Las ramas de la Inteligencia Artificial: Tipos de Inteligencia Artificial Suave

 En Inteligencia Artificial

En el anterior artículo, el primero de esta serie, hicimos una retrospectiva histórica sobre la Inteligencia Artificial: sus padres, la definición de Inteligencia Artificial más extendida y los dos tipos de Inteligencia Artificial que existen: débil y fuerte.

Las ramas de la Inteligencia Artificial: Tipos de Inteligencia Artificial Suave

La Inteligencia Artificial tiene presencia en todos los ámbitos de la vida cotidiana: de hecho, es tan relevante en nuestra vida en el día a día, que a veces pasa desapercibido para nosotros. Como ejemplos de uso de la inteligencia artificial en el día a día, se encuentran los siguientes:

  • El supermercado que visitas a diario para comprar alimentos tiene a un equipo de analistas trabajando con datos suyos y de su competencia, de proveedores y de clientes, entre los que te encuentras tú, que estás leyendo este post, para rentabilizar el negocio: obtener más beneficios y disminuir los costes (este procedimiento es el seguido por grandes plataformas).
  • En algunas ciudades, pruebas médicas como las radiografías, los electrocardiogramas, los electromiogramas o los TAC, son previamente interpretadas por algoritmos inteligentes que, con cierta precisión y grado de error, diagnostican o no la enfermedad de un paciente. Posteriormente, el doctor se apoya en esta predicción y aplica su veredicto.
  • Los navegadores que te llevan a tu destino cuentan con mecanismos inteligentes que son capaces de transformar su conocimiento a priori sobre el estado de una vía y adaptarse a atascos que, de la nada pueden surgir (por un accidente, avería o similar), modificando la ruta y haciéndote llegar puntual a tu destino, entre otros muchos ejemplos.

El protagonismo que ha adquirido esta nueva disciplina ha desembocado en una complejidad que ha aumentado exponencialmente desde los casi 70 años que lleva activa, eliminando la trivialidad de su clasificación. De hecho, es tan compleja, que en este segundo post, abordaré la clasificación soft , concebida para que la Inteligencia Artificial Suave pueda ser aplicada en el entorno empresarial.

Los diferentes tipos de Inteligencia Artificial Suave

 

MACHINE LEARNING: El Machine Learning (o Aprendizaje Automático), es la rama, sin duda, más conocida. Puedes imaginar esta rama como la tarea de diseñar algoritmos (modelos) que sean capaces de realizar una tarea específica, normalmente de clasificación, sin instrucciones explícitas para ello.
Según enseñemos a aprender al modelo, encontraremos problemas de clasificación supervisada, clasificación no supervisada, clasificación semi-supervisada o clasificación parcialmente supervisada (los veremos en próximos artículos en un artículo centrado en esta rama).

Un ejemplo de Machine Learning: prediciendo el número de accidentes en una autovía

Por ejemplo, supongamos que queremos predecir el número de accidentes en la Autovía del Norte el sábado 13 de abril a las 19:30. Para ello, recurriremos a un modelo de machine learning que recibirá el histórico de los sábados de cada mes de los últimos 20 años y sus accidentes. Además, para poder realizar la predicción, deberá tener en cuenta elementos como el tiempo, el grado de congestión del tráfico o el estado de la autovía, entre otros.
El modelo llevará a cabo un proceso de entrenamiento, en el que va a utilizar los datos que le hemos entregado, y será capaz, en el proceso de predicción, de determinar el número de accidentes estimado para el día objetivo.
Este problema es de clasificación supervisada, porque le hemos entregado al modelo datos antiguos y que ya contenían accidentes, sobre los cuales ha podido estimar y aprender.
Pertenecen a esta rama las redes de neuronas, modelos basados en KNN o en regresión logística, entre muchos otros.

 

 

MÉTODOS PROBABILÍSTICOS:  La probabilidad, según fue definida en 1913 por el Webster’s Dictionary, es la medida de la certidumbre (o de la incertidumbre, según se mire) asociada a un suceso aleatorio.

Los  métodos probabilísticos en la Inteligencia Artificial posibilitan el razonamiento bajo incertidumbre. Además, este razonamiento es necesario, ya que el conocimiento sobre el mundo es parcial. Esta incertidumbre no solo contempla este conocimiento, sino las limitaciones humanas en su representación.

Estos modelos, al igual que sucedía con los de machine learning, también entrenan y predicen. La diferencia reside en que este tipo de modelos devuelven probabilidades de que suceda la acción sobre la que se realiza inferencia. En el caso del ejemplo anterior, a través de este tipo de modelos, predeciríamos la probabilidad de que se diese un accidente, y no la cantidad de ellos.

Pertenecen a esta rama las redes Bayesianas (y todas sus variantes) o las cadenas de Markov, entre muchos otros.

 

 

COMPUTACIÓN EVOLUTIVA:  La  persigue la resolución de problemas de optimización inspirada en la propia evolución biológica. Es mi campo de estudio, por lo que dedicaré un extenso artículo para detallarla. A mi parecer, es la rama más interesante de la Inteligencia Artificial.

A grandes rasgos, un modelo evolutivo va a contar con un conjunto de individuos. Todos estos individuos codifican una solución al problema de optimización dado. Algunos individuos serán mejores que otros (estarán más cerca de la solución más óptima), por lo que, a través de mecanismos evolutivos como la selección, el cruce, el reemplazo y la mutación, se buscará la convergencia de esa población (es decir, que todos los individuos codifiquen la misma solución y que, además, esa solución sea la más óptima).
Pertenecen a esta rama los algoritmos genéticos, la programación genética, la evolución gramatical…

 

 

TEORÍA DEL CAOS: La teoría del caos es una rama de las matemáticas que estudia el comportamiento de sistemas dinámicos y deterministas y cuyo comportamiento se puede predecir.
Sus aplicaciones fundamentales son en los campos de la criptografía, la robótica y la biología.

 

 

SISTEMAS DIFUSOS: Los sistemas difusos se basan en la lógica difusa, aquella en la que la verdad no es exacta, sino que está definida en una región que recibe el nombre de región difusa.
Sabemos que una temperatura de 10ᵒC es indudablemente fría y 30ᵒC es indudablemente calurosa. Sabemos también que una temperatura de 20ᵒC es templada en verano (en invierno es bastante fría). Pero, ¿cómo podemos categorizar 17ᵒC o 28ᵒC? En este punto, podríamos decir que 17ᵒC tiene cierto grado de temperatura fría y cierto grado de temperatura templada, pero no podemos afirmar rotundamente si es una temperatura fría o templada.

Hemos visto, de forma resumida, cómo la Inteligencia Artificial tiene una gran cantidad de vertientes y ramas, organizadas según una clasificación básica e ideada pensando en los iniciados en la Inteligencia Artificial, pero en una futura entrada, ahondaré en esta clasificación y la haré más precisa.
En el próximo artículo de esta serie que iniciamos veremos las aplicaciones de estas ramas en las empresas: procesamiento del lenguaje natural, visión artificial, automatización, sistemas expertos…

Cualquier duda o inquietud que tengáis sobre este tema, ¡sentíos libres en hacérmela llegar! Podéis poneros en contacto con cualquier duda a contacto@avansis.es Mis compañeros me la harán llegar.

 

Autor: Carlos Vázquez, Data Scientist | AI Engineer en Avansis

Presiona ENTER para comenzar la búsqueda en Avansis