Inteligencia Artificial

José Félix Yagüe Royo 755416

Sergio Torres Castillo 738233
Índice

Qué es la inteligencia artificial

Orígenes de la inteligencia artificial

Evolución hasta el presente

Aplicaciones de la inteligencia artificial

Inteligencia Artificial vs humanos: DeepMind y AlphaZero

Redes neuronales y deep learning

Objetivos para el futuro

Limitaciones actuales de la IA
Planes de futuro
Previsiones para el futuro lejano
Conclusión de cara al futuro

Aspectos morales
.
Qué es la inteligencia artificial

La inteligencia está definida por la RAE como “ la facultad de la mente

que permite aprender, entender, razonar, tomar decisiones y formarse una idea
determinada de la realidad”. Por lo que se puede entender la inteligencia
artificial como la facultad de algo creado por el hombre que permite aprender,
entender, razonar, tomar decisiones y formarse una idea determinada de la
realidad, es decir que una máquina sea capaz de realizar funciones que se
consideran propias de la inteligencia humana como: tener percepción del
entorno, aprender de sus experiencias previas, razonar, comunicarse con
distintos individuos o actuar en entornos complejos.

Por ahora, aún

estamos bastante alejados
de conseguir una
inteligencia artificial que sea
capaz de reconocer y
adaptarse a cualquier
entorno, aunque en los
últimos 50 años han
aparecido bastantes
paradigmas nuevos que con
los cuales se han llegado a bastantes prometedores resultados. Estos
paradigmas pueden ser encasillados en dos grupos más generales.
El primero es la inteligencia artificial simbólico-deductiva (IA symbol-
processing). Está basada en la hipótesis de Newell y Simon´s y aunque no está
aceptado universalmente la inteligencia artificial clásica está basada en este
tipo. Se basa en aplicar operaciones lógicas a las bases del conocimiento
declarativo, es decir que se basa en el análisis formal y estadístico del
comportamiento humano.
El otro grupo es la inteligencia artificial subsímbolica-inductiva. Se basa
en trabajar desde los niveles más bajos e ir subiendo proporcionado un
aprendizaje interactivo. La idea detrás es seguir los pasos que ha seguido la
humanidad para desarrollar nuestra inteligencia, ya que surgió gracias a
millones de años de vida en la Tierra.
Orígenes de la inteligencia artificial

Cuando en los años 40-50 los primeros ordenadores digitales fueron

desarrollados algunos programadores empezaron a realizar programas que
pudieran realizar tareas sencillas como jugar al ajedrez o demostrar
algunos teoremas matemáticos. Pero no fue hasta 1956 cuando se desarrolló
el término inteligencia artificial en la conferencia de Darthmouth. Aunque ya
había habido mucho antes algunos primeros pasos hacia la inteligencia
artificial.
Aristóteles fue el primero en describir un conjunto de estilos de
razonamiento deductivo que él llamó silogismos. En 1315 Ramon LLull diseñó
una máquina que se suponía capaz de responder a cualquier pregunta.
También Alan Turing sirvió para establecer las bases teóricas de la inteligencia
artificial. En 1936 publicó un artículo en el que diseñó formalmente una
máquina universal que demostró la viabilidad de un dispositivo para
implementar cualquier cómputo formalmente definido, y en 1950 publicó otro
artículo, Machinery and Intelligence, en el que defendía la posibilidad de emular
el pensamiento humano en una máquina a través de la computación, y
proponía como demostrar si una máquina era inteligente o no.

En la conferencia de Darthmouth, en 1956, tras la invención del término

inteligencia artificial se hicieron unas estimaciones, bastante optimistas, que
señalaban que la sociedad estaría rodeada de ordenadores inteligentes en 10
años. El fracaso de este
predicado hizo que no se
invirtiese en el desarrollo
de máquinas inteligentes
hasta los años 90 cuando
bastantes grandes
compañías tecnológicas
decidieron apostar por la
inteligencia artificial,
dando lugar a “la edad de
oro de la IA”.
Evolución hasta el presente

Tras los años de espera debido a las previsiones erróneas, sobre el

futuro próximo de la inteligencia artificial que hicieron parecer ver que la idea
no tenía futuro, llegó una gran inversión por grandes empresas tecnológicas a
este sector. Esto fue debido a dos motivos:
-El aumento de la capacidad computacional de los ordenadores, lo que
hacía que pudiesen realizar muchas más operaciones en menos tiempo
haciendo posible algoritmos que sino no hubiesen sido viables debido a su
coste en tiempo.
-La digitalización en masa hizo que la cantidad de datos disponibles se
multiplicase exponencialmente, facilitando el acceso a mucha cantidad de
información de la que las máquinas podían aprender.
A partir de este momento se han conseguido una gran cantidad de
resultados ya que la inteligencia artificial se puede utilizar en multitud de
situaciones como:
Aplicaciones de la inteligencia artificial

"Miles de aplicaciones de la IA están profundamente inmersas en la

infraestructura de cada industria." Al final de los 90s y principios del siglo 21,
las tecnologías de IA empezaron a usarse ampliamente como elementos de
sistemas mayores, pero el campo es raramente acreditado por estos logros.

Ciencia de la Computación

Los
investigadores de la IA
han creado muchas
herramientas para
resolver los problemas
más difíciles en ciencia
de la computación,
aunque ahora no se
consideren parte de la
IA por ser adoptadas
por esta rama principal. Algunos ejemplos son el tiempo compartido, intérpretes
interactivos, interfaz gráfica de usuario o el mouse, entre muchos otros.

Finanzas

Las instituciones financieras

han usado sistemas de redes
neuronales artificiales para detectar
pagos o reclamos fuera de lo normal,
marcándose para ser investigado por
humanos.

Hospitales y medicina
 Una clínica médica puede
usar inteligencia artificial para
proveer diagnósticos médicos
sobre enfermedades a través
del análisis de un paciente,
basándose en muchos otros
casos parecidos. Otras tareas
en medicina pueden ser la
interpretación de radiologías
asistidas por computadoras o el
análisis del ruido cardíaco.

Industria pesada

Los Robots se han vuelto comunes en muchas industrias. A menudo se

le asignan puestos de trabajo que se consideran peligrosos para los humanos.
Esto suele ser útil en trabajos repetitivos, que puedan conducir a errores o
accidentes o otros que los seres humanos puedan encontrar degradantes.

Servicio de atención al cliente

 Por ejemplo, un asistente en línea automatizado proporcionando servicio
de atención al cliente de una página web para reducir sus costos de operación
y capacitación. Técnicas similares pueden ser usadas en máquinas
contestadoras de centros de llamadas, tales como software de reconocimiento
del habla para que las computadoras manejen el Servicio de atención al cliente,
minería de texto y procesamiento de lenguaje natural para permitir un mejor
trato a los clientes, así como muchas otras tecnologías para mejorar la
productividad de los agentes y la satisfacción del cliente.

Transporte

Un número de variantes de Škoda

incluyen controles basados en
lógica difusa. Estos son
desarrollados para sus cajas de
cambios automáticas. También
cabe resaltar los nuevos avances
en conducción autónoma como los
de la empresa Tesla.

Mantenimiento de las telecomunicaciones

Muchas compañías de telecomunicaciones usan búsqueda heurística en la
administración de sus empleados, por ejemplo BT Group ha usado búsqueda
heurística en una aplicación de programación que crea la asignación de
horarios de trabajo de 20,000 ingenieros.

Juegos y juguetes

En los 1990s ocurrieron los

primeros intentos de
producción en masa de tipos
de IA de uso doméstico para la
educación y el ocio. Apenas un
año después, un tipo mejorado
de robot doméstico fue
vendido, Aibo, un perro
robótico con características
inteligentes y autonomía. Más actualmente la IA es aplicada a los videojuegos,
por ejemplo bots que son diseñados para hacer de oponentes.

Música
Con la IA, los científicos intentan hacer que la
computadora emule las acciones de un
músico. Composición, interpretación, teoría
musical y procesamiento de sonido son
algunas de las principales áreas en las cuales
los investigadores se están enfocando.

Aviación

La División de Operaciones Aéreas utiliza AI en sistemas de expertos basados

en reglas. Las computadoras son capaces de llegar a los mejores escenarios
de éxito en estas situaciones. Las computadoras también pueden crear
estrategias basadas en la ubicación, el tamaño, la velocidad y la fuerza de los
ejércitos. Los pilotos pueden recibir asistencia de las computadoras en el aire
durante el combate.

Otro uso de la IA es el Diseño Soportado por Inteligencia Artificial de

Aeronaves, usado por la NASA, que se utiliza para ayudar a los diseñadores
en el proceso de creación de los diseños conceptuales de la aeronave.
También se usa en el llamado Sistema Integrado de Gestión de Salud del
Vehículo, usado también por la NASA para determinar la integridad estructural
de la aeronave en tiempo real y aplicar los protocolos en caso de daño.

Noticias, publicaciones y escritos

La compañía Yseop, utiliza inteligencia

artificial para convertir los datos estructurados
en comentarios inteligentes y
recomendaciones en lenguaje natural. Yseop
es capaz de escribir informes financieros,
resúmenes ejecutivos, ventas personalizadas
o documentos de marketing y más a una
velocidad de miles de páginas por segundo y
en varios idiomas, incluyendo inglés, español,
francés y alemán.

Otros

Diversas herramientas de inteligencia artificial también se están usando

ampliamente en la seguridad nacional, reconocimiento del habla y de texto de
reconocimiento, minería de datos, y filtrado correo spam.

Expertos en inteligencia artificial y

en seguridad nacional participarán
en el IV Congreso Go Global

Inteligencia Artificial vs. Humanos: DeepMind y AlphaZero

A finales de 2017, DeepMind (una empresa dedicada a la IA) presentó
AlphaZero, una IA que había sido capaz de aprender a jugar desde cero al
ajedrez, shogi y Go y terminar ganando a todas las IAs que se habían
proclamado hasta entonces campeonas en cada uno de esos juegos.

Ahora, la revista Science ha publicado un artículo de análisis sobre AlphaZero

que describe el modo en que empezó a aprender autónomamente y recurriendo
a una red neuronal profunda, a través de constantes partidas aleatorias y sin
contar más información previa que las reglas del juego.

Un ejemplo de aprendizaje por refuerzo

Según los autores de la investigación, miembros de DeepMind, los "resultados

demuestran que un algoritmo de aprendizaje por refuerzo y de propósito
general puede aprender desde cero y alcanzar un rendimiento sobrehumano
en varios juegos de gran complejidad".

El mencionado 'aprendizaje por refuerzo' (ya usado también con videojuegos)

consiste en este caso en una red neuronal que juega millones de partidas
contra sí misma en un proceso de prueba y error, de tal modo que va tomando
nota de la clase de jugadas que contribuyen de alcanzar el objetivo de ganar la
partida.

Una vez entrenada, la red se usa para guiar un algoritmo de búsqueda llamado
'Árbol de búsqueda de Monte-Carlo' que permite que, en lugar de analizar todos
los movimientos posibles, AlphaZero se centre únicamente en aquellos más
prometedores según su experiencia previa.

Un jugador que no sigue las reglas habituales

"Es como descubrir los

cuadernos secretos de
algún gran jugador del
pasado". Y es que, al
ser autodidacta y no
estar limitado por la
sabiduría
convencional,
AlphaZero "desarrolló
sus propias intuiciones
y estrategias”. El
sistema, por ejemplo,
se muestra especialmente dispuesto a sacrificar piezas al principio de un juego
si con ello calcula que puede recibir un beneficio a largo plazo.

Más que un juego

"El objetivo de DeepMind es construir sistemas que puedan solucionar algunos

de los problemas más complejos del mundo y crear un programa que puede
enseñarse a sí mismo cómo dominar el ajedrez, el shogi y el go desde cero es
un importante primer paso en ese camino".
 Neural Network

Las redes neuronales son un modelo de la inteligencia artificial inspirado

en el comportamiento observado en los humanos, consiste en un conjunto de
“neuronas artificiales” conectadas entre sí que transmiten información entre
ellas. La información entra por unos nodos, neuronas, se somete a diversas
operaciones y finalmente se consiguen unos datos de salida. Estos sistemas
aprenden y se forman por sí solos ya que las redes neuronales consisten en
encontrar la combinación de nodos y enlaces entre nodos que mejor se ajuste
a los resultados que queremos. Para conseguir esta combinación cada entrada
a los nodos tiene un peso el cual puede modificar la entrada de los nodos
adyacentes, de la misma forma los valores de salida de los nodos pueden tener
funciones limitadoras, es decir, se puede modificar el valor del resultado o se
puede imponer un valor límite que se debe sobrepasar para propagar el valor
a otro nodo. Así los pesos de los nodos se van ajustando poco a poco hasta
conseguir los resultados esperados. Una red neuronal suele tener desde unos
miles de nodos hasta unos pocos millones.
Deep Learning

Se podría resumir el deep learning como el conjunto de algoritmos

preparados para el aprendizaje automático, es decir que las máquinas utilicen
grandes cantidades de datos y mediante algoritmos complejos los estudien
para aprender. Gracias a las grandes cantidades datos que se manejan hoy en
día, y que aumentan exponencialmente, los algoritmos de deep learning cada
vez serán más eficaces. Este gráfico indica cómo evoluciona la eficacia de los
algoritmos de deep learning en función de la cantidad de datos de la que se
dispone, y se puede apreciar que destaca por encima de otros tipos de
algoritmos cuantos más datos se utilicen, por lo que se puede deducir que
cuanto más pasen los años, ya que habrá cada vez más cantidad de datos,
más superiores van a ser a los demás algoritmos actuales.

Para crear los algoritmos de deep learning se utilizan redes neuronales,

ya que estas no eran suficiente profundas hasta la década de los 2000 el
deep learning no ha tenido su auge hasta ahora. Ya que los algoritmos de
deep learning están compuestas de distintas capas las cuales tienen distintas
funcionalidades. Los algoritmos suelen empezar realizando operaciones
sencillas en las primeras capas y pasando los resultados de las operaciones
de esa capa a las siguientes, generando así cada vez capas más complejas
que se nutren una a la otra consiguiendo al final con las últimas capas los
resultados esperados.

El deep learning ha llamado ya que sus aplicaciones son muy extensas,

es decir que su uso en el mundo real puede tener grandes impactos en
distintos campos. Una de los casos más importantes es que pueden aplicarse
algoritmos de deep learning a grandes volúmenes de datos para el
descubrimiento y aplicación de conocimiento, siendo capaz de realizar
predicciones.
Algunos de los problemas en los que las compañías tecnológicas se
están enfrentando en la actualidad con la ayuda del deep learning son:

-La utilización de imágenes en lugar de palabras clave para buscar

productos.
-Identificar marcas y logotipos en imágenes.
-Monitorizar en tiempo real de las reacciones en redes sociales durante
lanzamientos de productos.
-Tipos de anuncios según las predicciones de las preferencias de los
usuarios.
-Identificación de los niveles de confianza, actitud y opiniones de
distintos clientes.

Además de estas aplicaciones hay muchas más, y con el paso del

tiempo aumentaran exponencialmente, ya que el descubrimiento y
reconocimiento de patrones es un factor fundamental en los procesos
científicos y tecnológicos actuales.
 Objetivos para el futuro

El objetivo último de la IA, lograr que una máquina tenga una

inteligencia de tipo general similar a la humana, es uno de los objetivos más
ambiciosos que se ha planteado la ciencia. Por su dificultad, es comparable a
explicar el origen de la vida, el origen del universo o conocer la estructura de
la materia.

A lo largo de los últimos siglos, este afán por construir máquinas

inteligentes nos ha conducido a inventar modelos o metáforas del cerebro
humano. Actualmente el modelo dominante es el modelo computacional
basado en el ordenador digital.
Limitaciones actuales de la IA

Actualmente, una importante limitación de los sistemas de aprendizaje

profundo es el denominado «olvido catastrófico», lo cual significa que si una
vez han sido entrenados para llevar a cabo una tarea (por ejemplo, jugar al
Go), si a continuación los entrenamos para llevar a cabo otra tarea distinta
(por ejemplo, distinguir entre imágenes de perros y de gatos) olvidan
completamente la tarea anteriormente aprendida (en este caso jugar al Go).
Esta limitación es una prueba contundente de que en realidad estos sistemas
no aprenden nada, por lo menos en el sentido humano de aprender.

Otra importante limitación de estos sistemas es que son «cajas negras»

sin capacidad explicativa, por ello un objetivo interesante de investigación
será como dotar de capacidad explicativa a los sistemas de aprendizaje
profundo incorporando módulos que permitan explicar como se ha llegado a
los resultados y conclusiones propuestas, ya que la capacidad de explicación
es una característica irrenunciable en cualquier sistema inteligente.

También es necesario desarrollar nuevos algoritmos de aprendizaje

que no requieran enormes cantidades de datos para ser entrenados así como
un hardware mucho más eficiente en consumo energético para
implementarlos, ya que el consumo de energía podría acabar siendo una de
las principales barreras al desarrollo de la IA. En comparación, el cerebro es
varios órdenes de magnitud más eficiente que el hardware actual necesario
para implementar los algoritmos de IA más sofisticados. Una posible vía a
explorar es la computación Neuromórfica basada en memristores (Saxena et
al., 2018).

Planes de futuro

Las capacidades más complicadas de alcanzar son aquellas que

requieren interaccionar con entornos no restringidos ni previamente
preparados. Diseñar sistemas que tengan estas capacidades requiere
integrar desarrollos en muchas áreas de la IA.

En particular, necesitamos lenguajes de representación de

conocimientos que codifiquen información acerca de muchos tipos distintos
de objetos, situaciones, acciones, etcétera, así como de sus propiedades y de
las relaciones entre ellos, en particular relaciones causa-efecto. También
necesitamos nuevos algoritmos que, en base a estas representaciones,
puedan, de forma robusta y eficiente, resolver problemas y responder
preguntas sobre prácticamente cualquier tema. Finalmente, dado que
necesitarán adquirir un número prácticamente ilimitado de conocimientos,
estos sistemas deberán ser capaces de aprender de forma continua a lo largo
de toda su existencia.
 En definitiva, es imprescindible diseñar sistemas que integren
percepción, representación, razonamiento, acción y aprendizaje. Este es un
problema muy importante en IA, ya que todavía no sabemos cómo integrar
todos estos componentes de la inteligencia.

Previsiones para el futuro lejano

Entre las actividades futuras, se cree que los temas de investigación

más importantes pasarán por sistemas híbridos que combinen las ventajas
que poseen los sistemas capaces de razonar en base a conocimientos y uso
de la memoria (Graves et al., 2016) y las ventajas de la IA basada en análisis
de cantidades masivas de datos, en lo que se conoce por aprendizaje
profundo (Bengio, 2009).

Otras técnicas más clásicas de IA que seguirán siendo objeto de

investigación extensiva son los sistemas multiagente, la planificación de
acciones, el razonamiento basado en la experiencia, la visión artificial, la
comunicación multimodal persona-máquina, la robótica humanoide y sobre
todo las nuevas tendencias en robótica del desarrollo que puede ser la clave
para dotar a las máquinas de sentido común y, en particular, aprender la
relación entre sus acciones y los efectos que estas producen en el entorno.
 También veremos progresos significativos gracias a las aproximaciones
biomiméticas para reproducir en máquinas el comportamiento de animales.
No se trata únicamente de reproducir el comportamiento de un animal sino de
comprender cómo funciona el cerebro que produce dicho comportamiento.

En cuanto a las aplicaciones, algunas de las más importantes seguirán

siendo aquellas relacionadas con la web, los videojuegos, los asistentes
personales y los robots autónomos (en particular vehículos autónomos, robots
sociales, robots para la exploración de planetas, etcétera). Las aplicaciones al
medio ambiente y ahorro energético también serán importantes, así como las
dirigidas a la economía y la sociología.

Por último, las aplicaciones de la IA al arte (artes visuales, música,

danza, narrativa) cambiarán de forma importante la naturaleza del proceso
creativo. Los ordenadores ya no son solamente herramientas de ayuda a la
creación, los ordenadores empiezan a ser agentes creativos.
 Conclusión de cara al futuro

Por muy inteligentes que lleguen a ser las futuras inteligencias

artificiales nunca serán como la humana; el desarrollo mental que requiere
toda inteligencia compleja depende de las interacciones con el entorno y
estas dependen a su vez del cuerpo, en particular de los sistemas perceptivo
y motor.

Ello, junto al hecho de que las máquinas no seguirán procesos de

socialización y culturización como los nuestros, incide todavía más en que,
por muy sofisticadas que lleguen a ser, serán inteligencias distintas a las
nuestras. El que sean inteligencias ajenas a la humana y, por lo tanto, ajenas
a los valores y necesidades humanas nos debería hacer reflexionar sobre
posibles limitaciones éticas al desarrollo de la IA.

El camino hacia la IA realmente inteligente seguirá siendo largo y difícil,

al fin y al cabo la IA tiene apenas sesenta años.
Inversión en Inteligencia Artificial pasada, presente y futura prevista
Aspectos morales

Muchas de las críticas contra el desarrollo de la inteligencia artificial vienen de

la mano con los aspectos morales que esto conlleva, ya que aunque sea muy
complicado en algún momento se puede llegar a desarrollar una inteligencia
muy parecida a la del ser humano, realizando comportamientos tan parecidos
que no puedas distinguir con qué ser estás interactuando. Para la evaluación
de esto existen varias pruebas como el test de Turing.
El test de Turing es la prueba en la que se evalúa si una máquina es capaz
de manifestar un comportamiento similar al de un humano. Para ello se
evalúan conversaciones en lenguaje natural entre un humano y una máquina,
y si el humano no conseguía distinguir en cinco minutos si era una persona o
una máquina, la máquina pasaba la prueba.
Hay bastantes personas que defienden que el test de Turing ya ha sido
superado ya que hay conversaciones online en las que se encuentran
personas hablando con máquinas sin saber que no están hablando con un
ser humano, pero estos casos no contemplan que la persona tiene que estar
avisada de que existe la posibilidad de que esté hablando con una máquina,
por lo que aún no se puede afirmar que se haya conseguido superar el test de
Turing lo que sería un gran paso para que la inteligencia artificial fuese más
parecida a un ser humano.
Otro tema bastante relacionado con lo anterior es que las máquinas sean
capaces de desarrollar conciencia y sentimientos, de la misma manera que
las personas. Esto es un objetivo que tiene la inteligencia artificial para el
futuro ya que la posibilidad de incorporar componentes que puedan generar
estos estados haría que las máquinas pudiesen tener motivaciones lo que
podría aumentar la eficacia de algunos sistemas inteligentes.
Una película que refleja bastante bien este tema es la película de yo robot en
la que se muestra como un robot que utiliza una inteligencia artificial consigue
desarrollar consciencia.

Si algo parecido a esto se llegase a desarrollar daría campo para que se

desarrollase en profundidad una nueva rama en la ética, ya que el desarrollo
de nuevos seres sería un gran impacto en la sociedad moderna con un gran
número de debates abiertos como los derechos y deberes que debería tener
una inteligencia artificial.

Por último otro gran tema respecto al desarrollo de la inteligencia artificial es

su uso en guerras, ya que, aunque ya se utilicen algún tipo de robots
actualmente, el uso de seres capaces de poder adaptarse al entorno
supondría un gran cambio. Aquí también entran en juego los dilemas morales
que conllevan el desarrollo de armas autónomas, ya que si de verdad pueden
tener consciencia propia sería una revolución y un gran peligro en los
conflictos bélicos actuales.

Aunque para que estos casos se desarrollen aún quedan muchos años de
desarrollo si es que de verdad se puede llegar a desarrollar máquinas con el
mismo comportamiento que los seres humanos.
Bibliografía

https://en.wikipedia.org/wiki/Artificial_intelligence
https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence
https://blogthinkbig.com/historia-como-nacio-inteligencia-artificial
https://es.wikipedia.org/wiki/Aplicaciones_de_la_inteligencia_artificial
https://es.wikipedia.org/wiki/Aprendizaje_profundo
https://machinelearningmastery.com/what-is-deep-learning/
Arificial Intelligence, A New Synthesis - Nils J. Nilsson
https://www.xataka.com/robotica-e-ia/alphazero-ia-capaz-aprender-ella-a-
jugar-al-ajedrez-ganar-a-todas-a-ias-adiestradas-humanos
https://www.lasprovincias.es/economia/expertos-inteligencia-artificial-
20191113110144-nt.html
https://www.bbvaopenmind.com/articulos/el-futuro-de-la-ia-hacia-inteligencias-
artificiales-realmente-inteligentes/
https://es.wikipedia.org/wiki/Test_de_Turing
https://www.indracompany.com/es/blogneo/deep-learning-sirve