vs. inteligencia artificial no supervisada: Esta clasificación se refiere a los datos con los que se entrenan los sistemas de inteligencia artificial. La inteligencia artificial supervisada utiliza datos etiquetados mientras que la inteligencia artificial datos, no etiquetados
  4. Inteligencia artificial centrada en el usuario vs. inteligencia artificial centrada en la tarea: Esta clasificación se refiere a la forma en que se diseñan los sistemas de inteligencia artificial. La inteligencia artificial centrada en el usuario se refiere a sistemas diseñados para satisfacer las necesidades de los usuarios, mientras que la inteligencia artificial centrada en la tarea se refiere a sistemas diseñados para cumplir una tarea específica

Hasta aquí algunas clasificaciones de las herramientas que emplean la inteligencia artificial. Ahora te pregunto: en relación a la inclusión digital ¿cuáles te parecen más útiles de aplicar? Puedes responder y compartir tu respuesta en un comentario.


mujer con pilas de libros

Las fuentes de este artículo y de los demás contenidos del sitio están listadas en esta Bibliografía.

La redacción del texto se ha realizado en diálogo con herramientas de inteligencia artificial.



Publicado por Diana Rodríguez Palchevich

Soy profesional de información argentina. Desde 2007 dirijo INFORMACIÓN Y TIC y brindo talleres y conferencias en plataforma propia y a través de organizaciones de prestigio nacional e internacional. Me he propuesto difundir la inclusión digital como valor social, comunitario y profesional y aportar a la gestión de contenidos digitales inclusivos.

2 thoughts on “Algunas clasificaciones de las inteligencias artificiales

  1. Muy interesante el listado de App de IA , me gustaría saber cuales son las referencias o fuentes primarias que sirven de base a este escrito . Muchas gracias

Comments are closed.

Español de Argentina
Powered by TranslatePress »
A %d blogueros les gusta esto: