Un programa de inteligencia artificial es una aplicación de software que utiliza técnicas de inteligencia artificial para realizar tareas que normalmente requieren cierto grado de inteligencia humana. En otras palabras, es un programa informático capaz de simular las capacidades de la mente humana en áreas como el aprendizaje, la deducción, la toma de decisiones o la percepción de patrones. Estos programas pueden ser relativamente sencillos, como un programa que juega al ajedrez o chatea con el usuario, o muy complejos, como sistemas de análisis de big data y reconocimiento de voz e imagen. La idea básica es que el programa inteligente puede ejecutar tareas complejas —como comunicarse con clientes en línea, diagnosticar enfermedades o conducir vehículos de forma autónoma— que en el pasado requerían intervención humana directa.

Un programa de inteligencia artificial se diferencia del software tradicional en que no solo depende de instrucciones de código fijo establecidas explícitamente por un programador, sino que puede aprender a partir de datos y experiencias, mejorando su rendimiento con el tiempo. Por ejemplo, un programa de inteligencia artificial para el procesamiento de imágenes puede aprender a distinguir entre miles de tipos de objetos analizando millones de imágenes y desarrollando modelos estadísticos que reconocen patrones automáticamente. Asimismo, un programa de chat inteligente (chatbot) aprende mediante el análisis de enormes cantidades de texto humano para poder generar respuestas naturales y con un contexto comprensible para el usuario. En resumen, el software basado en inteligencia artificial es una programación no tradicional que busca simular la inteligencia humana mediante métodos innov basados en matemáticas y algoritmos avanzados.

Reseña histórica

La idea de un “programa de inteligencia artificial” comenzó a surgir a mediados del siglo XX, cuando los investigadores en ciencias de la computación empezaron a pensar en cómo hacer que las máquinas “piensaran”. En 1956 se celebró el célebre Conferencia de Dartmouth, considerada el lanzamiento oficial de la investigación en inteligencia artificial como un campo independiente (Inteligencia artificial – Wikipedia). Durante esta conferencia, el científico John McCarthy y otros acuñaron el término “inteligencia artificial” y se establecieron las primeras bases del campo. En ese periodo se desarrollaron los primeros programas inteligentes, como el “Logic Theorist” (Teorizador Lógico) de la mano de Allen Newell y Herbert Simon en 1956 (Evolución de las tecnologías de inteligencia artificial: de la teoría a la realidad moderna – Red Nabd Omán | Desde 2008 %) (Evolución de las tecnologías de inteligencia artificial: de la teoría a la realidad moderna – Red Nabd Omán | Desde 2008 %), el cual logró demostrar algunas teorías matemáticas utilizando la lógica simbólica. Este fue un logro temprano que destacó el potencial de construir programas que simularan parte de las capacidades mentales humanas (en este caso, resolver problemas matemáticos y lógicos).

Durante la década de 1960, se logró un gran avance en el campo de los programas de inteligencia artificial, especialmente gracias al generoso apoyo proporcionado por el Departamento de Defensa de EE. UU. para la investigación (Inteligencia artificial – Wikipedia). Los investigadores creían entonces que estaban en el camino de construir pronto programas inteligentes capaces de realizar cualquier tarea que hiciera un ser humano. Por ejemplo, Herbert Simon predijo en 1965 que las computadoras serían capaces en veinte años de realizar cualquier trabajo que pudiera hacer un ser humano (Inteligencia artificial – Wikipedia). Asimismo, Marvin Minsky pronosticó en 1967 que en el plazo de una generación se resolvería el problema de construir una inteligencia artificial al nivel de la inteligencia humana (Inteligencia artificial – Wikipedia). Sin embargo, pronto quedó claro que estas expectativas eran demasiado optimistas.

Al llegar la década de 1970, empezaron a aflorar algunas dificultades. Muchos de los programas de inteligencia artificial de entonces se basaban en reglas lógicas establecidas por humanos (es decir, programación explícita) y no aprendían por sí mismos. Cuando estos programas intentaron lidiar con problemas más complejos o nuevas situaciones no programadas previamente, sufrieron fracasos. En 1974, con la aparición del informe de James Lighthill en Gran Bretaña, que criticaba las limitaciones de los logros de la inteligencia artificial, la financiación gubernamental en Estados Unidos y Gran Bretaña comenzó a disminuir (Inteligencia artificial – Wikipedia). El campo entró en el llamado primer “invierno de la inteligencia artificial“, donde la investigación se desaceleró y el optimismo se contrajo.

A pesar de ello, a principios de la década de 1980 se produjo un nuevo renacimiento para los programas de inteligencia artificial gracias al éxito de los sistemas expertos. Los sistemas expertos son programas de inteligencia artificial que se basan en reglas y conocimientos de expertos humanos para resolver problemas especializados. Por ejemplo, un sistema experto médico como “MYCIN“, desarrollado en los años 70 para diagnosticar enfermedades infecciosas y proponer tratamientos, se basaba en una enorme base de conocimientos introducida por médicos especialistas. Hacia 1985, los sistemas expertos alcanzaron popularidad comercial y muchas empresas invirtieron en ellos, superando los ingresos del mercado de la inteligencia artificial los mil millones de dólares (Inteligencia artificial – Wikipedia). Este éxito convenció a gobiernos y corporaciones de reinvertir en el sector.

Sin embargo, la investigación y los programas de inteligencia artificial sufrieron otro revés a finales de los años ochenta. Con el colapso del mercado de las computadoras Lisp dedicadas a ejecutar sistemas de inteligencia artificial en 1987 (Inteligencia artificial – Wikipedia), el campo entró en un nuevo “invierno” más largo que el anterior. Durante este periodo se puso de manifiesto que los sistemas expertos, a pesar de su éxito en tareas muy específicas, eran incapaces de generalizar el conocimiento o de autoaprender, lo que limitaba su capacidad para resolver amplias categorías de problemas.

En los años 90 y principios de los 2000, los programas de inteligencia artificial volvieron a cosechar importantes éxitos, pero entre bambalinas. La inteligencia artificial se aplicó en áreas como la logística y la gestión de la cadena de suministro, la minería de datos (Data mining) y el diagnóstico médico (Inteligencia artificial – Wikipedia). Estos éxitos prácticos fueron impulsados por varios factores, siendo el más importante el aumento masivo de la potencia de las computadoras (ley de Moore), el enfoque en la resolución de problemas específicos en lugar de intentar construir una inteligencia general integral, además de la adopción de rigurosos enfoques matemáticos y estadísticos en el desarrollo de software (Inteligencia artificial – Wikipedia).

Con el desarrollo de las capacidades informáticas y la disponibilidad de enormes cantidades de datos digitales, en las últimas dos décadas se ha producido el auge del aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning). En 1997, el programa de ajedrez Deep Blue de IBM logró un hito histórico al derrotar al entonces campeón mundial de ajedrez Garry Kasparov (Evolución de las tecnologías de inteligencia artificial: de la teoría a la realidad moderna – Red Nabd Omán | Desde 2008 %) (Evolución de las tecnologías de inteligencia artificial: de la teoría a la realidad moderna – Red Nabd Omán | Desde 2008 %), lo que demostró la superioridad de los programas de inteligencia artificial en un campo tan complejo como el ajedrez. Posteriormente, en 2011, el sistema IBM Watson demostró su capacidad para comprender el lenguaje natural y responder preguntas al ganar el famoso concurso Jeopardy frente a rivales humanos. En 2016, DeepMind (propiedad de Google) presentó el programa AlphaGo, que logró vencer a campeones mundiales en el juego de Go, considerado durante mucho tiempo inaccesible para las máquinas debido a su enorme complejidad. Hoy en día, en la década actual, los programas de inteligencia artificial han alcanzado niveles sin precedentes con la aparición de redes neuronales profundas capaces de aprender a partir de vastas cantidades de datos. Por ejemplo, han surgido modelos de lenguaje de gran escala como GPT-3 y posteriormente GPT-4, los cuales son capaces de producir textos similares a los escritos por humanos sobre diversos temas, llegando a programas de chat interactivos como ChatGPT cuyo uso se ha vuelto común en muchos ámbitos. Asimismo, las grandes empresas tecnológicas continúan desarrollando programas más inteligentes y especializados; por ejemplo, Google trabaja en el proyecto Gemini como un modelo de inteligencia artificial multitarea, y otras compañías desarrollan sistemas avanzados de conducción autónoma, análisis de imágenes y más.

Leer también: ¿Qué significa agente de inteligencia artificial?

Análisis comparativo entre diversas tecnologías

Las tecnologías para construir programas de inteligencia artificial son variadas, y cada una cuenta con fortalezas y debilidades. A continuación se presenta una comparación entre los principales enfoques y tecnologías utilizados en el diseño de programas de inteligencia artificial:

• Sistemas expertos (Expert Systems): Son una de las tecnologías de inteligencia artificial más antiguas. Se basan en una enorme base de conocimientos que contiene hechos y reglas de tipo si-entonces (IF-THEN) establecidos por expertos en un campo determinado. El programa razona basándose en dichas reglas para simular el pensamiento de un experto. Fortalezas: Muy buenos para resolver problemas específicos y bien delimitados, y ofrecen explicaciones lógicas de sus resultados (porque siguen reglas conocidas). Debilidades: No aprenden de la experiencia; es decir, su ámbito de conocimiento se limita a las reglas introducidas por los expertos, y cualquier nueva situación fuera de esas reglas provoca el fallo del sistema. Ejemplo: el sistema médico MYCIN era capaz de proponer tratamientos basados en reglas fijas, pero no podía adquirir nuevos conocimientos médicos por sí mismo.
• Aprendizaje automático (Machine Learning): Se basa en algoritmos que permiten al programa aprender a partir de datos en lugar de depender de reglas explícitas. Aquí, el programa construye un modelo estadístico a partir de los datos de entrenamiento y, por lo tanto, puede generalizar a nuevas situaciones. Fortalezas: Capacidad para procesar enormes cantidades de datos y adaptarse a nuevos patrones, ya que el rendimiento del programa mejora a medida que aumentan los datos de entrenamiento. Esta tecnología se utiliza en campos como la detección de fraudes (donde el programa aprende patrones de transacciones fraudulentas) o la recomendación de contenidos (como en los sistemas de sugerencia de películas o productos a los usuarios). Debilidades: Requiere una gran cantidad de datos de calidad para el entrenamiento y sufre del problema de la “caja negra”, donde es difícil explicar internamente las decisiones del modelo en comparación con los sistemas expertos. Asimismo, si los datos están sesgados, el programa reflejará dicho sesgo.
• Aprendizaje profundo (Deep Learning): Es una rama avanzada del aprendizaje automático que se basa en redes neuronales artificiales multicapa. El aprendizaje profundo ha logrado saltos descomunales en el rendimiento de los programas de inteligencia artificial en los últimos años, especialmente en los campos de la visión por computador y el procesamiento del lenguaje. Fortalezas: Rendimiento superior en el reconocimiento de patrones muy complejos (como el reconocimiento de rostros en imágenes, la comprensión de la voz humana y la traducción automática de idiomas). Capaz de extraer características automáticamente de los datos sin necesidad de una gran intervención humana en la selección de propiedades importantes. Debilidades: Requiere recursos informáticos masivos (potentes unidades de procesamiento gráfico y mucha memoria) y cantidades descomunales de datos para el entrenamiento. El modelo resultante es muy complejo y consta de millones o miles de millones de parámetros, lo que dificulta comprender el mecanismo por el cual toma decisiones. Ejemplo: un modelo como GPT-3 contiene 175 mil millones de parámetros y es capaz de producir textos similares a los humanos, pero se considera opaco en cuanto a cómo llega a sus respuestas.
• Aprendizaje por refuerzo (Reinforcement Learning): Un enfoque diferente que se basa en la idea de aprender a través de la experiencia y el refuerzo. Aquí, el programa aprende mediante prueba y error dentro de un entorno determinado y recibe recompensas (refuerzo positivo) al tomar decisiones correctas o exitosas. Con el tiempo, el programa intenta maximizar sus recompensas mejorando su estrategia. Fortalezas: Muy adecuado para problemas que implican una serie de decisiones o múltiples pasos, como juegos de estrategia o control de robots. Este enfoque ha logrado éxitos destacados como el programa AlphaGo, que aprendió estrategias superiores para jugar al Go a través de millones de partidas de prueba, o los sistemas de conducción autónoma que aprenden a pilotar vehículos. Debilidades: El proceso de aprendizaje puede ser muy lento y requerir un número masivo de intentos (experimentos), especialmente en entornos complejos, y puede encontrar dificultades para generalizar su conocimiento de un entorno de entrenamiento específico a otro diferente. Además, definir incorrectamente la función de recompensa puede conducir a comportamientos no deseados.

Estas tecnologías no son totalmente excluyentes, sino que a veces pueden combinarse en un único sistema. Por ejemplo, un programa moderno de inteligencia artificial puede contener una mezcla de aprendizaje automático profundo con componentes basados en reglas expertas para garantizar cierto grado de explicabilidad y orientación. La elección de la tecnología adecuada depende de la naturaleza del problema a resolver y de los recursos disponibles. Por ejemplo, para tareas como el reconocimiento de voz o de imágenes, el aprendizaje profundo suele ser la mejor opción. Por otro lado, en aplicaciones que requieren una explicación clara de los resultados (como el soporte a la decisión en los campos médico y legal), combinar reglas expertas con modelos sencillos de aprendizaje automático puede ser la solución óptima para garantizar la transparencia.

¿Dónde encontrar este concepto en internet?

• Plataforma OpenAI – Programa ChatGPT: El sitio web de OpenAI ofrece el popular programa de chat ChatGPT, basado en un modelo avanzado de inteligencia artificial. Se puede probar de forma gratuita a través del sitio oficial de OpenAI (plataforma ChatGPT) para conocer las capacidades de los programas de inteligencia artificial en la comprensión del lenguaje natural y la respuesta a preguntas.
• Plataforma IBM Watson: La empresa IBM ofrece un conjunto de programas de inteligencia artificial bajo el nombre de Watson. Se puede visitar el sitio web oficial para conocer los diversos servicios de Watson, como el análisis de textos, la visión por computador y la interacción con clientes mediante inteligencia artificial.
• Sitio web Google AI: Google ofrece a través de su sitio web Google AI y su brazo de investigación DeepMind información sobre sus investigaciones y programas más destacados en el campo de la inteligencia artificial. En este sitio se pueden leer novedades técnicas sobre modelos como AlphaGo y los métodos de aprendizaje automático utilizados en los productos de Google.
• Servicios de Microsoft Azure AI: Microsoft ofrece a través de su plataforma Azure numerosos servicios y programas de inteligencia artificial en la nube, como interfaces de programación para el reconocimiento de voz, traducción automática y análisis de imágenes. Los desarrolladores y las empresas pueden acceder a estos programas a través del sitio web de Azure AI y probar sus capacidades de forma gratuita o de pago.
• Librería de código abierto TensorFlow: Para aquellos interesados en desarrollar sus propios programas de inteligencia artificial, la librería TensorFlow (desarrollada por Google) es uno de los marcos de aprendizaje automático y profundo más populares disponibles de forma gratuita. El sitio web oficial de la librería contiene tutoriales y herramientas que permiten a los desarrolladores construir y entrenar programas de inteligencia artificial en diversos campos.
• Iniciativa AI for Good: Una iniciativa global bajo la supervisión de las Naciones Unidas (Unión Internacional de Telecomunicaciones) cuyo objetivo es utilizar la inteligencia artificial para resolver problemas humanitarios y de desarrollo. Se puede visitar el sitio web de la iniciativa para ver proyectos de aplicación de inteligencia artificial para el bien común, los cuales se consideran un ejemplo del papel de los programas de inteligencia artificial en la generación de un impacto positivo global.