¿Qué es la inteligencia artificial?

La inteligencia artificial se basa en la capacidad de las unidades de cálculo para reproducir el aprendizaje humano. Primero actúa por imitación y después analizando un número creciente de datos, como una red neuronal cada vez más sofisticada. Es incluso posible que llegue a reproducir —o incluso exceder— las capacidades de reflexión humanas. Por lo tanto, la IA podrá reconocer elementos en imágenes, modelizar datos, sintetizar información, predecir tendencias y expresar resultados precisos. Todo esto, con un lenguaje natural.

Historia de la inteligencia artificial

Desde los años 1940, con el nacimiento de las primeras computadoras, muchos científicos como Alan Turing querían desarrollar un «cerebro artificial». Estos especialistas realizaron diferentes experimentos con el fin de alcanzar su objetivo: crear una máquina más inteligente que los humanos. Desarrollaron la prueba de Turing, el famoso sistema de evaluación para comprobar si las máquinas son más inteligentes.

Su principio es sencillo: durante cinco minutos, una persona envía mensajes por computadora a dos desconocidos, un humano y una máquina. Al finalizar la conversación, si no puede diferenciarlos, se concluye que la prueba ha sido realizada correctamente. La IA demuestra haber desarrollado las habilidades suficientes para reproducir un lenguaje natural y participar en un diálogo inteligente, a veces incluso con un toque de humor.

En 1956, tres matemáticos crearon el primer lenguaje de inteligencia artificial, el IPL-11, consiguiendo que un programa resolviera problemas matemáticos. Rápidamente, fue capaz de demostrar teoremas establecidos con una explicación inteligible. Los científicos desarrollaron entonces una tecnología de autoaprendizaje, el machine learning. El machine learning construye su propia IA, llevando a cabo un análisis humano de un gran volumen de datos.

El machine learning y el big data (o la capacidad de recopilar un volumen exponencial de información para la IA) son, por tanto, la clave del éxito de la inteligencia artificial y de sus progresos.

El diseño científico de la inteligencia artificial se basa en tres fases fundamentales: la asimilación de la información, el análisis de los datos y el despliegue de respuestas o acciones adecuadas.
 

• Recopilación de datos

A día de hoy, toda interacción en un sitio web genera información. Por lo tanto, es necesario recopilar y almacenar estos datos para poder transmitirlos a la inteligencia artificial. A veces, deben ser anonimizados: en el marco del RGPD, la actividad digital de una persona no debe vincularse con sus datos personales.

Los científicos crean logaritmos de aprendizaje con el fin de captar la información y retranscribirla de forma inteligible a través de los programas de IA. A veces reciben el nombre de «neuronas artificiales» y permiten, por ejemplo, desencriptar miles de imágenes. Cada imagen es transcrita pixel por pixel hasta formar un conjunto de datos. Otros programas y algoritmos están diseñados para recopilar y redistribuir la información procedente del big data a los algoritmos de aprendizaje.

El cloud computing ofrece una potencia de cálculo que está a la altura de esta tecnología y permite aprovechar al máximo estos datos.

• Análisis de datos

Los datos procesados y desencriptados por la inteligencia artificial conforman la base misma de su autoaprendizaje: el deep learning. Los data scientists establecen criterios que aplicar en cada situación con el fin de obtener una respuesta adaptada a los diferentes retos. Poco a poco, los algoritmos de aprendizaje automático amplían esta lista de criterios y ofrecen nuevas respuestas, cada vez más relevantes.

Cuanto más se nutre la inteligencia artificial de nuevos datos, más densa es la red de neuronas artificiales dedicada al deep learning. Al aprender y comprender, la AI también tiene un impacto técnico: se debe garantizar una disponibilidad constante del big data, así como la «frescura» y fiabilidad de los datos entrantes. En particular, el data mining es un proceso de análisis que recupera y compara los datos para identificar similitudes, tendencias del mercado o información comprensible. Los avances en IA se basan en estos algoritmos poderosos y en el acceso a los datos.

La potencia de cálculo de los algoritmos conforma el motor de la inteligencia artificial. Si no se racionaliza, puede fallar y ralentizar las interacciones entre las redes neuronales artificiales... reduciendo el potencial de la IA. Con brevedad, los data scientists tuvieron necesidad de usar tarjetas gráficas más potentes. También han intentado optimizar los recursos técnicos -cálculos GPU- a su disposición.

Para estos profesionales, hemos creado soluciones como OVHcloud AI Training en nuestro Public Cloud. De esta forma, pueden racionalizar automáticamente los recursos sin intervención humana, con el propósito de entrar la IA.

Las redes de deep learning se están volviendo cada vez más rápidas y potentes. El procesamiento de los datos es casi instantáneo, lo que multiplica los campos de aplicación de la inteligencia artificial. El aprendizaje por refuerzo es ilimitado: cada nueva información refuerza la precisión de la IA.

• Creación de respuestas o acciones adecuadas

Una vez interpretados, comparados y analizados, los datos permiten que la inteligencia artificial ofrezca una respuesta o una reacción que se ajusten a las expectativas. Se trata de una forma de «reflejo cognitivo», que los data scientists deben definir para que la IA pueda:

• ofrecer recomendaciones en vídeo adaptadas al interlocutor (inteligencia relacional);
• automatizar tareas repetitivas (automatización inteligente);
• realizar traducciones en tiempo real (análisis semántico, interpretación de lenguas);
• identificar una tendencia de mercado interesante para una startup o un jefe de proyecto (informática en la toma de decisiones);
• distinguir un objeto o animal entre miles de fotos (reconocimiento visual);
• estacionar un vehículo autónomo en una ubicación específica (reflejos cognitivos, propiocepción).

Modelo predictivo en el sector público

Sin la ayuda de una inteligencia artificial, la gestión de infraestructuras y servicios públicos es compleja y consume mucho tiempo. Cada decisión tiene que tener en cuenta muchos parámetros. La decisión de renovar una estación, por ejemplo, implica hacer frente a problemas tan diversos como la jerarquización de los trabajos que es necesario realizar según el presupuesto previsto, el estudio de los flujos de circulación para proponer rutas alternativas, la optimización de los transportes de sustitución, etc.

La captación, el procesamiento y el análisis de los datos disponibles permiten crear una inteligencia artificial (IA) que permita realizar proyecciones más precisas. También ofrece la posibilidad de elaborar diagramas de decisión que indiquen los costes y aportes de cada opción. Por lo tanto, estas previsiones sirven como herramientas de ayuda para la toma de decisiones (business intelligence).

La IA es la solución preferente para la planificación de las operaciones. Y todo ello al servicio de administraciones y organismos públicos.

Investigación y desarrollo en el ámbito de la salud

La inteligencia artificial es el núcleo de muchos programas de investigación y desarrollo (I+D) en el ámbito de la salud. Precisamente ahí es donde ofrece los resultados más prometedores.

Un ejemplo es la detección temprana de cánceres y enfermedades graves, un aporte importante para el sector médico. Tras realizar pruebas de reconocimiento visual con éxito, se incluyeron algoritmos de IA en los programas de temprana de tumores. El algoritmo de reconocimiento IRM es diez veces más rápido y más eficaz en la detección de tumores en el cerebro que un equipo de neurocirujanos. Esto es posible porque compara cada imagen cerebral nueva con miles de bases de datos.

Así pues, el uso del análisis predictivo y del reconocimiento de imágenes puede ayudar a salvar pacientes, incluso antes de que se manifieste la enfermedad. Este avance está revolucionando el mundo de la medicina.

A través de la extracción de conocimientos procedentes de miles de informes científicos, el data mining permite:

• entender mejor las causas de la aparición de determinadas enfermedades;
• detectar posibles contraindicaciones entre distintos medicamentos;
• acelerar la investigación científica a gran escala.

Seguridad informática y protección de datos

La protección y la gobernanza de los datos son cuestiones clave. El acceso, el intercambio y el uso de la información son esenciales, tanto para los grandes centros de investigación como para las pequeñas empresas.

Los programas de ciberseguridad y los entornos basados en la inteligencia artificial pueden detectar posibles fallos en una red. También pueden bloquear software malicioso que imite el comportamiento de un usuario humano.

Traducción automática en tiempo real

La gestión de la atención al cliente es un reto ineludible para todas las empresas dedicadas a ofrecer una calidad de servicio excelente. La inteligencia artificial centraliza las solicitudes de los clientes internacionales gracias al procesamiento automático de lenguas (Natural Language Processing). Después los traduce instantáneamente al idioma de los encargados de gestión de clientes, como si fuera un intérprete.

De esta manera, los encargados de gestión de clientes pueden dar una respuesta adaptada, perfectamente redactada y retraducida en la lengua de los usuarios. También se ofrecen modelos de respuesta a través de chatbot, basándose en intercambios anteriores.

Planificación, seguimiento de stocks y gestión de flujos

La gestión de los productos alimenticios, la previsión de la demanda y la gestión del stock en tiempo real son problemas clave a los que se enfrentan los actores de la distribución y del e-commerce.

Los algoritmos predictivos, permiten anticiparse a las ventas, siendo posible solicitar la cantidad precisa de productos al fabricante. Algo que hasta hace poco parecía casi imposible. Gracias a las cifras de venta y a los datos de años anteriores, los profesionales pueden ahora entrenar una IA para gestionar el flujo de un gran número de artículos en tiempo real. El programa informático de toma de decisiones identifica rápidamente las mejores ventas de un período. Con la ayuda de modelos predictivos, algoritmos de control y visualización de información, los compradores encargan la cantidad precisa de artículos en el momento adecuado. Así evitan despilfarros y la pérdida de stock.

Robótica e inteligencia a bordo

La robótica es una forma de IA enfocada en la inteligencia cognitiva. Los desarrolladores deben diseñar mucho más que un ordenador inteligente conectado a una red: crean una máquina autónoma.

Con el fin de dar las respuestas adecuadas a su entorno, los robots o autómatas disponen de sensores (cámaras a bordo, micrófonos, radares, redes de objetos conectados, etc.). También definen los reflejos cognitivos que se adaptan a cada situación.

La inteligencia a bordo demuestra ya su increíble potencial con el lanzamiento del vehículo autónomo. El vehículo es capaz de entender el Código de Circulación, estacionarse solo, así como frenarse en milisegundos en caso de peligro.

NVIDIA GPU Cloud

Un procesador gráfico (GPU) es una unidad de cálculo. Puede estar presente en una tarjeta gráfica, como la NVIDIA V100S, o en una placa base. El buen funcionamiento de la inteligencia artificial se basa en la eficacia de estas unidades de cálculo.

NVIDIA GPU Cloud (NGC) agrupa el conjunto de programas GPU que optimizan automáticamente las unidades de cálculo del hardware NVIDIA. Lo que facilita el deep learning y los cálculos gráficos de la IA.

Jupyter Notebook

Jupyter es un notebook de cálculo (o aplicación web) de open source, gratuito e interactivo. Tanto las explicaciones como los códigos, ecuaciones y visualizaciones de los internautas, se comparten libremente entre los usuarios.

Jupyter funciona con numerosos lenguajes de programación y entornos de desarrollo (frameworks), como TensorFlow, PyTorch y MxNet. Desde su interfaz, los usuarios visualizan, modifican y ejecutan el código en directo, permitiéndoles comprobar el resultado de cada cambio inmediatamente. Los data scientists utilizan Jupyter Notebook con el propósito de crear diferentes automatismos e inteligencia artificial.

Apache Spark

Apache Spark, el framework de referencia para el tratamiento masivo de datos. Recopila la información de la base de datos, carga en la memoria las operaciones que hay que realizar y ejecuta todos los cálculos de una vez. Cuando concluye el análisis, los recursos de cálculo se liberan.

Por eso, Apache Spark se utiliza para agregar volúmenes masivos de datos y proporcionar informes analíticos detallados.