RECURSOS DE INTELIGENCIA ARTIFICIAL

Fundamentos de inteligencia artificial

Comprende los conceptos esenciales de la inteligencia artificial y su relación con datos, algoritmos, modelos y aprendizaje automático.

CONCEPTOS

Qué entendemos por inteligencia artificial

La inteligencia artificial agrupa técnicas y sistemas capaces de realizar tareas que requieren procesar información para producir resultados como predicciones, recomendaciones, clasificaciones, decisiones o contenido.

El término abarca tecnologías muy diferentes. Un sistema de recomendación, un modelo que clasifica imágenes y un modelo de lenguaje pueden considerarse aplicaciones de inteligencia artificial, aunque su funcionamiento y sus objetivos sean distintos. 

Datos o información de entrada
↓
Sistema de IA
↓
Procesamiento
↓
Resultado

La inteligencia artificial no implica necesariamente que una máquina piense o comprenda como una persona. Desde un punto de vista técnico, interesa analizar qué tarea realiza el sistema, qué información utiliza y cómo produce sus resultados.

SISTEMAS

Un sistema de IA

Un sistema de inteligencia artificial puede combinar diferentes elementos tecnológicos y organizativos.

  • datos de entrada;
  • algoritmos;
  • uno o varios modelos;
  • software e infraestructura;
  • reglas y procesos;
  • interfaces con otros sistemas o usuarios;
  • mecanismos de supervisión y evaluación.

Por tanto, el modelo no debe confundirse con el sistema completo. Una aplicación basada en IA puede utilizar un modelo como uno de sus componentes y añadir alrededor de él lógica de negocio, bases de datos, controles de acceso, interfaces y otros servicios. 

Aplicación
↓
Lógica del sistema
↓
Modelo
↓
Resultado
↓
Aplicación

RELACIONES

IA, machine learning y deep learning

Inteligencia artificial, machine learning y deep learning están relacionados, pero no son términos equivalentes.

Inteligencia artificiales el concepto más amplio. Incluye diferentes métodos para construir sistemas capaces de realizar tareas asociadas a capacidades como percepción, predicción, clasificación, razonamiento o generación.

Machine learningo aprendizaje automático es un área de la inteligencia artificial en la que se construyen modelos capaces de aprender patrones a partir de datos.

Deep learningo aprendizaje profundo es un área del machine learning basada en redes neuronales con múltiples capas. 

Inteligencia artificial
↓
Machine learning
↓
Deep learning

Esta relación ayuda a entender por qué no todo sistema de inteligencia artificial utiliza necesariamente deep learning y por qué ambos conceptos no deben utilizarse como sinónimos.

ENFOQUES

No toda IA aprende de la misma forma

La inteligencia artificial es un campo amplio y no todos los sistemas utilizan el mismo enfoque.

Existen sistemas basados en reglas explícitas y sistemas que utilizan modelos obtenidos mediante aprendizaje automático. También pueden combinarse diferentes técnicas dentro de una misma solución. 

Problema
↓
Enfoque adecuado
↓
Reglas, aprendizaje o combinación
↓
Sistema

Elegir una técnica depende del problema, de los datos disponibles, de los requisitos del sistema y de las condiciones en las que tendrá que funcionar.

COMPONENTES

Datos, algoritmos y modelos

Para comprender muchos sistemas actuales de inteligencia artificial conviene diferenciar tres conceptos: datos, algoritmos y modelos.

Los datosrepresentan información utilizada por el sistema. Pueden ser números, categorías, texto, imágenes, audio, registros de actividad u otros tipos de información.

Un algoritmoes un procedimiento definido para realizar una tarea o resolver un problema. En machine learning, determinados algoritmos permiten ajustar un modelo utilizando datos.

Un modeloes una representación obtenida o ajustada para producir resultados a partir de nuevas entradas. 

Datos
↓
Algoritmo de aprendizaje
↓
Modelo
↓
Nuevos datos
↓
Resultado

DATOS

La importancia de los datos

En los sistemas basados en aprendizaje automático, los datos tienen una influencia directa sobre el comportamiento del modelo.

Algunos aspectos relevantes son:

  • cantidad de datos disponible;
  • calidad y exactitud;
  • representatividad;
  • actualidad;
  • errores o valores ausentes;
  • forma en que se obtuvieron;
  • posibles sesgos;
  • protección y privacidad.

Tener muchos datos no garantiza automáticamente un buen sistema. También importa si esos datos son adecuados para el problema que se pretende resolver. 

Datos disponibles
↓
Revisión y preparación
↓
Datos adecuados para la tarea
↓
Entrenamiento

CICLO DE TRABAJO

Entrenamiento e inferencia

En machine learning conviene distinguir dos momentos fundamentales: el entrenamiento y la inferencia.

Durante el entrenamiento, un procedimiento de aprendizaje utiliza datos para ajustar los parámetros de un modelo. 

Datos de entrenamiento
↓
Proceso de aprendizaje
↓
Ajuste del modelo
↓
Modelo entrenado

Durante la inferencia, el modelo ya entrenado recibe una entrada y genera un resultado. 

Nueva entrada
↓
Modelo entrenado
↓
Inferencia
↓
Resultado

El resultado puede ser una clasificación, una predicción, una recomendación, una puntuación o contenido generado, dependiendo del tipo de modelo y de la tarea.

EJEMPLO

Un ejemplo sencillo de clasificación

Imaginemos un sistema diseñado para clasificar mensajes de correo electrónico.

Durante el entrenamiento se utilizan ejemplos que permiten ajustar un modelo. Después, el modelo puede recibir mensajes que no formaban parte de esos datos y asignarles una categoría. 

Mensajes de ejemplo
↓
Entrenamiento
↓
Modelo de clasificación
↓
Nuevo mensaje
↓
Predicción de categoría

El modelo no necesita almacenar una regla manual para cada mensaje posible. Intenta aplicar a nuevas entradas los patrones aprendidos durante el entrenamiento.

EVALUACIÓN

Entrenar no es suficiente

Después de entrenar un modelo es necesario evaluar su comportamiento con datos y criterios adecuados para la tarea.

La evaluación permite comprobar si el modelo funciona razonablemente bien más allá de los ejemplos utilizados durante el aprendizaje. 

Entrenamiento
↓
Modelo
↓
Evaluación
↓
Resultados
↓
Revisión

No existe una única métrica válida para todos los problemas. La forma de evaluar depende de la tarea, de los errores que se consideren más importantes y del contexto donde vaya a utilizarse el sistema.

COMPORTAMIENTO

Generalización

Uno de los objetivos del aprendizaje automático es que un modelo sea capaz de comportarse adecuadamente ante datos que no ha visto durante el entrenamiento.

A esta capacidad se la relaciona con la generalización. 

Datos de entrenamiento
↓
Aprendizaje
↓
Modelo
↓
Datos nuevos
↓
Comportamiento esperado

Obtener buenos resultados únicamente sobre los datos utilizados para entrenar no demuestra que el modelo vaya a funcionar igual de bien con nuevas entradas.

APLICACIONES

Principales áreas de aplicación

La inteligencia artificial puede utilizarse en tareas muy diferentes. Algunos ejemplos habituales son:

  • Clasificación:asignar una categoría a una entrada.
  • Predicción:estimar un valor o comportamiento futuro.
  • Recomendación:seleccionar elementos que pueden resultar relevantes para un usuario o contexto.
  • Visión artificial:procesar y analizar imágenes o vídeo.
  • Procesamiento del lenguaje:trabajar con texto, voz y lenguaje natural.
  • Detección de anomalías:identificar patrones que se apartan del comportamiento esperado.
  • IA generativa:producir texto, imágenes, audio, código u otros contenidos.

Una misma aplicación puede combinar varias de estas capacidades.

GENERACIÓN

Inteligencia artificial generativa

La inteligencia artificial generativa se refiere a sistemas capaces de generar contenido a partir de una entrada o de determinadas condiciones.

Entre sus aplicaciones se encuentran la generación de texto, imágenes, audio, vídeo y código. 

Entrada
↓
Modelo generativo
↓
Generación
↓
Contenido

Los modelos de lenguaje de gran tamaño, conocidos como LLM, forman parte de este ámbito cuando se utilizan para procesar y generar lenguaje. Sus características se desarrollan en una ficha específica para no confundir los fundamentos generales de IA con un tipo concreto de tecnología.

RESULTADOS

Resultados y predicciones

Muchos modelos de inteligencia artificial no funcionan como una colección de respuestas absolutamente ciertas. Producen resultados basándose en patrones, parámetros y cálculos derivados del proceso de entrenamiento.

Dependiendo del sistema, una salida puede representar una probabilidad, una puntuación, una categoría, un valor estimado o una secuencia generada. 

Entrada
↓
Modelo
↓
Cálculo
↓
Resultado estimado

Por este motivo, el resultado de un sistema de IA debe interpretarse teniendo en cuenta la tarea, la incertidumbre y las consecuencias de un posible error.

CRITERIO TÉCNICO

Limitaciones de los sistemas de IA

Los sistemas de inteligencia artificial pueden producir resultados útiles, pero también tienen limitaciones que deben conocerse.

  • pueden producir resultados incorrectos;
  • dependen de la calidad y características de los datos;
  • pueden comportarse peor ante situaciones diferentes a las previstas;
  • pueden reflejar o amplificar sesgos presentes en datos y procesos;
  • su comportamiento puede cambiar según las entradas;
  • algunos modelos pueden ser difíciles de interpretar;
  • necesitan evaluación y supervisión adecuadas al contexto.

En sistemas generativos aparece además la posibilidad de producir información plausible pero incorrecta. Por ello, una respuesta generada no debe considerarse verdadera únicamente porque esté expresada de forma convincente.

DATOS Y CONTEXTO

Sesgos y representatividad

Los datos utilizados para desarrollar y evaluar un sistema pueden no representar de la misma manera todas las situaciones en las que el sistema terminará utilizándose.

Los sesgos pueden aparecer por diferentes motivos, entre ellos:

  • cómo se recopilaron los datos;
  • qué ejemplos están representados;
  • qué variables se utilizan;
  • cómo se etiquetaron los datos;
  • qué objetivo se decidió optimizar;
  • cómo se interpreta posteriormente el resultado.

Revisar estos aspectos forma parte del desarrollo y evaluación de sistemas de IA.

USO RESPONSABLE

Supervisión y contexto de uso

La utilidad de un sistema de IA no depende únicamente de la calidad técnica del modelo. También importa cómo se integra y utiliza.

Antes de utilizar sus resultados conviene considerar:

  • qué tarea pretende resolver;
  • qué consecuencias puede tener un error;
  • quién utiliza el resultado;
  • qué datos procesa;
  • qué controles existen;
  • cómo se supervisa su comportamiento;
  • cuándo es necesaria una revisión humana.
Resultado del sistema
↓
Evaluación según el contexto
↓
Revisión cuando sea necesaria
↓
Uso del resultado

Cuanto mayores sean las consecuencias de una decisión, más importante resulta establecer controles adecuados y no tratar la salida del sistema como una decisión automáticamente correcta.

CICLO

Del problema al sistema

Un proyecto de inteligencia artificial no comienza necesariamente seleccionando un modelo. Primero debe comprenderse el problema que se quiere resolver. 

Problema
↓
Objetivo
↓
Datos
↓
Desarrollo o selección del modelo
↓
Evaluación
↓
Integración
↓
Uso y supervisión
↓
Revisión

Este enfoque ayuda a evitar que la tecnología se convierta en el objetivo y permite valorar si una solución basada en IA es realmente adecuada para la necesidad planteada.

ERRORES FRECUENTES

Confusiones que conviene evitar

  • utilizar inteligencia artificial, machine learning y deep learning como si fueran exactamente lo mismo;
  • confundir un modelo con todo el sistema de IA;
  • pensar que disponer de más datos garantiza siempre mejores resultados;
  • asumir que un modelo funciona correctamente porque obtiene buenos resultados sobre los datos de entrenamiento;
  • considerar una predicción como una certeza;
  • asumir que una respuesta generada es correcta porque parece convincente;
  • ignorar el contexto en el que se utilizará el sistema;
  • desplegar un sistema sin mecanismos adecuados de evaluación, supervisión y revisión.

RESUMEN

Ideas fundamentales

  • Inteligencia artificial es un concepto amplio que incluye diferentes técnicas y tipos de sistemas.
  • Machine learning es un área de la IA basada en el aprendizaje de patrones a partir de datos.
  • Deep learning es un área del machine learning basada en redes neuronales con múltiples capas.
  • Un modelo es solo una parte posible de un sistema de inteligencia artificial.
  • Datos, algoritmos y modelos cumplen funciones diferentes.
  • Entrenamiento e inferencia son fases distintas.
  • Un modelo debe evaluarse con datos y criterios adecuados a la tarea.
  • Los sistemas de IA pueden cometer errores y presentar limitaciones.
  • La calidad y representatividad de los datos influyen en el comportamiento del sistema.
  • Los resultados deben interpretarse dentro de su contexto de uso.
  • La evaluación y supervisión forman parte del ciclo de vida de un sistema de IA.

SIGUE APRENDIENDO

Recursos relacionados

Estos conceptos sirven como base para profundizar en las siguientes fichas de Inteligencia Artificial:

PARA AMPLIAR

Documentación de referencia

Fuentes institucionales y documentación técnica para ampliar los conceptos de esta ficha.