La siguiente imagen muestra una representación de una red neuronal que es uno de los campos principales en la ciencia de la Inteligencia Artificial.

2. Breve historia de la inteligencia artificial.

La mayoría de nosotros tenemos un concepto de inteligencia artificial impulsado por las películas de Hollywood. Exterminadores, robots con crisis existenciales y pastillas rojas y azules. De hecho, la IA ha estado en nuestra imaginación y en nuestros laboratorios desde 1956, cuando un grupo de científicos inició el proyecto de investigación "Inteligencia Artificial" en el Dartmouth College en los Estados Unidos. El término se acuñó por primera vez allí y, desde entonces, hemos sido testigos de una montaña rusa de progreso ("¡Guau! ¿Cómo sabe Amazon que quiero este libro?"), Así como frustraciones ("esta traducción es completamente incorrecta").

Al comienzo del proyecto, el objetivo era que la inteligencia humana pudiera describirse con tanta precisión que una máquina pudiera simularla. Este concepto también se conocía como "IA genérica" y esta fue la idea que alimentó la ficción (increíble) que nos proporcionaría entretenimiento ilimitado.

Sin embargo, AI deriva en campos específicos. Con el paso del tiempo, la ciencia evolucionó hacia áreas específicas de conocimiento, y fue entonces cuando la IA comenzó a generar resultados significativos en nuestras vidas. Fue una combinación de reconocimiento de imágenes, procesamiento de lenguaje, redes neuronales y mecánica automotriz que hizo posible un vehículo autónomo. A veces, el mercado se refiere a este tipo de progreso como "IA débil".

La siguiente tabla muestra algunos eventos importantes en la historia de la Inteligencia Artificial.

Año -> Evento

• 1842 -> Lovelace: máquina analítica programable
• 1950 -> Turing: la prueba de Turing
• 1956 -> McCarthy, Minsky, Rochester y Shannon celebran la primera conferencia de IA
• 1965 -> Weizenbaum: "ELIZA", el primer sistema especializado
• 1993 -> Horswill: "Polly" (robótica basada en el comportamiento)
• 2005 -> TiVo: tecnología de recomendación
• 2011 -> Apple, Google y Microsoft: recomendaciones de aplicaciones móviles
• 2013 -> Varios: avances tecnológicos en aprendizaje automático y aprendizaje profundo
• 2016 -> Google DeepMind: AlphaGo vence a Lee Sedol en el juego "Go"

3. Principales técnicas de inteligencia artificial.

Ahora que conoce la definición de IA y más de su historia, la mejor manera de profundizar en el tema es conocer las principales técnicas de IA, específicamente, los casos en los que la inteligencia artificial se utiliza para los negocios.

Aprendizaje automático

En general, el concepto de aprendizaje automático se confunde con el de "IA débil". Es en este campo donde se están produciendo los avances más importantes en IA. En términos prácticos, "Machine Learning es la ciencia que se encarga de hacer que las computadoras realicen acciones sin programación explícita". La idea principal aquí es que puede proporcionar datos a los algoritmos de aprendizaje automático y luego usarlos para saber cómo hacer predicciones o guiar decisiones.

Algunos ejemplos de algoritmos de aprendizaje automático incluyen los siguientes: diagramas de decisión, algoritmos de agrupamiento, algoritmos genéticos, redes bayesianas y aprendizaje profundo.

Aprendizaje profundo

¿Recuerdas cuando Google anunció un algoritmo que encontró videos de gatos en YouTube? (Si desea actualizar su memoria, haga clic aquí). Bueno, esto es Deep Learning, una técnica de aprendizaje automático que utiliza redes neuronales (el concepto de que las neuronas pueden simularse usando unidades computacionales) para realizar tareas de clasificación (piense en clasificar una imagen de un gato, un perro o personas, por ejemplo).

Algunos ejemplos de aplicaciones prácticas de Deep Learning son los siguientes: identificación de vehículos, peatones y placas de vehículos autónomos, reconocimiento de imágenes, traducción y procesamiento del lenguaje natural.

Descubrimiento inteligente de datos

Es el siguiente paso en soluciones de IE (Business Intelligence). La idea es permitir la automatización total del ciclo EI: la incorporación y preparación de datos, análisis y patrones predictivos y la identificación de hipótesis. Este es un ejemplo interesante de recuperación inteligente de datos en acción. La información que ninguna herramienta de IE había descubierto.

Piense en ese momento cuando está contratando un seguro de automóvil y el agente le hace una serie de preguntas. Estas preguntas están relacionadas con las variables que influyen en su riesgo. Detrás de estas preguntas hay un modelo predictivo que informa sobre la probabilidad de que ocurra un accidente en función de su edad, código postal, sexo, marca de automóvil, etc. Es el mismo principio utilizado en los modelos de crédito predictivo para identificar a los pagadores buenos y malos. Por lo tanto, el concepto principal de análisis predictivo (o modelado) significa que puede usar una serie de variables (ingresos, código postal, edad, etc.) combinadas con resultados (por ejemplo, buen o mal pagador) para generar un modelo que proporcione un puntaje (un número entre 0 y 1) que representa la probabilidad de un evento (por ejemplo, pago, migración del cliente, accidente, etc.).

Los casos de uso en los negocios son amplios: modelos de crédito, modelos de segmentación de clientes (agrupación), modelos de probabilidad de compra y modelos de migración de clientes, entre otros.