INTELIGENCIA

ARTIFICIAL

INFORME –
INTELIGENCIA
ARTIFICIAL

ALUMNO:

-Carlos Ñahuis Bardales.

CURSO:

-Computación

DOCENTE:
 INTELIGENCIA ARTIFICIAL – FAU UNFV

INTRODUCCIÓN

La inteligencia artificial (IA) hace posible que las máquinas aprendan de la experiencia,
se ajusten a nuevas aportaciones y realicen tareas como hacen los humanos. La mayoría
de los ejemplos de inteligencia artificial de los que usted escucha hoy día, desde
computadoras que juegan ajedrez hasta automóviles que se conducen por sí solos, se
sustentan mayormente en aprendizaje a fondo y procesamiento del lenguaje natural.
Mediante el uso de estas tecnologías, las computadoras pueden ser entrenadas para
realizar tareas específicas procesando grandes cantidades de datos y reconociendo
patrones en los datos.

Contenido
2|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

INTRODUCCIÓN.....................................................................................................2

1. HISTORIA Y EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL................4

1.1. Redes neurales 1950 - 1970............................................................................5

1.2. Aprendizaje automático (Machine learning) 1980 - 2010..............................6

1.3. Aprendizaje profundo (Deep learning) - Actualidad......................................7

2. DEFINICION INTELIGENCIA ARTIFICIAL.....................................................8

3. TIPOS DE INTELIGENCIA ARTIFICIAL..........................................................8

4. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL..................................9

5. ¿CÓMO FUNCIONA LA INTELIGENCIA ARTIFICIAL?..............................11

6. ¿CUÁLES SON LOS RETOS DE USAR LA INTELIGENCIA ARTIFICIAL?

13

7. IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL.................................14

8. LAS SEIS LEYES DE LA ROBÓTICA PROPUESTAS POR EL

PARLAMENTO EUROPEO.......................................................................................15

9. CONCLUSIÓN....................................................................................................17

10. Referencias..........................................................................................................0

3|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

1. HISTORIA Y EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL

El término inteligencia artificial fue adoptado en 1956, pero se ha vuelto más popular
hoy día gracias al incremento en los volúmenes de datos, algoritmos avanzados, y
mejoras en el poder de cómputo y el almacenaje.

La investigación inicial de la inteligencia artificial en la década de 1950 exploraba

temas como la solución de problemas y métodos simbólicos. En la década de 1960, el
Departamento de Defensa de los Estados Unidos mostró interés en este tipo de trabajo y
comenzó a entrenar computadoras para que imitaran el razonamiento humano básico.
Por ejemplo, la Defense Advanced Research Projects Agency (DARPA, Agencia de
Proyectos de Investigación Avanzada de Defensa) realizó proyectos de planimetría de
calles en la década de 1970. Y DARPA produjo asistentes personales inteligentes en
2003, mucho tiempo antes que Siri, Alexa o Cortana fueran nombres comunes.

Este trabajo inicial abrió el camino para la automatización y el razonamiento formal que
vemos hoy en las computadoras, incluyendo sistemas de soporte a decisiones y sistemas
de búsqueda inteligentes que pueden ser diseñados para complementar y aumentar las
capacidades humanas.

Aunque las películas de Hollywood y las novelas de ciencia ficción representan la

inteligencia artificial como robots semejantes a humanos que se apoderan del mundo, la
evolución actual de las tecnologías IA no es tan aterradora – o así de inteligente. En su
lugar, la inteligencia artificial ha evolucionado para brindar muchos beneficios
específicos a todas las industrias. Siga leyendo para conocer ejemplos modernos de
inteligencia artificial en las áreas de atención a la salud, comercio detallista y más.

4|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

1.1. Redes neurales 1950 - 1970

El trabajo inicial con redes neurales despierta emoción por las “máquinas pensantes”.

Las Redes Neuronales son un campo muy importante dentro de la Inteligencia

Artificial. Inspirándose en el comportamiento conocido del cerebro humano
(principalmente el referido a las neuronas y sus conexiones), trata de crear modelos
artificiales que solucionen problemas difíciles de resolver mediante técnicas
algorítmicas convencionales.

En esta página web trataremos de acercar al visitante a este tema, mostrando las bases
neurológicas y matemáticas, los principales modelos vigentes y ejemplos interactivos
que solucionan algunos problemas de forma eficaz.

Desde la década de los 40, en la que nació y comenzó a desarrollarse la informática, el

modelo neuronal la ha acompañado. De hecho, la aparición de los computadores
digitales y el desarrollo de las teorías modernas acerca del aprendizaje y del
procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales de
los años cuarenta.

Desde entonces hasta nuestros días, la investigación neurofisiológica y el estudio de

sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la mano.
Sin embargo, los modelos de ANS no se centran en la investigación neurológica, si no
que toma conceptos e ideas del campo de las ciencias naturales para aplicarlos a la
resolución de problemas pertenecientes a otras ramas de las ciencias y la ingeniería.

Podemos decir que la tecnología ANS incluye modelos inspirados por nuestra
comprensión del cerebro, pero que no tienen por qué ajustarse exactamente a los
modelos derivados de dicho entendimiento.

Los primeros ejemplos de estos sistemas aparecen al final de la década de los cincuenta.
La referencia histórica más corriente es la que alude al trabajo realizado por Frank
Rosenblatt en un dispositivo denominado perceptrón. Hay otros ejemplos, tales como el
desarrollo del Adaline por el profesor Bernard Widrow.

Durante todos estos años, la tecnología ANS no siempre ha tenido la misma

consideración en las ramas de la ingeniería y las ciencias de la computación, más

5|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

ansiosas de resultados que las ciencias neuronales. A partir de 1969, el pesimismo

debido a las limitadas capacidades del perceptrón hizo languidecer este tipo de
investigación.

A principios de los 80, por un lado Hopfield y sus conferencias acerca de la memoria
autoasociativa y por otro lado la aparición del libro Parallel Distributed Processing
(PDP), escrito por Rumelhart y McClelland reactivaron la investigación en el campo de
las redes neuronales. Hubo grandes avances que propiciaron el uso comercial en campos
tan variados como el diagnóstico de enfermedades, la aproximación de funciones o el
reconocimiento de imágenes.

Hoy en día, la tecnología ANS no está en su mejor momento, pero a pesar de ello
existen revistas, ciclos de conferencias, etc; que mantienen vías de investigación
abiertas.

1.2. Aprendizaje automático (Machine learning) 1980 - 2010

El machine learning es un método de análisis de datos que automatiza la construcción
de modelos analíticos. Es una rama de la inteligencia artificial basada en la idea de que
los sistemas pueden aprender de datos, identificar patrones y tomar decisiones con
mínima intervención humana.

Debido a nuevas tecnologías de cómputo, hoy día el machine learning no es como el del
pasado. Nació del reconocimiento de patrones y de la teoría que dice que las
computadoras pueden aprender sin ser programadas para realizar tareas específicas;
investigadores interesados en la inteligencia artificial deseaban saber si las
computadoras podían aprender de datos. El aspecto iterativo del machine learning es
importante porque a medida que los modelos son expuestos a nuevos datos, éstos
pueden adaptarse de forma independiente. Aprenden de cálculos previos para producir
decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva – pero
que ha cobrado un nuevo impulso.

Aunque muchos algoritmos de aprendizaje basado en máquina han estado entre nosotros
por largo tiempo, la posibilidad de aplicar automáticamente cálculos matemáticos
complejos al big data – una y otra vez, cada vez más rápido – es un logro reciente. Éstos

6|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

son algunos ejemplos ampliamente publicados de aplicaciones de machine learning con

los que quizá esté familiarizado:

1.3. Aprendizaje profundo (Deep learning) - Actualidad

El deep learning es un tipo de machine learning que entrena a una computadora para
que realice tareas como las hacemos los seres humanos, como el reconocimiento del
habla, la identificación de imágenes o hacer predicciones. En lugar de organizar datos
para que se ejecuten a través de ecuaciones predefinidas, el deep learning configura
parámetros básicos acerca de los datos y entrena a la computadora para que aprenda por
cuenta propia reconociendo patrones mediante el uso de muchas capas de
procesamiento.

¿Por qué es importante el Deep Learning?

El deep learning es una de las bases de la inteligencia artificial (AI) y el interés actual
en el deep learning se debe en parte al auge que tiene ahora la inteligencia artificial. Las
técnicas de deep learning han mejorado la capacidad de clasificar, reconocer, detectar y
describir – en una palabra, entender.

Por ejemplo, el deep learning se utiliza para clasificar imágenes, reconocer el habla,
detectar objetos y describir contenido. Sistemas como Siri y Cortana son potenciados,
en parte, por el aprendizaje a fondo.

Varias novedades están integrando avances ahora al aprendizaje a fondo:

 Mejoras algorítmicas han elevado el desempeño de los métodos de

aprendizaje a fondo.
 Nuevos métodos de aprendizaje basado en máquina han mejorado la
precisión de los modelos.
 Se han desarrollado nuevas clases de redes neurales que encajan bien en
aplicaciones como la traducción de texto y la clasificación de imágenes.
 Tenemos muchos más datos disponibles para construir redes neurales con
muchas capas profundas, incluyendo datos de streaming de la Internet de las
Cosas, datos textuales de medios sociales, notas de médicos y
transcripciones de investigaciones.
 Los adelantos computacionales de la computación en la nube distribuida y
unidades de procesamiento gráfico han puesto a nuestra disposición una
cantidad increíble de poder de cómputo. Este nivel de poder de cómputo es
necesario para entrenar a algoritmos profundos.
Al mismo tiempo, las interfaces de humano a máquina han evolucionado
considerablemente también. El mouse y el teclado están siendo reemplazados con

7|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

gesticulaciones, deslizamientos de los dedos, tacto y lenguaje natural, generando un

interés renovado en la inteligencia artificial y el deep learning.

2. DEFINICION INTELIGENCIA ARTIFICIAL

La inteligencia artificial (Artificial Intelligence, o AI) es la simulación de

procesos de inteligencia humana por parte de máquinas, especialmente sistemas
informáticos. Estos procesos incluyen el aprendizaje (la adquisición de
información y reglas para el uso de la información), el razonamiento (usando las
reglas para llegar a conclusiones aproximadas o definitivas) y la autocorrección.
Las aplicaciones particulares de la AI incluyen sistemas expertos,
reconocimiento de voz y visión artificial.

El término AI fue acuñado por John McCarthy, un informático estadounidense,

en 1956 durante la Conferencia de Dartmouth, donde nació la disciplina. Hoy en
día, es un término general que abarca todo, desde la automatización de procesos
robóticos hasta la robótica actual. Ha ganado prominencia recientemente debido,
en parte, a los grandes volúmenes de datos, o al aumento de velocidad, tamaño y
variedad de datos que las empresas están recopilando. AI puede realizar tareas
tales como identificar patrones en los datos de manera más eficiente que los
seres humanos, lo que permite a las empresas obtener más información sobre sus
datos.

3. TIPOS DE INTELIGENCIA ARTIFICIAL

AI puede ser categorizado en cualquier número de maneras, pero aquí hay dos
ejemplos.

El primero clasifica los sistemas de AI como AI débil o AI fuerte. La AI débil,

también conocida como AI estrecha, es un sistema de AI que está diseñado y
entrenado para una tarea en particular. Los asistentes personales virtuales, como
Siri de Apple, son una forma de débil de AI.

La AI fuerte, también conocida como inteligencia general artificial, es un

sistema de AI con habilidades cognitivas humanas generalizadas, de modo que
cuando se le presenta una tarea desconocida, tiene suficiente inteligencia para

8|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

encontrar una solución. La prueba de Turing, desarrollada por el matemático

Alan Turing en 1950, es un método utilizado para determinar si una
computadora puede realmente pensar como un humano, aunque el método es
polémico.

El segundo ejemplo es de Arend Hintze, profesor asistente de biología integradora e

ingeniería y ciencias de computación en la Universidad Estatal de Michigan. Categoriza
la AI en cuatro tipos, desde el tipo de sistemas de AI que existen hoy en día hasta los
sistemas sensitivos, que aún no existen. Sus categorías son las siguientes:

 Tipo 1: Máquinas reactivas. Un ejemplo es Deep Blue, el programa de

ajedrez de IBM que venció a Garry Kasparov en los años noventa. Deep
Blue puede identificar piezas en el tablero de ajedrez y hacer predicciones,
pero no tiene memoria y no puede usar experiencias pasadas para informar a
las futuras. Analiza movimientos posibles –los propio y los de su oponente–
y elige el movimiento más estratégico. Deep Blue y AlphaGO de Google
fueron diseñados para propósitos estrechos y no pueden aplicarse fácilmente
a otra situación.

• Tipo 2: Memoria limitada. Estos sistemas de AI pueden usar experiencias

pasadas para informar decisiones futuras. Algunas de las funciones de toma
de decisiones en vehículos autónomos han sido diseñadas de esta manera.
Las observaciones son utilizadas para informar las acciones que ocurren en
un futuro no tan lejano, como un coche que ha cambiado de carril. Estas
observaciones no se almacenan permanentemente.

• Tipo 3: Teoría de la mente. Este es un término psicológico. Se refiere a la

comprensión de que los demás tienen sus propias creencias, deseos e
intenciones que afectan las decisiones que toman. Este tipo de AI aún no
existe.

• Tipo 4: Autoconocimiento. En esta categoría, los sistemas de AI tienen un

sentido de sí mismos, tienen conciencia. Las máquinas con conciencia de sí
comprenden su estado actual y pueden usar la información para inferir lo que
otros están sintiendo. Este tipo de AI aún no existe.

4. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL

AI en la asistencia sanitaria. Las mayores apuestas están en mejorar los

resultados de los pacientes y reducir los costos. Las empresas están aplicando el
aprendizaje de máquina para hacer diagnósticos mejores y más rápidos que los

9|Página
 INTELIGENCIA ARTIFICIAL – FAU UNFV

seres humanos. Una de las tecnologías sanitarias más conocidas es IBM Watson.
Entiende el lenguaje natural y es capaz de responder a las preguntas que se le
formulan.

El sistema extrae datos de los pacientes y otras fuentes de datos disponibles para
formar una hipótesis, que luego presenta con un esquema de puntuación de
confianza. Otras aplicaciones de AI incluyen chatbots, un programa de
computadora utilizado en línea para responder a preguntas y ayudar a los
clientes, para ayudar a programar citas de seguimiento o ayudar a los pacientes a
través del proceso de facturación, así como en asistentes virtuales de salud que
proporcionan retroalimentación médica básica.

• AI en los negocios. La automatización de procesos robóticos se está aplicando

a tareas altamente repetitivas que normalmente realizan los seres humanos. Los
algoritmos de aprendizaje automático se están integrando en las plataformas de
análisis y CRM para descubrir información sobre cómo servir mejor a los
clientes. Los chatbots se han incorporado en los sitios web para ofrecer un
servicio inmediato a los clientes. La automatización de puestos de trabajo
también se ha convertido en un punto de conversación entre académicos y
consultores de TI, como Gartner y Forrester.

• AI en la educación. La AI puede automatizar la calificación, dando a los

educadores más tiempo. AI puede evaluar a los estudiantes y adaptarse a sus
necesidades, ayudándoles a trabajar a su propio ritmo. Los tutores de AI pueden
proporcionar apoyo adicional a los estudiantes, asegurando que se mantengan en
el buen camino. AI podría cambiar dónde y cómo los estudiantes aprenden, tal
vez incluso reemplazando a algunos maestros.

• AI en finanzas. La AI aplicada a las aplicaciones de finanzas personales, como

Mint o Turbo Tax, está transformando a las instituciones financieras.
Aplicaciones como estas podrían recopilar datos personales y proporcionar
asesoramiento financiero. Otros programas, IBM Watson siendo uno, se han
aplicado al proceso de comprar una casa. Hoy en día, el software realiza gran
parte de las operaciones en Wall Street.

10 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

• AI en la ley. El proceso de descubrimiento, a través de la revisión de

documentos, en la ley es a menudo abrumador para los seres humanos.
Automatizar este proceso es un mejor uso del tiempo y un proceso más eficiente.
Las startups también están construyendo asistentes informáticos con preguntas y
respuestas que pueden tamizar preguntas programadas para contestar
examinando la taxonomía y la ontología asociadas a una base de datos.

• AI en la fabricación. Esta es un área que ha estado a la vanguardia de la

incorporación de robots en el flujo de trabajo. Los robots industriales solían
realizar tareas únicas y estaban separados de los trabajadores humanos, pero a
medida que la tecnología avanza eso ha cambiado.

 AI en Atención a la salud. Las aplicaciones de IA pueden proporcionar lecturas

personalizadas de medicina y rayos X. Los asistentes personales de atención a la
salud pueden actuar como asesores, recordándole tomar sus pastillas, hacer
ejercicio o comer más sano.
 AI en Retail. La inteligencia artificial proporciona recursos para compras
virtuales que ofrecen recomendaciones personalizadas y analizan opciones de
compra con el consumidor. Las tecnologías de gestión de inventario y
disposición de sitios también se verán mejoradas con la inteligencia artificial.
 AI en Manufactura. La inteligencia artificial puede analizar datos de IoT de
fábrica cuando éstos se transmiten por streaming desde equipo conectado para
pronosticar carga y demanda esperadas utilizando redes recurrentes, un tipo
específico de red de aprendizaje a fondo que se utiliza con datos en secuencia.
 AI en Deportes. La inteligencia artificial se utiliza para capturar imágenes de
juegos y proporcionar a los entrenadores reportes de cómo organizar mejor el
juego, incluyendo posiciones y estrategia optimizadas en el campo.

5. ¿CÓMO FUNCIONA LA INTELIGENCIA ARTIFICIAL?

La inteligencia artificial funciona combinando grandes cantidades de datos con

procesamiento rápido e iterativo y algoritmos inteligentes, permitiendo al
software aprender automáticamente de patrones o características en los datos. La

11 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

inteligencia artificial es un vasto campo de estudio que incluye muchas teorías,

métodos y tecnologías, además de los siguientes subcampos principales:

 El aprendizaje basado en máquina automatiza la construcción de modelos

analíticos. Emplea métodos de redes neurales, estadística, investigación de
operaciones y física para hallar insights ocultos en datos sin ser programada de
manera explícita para que sepa dónde buscar o qué conclusiones sacar.
 Una red neural es un tipo de aprendizaje basado en máquina que se compone de
unidades interconectadas (como neuronas) que procesa información
respondiendo a entradas externas, transmitiendo información entre cada unidad.
El proceso requiere múltiples pases en los datos para hallar conexiones y obtener
significado de datos no definidos.

 El aprendizaje a fondo utiliza enormes redes neurales con muchas capas de

unidades de procesamiento, aprovechando avances en el poder de cómputo y
técnicas de entrenamiento mejoradas para aprender patrones complejos en
grandes cantidades de datos. Algunas aplicaciones comunes incluyen
reconocimiento de imágenes y del habla.
 El cómputo cognitivo es un subcampo de la inteligencia artificial que busca una
interacción de tipo humano con las máquinas. Utilizando la inteligencia artificial
y el cómputo cognitivo, el objetivo final es que una máquina simule procesos
humanos a través de la capacidad de interpretar imágenes y el habla – y luego
hable de forma coherente como respuesta.
 La visión de la computadora se sustenta en el reconocimiento de patrones y en el
aprendizaje a fondo para reconocer lo que hay en una imagen o video. Cuando
las máquinas pueden procesar, analizar y entender imágenes, pueden capturar
imágenes o videos en tiempo real e interpretar sus alrededores.
 El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) es la
capacidad de las computadoras de analizar, entender y generar lenguaje humano,
incluyendo el habla. La etapa siguiente de NLP es la interacción en lenguaje
natural, que permite a los humanos comunicarse con las computadoras
utilizando lenguaje normal de todos los días para realizar tareas.

12 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

Además, varias tecnologías habilitan y dan soporte a la inteligencia artificial:

 Las unidades de procesamiento gráfico son fundamentales para la inteligencia

artificial porque aportan gran poder de cómputo requerido para el procesamiento
iterativo. Entrenar redes neurales requiere big data, además de poder de
cómputo.
 Internet de las Cosas genera cantidades masivas de datos de dispositivos
conectados, la mayoría de ellos no analizados. La automatización de modelos
con inteligencia artificial nos permite usar una mayor parte de ellos.
 Se están desarrollando algoritmos avanzados y se combinan en nuevas formas
para analizar más datos con mayor rapidez y en múltiples niveles. Este
procesamiento inteligente es clave para identificar y anticipar eventos poco
comunes, entender sistemas complejos y optimizar escenarios únicos.
 Las APIs, o interfaces de procesamiento de aplicaciones (por sus siglas en
inglés), son paquetes portátiles de código que hacen posible agregar
funcionalidad IA a productos y paquetes de software existentes. Pueden agregar
capacidades de reconocimiento de imágenes a sistemas de seguridad domésticos
y capacidades de preguntas y respuestas que describen datos, crear subtítulos y
encabezados, o bien invocar patrones e insights interesantes en los datos.
En resumen, el objetivo de la inteligencia artificial consiste en proveer software que
pueda razonar lo que recibe y explicar lo que produce como resultado. La inteligencia
artificial proporcionará interacciones similares a las humanas con software y ofrecerá
soporte a decisiones para tareas específicas, pero no es sustituto de los humanos – y no
lo será en el futuro cercano.

6. ¿CUÁLES SON LOS RETOS DE USAR LA INTELIGENCIA

ARTIFICIAL?

La inteligencia artificial habrá de transformar todas las industrias, pero tenemos que
entender sus límites.

La limitación principal de la inteligencia artificial es que aprende de los datos. No hay

otra forma en que se pueda incorporar el conocimiento. Eso significa que cualquier
imprecisión en los datos se verá reflejada en los resultados. Y cualquier capa adicional
de predicción o análisis se tiene que agregar por separado.

13 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

Los sistemas de IA actuales son entrenados para realizar una tarea claramente definida.
El sistema que juega póquer no puede jugar solitario o ajedrez. El sistema que detecta
fraude no puede conducir un automóvil o brindarle asesoría legal. De hecho, un sistema
de IA que detecta fraude en la atención a la salud no puede detectar con precisión fraude
en impuestos o en reclamos de garantías.

En otras palabras, estos sistemas son muy, muy especializados. Se enfocan en una sola
tarea y están lejos de comportarse como humanos.

De la misma forma, los sistemas de autoaprendizaje no son sistemas autónomos. Las

tecnologías de IA imaginarias que ve en las películas y en la TV siguen siendo ciencia
ficción. Pero las computadoras que pueden sondear datos complejos para aprender y
perfeccionar tareas específicas se están volviendo bastante comunes.

7. IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL

 La inteligencia artificial automatiza el aprendizaje y descubrimiento

repetitivos a través de datos.
La inteligencia artificial es diferente de la automatización de robots basada en
hardware. En lugar de automatizar tareas manuales, la inteligencia artificial
realiza tareas computarizadas frecuentes de alto volumen de manera confiable y
sin fatiga. Para este tipo de automatización, la investigación humana sigue
siendo fundamental para configurar el sistema y hacer las preguntas correctas.

 IA agrega inteligencia a productos existentes.

En la mayoría de los casos, la inteligencia artificial no se venderá como

aplicación individual. En su lugar, los productos que ya utiliza serán mejorados
con recursos de inteligencia artificial, de forma muy similar en que se agregó
Siri como característica a una nueva generación de productos de Apple. La
automatización, las plataformas conversacionales, los bots y las máquinas
inteligentes se pueden combinar con grandes cantidades de datos para mejorar
muchas tecnologías en el hogar y en el lugar de trabajo, desde inteligencia de
seguridad hasta análisis de las inversiones.

 La inteligencia artificial se adapta a través de algoritmos de aprendizaje

progresivos para permitir que los datos llevan a cabo la programación.

La inteligencia artificial encuentra estructura y regularidades en los datos de

modo que el algoritmo adquiera una habilidad: el algoritmo se convierte en un
clasificador o en un indicador. De tal suerte que, así como el algoritmo puede
enseñarse a jugar ajedrez, también puede enseñarse qué producto recomendar
después en línea. Y los modelos se adaptan cuando se les proporcionan nuevos
datos. La propagación retrasada es una técnica de inteligencia artificial que

14 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

permite al modelo hacer ajustes, a través de entrenamiento y datos agregados,

cuando la primera respuesta no es correcta.

 La inteligencia artificial analiza más datos y datos más profundos utilizando

redes neurales que tienen muchas capas ocultas. Construir un sistema de
detección de fraude con cinco capas ocultas era casi imposible hace unos años.
Todo eso ha cambiado con increíble poder de cómputo y el big data. Usted
necesita muchos datos para entrenar modelos de aprendizaje a fondo porque
éstos aprenden directamente de los datos. Cuantos más datos pueda integrarles,
más precisos se vuelven.

 La inteligencia artificial logra una precisión increíble a través de redes

neurales profundas – lo cual antes era imposible. Por ejemplo, sus interacciones
con Alexa, Google Search y Google Photos están basadas en el aprendizaje a
fondo – y se siguen volviendo más precisas cuanto más las utilizamos. En el
terreno de la medicina, ahora se pueden emplear técnicas de inteligencia
artificial de aprendizaje a fondo, clasificación de imágenes y reconocimiento de
objetos para detectar cáncer en imágenes por resonancia magnética con la misma
precisión que radiólogos altamente especializados.

 La inteligencia artificial saca el mayor provecho de los datos.

Cuando los algoritmos son de autoaprendizaje, los datos mismos pueden

volverse de propiedad intelectual. Las respuestas están en los datos; usted sólo
tiene que aplicar inteligencia artificial para sacarlas a la luz. Como el rol de los
datos es ahora más importante que nunca antes, pueden crear una ventaja
competitiva. Si tiene los mejores datos en una industria competitiva, incluso si
todos aplican técnicas similares, los mejores datos triunfarán.
8. LAS SEIS LEYES DE LA ROBÓTICA PROPUESTAS POR EL

PARLAMENTO EUROPEO

Esta vertiginosa irrupción de la IA y de la robótica en nuestra sociedad ha llevado a los

organismos internacionales a plantearse la necesidad de crear una normativa para
regular su uso y empleo y evitar, de este modo, posibles problemáticas que puedan
surgir en el futuro.

1. Los robots deberán contar con un interruptor de emergencia para evitar cualquier
situación de peligro.

2. No podrán hacer daño a los seres humanos. La robótica está expresamente

concebida para ayudar y proteger a las personas.

3. No podrán generarse relaciones emocionales.

15 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

4. Será obligatoria la contratación de un seguro destinado a las máquinas de mayor

envergadura. Ante cualquier daño material, serán los dueños quienes asuman los
costes.

5. Sus derechos y obligaciones serán clasificados legalmente.

6. Las máquinas tributarán a la seguridad social. Su entrada en el mercado laboral

impactará sobre la mano de obra de muchas empresas. Los robots deberán pagar
impuestos para subvencionar las ayudas de los desempleados.
Ambas tecnologías ya están cambiando el mundo y las cifras son la mejor muestra de
ello: la consultora estadounidense Gartner predice que para el año 2020 el 85% de la
interacción con los clientes será gestionada por IA y, en conjunto, se estima que el
mercado de la IA pueda llegar a representar 127.000 millones de dólares en 2025, cifra
muy superior a los 2.000 millones de 2015. Estados Unidos y China se situarán a la
cabeza en inversiones.

Y aunque haya voces como la del filósofo sueco de la Universidad de Oxford, Nick
Bostrom, que anticipa que "existe un 90% de posibilidades de que entre 2075 y 2090
haya máquinas tan inteligentes como los humanos", o la de Stephen Hawking, que
aventura que las máquinas superarán completamente a los humanos en menos de 100
años, lo cierto es que lejos de convertirnos en obsoletos, la IA nos hará más eficientes y
nos permitirá ejecutar acciones que nunca hubiéramos podido realizar debido a su
complejidad. ¿Te imaginas explorar partes del universo totalmente hostiles para el ser
humano? Gracias a ella, un día será posible.

16 | P á g i n a
 INTELIGENCIA ARTIFICIAL – FAU UNFV

9. CONCLUSIÓN

La informática ha avanzado enormemente desde sus inicios hace 70 años. La potencia

de cálculo se ha estado multiplicando por dos cada 18 meses, siguiendo la ley de Moore.
Se cree que, si la ley de Moore se sigue cumpliendo, para el año 2030 la capacidad de
cálculo de un procesador corresponderá a la de una persona.

A su vez, la cantidad de información almacenada digitalmente en la actualidad es

enorme. Los buscadores como Google almacenan millones de copias de las páginas web
existentes, y los servicios de correo de las compañías acumulan por millones nuestros
mensajes. Las redes sociales registran cuáles son nuestros intereses y nuestras
amistades. Las compañías guardan cualquier información, por insignificante que pueda
ser, por si en el futuro les puede ser de alguna utilidad.

Naturalmente, un aumento de la velocidad de computación y una mayor capacidad de

almacenaje implicará que los sistemas dispongan de más recursos para tomar decisiones
y que estas decisiones se realicen de manera más informada y, a su vez, de manera más
personalizada.

17 | P á g i n a
10. Referencias

 https://www.sas.com/es_pe/insights/analytics/what-is-artificial-intelligence.html

 https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial

 https://www.salesforce.com/mx/blog/2017/6/Que-es-la-inteligencia-
artificial.html

 https://www.muyinteresante.es/tecnologia/articulo/ventajas-y-riesgos-de-la-
inteligencia-artificial-651449483429

 https://www.masadelante.com/faqs/sistema-operativo?
fbclid=IwAR1j4C5nQMLTO0djqIyUXect9IXmgY8cvmemZTmPy5ZHMTZnA
JMghLO6Qqw