Intelixencia artificial e sistemas cognitivos, cales son e posibles aplicacións

A intelixencia artificial pode verse como a capacidade dun sistema computacional para realizar tarefas, actividades e resolver problemas propios da mente e da capacidade humana. 

Tempo estimado de lectura: 7 minutos

A disciplina naceu como unha rama da tecnoloxía da información, co obxectivo de fabricar máquinas:

• "Tanto hardware como software";
• capaz de actuar de forma autónoma en todas aquelas situacións nas que se poida pensar que só un ser humano é capaz de comprender o contexto e actuar en consecuencia.

Co paso dos anos, a intelixencia artificial a miúdo acendeu o debate filosófico para dar respostas sobre a posibilidade de substituír o ser humano coa máquina ... ¿é posible? 

Neste sentido podemos identificar dúas correntes de pensamento:

• Intelixencia artificial débil
• Forte intelixencia artificial

Falamos de feble intelixencia artificial (Weble Artificial Intelligence) cando o obxectivo non é crear sistemas que teñan unha intelixencia comparable á dos humanos. Pero sistemas que poden actuar con éxito nunha ou varias actividades humanas complexas, como a tradución automática de textos. 

Nestes casos, o software, na realización da tarefa para a que foi programado, actúa coma se fose un suxeito intelixente, pero para os efectos do resultado non importa se realmente o é ou non. 

Falamos por tanto de feble intelixencia artificial en todos aqueles casos nos que a máquina non é capaz de pensar de forma autónoma, pero aínda é capaz de simular unha intelixencia. 

Este tipo de IA aplícase nos casos en que a comprensión dos procesos cognitivos humanos non é relevante para o resultado final. 

Falamos de forte intelixencia artificial cando a máquina equipada con intelixencia artificial non é só unha "ferramenta". 

Se se desenvolve correctamente convértese en si mesmo nunha mente pensante, cunha capacidade cognitiva indistinguible da humana. 

Nesta filosofía a idea é que algunhas formas de intelixencia artificial poidan razoar e resolver problemas como sería un ser humano, polo tanto sería imposible distinguir os resultados da máquina ou do home.

O termo Machine Learning (aprendizaxe automática) fai referencia a un conxunto de mecanismos pertencentes ao mundo da intelixencia artificial. 

Estes mecanismos permiten a unha máquina intelixente mellorar as súas capacidades e rendemento ao longo do tempo, aprendendo automaticamente con experiencia para realizar certas tarefas, mellorando o seu rendemento cada vez máis co paso do tempo. 

Un exemplo é AlphaGo, software de Aprendizaxe automática a quen se lle ensinou observando millóns de xogadas realizadas polos xogadores de Go durante diferentes xogos e facendo que a máquina xogase contra si mesma, co resultado de que foi capaz de vencer ao considerado o mellor xogador do mundo deste xogo. 

As tres principais categorías de aprendizaxe automática son:

• Aprendizaxe supervisada: o sistema recibe exemplos etiquetados segundo o resultado que se vai obter e, a partir destes datos de formación, debe extraer unha regra xeral que asocia a nova etiqueta a etiqueta correcta;
• Non supervisado: non hai datos etiquetados, é o sistema que, partindo das entradas, debe atopar unha estrutura nos datos;
• Aprendizaxe de reforzo: o sistema recibe aportes do contorno e realiza accións. O sistema intenta tomar medidas para recibir recompensas. O sistema intentará implementar accións que optimicen a recompensa dependendo do estado do entorno circundante.

Il Deep Learning É unha subcategoría de Machine Learning, que é unha familia de métodos pertencentes á intelixencia artificial inspirados na estrutura e na función do cerebro: ou redes neuronais artificiais (Artificial Neural Network). 

Estas arquitecturas aplícanse en diferentes contextos:

• Visión por computador
• recoñecemento de audio e lingua falada
• procesamento da linguaxe natural
• bioinformática

Características do Deep Learning en comparación con outras técnicas de IA:

• Trátase de algoritmos que usan varios niveis de unidades non lineais. Estes niveis úsanse en cascada para realizar tarefas que poden clasificarse como problemas de transformación de características extraídas dos datos; cada nivel usa a entrada do nivel anterior como entrada;
• Estes algoritmos entran na clase máis ampla de algoritmos de aprendizaxe de representación de datos dentro da aprendizaxe automática;
• Están formados por múltiples niveis de representación que se poden entender como diferentes niveis de abstracción, capaces de formar unha xerarquía de conceptos.

Il Deep Learning actúa cos mesmos mecanismos que o cerebro, a máquina aprende de forma autónoma como en Machine Learning, pero faino dun xeito máis "profundo" como o faría o cerebro humano. Por profundo queremos dicir "en varios niveis conceptuais". 

Pode parecer que a forte demanda de capacidades computacionais pode ser unha limitación, pero a escalabilidade do Deep Learning ao aumento de datos e algoritmos dispoñibles é o que o diferencia do Machine Learning: 

• e sistemas de Deep Learning melloran o seu rendemento a medida que aumentan os datos
• As aplicacións de Máquinas de aprendizaxe, unha vez acadado un certo nivel de rendemento, deixan de ser escalables. 

Para adestrar un sistema Deep Learning normalmente etiquetas os datos. 

Por exemplo, no campo do recoñecemento visual, a metaetiqueta "gato" pódese inserir nas imaxes que conteñen un gato e, sen explicar ao sistema como recoñecelo, o propio sistema, a través de múltiples niveis xerárquicos, adiviñará o que caracteriza. un gato (patas, cola, pel, etc.) e polo tanto para aprender a recoñecelo. 

Os datos non estruturados poden ser analizados por un modelo de aprendizaxe profundo unha vez que se forman e alcanzan un nivel aceptable de precisión, pero non para a fase de adestramento inicial.

Il Deep Learning hoxe xa se aplica en varias áreas:

• coche sen condutor físico
• drons e robots empregados para a entrega de paquetes ou para a xestión de emerxencias
• recoñecemento e síntese de voz para chatbots e robots de servizo
• recoñecemento facial por vixilancia
• mantemento preditivo

Informática cognitiva

Implementando as tecnoloxías de hardware máis avanzadas e utilizando algoritmos de autoaprendizaxe como:

• minería de datos
• Grandes analíticas de datos
• recoñecemento de patróns
• procesamento da linguaxe natural
• procesamento de sinal

Créanse plataformas tecnolóxicas que tratan de imitar o cerebro humano, partindo de actividades máis sinxelas para chegar a un procesamento cada vez máis complexo.

Un sinal é unha variación temporal do estado físico dun sistema ou dunha cantidade física que se usa para representar e transmitir mensaxes, é dicir, información a distancia, polo tanto a análise de sinais é un compoñente que soporta a computación cognitiva.

Google DeepmindE Baidu Minwa son os exemplos máis famosos dispoñibles hoxe.

Por non falar do historiador IBM Watson, o primeiro supercomputador comercial deste tipo.

Lecturas relacionadas

• Intelixencia artificial: cales son os tipos de intelixencia artificial que debes coñecer
• Atlantica Digital Un proxecto de investigación innovador orientado á rehabilitación física e cognitiva
• Que é a aprendizaxe automática, de que se trata e os seus obxectivos
• Traballo e innovación dixital: nace Original skills, un modelo de análise na nube para a avaliación científica da personalidade e das soft skills
• A intelixencia artificial de Deep Mind aprendeu a xogar ao fútbol

Ercole Palmeri

Adicto á innovación

---