Lectura para elaborar el mapa araña #2
Inteligencia artificial
Tomado de https://foroconsultivo.org.mx/INCyTU/documentos/Completa/INCYTU_18-012.pdf
¿Qué es la IA? Definir la IA no es fácil, ya que el concepto de inteligencia per se no es del todo
preciso. En términos coloquiales, IA se usa cuando una máquina es capaz de imitar las funciones
cognitivas propias de la mente humana, como: creatividad, sensibilidad, aprendizaje,
entendimiento, percepción del ambiente y uso del lenguaje. Un subcampo de la IA que ha ganado
auge en años recientes es el aprendizaje computacional (machine learning), donde un sistema
aprende a ejecutar tareas, ya sea a partir de ejemplos o mediante prueba y error. Los modelos
llamados redes neuronales están inspirados en una forma simplificada del funcionamiento de las
neuronas. En la actualidad, las redes neuronales profundas (con gran número de células bajo un
orden jerárquico), han sido muy exitosas en tareas de alta complejidad, como la identificación de
objetos en imágenes y el reconocimiento del habla humana.
Una propiedad muy importante de cualquier sistema inteligente es su transparencia, es decir, qué
tan fácil es interrogarlo sobre su propio funcionamiento. Por ejemplo, si un vehículo autónomo no
reconoce a un peatón y sufre un percance, un modelo transparente puede ser interrogado para
averiguar por qué falló. Las redes neuronales, en cambio, no son transparentes, son modelos tipo
caja negra, en las que conocemos la información recibida y las respuestas, pero no la forma como
se llega a la solución; es decir, no existen las técnicas adecuadas para descifrar los patrones de
aprendizaje a partir de los datos.
Otra propiedad importante de un modelo es su honestidad, esto es, qué tan confiables son sus
predicciones. Por ejemplo, un sistema inteligente para diagnosticar cáncer debe discernir entre
tejido benigno y maligno y ser capaz, también, de indicarnos cuál es la probabilidad de acierto. Así,
podremos distinguir las muestras que tienen una alta probabilidad de ser malignas sobre aquellas
donde no hay certeza alguna.
Una clase diferente son los modelos gráficos probabilísticos, que representan explícitamente las
relaciones entre las diferentes variables de un problema. A diferencia de las redes neuronales, en
este caso existe un registro de cada decisión tomada que puede consultarse y revisarse permitiendo
interrogar al modelo sobre las decisiones y medir la confiabilidad de sus predicciones.
Los modelos gráficos probabilísticos presentan ventajas, pero también algunas desventajas.
Cuentan con características deseables, como transparencia y honestidad, pero aún no han
alcanzado el desempeño logrado por los modelos de redes neuronales en tareas de gran
complejidad. Existe una compensación entre el desempeño de la tecnología actual y las
características que son deseables para poder implementarla en la sociedad.
