¿Qué es la inteligencia artificial (AI)?

La inteligencia artificial (IA) es una rama de la informática que permite a las máquinas realizar tareas que normalmente requieren inteligencia humana, como aprender, razonar, resolver problemas, reconocer patrones y tomar decisiones. En pocas palabras, la IA es un software que aprende de los datos y utiliza lo aprendido para realizar predicciones, tomar decisiones o crear contenido nuevo sin estar programado explícitamente para cada tarea.

Hoy en día, la IA impulsa desde filtros de spam y motores de recomendación hasta chatbots como ChatGPT y generadores de imágenes. Se basa en una variedad de técnicas, sobre todo el aprendizaje automático y la IA generativa, y ha pasado de los laboratorios de investigación a productos que la gente utiliza a diario.

La científica de la computación de Stanford Fei-Fei Li, en un artículo para la Stanford Emerging Technology Review, sitúa a la IA en la misma categoría que las tecnologías más transformadoras de la historia moderna: “La IA es una tecnología fundamental que está haciendo avanzar otros campos científicos y, al igual que la electricidad e internet, tiene el potencial de transformar el funcionamiento de la sociedad”. Su adopción se está extendiendo a todos los sectores, desde la sanidad y los servicios financieros hasta el comercio minorista y la fabricación, y el ritmo se está acelerando.

Esta página explica cómo funciona la IA, sus principales tipos, ejemplos del mundo real, las limitaciones a tener en cuenta y una breve historia de este campo.

¿Qué es la IA en pocas palabras?

Pensemos en la IA como si enseñáramos a una computadora con ejemplos en lugar de escribir instrucciones paso a paso. Si le mostramos a un sistema miles de fotos de gatos, este aprenderá a reconocerlos por sí mismo, no porque alguien le haya dicho que los gatos tienen bigotes y orejas puntiagudas, sino porque ha visto suficientes ejemplos para identificar el patrón. La IA no “piensa” como usted o como yo. Lo que hace es buscar patrones en los datos y utilizarlos para hacer una predicción aproximada. Esa diferencia es importante: la IA puede obtener resultados extraordinariamente buenos en ámbitos específicos, pero no comprende nada en el sentido humano.

El mismo enfoque de reconocimiento de patrones que permite a un modelo identificar gatos también le permite detectar células cancerosas en una biopsia o marcar transacciones fraudulentas entre millones de transacciones legítimas. El mecanismo subyacente (encontrar patrones en los datos) es el mismo, aunque la aplicación parezca radicalmente distinta. Ya forma parte de las herramientas cotidianas: motores de búsqueda, asistentes de voz, aplicaciones de navegación, filtros de spam y las recomendaciones que ve en los servicios de streaming.

¿Cómo funciona la IA?

La mayor parte de la IA moderna funciona aprendiendo patrones a partir de grandes cantidades de datos y aplicando después esos patrones a situaciones nuevas. En lugar de que un desarrollador escriba reglas (“si el correo electrónico contiene 'dinero gratis', marcar como spam”), al sistema se le muestran muchos ejemplos y él mismo deduce las reglas.

El proceso básico es el siguiente:

1. Recopilar datos. El sistema se alimenta con grandes cantidades de texto, imágenes, números, audio o vídeo relevantes, y los vacíos en esos datos se convierten en vacíos en el modelo.
2. Entrenar un modelo. Un algoritmo estudia los datos y ajusta sus pesos y parámetros internos hasta que produce resultados correctos de forma fiable; este es el paso costoso a nivel computacional que puede ejecutarse durante horas, días o semanas en múltiples GPU.
3. Probar y perfeccionar. El modelo se evalúa en un conjunto de datos de prueba reservado (“held-out”) con el que no se ha entrenado, donde detectar errores es mucho más barato que detectarlos en producción.
4. Realizar predicciones. Una vez entrenado, el modelo responde a preguntas, clasifica entradas, genera contenido o desencadena acciones sobre datos que nunca ha visto; este es el paso de “inferencia” con el que interactúan realmente los usuarios finales.
5. Aprender y mejorar. Muchos sistemas de IA siguen mejorando a medida que se exponen a más datos y comentarios, incluidas las señales de cómo responde la gente a sus resultados.

El entrenamiento de la IA moderna es también una cuestión de escala: los modelos de frontera se entrenan con billones de tokens de texto, se ejecutan en decenas de miles de GPU y su creación cuesta cientos de millones de dólares. La mayoría de las organizaciones no entrenan modelos desde cero. En su lugar, realizan un ajuste fino (fine-tuning) de los modelos fundacionales existentes con sus propios datos, lo que resulta drásticamente más rápido y económico, al tiempo que produce modelos adaptados a una tarea o dominio específicos.

La calidad de un sistema de IA depende en gran medida de los datos de los que aprende: si los datos de entrenamiento están incompletos, sesgados o son de baja calidad, los resultados de la IA también lo serán. Puede obtener más información sobre los componentes básicos en nuestras descripciones generales de modelos de aprendizaje automático y redes neuronales.

¿Cuáles son los 4 tipos de IA?

Los investigadores suelen agrupar la IA en cuatro categorías según su capacidad, una taxonomía atribuida habitualmente al investigador de la Universidad Estatal de Michigan Arend Hintze, quien la propuso en 2016 como una forma de pensar en cómo podría evolucionar la IA. Hoy en día solo existen en el mundo real las dos primeras categorías, mientras que las otras dos siguen siendo preguntas abiertas en la investigación y la filosofía.

La taxonomía es útil porque traza una línea clara entre lo que la IA puede hacer realmente ahora y lo que solo puede hacer en la teoría o la ficción.

Casi todos los productos de IA que la gente utiliza hoy en día, incluidos los modelos de lenguaje grande más capaces, pertenecen a la categoría de memoria limitada.

IA específica frente a IA general frente a superinteligencia

Todos los sistemas de IA que se utilizan hoy en día se clasifican como específicos. La siguiente tabla diferencia estos sistemas actuales de los conceptos teóricos de IA general y superinteligencia.

El hecho de que la AGI exista hoy en día depende en gran medida de cómo se defina. Los modelos avanzados pueden razonar en distintos dominios y realizar tareas complejas, pero sus errores persistentes y su fiabilidad desigual hacen que la clasificación sea objeto de debate.

IA frente a aprendizaje automático frente a aprendizaje profundo frente a IA generativa

Estos cuatro términos se suelen utilizar indistintamente, pero significan cosas diferentes, y esas diferencias son importantes cuando los equipos eligen herramientas, definen el alcance de los proyectos o evalúan a los proveedores.

Una forma útil de imaginarlos es como círculos concéntricos: AI es la categoría más amplia, el machine learning es un subconjunto de AI, el deep learning es un subconjunto de machine learning, y la generative AI es una aplicación de deep learning enfocada en la creación de contenido nuevo. La siguiente tabla detalla el significado de cada término y en qué se diferencian. Para una comparación más detallada, consulta nuestro análisis de machine learning frente a deep learning.

¿Cuáles son algunos ejemplos de artificial intelligence?

AI ya funciona de forma silenciosa en las herramientas cotidianas, redactando correos electrónicos, detectando fraudes en milisegundos y pronosticando el inventario de las tiendas. La trayectoria desde el prototipo hasta el producto integrado se ha reducido drásticamente, y las soluciones que ofrece Databricks abarcan muchas de estas categorías:

La clave está en la amplitud. AI ya no se concentra en unas pocas aplicaciones técnicas, sino que se ha extendido a casi todas las categorías de trabajo donde el reconocimiento de patrones o la generación de contenido aportan valor. El patrón de adopción suele ser el mismo en cada sector: la primera ola se encarga de tareas específicas y repetitivas. Las olas posteriores asumen trabajos que requieren un mayor criterio a medida que las capacidades de los modelos maduran y las organizaciones desarrollan las bases de datos necesarias para respaldarlos.

¿Cuáles son las principales ramas de AI?

AI es un término general que abarca varios campos especializados. Cada rama se centra en un tipo diferente de tarea o capacidad, aunque los límites entre ellas se han desdibujado a medida que el deep learning se ha convertido en el motor común detrás de gran parte del trabajo.

• Machine learning: Sistemas que aprenden patrones a partir de los datos y mejoran con la experiencia. Es el enfoque dominante dentro de AI en la actualidad y la base sobre la que se construyen la mayoría de las demás ramas.
• Deep learning: Una forma más avanzada de machine learning que utiliza redes neuronales por capas para procesar entradas complejas como imágenes, voz y lenguaje. El avance que hizo posible la ola actual de AI.
• Natural language processing (NLP): Comprensión y generación del lenguaje humano. NLP impulsa chatbots, traducción, asistentes de voz y análisis de sentimiento. Consulta nuestra descripción general de natural language processing para obtener más información.
• Computer vision: Interpretación de imágenes y video. Se utiliza en el reconocimiento facial, las imágenes médicas, la inspección de calidad en la manufactura y los sistemas de percepción que permiten a los vehículos autónomos ver la carretera. Lee más sobre computer vision.
• Robótica: Combinación de AI con máquinas físicas para realizar tareas en el mundo real: robots de almacén, asistentes quirúrgicos, vehículos autónomos, drones agrícolas. La intersección del software de AI y la ingeniería mecánica.
• Generative AI: Modelos que crean contenido nuevo en lugar de simplemente analizar los datos existentes. Abarca texto, imágenes, audio, video y código. La rama que irrumpió en la conciencia pública en 2022 con ChatGPT.
• Sistemas expertos: AI antigua basada en reglas que imita la toma de decisiones de un experto humano en un campo específico. Reemplazada en gran medida por enfoques de machine learning, pero todavía se utiliza en lugares donde se requieren reglas explícitamente auditables.

En la práctica, la mayoría de los sistemas de AI modernos combinan varias ramas. Un vehículo autónomo utiliza visión por computadora para percibir el entorno, machine learning para predecir el comportamiento de los vehículos cercanos y robótica para accionar los controles. Las ramas son útiles como un mapa mental, pero los productos que se lanzan al mercado suelen abarcar varias de ellas.

Breve historia de AI

AI ha sido un campo de investigación durante más de 70 años, con importantes cambios en su capacidad concentrados en la última década. La ola más reciente ha llevado a este campo de ser una curiosidad académica a convertirse en una infraestructura cotidiana.

• 1950 — Propuesta de la prueba de Turing: Alan Turing publica “Computing Machinery and Intelligence”, donde se pregunta si las máquinas pueden pensar y propone una prueba para la inteligencia de las máquinas que sigue siendo el centro del debate actual.
• 1956 — Se define el término AI: John McCarthy acuña el término “artificial intelligence” en la Conferencia de Dartmouth, lanzando formalmente el campo como una disciplina.
• Décadas de 1960 y 1970 — Optimismo inicial e inviernos de AI: Los investigadores desarrollan los primeros sistemas basados en reglas y programas de lenguaje natural. A medida que el progreso se estanca ante problemas complejos, el financiamiento se agota. Comienza el primero de dos “inviernos de AI”.
• 1997 — Deep Blue vence a Kasparov: La computadora de ajedrez de IBM derrota al campeón mundial Garry Kasparov en un encuentro de seis partidas, lo que representa la primera vez que una máquina vence a un campeón mundial reinante en ajedrez y un hito público para AI.
• 2012 — Avance en deep learning: Una red neuronal llamada AlexNet logra un gran salto en la precisión del reconocimiento de imágenes en la competencia ImageNet, lo que desencadena el auge moderno de AI y convence al sector de que el deep learning es el camino a seguir.
• 2017 — Presentación de los Transformers: Investigadores de Google publican “Attention Is All You Need”, donde presentan la arquitectura de transformer que abre la puerta a los modelos de lenguaje grande (LLMs) actuales.
• 2022 — Lanzamiento de ChatGPT: La generative AI se vuelve popular cuando OpenAI lanza ChatGPT al público. Alcanza los 100 millones de usuarios en dos meses, la adopción de tecnología de consumo más rápida registrada hasta ese momento.
• De 2023 al presente — AI empresarial a escala: Las organizaciones pasan de los experimentos a la producción de AI y agentes de AI en todas las funciones comerciales, desde el servicio al cliente hasta el desarrollo de software y las operaciones internas.

Lo que destaca de los últimos tres años es el ritmo de avance. Desde 2022 en adelante, las capacidades de AI han progresado más rápido de lo que la mayoría de los expertos esperaban, y la brecha entre un avance de investigación y un producto lanzado se ha reducido de años a meses. El rumbo de la próxima década dependerá menos de la capacidad bruta de los modelos y más de cómo las organizaciones transformen esas capacidades en sistemas confiables y gobernados.

¿Cuáles son las limitaciones y los riesgos de AI?

La AI es potente pero imperfecta. Los siguientes riesgos suelen aparecer en producción y, por lo general, se dividen en tres categorías: limitaciones técnicas, desafíos operativos y un impacto social más amplio.

Alucinaciones y resultados inexactos

La AI generativa puede producir respuestas que suenan convincentes pero que son fácticamente incorrectas. El término de la industria es "alucinación". Un chatbot puede inventar una cita, citar erróneamente una fuente o fabricar hechos que parecen plausibles a simple vista. Esto sucede porque los modelos de lenguaje grandes predicen las palabras siguientes más probables en lugar de recuperar información verificada: el modelo está optimizado para la fluidez, no para la verdad.

En contextos de alto riesgo como la atención médica, la asesoría legal y las decisiones financieras, los resultados de la AI deben ser verificados por un humano antes de actuar en consecuencia. Incluso en entornos de menor riesgo, las organizaciones combinan cada vez más los modelos generativos con sistemas de generación aumentada por recuperación que fundamentan los resultados en documentos de origen confiables. La evaluación sistemática también ayuda: probar los modelos con conjuntos de preguntas de referencia antes del despliegue detecta muchas alucinaciones a tiempo, antes de que lleguen a los usuarios.

Sesgo en los datos de entrenamiento

La AI aprende de los datos. Si los datos reflejan el sesgo humano, como los patrones de contratación históricos que favorecían a un grupo demográfico o las decisiones de préstamo que perjudicaban a otro, la AI reproducirá y, a menudo, amplificará ese sesgo. Como señala la Stanford Emerging Technology Review: "Sin suficientes datos de alta calidad, los modelos de AI pueden generar resultados inexactos o sesgados".

El sesgo es una preocupación importante en las aplicaciones de contratación, préstamos y justicia penal, donde los resultados sesgados causan un daño real. La mitigación requiere una selección cuidadosa de los datos de entrenamiento, una evaluación continua con respecto a las métricas de equidad y la disciplina para probar los modelos en poblaciones que pueden haber estado subrepresentadas durante el entrenamiento. No es una solución de una sola vez. Los modelos experimentan desviaciones a medida que cambia el mundo en el que operan, por lo que el monitoreo de la equidad debe ser una práctica operativa continua en lugar de un control que se realiza solo el día del lanzamiento.

El problema de la "caja negra"

Especialmente con el aprendizaje profundo, a menudo es difícil saber exactamente por qué una AI tomó una decisión específica. El razonamiento del modelo se distribuye a lo largo de millones o miles de millones de parámetros, ninguno de los cuales se asocia claramente con una explicación comprensible para los humanos. Esto es sumamente importante en industrias reguladas como la banca, la atención médica y los seguros, donde una decisión debe ser explicable para un cliente, un auditor o un tribunal.

Como respuesta, ha surgido el campo de la AI explicable (XAI), que crea herramientas para identificar qué características influyeron más en el resultado de un modelo determinado. Algunas industrias van más allá y exigen arquitecturas de modelos más simples e "interpretables" para casos de uso de alto riesgo, aceptando un pequeño costo en la precisión bruta a cambio de decisiones que se puedan rastrear y defender.

Riesgos de privacidad y seguridad

Los sistemas de AI a menudo necesitan acceder a grandes cantidades de datos, lo que plantea dudas sobre cómo se recopilan, almacenan y utilizan esos datos. La AI generativa introduce nuevos riesgos propios: deepfakes que suplantan la identidad de personas reales, desinformación generada por AI a gran escala y ataques de inyección de prompts que engañan a los modelos para que revelen información que no deberían o realicen acciones para las que no estaban autorizados. Los controles de privacidad y las medidas de protección de seguridad son parte del diseño responsable de la AI, no una ocurrencia de último momento.

Preocupaciones sobre el desplazamiento laboral

La AI está automatizando tareas en muchas industrias, lo que plantea dudas reales sobre cómo cambiarán los trabajos y las habilidades. El patrón más probable es el cambio, no el reemplazo total: la AI tiende a alterar la combinación de tareas dentro de un trabajo en lugar de eliminar el rol por completo. Algunos roles perderán relevancia, surgirán otros nuevos y muchos roles existentes requerirán nuevas habilidades, en particular la capacidad de trabajar de manera efectiva junto a los sistemas de AI. La disrupción es real, el ritmo es rápido y las implicaciones para la fuerza laboral merecen una atención seria por parte de líderes, educadores y legisladores.

Gobernanza y cumplimiento

Las organizaciones que implementan AI necesitan medidas de protección claras: quién puede acceder a qué modelos, qué datos usan esos modelos, cómo se monitorean los resultados y cómo se puede revocar el acceso cuando algo sale mal. La lección de la última década de seguridad en la nube es que los controles integrados desde el principio funcionan mejor que los controles agregados a posteriori.

Lo mismo se aplica a la AI. Las regulaciones también se están poniendo al día, con la Ley de AI de la EU, las leyes estatales de US y las normas específicas del sector en finanzas y atención médica, que imponen nuevas obligaciones a las implementaciones de AI. La implicación práctica para los desarrolladores es que la gobernanza ya no puede ser una ocurrencia de último momento. Debe diseñarse desde la capa de datos hacia arriba. Para conocer más de cerca la disciplina que la sustenta, consulte nuestra descripción general de la gobernanza de la AI.

¿Por qué la AI es importante para las empresas?

La AI está transformando la forma en que las organizaciones operan, compiten y atienden a los clientes. Su valor proviene de aplicar datos confiables y gobernados a problemas comerciales reales, no de realizar experimentos aislados.

Las empresas están utilizando la AI para:

• Tomar decisiones más rápidas e informadas
• Automatizar el trabajo repetitivo
• Personalizar las experiencias de los clientes
• Implementar agentes que completen tareas de varios pasos
• Mejorar las previsiones y el servicio al cliente

Para obtener ese valor se requiere una plataforma unificada donde se preparen los datos, se entrenen los modelos, se implementen los agentes y se gobierne toda la pila de extremo a extremo.

La presión competitiva también está aumentando. A medida que la AI se convierte en un estándar en muchos sectores, las organizaciones líderes están:

• Comenzando con un problema comercial específico
• Priorizando la calidad de los datos antes de la sofisticación del modelo
• Evaluando el rendimiento frente a los resultados del mundo real
• Integrando la gobernanza en la plataforma desde el principio

Cómo Databricks admite la AI

Crear AI para producción es difícil: los datos residen en muchos lugares, los modelos deben entrenarse y evaluarse, y la gobernanza debe abarcar todo el pipeline. La plataforma de Databricks reúne los datos y la AI en un solo lugar, para que los equipos puedan almacenar y preparar datos, entrenar y ajustar modelos, implementar agentes de AI y gobernarlo todo de extremo a extremo. Eso incluye Agent Bricks para crear agentes basados en datos empresariales y Unity Catalog para la gobernanza de los activos de datos y AI. La plataforma se conecta con los modelos líderes de OpenAI, Anthropic, Google y Meta, junto con alternativas de código abierto, para que pueda elegir el modelo adecuado para cada tarea sin tener que reconstruir su infraestructura.

Más de 20,000 organizaciones en todo el mundo utilizan Databricks para crear, escalar y gobernar su trabajo de AI. La ventaja de una plataforma unificada es que hay menos fricciones: los equipos pasan de los datos al modelo y al despliegue sin copiar datos entre sistemas ni perder el linaje, lo que hace que el trabajo de AI sea más rápido, económico y fácil de auditar. Obtenga más información en el directorio de clientes de Databricks.

Preguntas frecuentes

¿Cuál es un ejemplo de inteligencia artificial?

ChatGPT, los asistentes de voz como Siri y Alexa, el motor de recomendación de Netflix, la detección de fraudes en transacciones de tarjetas de crédito y las funciones de conducción autónoma en los automóviles son ejemplos de AI que se utilizan hoy en día. La mayoría de estos pertenecen a la categoría de "memoria limitada": aprenden de datos históricos para hacer predicciones o generar respuestas, pero no retienen una memoria persistente a largo plazo como lo hacen los humanos.

¿Cuáles son los 4 tipos de AI?

Máquinas reactivas, memoria limitada, teoría de la mente y AI autoconsciente. Las dos primeras existen hoy en día: desde los filtros de spam hasta ChatGPT pertenecen a una de esas categorías. Las dos últimas siguen siendo teóricas y aún no existe un camino técnico claro hacia ninguna de ellas.

¿Es la AI lo mismo que el aprendizaje automático?

No. La AI es el campo más amplio de la creación de máquinas que realizan tareas inteligentes. El aprendizaje automático es una rama de la AI: sistemas que aprenden de los datos en lugar de estar programados explícitamente. Todo el aprendizaje automático es AI, pero no toda la AI es aprendizaje automático.

¿Cuál es la diferencia entre la AI y la AI generativa?

La AI es el campo general que abarca cualquier sistema que realice tareas asociadas con la inteligencia humana. La AI generativa es un tipo específico de AI, basada en el aprendizaje profundo, que crea contenido nuevo (texto, imágenes, audio, video o código) en lugar de clasificar o predecir a partir de entradas existentes. ChatGPT y los generadores de imágenes son ejemplos cotidianos.

¿Cuáles son los mayores riesgos de la AI?

Los riesgos más comunes son las alucinaciones (resultados erróneos pero convincentes), el sesgo heredado de los datos de entrenamiento, el problema de la "caja negra" (decisiones que no se pueden explicar fácilmente), las brechas de privacidad y seguridad, el desplazamiento laboral y una gobernanza débil. La mitigación proviene de la verificación, la supervisión, una selección cuidadosa de los datos y medidas de protección integradas.

Primeros pasos con la AI

La AI ya no es experimental. Es una tecnología fundamental que impulsa los productos cotidianos y transforma la forma en que operan las empresas, y el ritmo de adopción se está acelerando. Comprender los conceptos básicos de qué es, cómo funciona, dónde se adapta y cuáles son sus limitaciones es el punto de partida para utilizarla de manera eficaz. A partir de ahí, el trabajo consiste en aplicarla a problemas reales, con datos confiables y con la gobernanza necesaria para escalar de manera responsable.

Descubra cómo Databricks ayuda a las organizaciones a desarrollar y escalar la IA con sus propios datos — explore la plataforma Databricks.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original