Informe_IA.pdf

INTELIGENCIA ARTIFICIAL Pasado, presente y futuro. Digital & Innovation  2 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 3 Índice. 01 3-7 03...

INTELIGENCIA ARTIFICIAL Pasado, presente y futuro. Digital & Innovation  2 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 3 Índice. 01 3-7 03 10 - 22 05 60 - 75 Introducción a la Tecnologías Aplicaciones Inteligencia Artificial relacionadas con la sectoriales de la Inteligencia Artificial Inteligencia Artificial Evolución de la Inteligencia Banca. Artificial en el último Computación siglo. Cognitiva. Retail. Data Science. Turismo Lenguaje, creatividad y Machine Learning y Deep Learning. Industria emoción. Dispositivos Otros Redes Neuronales robóticos. Artificiales. 02 7 - 10 04 22 - 41 06 60 - 75 Categorías de la Aplicaciones de la Predicciones Inteligencia Artificial Inteligencia Artificial Sistemas que Robótica. Mitos. actúan como humanos: el enfoque RPA. Importancia de de la prueba de Turing. la ética en Asistencia Virtual. Inteligencia Artificial. Sistemas que piensan como Sistemas de Debate sobre la humanos: el enfoque aprendizaje. singularidad de modelado cognitivo. tecnológica. Herramientas de Sistemas personalización, Líneas predicción e que actúan entendimiento investigación. racionalmente: el del comportamiento enfoque del agente humano, racional. segmentación. Reconocimiento 07 de patrones. Vehículos autónomos. 75 - 80 Internet de las cosas. Conclusiones 4 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 5 Introducción a la Inteligencia Artificial LA INTELIGENCIA ARTIFICIAL (IA) O INTELIGENCIA COMPUTACIONAL ES LA SIMULACIÓN DE PROCESOS DE INTELIGENCIA HUMANA POR PARTE DE MÁQUINAS. ESTOS PROCESOS INCLUYEN AQUELLOS CAPACES DE APRENDER, RAZONAR Y MEJORARSE POR SÍ MISMOS. EVOLUCIÓN DE LA IA EN EL ÚLTIMO SIGLO ORíGENES L os inicios de la Inteligen- sky y Claude Shannon (padre cia Artificial se remontan de la teoría de la información) al año 1936, cuando un acuñaron el término “inteligen- matemático británico cia artificial” en la conferencia llamado Alan Turing creó una de Darthmouth, para hablar máquina capaz de hacer de la “ciencia de hacer a las cálculos que hubiesen sido máquinas inteligentes, en formalmente definidos y que especial aplicaciones de se pudiesen adaptar a distin- cálculo inteligentes”. Estos tos escenarios. Sin embargo, tres científicos previeron que no fue hasta 1950, cuando Tu- en la década de los 70 la IA ring escribió “Computing Machin- inundaría las vidas de la po- ery and Intelligence” cuando la blación. No fue así. Se produjo IA comenzó a adquirir mayor una ralentización del progreso fama. Seis años más tarde de estas tecnologías, princi- John McCarthy, Marvin Min- palmente por el tiempo que 6 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 7 tardaban en ejecutarse los LENGUAJE, algoritmos y las pocas aplica- ciones evidentes que tenían. En la década de los 90 y principios de siglo XXI CREATIVIDAD llegaría la expansión de la inteligencia artificial, originada por dos motivos: por un lado, se produjo un Y EMOCIÓN aumento de la capacidad computacional de los LA ETAPA DE ORO ordenadores; por otro lado, la digitalización produjo ingentes cantidades de datos que podían ser procesados para obtener valor de ellos. Se produjo una inversión sin precedentes de de empresas tecnológicas, al ver que aplicando analítica y algoritmos sobre datos se podrían obtener productos, servicios e insights que aportasen valor a las empresas y a la sociedad. Esta inversión hizo que se desarrollasen nuevas tecnologías y relanzó el pro- greso. En el año 1997 un ordenador de IBM llamado Deep Blue venció en una partida de ajedrez al campeón del mundo Gary Kaspárov, consagrando definitivamente a la IA. PRESENTE Y FUTURO Como se ha comentado, inicialmente había dos Desde el origen de la IA como trabajo “The Imitation Game”, que exista un contacto visual. obstáculos, la capacidad disciplina hasta nuestros obra que incluia su famoso El papel del juez es realizar de cómputo y los datos. El días se ha especulado sobre Test de Turing. preguntas al concursante problema de la capacidad la posibilidad de que las con el fin de desafiar su de cómputo ya está máquinas sean capaces de El Test de Turing es una inteligencia y, en base a la superado por medio de replicar comportamientos prueba diseñada para coherencia de las respuestas la escalabilidad vertical humanos tales como el evaluar el grado de del concursante, determinar (hacer los ordenadores más lenguaje, la creatividad o las inteligencia de un programa si se trata de un humano o potentes, siguiendo la Ley de emociones. de ordenador. En las no. Moore), y posteriormente por versiones modernas del test medio de la escalabilidad La posibilidad de que una el ejercicio consistía en lo Aunque en la actualidad horizontal (haciendo máquina o un programa siguiente: un concursante, hay muchos programas que varios ordenadores de ordenador adapte sus que puede ser un humano o que han conseguido computen como uno solo). comportamientos hasta un programa de ordenador, superar el test de Turing, el punto de hacerlos mantiene una conversación el éxito de estos robots se indistinguibles de los de un con un juez. Ambos, juez basa en tratar, mediante humano fue propuesta en y concursante, están en su programación previa, 1950 por Alan Turing en su habitaciones separadas, sin de engañar a su interlocutor 8 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 9 capaz de imaginarse que en realidad está hablando con una máquina. Todavía tenemos que definir El uso correcto del lenguaje lo que significa la creatividad. implica cierta capacidad para ser creativo. En 2016, Sabemos que algunos de los (el juez), de modo que no El NLP se aplica tanto a IAs como Watson de IBM Watson fue usado para crear atributos tienen que ver con el tráiler de la película de se pueda decir que sean conversaciones habladas son capaces de aprender programas completamente como a textos. Es decir, los idiomas con facilidad, leer terror Morgan, después de encontrar algo novedoso, inteligentes, sino que programas con capacidades largos textos o interactuar analizar los componentes visuales y sonoros de cientos inesperado y útil”. simplemente cumplen para el NLP pueden leer, con humanos en el idioma de películas de terror. con la función para la escuchar, interpretar y que estos elijan. Dice John Smith, director de Multimedia y Vision en que fueron programados, replicar a los humanos que IBM Research. El problema con la creatividad sin que se dé una se dirijan a ellos hablando o Productos como Amazon o, mejor dicho, sus atributos interacción completamente escribiendo. También pueden Echo, con su inteligencia (novedad, sorpresa y bidireccional entre las dos aplicar sus habilidades a artificial Alexa, Siri de Apple, utilidad) es que son partes. grandes cantidades de texto. Cortana de Microsoft, totalmente subjetivos. Los test de Turing partían de Por ejemplo Affectiva, una pueden reconocer voces No obstante, el avance La IA comienza categorizando humanas para realizar las la preconcepción de que el compañía fundada en 2009 En este momento es posible uso correcto del lenguaje en el seno del MIT, cuya en la habilidad de las el contenido, busca el tareas que les encomienden. enseñar l e a una IA lo que implica la existencia de una tecnología ha sido utilizada máquinas para mantener tema de la conversación Las grandes tecnológicas consideramos novedoso, inteligencia humana o de para ayudar en campañas conversaciones con o del texto, interpreta el están invirtiendo en inesperado, útil, bonito, o una simulación de esta. Sin de marketing o políticas. humanos, así como para sentimiento general del desarrollar IAs con motores cualquier otro adjetivo, pero embargo, los sentimientos o interpretar sus preguntas y contenido, si es necesario de NLP tan avanzados que la IA difícilmente puede emociones implican un nivel El motor de Affectiva respuestas en el contexto de transforma el audio en texto, pasarían un test de Turing. decidirlo por sí misma y superior de conciencia propio funciona analizando factores una conversación es notorio. realiza un resumen de la Es el caso de la nueva que coincida con nuestros solamente de los humanos. como la fisonomía facial del En las ciencias informáticas conversación y, finalmente, iteración de Google Assistant criterios. interlocutor humano, el tono la capacidad para entender traduce todo ello al lenguaje presentado en mayo de 2018. y procesar la capacidad de de máquina. Una vez Esta nueva versión permite Aunque aún parece que de su voz o sus gestos, así Dicho esto, y reduciendo la no son capaces de simular como las palabras utilizadas una máquina de entender finalizado el proceso, si es realizar llamadas de teléfono cuestión de la creatividad a emociones y por lo tanto y el contexto en el que son a su interlocutor humano necesario, realiza el proceso a sin que el interlocutor sea una cuestión de posibilidad, sentir y ser autoconscientes, pronunciadas o escritas. (sea cual sea la lengua que la inversa para responder a su las IAs de hoy en día son en la actualidad las IA emplee) se conoce como interlocutor humano. capaces de componer pueden reconocer patrones Estas prácticas se encuadran Procesamiento del Lenguaje música, pintar cuadros, o de comportamiento en una nueva disciplina Natural o NLP por sus siglas escribir textos. mediante los cuales pueden denominada Inteligencia en inglés (Natural Lenguaje Processing). identificar emociones en sus Emocional Artificial, la Aunque el uso del lenguaje interlocutores humanos. siguiente frontera en el o la capacidad para la desarrollo de la IA. creatividad son unos de los componentes de la experiencia humana, hay muchos otros más importantes si cabe. Por ejemplo, los sentimientos. 10 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 11 REDES NEURONALES ¿CÓMO FUNCIONA CADA NEURONA? Tratan de imitar a las entrenamiento / aprendizaje, ARTIFICIALES neuronas biológicas, es la parte crucial de la conectadas entre sí y RNA, ya que marcará la trabajando en conjunto, precisión del algoritmo. aprendiendo sobre el Consiste en encontrar esa proceso. Dados unos relación de pesos a través parámetros, hay una forma de un proceso iterativo en de combinarlos para el que, secuencialmente, se Inspirándose en el com- endo del tipo de neurotrans- predecir un cierto resultado. va analizando cada uno de portamiento del cerebro misor liberado, las neuronas El problema estará en saber los patrones de entrada a humano (principalmente receptoras pueden excitarse cómo combinarlos. la red, reajustando en cada el referido a las neuronas y o inhibirse, generando una iteración la relación de pesos. sus conexiones), tratan de respuesta de uno u otro tipo Las redes neuronales son crear modelos artificiales en cada caso. un modelo para encontrar que solucionen problemas esa combinación de Es en este punto cuando difíciles de resolver medi- De esta manera las redes parámetros y aplicarla se introducirá una función ante técnicas algorítmicas neuronales artificiales son al mismo tiempo. El de error que irá midiendo convencionales. capaces de extraer patrones objetivo es encontrar la el rendimiento de la red en y detectar tramas que son combinación que mejor un momento dado, donde El proceso de sinapsis muy difíciles de apreciar por el se ajusta entrenando el objetivo será, obviamente, establece la posibilidad de ser humano u otras técnicas a la red neuronal. Este minimizar dicha función “transmisión de información” computacionales, siendo la de error. El algoritmo se entre unas neuronas y otras facilidad de implementación detendrá cuando se alcance (desde las terminaciones en de estos métodos lo que ha la cota de error establecida las que se ramifica el axón incrementado su popularidad. por el usuario. de una neurona hacia las Las RNA se caracterizan por dendritas de otra); cuando el tres partes fundamentales: la Una red ya entrenada se estímulo (o impulso eléctrico) topología de la red, la regla de puede usar luego para hacer llega a un terminal nervi- aprendizaje (supervisado, no predicciones o clasificaciones, oso, hace que el nervio libere supervisado, reforzado, etc.) y es decir, para “aplicar” la neurotransmisores. Dependi- el tipo de entrenamiento. combinación. Este tipo de procesos predictivos, similares a los ARIMA, tienen cada vez más ¿CÓMO FUNCIONA CADA NEURONA? aplicaciones en el entorno habitual. Google, por ejemplo, utilizó una red Las Redes Neuronales se componen de neuronal convolucional neuronas, las unidades básicas del modelo. para reconocer los Cada neurona recibe una serie de entradas, números de calle en que llevarán un peso, emitiendo una salida. La las imágenes que iban salida viene dada por tres funciones: tomando con sus coches, consiguiendo un 96% de La función de propagación suele ser el suma- precisión en sus resultados. torio de cada entrada multiplicada por el peso asignado. Estas técnicas predictivas, suelen emplearse en La función de activación tiene como mis- control meteorológico, ión modificar a la de propagación. Las más medición de audiencias habituales suelen ser la función tipo escalón de televisión, previsión de (Heaviside) o funciones no lineales como la impacto en RRSS, predicción en sigmoidea logística, tangente hiperbólica, etc. los mercados financieros, etc. La función de transferencia se aplica al valor dado por la función de aplicación y se utiliza para acotar la salida de cada neurona según la interpretación que se le quiera dar al resul- tado. 12 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 13 Categorías de la Inteligencia Artificial SISTEMAS QUE ACTUAN COMO HUMANOS: EL ENFOQUE DE LA PRUEBA DE TURING. La Prueba de Turing fue diseñada para proporcionar una definición operativa satisfactoria de la inteligencia. Turing definió el comportamiento inteligente como la capacidad de lograr el desempeño a nivel humano en todas las tareas cognitivas, suficiente para engañar a un interrogador. La computadora necesitaría poseer las siguientes capacidades: - Natural Language Processing (procesamiento del lenguaje natural) parapermitirle comunicarse con éxito en inglés(oen algún otro idioma humano). - Knowledge Representation (representación del conocimiento) paraalmacenar la información proporcionadaantes o durante el interrogatorio. - Automated Reasoning (razonamientoautomatizado) para usar la informaciónalmacenada para responder preguntas ysacar nuevas conclusiones-Machine Learning (aprendizajeautomático) para adaptarse a las nuevascircunstancias y para detectar yextrapolar patrones. 14 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 15 La prueba de Turing evitó interrogador pase objetos físicos a través de la escotilla. Para pasar la prueba SISTEMAS QUE PIENSAN deliberadamente la total de Turing el procesador necesitará: interacción física directa entre el interrogador y la - Visión de la computadora parapercibir objetos computadora, porque la COMO HUMANOS: simulación física de una - Robótica para moverlos. persona no es necesaria para la inteligencia. Sin La cuestión de actuar como humano surge principalmente cuando los embargo, la llamada prueba programas de IA tienen que interactuar con las personas, por ejemplo, cuando total de Turing incluye una un sistema experto explica cómo llegó a su diagnóstico o cuando un sistema señal de video para que el de procesamiento de lenguaje natural tiene un diálogo con un usuario. interrogador pueda evaluar las habilidades de percepción Estos programas deben comportarse de acuerdo con ciertas convenciones normales de interacción humana para hacerse entender. La representación EL ENFOQUE DE del sujeto, así como la oportunidad para que el y el razonamiento subyacentes en dicho sistema pueden o no basarse en un modelo humano. MODELADO COGNITVO Cuando se habla sobre comportamiento de entrada/ con otros investigadores un programa que piensa salida y sincronización del de la misma época (como como un humano, se debe programa coincide con el Wang,1960), a quienes de tener alguna manera de comportamiento humano, les preocupaba obtener determinar cómo piensan los eso es evidencia de que las respuestas correctas humanos. Se necesita entrar algunos de los mecanismos independientemente en el funcionamiento real de del programa también de cómo los humanos las mentes humanas. Hay pueden estar operando pudieran hacerlo. El campo dos formas de hacer esto: a en humanos. Por ejemplo, interdisciplinario de la ciencia través de la introspección, Newell y Simon, quienes cognitiva reúne modelos tratando de captar los desarrollaron el GPS, el de computadora de IA y propios pensamientos a “Solucionador General de técnicas experimentales medida que avanzan, o Problemas” (Newell y Simon, de la psicología para mediante experimentos 1961), no se contentaron con tratar de construir teorías psicológicos. que su programa resolviera precisas y comprobables del problemas correctamente. funcionamiento de la mente Una vez se tiene una Estaban más preocupados humana. teoría de la mente lo por comparar el rastro de sus suficientemente precisa, pasos de razonamiento con es posible expresar la rastros de sujetos humanos teoría como un programa que resolvían los mismos de computadora. Si el problemas. Esto contrasta 16 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 17 SISTEMAS QUE ACTÚAN SISTEMAS QUE ACTÚAN RACIONALMENTE: RACIONALMENTE: EL ENFOQUE DE EL ENFOQUE DE LAS LEYES DEL PENSAMIENTO LAS LEYES DEL AGENTE RACIONAL El filósofo griego Aristóteles fue uno de los primeros en intentar codificar el “pensamiento correcto”, es decir, los procesos Todas las “habilidades de razonamiento irrefutables. cognitivas” necesarias para Sus famosos silogismos la Prueba de Turing están proporcionaban patrones para ahí para permitir acciones las estructuras argumentales racionales. Por lo tanto, se que siempre daban conclusiones necesita la capacidad de correctas dadas las premisas representar el conocimiento correctas. Por ejemplo, “Sócrates y razonar con él, ya que es un hombre; todos los hombres esto permite tomar buenas son mortales; por lo tanto, Sócrates decisiones en una amplia es mortal”. Se suponía que estas variedad leyes del la operación de la mente de situaciones. e iniciaban el campo de la lógica. El estudio de la IA como diseño racional de agentes tiene, El desarrollo de la lógica formal por lo tanto, dos ventajas. En a finales del siglo XIX y principios primer lugar, es más general del XX, proporcionó una notación que el enfoque de “las leyes precisa para las afirmaciones y del pensamiento’’, porque la las relaciones entre ellas. En 1965, inferencia correcta es solo existían programas que podían, un mecanismo útil para con tiempo y memoria suficiente, lograr la racionalidad, y no tomar una descripción de un lógica, particularmente cuando el conocimiento Actuar racionalmente significa actuar para es menos del 100% seguro. En segundo lugar, alcanzar los objetivos, dadas las propias una necesidad. En segundo problema en notación lógica y lugar, es más susceptible encontrar la solución al problema hay una gran diferencia entre poder resolver un creencias. Un agente es solo algo que percibe y problema “en principio ‘’ y hacerlo en la práctica. actúa. En este enfoque, la IA se considera como el al desarrollo científico que si existe (Si no hay solución, el los enfoques basados en el programa podría nunca dejar de Incluso los problemas con solo unas pocas estudio y la construcción de agentes racionales. docenas de hechos pueden agotar los recursos comportamiento humano buscarla). La llamada tradición o el pensamiento humano, logicista dentro de la inteligencia computacionales de cualquier computadora Hacer inferencias correctas es una forma de a menos que tenga alguna guía sobre qué actuar racionalmente es razonar lógicamente porque el estándar de artificial espera basarse en tales la racionalidad está programas para crear sistemas pasos de razonamiento probar primero. Aunque hasta la conclusión de que una determinada estos dos obstáculos se aplican a cualquier acción logrará los objetivos propios y luego podrá claramente definido y es inteligentes. completamente general. El intento de construir sistemas de razonamiento actuar según esa conclusión. computacional, aparecieron primero en la comportamiento humano, por Hay dos obstáculos principales otro lado, está bien adaptado para este enfoque. Primero, no tradición logicista porque el poder de los sistemas Por otro lado, la inferencia correcta no es toda de representación y razonamiento está bien racionalidad, porque a menudo hay situaciones en para un entorno específico y es fácil tomar el conocimiento es el producto, en parte, de un informal y expresarlo en los términos definido y bastante bien comprendido. las que no hay nada que se pueda corregir, pero aun así hay que hacer algo. También existen formas proceso evolutivo complicado formales requeridos por la notación y en gran medida desconocido de actuar racionalmente que no se puede decir que involucren inferencia. que aún puede estar lejos de alcanzar la perfección. 18 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 19 esta tecnología será una de las Adaptativo: el sistema debe reflejar lacapacidad Tecnologías cinco principales prioridades de adaptación (como lo hace elcerebro) a de inversión para más del 30% cualquier entorno. Debe ser dinámico en la de los CIO en todo el mundo. recopilación de datos y la comprensión de los objetivos y requisitos. relacionadas con Interactivo: el sistema cognitivo debe poder interactuar fácilmente con los usuarios para que puedan definir sus necesidades cómodamente. CARACTERÍSTICAS REQUERIDAS Del mismo modo, también debe interactuar con PARA UN SISTEMA COGNITIVO otros procesadores, dispositivos yservicios en la Inteligencia la nube. Para implementar la computación Iterativo y con estado: esta característica cognitiva en aplicaciones comer- necesita una aplicación cuidadosa de la ciales y generalizadas, un sistema de calidad de los datos y las metodologías de validación para garantizar que siempre se Artificial computación cognitiva debe tener las siguientes características: proporcione al sistema la información suficiente y que las fuentes de datos en las que opera brinden información confiable y actualizada. Contextual: C a p a c i d a d p a r a comprender,identificar y extraer elementos contextuales como el significado, la sintaxis, el tiempo, la ubicación, el dominio apropiado, las regulaciones, el perfil del usuario, el proceso, la tarea y el objetivo. Debe recurrir a múltiples fuentes de información, incluidas la digital COMPUTACIÓN estructurada y la no estructurada. COGNITIVA ESCENARIO ACTUAL DE LOS SISTEMAS COGNITIVOS IMB WATSON La Computación Cognitiva (Cognitive computing) The new technologies se está utilizando para que las máquinas Watson es una supercomputadora de IBM que puedan desarrollar procesos parecidos a los combina inteligencia artificial (IA) y software del pensamiento humano. A través de este tipo analítico sofisticado para un rendimiento óptimo de computación, se intentan simular todos los como una máquina de “respuesta de preguntas”. procesos mentales que puede llevar a cabo un Cognitive Computing IBM Watson aprovecha el análisis de contenido ser humano para desarrollar su pensamiento, profundo y el razonamiento basado en la evidencia. pero teniendo en cuenta que lo que se utiliza en este caso es un modelo totalmente Artificial Intelligence Combinado con técnicas de procesamiento computarizado. Machine Learning probabilístico masivo, Watson puede mejorar la toma de decisiones, reducir costes y optimizar los La computación cognitiva es un sistema que resultados. aprende a escala, razona con propósito e interactúa con los humanos de forma natural. Es una mezcla de ciencia de la computación y ciencia cognitiva, es decir, la comprensión del cerebro humano y cómo funciona. Mediante algoritmos de auto prendizaje que utilizan extracción de datos, reconocimiento visual y procesamiento de lenguaje natural, el ordenador puede resolver problemas y optimizar así los procesos humanos. Según datos de IBM, actualmente la mitad de los consumidores interaccionan con servicios basados en computación cognitiva, y para 2020, 20 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 21 Watson es capaz de procesar datos no estruc- GOOGLE DEEPMIND turados, incluyendo texto (correos electrónic- os o documentación escrita) , imágenes, voz, e incluso están trabajando para que también La compañía ha creado una red procese vídeos. Además, “comprende” el neuronal que aprende cómo jugar lenguaje natural. Cada organización puede videojuegos de una manera similar a entrenar a IBM Watson de forma personaliza- la de los humanos. Google DeepMind da, en función de sus necesidades, aspectos sorprendió al mundo en 2016 cuando culturales y especialización, de manera que su programa de Inteligencia Artificial, la empresa que lo utilice siempre conservará AlphaGo, venció al campeón del su diferenciación competitiva. mundo de Go (un antiguo y complejo juego de estrategia e intuición), Lee Sedol. Después de esto, en 2017, MICROSOFT COGNITIVE SERVICES DeepMind anunció AlphaGo Zero. La última iteración de la inteligencia artificial es la más avanzada hasta Son un conjunto de APIs, SDKs y servicios ahora, superando todas las versiones cognitivos que los desarrolladores pueden anteriores. También es diferente de usar para hacer que sus aplicaciones sus predecesores de una manera sean más inteligentes. Con estos servicios, singularmente significativa: mientras los desarrolladores pueden agregar en que los AlphaGos más antiguos sus aplicaciones fácilmente funciones entrenaban al Go contra miles de inteligentes, como la detección de emociones profesionales y amateur humanos, Zero y sentimientos, el reconocimiento de la vista renuncia por completo a la necesidad y del habla, el conocimiento, la búsqueda y el de la visión humana y aprenderá entendimiento del idioma. simplemente jugando solo y contra sí mismo, es decir, aprende por su cuenta desde cero. Utiliza un nuevo método de aprendizaje reforzado en donde ella misma es su maestro y juega combinando una red neuronal con un algoritmo de búsqueda avanzado. El cofundador y CEO de DeepMind, Demis Hassabis, dijo que el programa era tan poderoso porque “ya no estaba limitado por el conocimiento humano”. “En última instancia, queremos aprovechar los avances algorítmicos como este para ayudar a resolver todo tipo de problemas urgentes del mundo real”, dijo Hassabis. “Sí se pueden aplicar técnicas similares a otros problemas estructurados, como el plegamiento de proteínas (protein folding), la reducción del consumo de energía o la búsqueda de nuevos materiales revolucionarios, los avances resultantes tienen el potencial de impulsar el entendimiento humano e impactar positivamente en nuestras vidas”. 22 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 23 DATA PYTHON Python es un lenguaje de programación SCIENCE interpretado, de alto nivel y orientado a objetos. El enfoque de Python está en la legilibidad y la velocidad. Su sintaxis simple y fácil de usar enfatiza la legibilidad, su amplia biblioteca de módulos y paquetes conlleva la velocidad de desarrollo y la orientación a objetos fomenta la modularidad del programa y la reutilización del código. Al ser un lenguaje de código abierto, tiene una gran comunidad y es ampliamente adoptado. Gracias a esto se ha convertido en uno de los lenguajes de más rápido crecimiento. Python también admite visualizaciones de datos y trazado basados en datos reales. PLATAFORMA SAS La Ciencia de Datos o La Ciencia de Datos está Data Science es un campo en continúa evolución y interdisciplinar enfocada a actualmente, está ganando La plataforma SAS hace extraer conocimiento de los tracción rápidamente que el análisis sea accesible datos en sus diferentes formas, gracias al desarrollo de la para cualquiera que busque estructurados o no estructurados. inteligencia artificial que ofrece información a partir de datos, oportunidades desafiantes a esta independientemente de Las disciplinas involucradas son ciencia. su habilidad o experiencia, varias, matemáticas, estadística, a través de una interfaz aprendizaje automático, completa. programación, minería de datos, analítica, visualización de datos, También maneja problemas reconocimiento y aprendizaje de analíticos de cualquier patrones, almacenamientos de tamaño o complejidad datos, computación en la nube,... con un amplio conjunto de métodos probados. Se ejecuta en una nube, en el sitio o en un entorno híbrido. Se implementa sin problemas en cualquier infraestructura o ecosistema de aplicaciones, y se adapta al espectro completo de desafíos de datos y análisis que enfrenta, SOLUCIONES DE DATA SCIENCE y adopta la tecnología de código abierto con interfaces para código gobernado PROGRAMACIÓN EN R consistente. R es un lenguaje de gráfica de datos. El software R es su gran variedad de programación de código está respaldado por la R paquetes para modelado abierto y un entorno de Foundation for Statistical estadístico y gráfico. software para computación Computing. El lenguaje También es fácil trazar estadística y visualización de es extremadamente símbolos matemáticos datos, es decir, se utiliza para popular entre académicos, y fórmulas donde sea cálculos estadísticos, análisis estadísticos y mineros de necesario. de datos y representación datos. El mayor activo de 24 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 25 por ejemplo, el sistema de a reconocer qué fotografías mismo obteniendo premios, MACHINE LEARNING filtrado de SPAM de Google: incluyen caras: se introducen recompensas, y penalizaciones. el usuario ayuda a identificar fotografías con o sin caras Creará la mejor estrategia a Gmail cuáles son los para que la máquina sea posible (políticas) para obtener correos electrónicos que capaz de diferenciarlas. la mayor recompensa posible contienen SPAM. Llegado a un en tiempo y forma. Estas & DEEP LEARNING determinado punto, la IA ya Unsupervised learning o políticas definirán qué acciones ha procesado tantos datos aprendizaje no dirigido: En tomar ante cada situación a la que es capaz de extraer un este sistema los datos de que se enfrente. modelo para poder predecir entrenamiento no incluyen Algunas de las aplicaciones con alta probabilidad de éxito etiquetas y el algoritmo más destacadas son: cuáles de los correos que van intentará clasificar o descifrar entrando son correos basura la información por sí solo. Publicidad programática: Aunque muchas veces aparecen asociados, estos términos hacen referencia a dos conceptos para enviarlos de forma dentro del área de marketing, diferentes y complementarios dentro de la inteligencia artificial. Para definir estos conceptos, es automática a la papelera de Aprendizaje por refuerzo: permite hacer campañas necesario aclarar que ambos se basan en el procesamiento de grandes cantidades de datos, sin reciclaje. con este método, el sistema mejor dirigidas y con una tasa embargo, el Machine Learning (Aprendizaje Automático) es la capacidad que algunos sistemas de se convierte en un “agente de conversión mayor. Para inteligencia artificial tienen para auto-aprender y corregir errores en base a su actividad previa, Otro ejemplo muy autónomo” que deberá ello, aprovecha en particular mientras que el Deep Learning, además de eso, es capaz de tomar decisiones a partir de los datos. representativo es el proceso determinar las acciones a los datos de las redes sociales de aprendizaje por el que llevar a cabo mediante prueba de tal forma que permite pasaría una IA que se dedica y error. Aprenderá por sí determinar los atributos relevantes para la campaña clientes se establecen modelos Análisis en tiempo real: con en cuestión y aprender del que estiman la probabilidad el objetivo de obtener una perfil y del producto o servicio de que una transacción respuesta inmediata ante anunciado para establecer las sea fraudulenta, basándose un disparador externo. La MACHINE LEARNING O características que aumentan en transacciones similares información puede provenir APRENDIZAJE AUTOMÁTICO la tasa de acierto para cada realizadas anteriormente. de sensores, reacción ante usuario. un evento de compra, Optimización de precios: por incidencia en una planta de Motores de recomendación: ejemplo, en el sector financiero, generación de energía, etc. el uso de machine-learning con el fin de establecer una Si, además, se tiene acceso al Las máquinas son capaces Learning o Aprendizaje de datos). El algoritmo de proporciona una mejor tasa de interés acorde a seguimiento de los resultados, de aprender por sí solas dirigido: en el que los Aprendizaje automático recomendación sobre los cada cliente en concreto, se se pueden modificar/ y auto programarse datos utilizados para el (y más concretamente de productos y una personalización estudia el histórico de tasas reentrenar los algoritmos aprendiendo de su propia entrenamiento de la máquina Aprendizaje supervisado) lo de la oferta. Para ello, es aceptadas o rechazadas por semiautomáticamente experiencia, combinando incluyen la solución deseada, procesa y extrae un modelo. necesario basarse en el histórico ese cliente en particular, y para adecuarse a nuevas datos de entradas y llamada “etiquetas” (labels). Con este modelo, cada vez de transacciones, opiniones, se cruza dicha información condiciones. Este caso de uso situaciones del mundo real. Mediante este método, el que se introduce un nuevo frecuencia de compra, gustos, con su posición financiera y puede servir, por ejemplo, para Dentro del Machine Learning sistema de IA recibe un dato la máquina es capaz de etc. del usuario y enriquecer con datos macroeconómicos incrementar la productividad hay que diferenciar entre estímulo o ejemplo (lo que dar una respuesta. la información con datos de y sociodemográficos que en el sector industrial. También varios métodos: Supervised se conoce como parseo Un caso práctico sería, usuarios similares en cuanto ayuden a establecer las se está aplicando en otros a perfil de consumo y perfil correlaciones entre las sectores como el energético, sociodemográfico. variables. con el fin de prevenir posibles Fraude y seguridad: mediante picos de consumo y actuar en el histórico de transacciones de consecuencia. 26 INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. INTELIGENCIA ARTIFICIAL: PASADO, PRESENTE Y FUTURO. 27 de estimar y adelantarnos a cualquier El sistema en este caso va por evento clave en el ciclo de vida de capas o unidades neuronales. De un cliente, obteniendo modelos que hecho, el funcionamiento de estos personalizan los productos en función algoritmos trata de imitar el del de su probabilidad de contratación y la cerebro humano. El proceso de estimación de vida de cada producto; predicción se realiza mediante incluyendo información externa de el aprendizaje, no con reglas redes sociales para completar el perfil programadas previamente. Casi de cliente, e inferir la información que siempre ligado al procesamiento falta con la búsqueda de gemelos; de texto, voz, imagen y vídeo. establecer redes de relacionamiento De esta forma el Deep learning bancario para inferir comunidades de persigue emular el cerebro humano usuarios, líderes, seguidores, etc. que a través de modelos informáticos permitan el refinamiento del score que funcionan como un sistema de riesgo, búsqueda de nuevos de redes neuronales capaz de clientes, etc. analizar los datos. La máquina evalúa así ejemplos e instrucciones para Segmentación de clientes: modificar el modelo en el caso de que para inferir comportamiento se produzcan errores. de clientes similares, haciendo que la gestión de los mismos sea Hasta ahora, el Deep Learning y los más eficiente y personalizada. En modelos predictivos jerárquicos han estos casos, se utiliza información tenido su mayor uso especialmente sociodemográfica, pero puede en el área de los diagnósticos ser enriquecida con variables que médicos y en análisis predictivos en aporten información sobre el grado los mercados financieros, pero están natural, similar al humano, escrita. Reconocimiento de de madurez digital de los clientes, adquiriendo cada vez mayor peso en el acompañándolos de voz: El uso de servicios por así como de su sofisticación resto de sectores, como componentes infografías y otros elementos reconocimiento de voz cada financiera. esenciales para aplicaciones como los gráficos que los hagan más vez resulta más preciso y anteriormente mencionados sistemas comprensibles. rápido. Demanda de energía: para de recomendación, detección de estimar el consumo energético y fraude, predicción de churn (es la Análisis predictivo: se están Interpretación semántica: aprovisionar o redimensionar la predicción de abandono de clientes utilizando estas técnicas Conseguir que las máquinas red de abastecimiento. Además del al usar machine learning o también para predecir, por ejemplo, entiendan los comentarios análisis de la propia serie temporal deep learning) y modelos de los niveles de riesgo de una de los usuarios y sacar valor histórica, se deben tener en cuenta propensión, detección de anomalías inversión y las probabili- de sus conversaciones en, Optimización de la inversión información externa, como eventos, y auditoría de datos, etc. dades, de éxito de la compra p