Palabras clave de Inteligencia Artificial (IA)
Existe una amplia gama de términos utilizados en el contexto de la Inteligencia Artificial (IA) – Glosario de IA. Para obtener una primera visión general, a continuación encontrará el vocabulario más importante y de uso frecuente relacionado con la inteligencia artificial.
Glosario de IA
Algoritmo, algoritmo de aprendizaje
En informática, un algoritmo es una regla de cálculo precisa para resolver una tarea. Un algoritmo de aprendizaje es un algoritmo que toma datos de muestra (datos de aprendizaje o datos de entrenamiento) y calcula un modelo para los datos vistos que se pueden aplicar a nuevos datos de muestra.
Aprendizaje adversario o aprendizaje del oponente
El aprendizaje adversario intenta hacer que un modelo sea más robusto contra los ataques aprendiendo con los llamados ejemplos adversarios. Estos ejemplos se interrumpen deliberadamente para producir resultados falsos.
Aprendizaje automático o Machine Learning (ML)
El aprendizaje automático tiene como objetivo generar conocimiento a partir de valores empíricos mediante el uso de algoritmos de aprendizaje para desarrollar un modelo complejo a partir de ejemplos. Luego, el modelo se puede aplicar a datos nuevos, potencialmente desconocidos, del mismo tipo. Esto significa que el aprendizaje automático no requiere la entrada manual de conocimientos ni la programación explícita de una solución.
Aprendizaje por refuerzo o Reinforcement Learning
En el aprendizaje por refuerzo, el algoritmo de aprendizaje recibe retroalimentación ocasional para las interacciones con el entorno y aprende a evaluar mejor las posibilidades de éxito de las acciones individuales en diferentes situaciones. El aprendizaje por refuerzo se usa a menudo para sistemas y juegos autónomos.
Aprendizaje profundo o Deep Learning (DL)
El aprendizaje profundo es aprendizaje automático en redes neuronales artificiales con varias o muchas capas, que se componen de una gran cantidad de neuronas artificiales. El aprendizaje profundo es responsable de los logros en el procesamiento de voz y texto, imagen y video.
Aprendizaje supervisado o Supervised Learning
En el aprendizaje supervisado, los datos de entrenamiento consisten en ejemplos con entrada y salida. El modelo debe aprender una función para poder predecir bien nuevos ejemplos. Para determinar la calidad del modelo, se entrena con solo una parte de los datos disponibles y se prueba el modelo terminado con los restantes.
Big Data
Big data se refiere a cantidades de datos que son demasiado grandes, demasiado complejos, de movimiento demasiado rápido o estructurados de manera demasiado débil para ser administrados y evaluados con sistemas de bases de datos convencionales.
Bot
Un bot es un programa informático que procesa en gran medida tareas recurrentes de forma automática o autónoma. Ejemplos que podrían beneficiarse del aprendizaje automático son los chatbots, los social bots o los gamebots.
Certificación
Los esfuerzos actuales para desarrollar un catálogo de pruebas para aplicaciones de IA tienen como objetivo permitir la certificación de aplicaciones de IA. Los estándares establecidos de esta manera tienen como objetivo permitir evaluar la calidad de las aplicaciones de IA de manera diferenciada, contribuir a la transparencia en el mercado y promover la aceptación en la aplicación.
Ciencia de datos o Data Science
La ciencia de datos es un campo científico interdisciplinario que se ocupa de métodos, procesos y algoritmos para extraer conocimiento de datos estructurados y no estructurados. En el campo profesional de un científico de datos se requieren conocimientos en las áreas de matemáticas, administración de empresas, informática y estadística. Un científico de datos identifica y analiza los recursos de datos disponibles, determina las necesidades y desarrolla conceptos para utilizar los datos de manera rentable.
Computación cuántica
Las computadoras cuánticas basan sus pasos de cálculo elementales en estados mecánicos cuánticos, los llamados qubits, en lugar de los estados binarios (bits) en las computadoras digitales. Los qubits se procesan utilizando principios mecánicos cuánticos, lo que se espera que brinde una gran ventaja de velocidad para algunas aplicaciones. Las nuevas arquitecturas informáticas también permiten predecir potenciales relacionados con el aprendizaje automático y, por lo tanto, con la IA cuántica.
Conducción autónoma
En la conducción autónoma, un sistema autónomo se hace cargo de todas las tareas del conductor, de forma fiable en una amplia variedad de condiciones. Se basa cada vez más en la inteligencia artificial. Uno de los retos de la conducción autónoma es salvaguardar la percepción de la máquina y las decisiones derivadas de ella para dominar de forma fiable incluso las situaciones de tráfico más complejas.
Inteligencia Artificial (IA) o Artificial Intelligence (AI)
La inteligencia artificial es una rama de la informática que se ocupa de la automatización del comportamiento inteligente. No se define qué significa «inteligente», ni qué tecnología se utiliza. Una de las bases de la inteligencia artificial moderna es el aprendizaje automático. Otros métodos importantes son el razonamiento lógico basado en el conocimiento simbólico, la representación del conocimiento o los procesos de planificación. En los círculos profesionales, se hace una distinción entre IA fuerte e IA débil.
Inteligencia artificial confiable
Solo las aplicaciones de IA confiables garantizan la seguridad, el control, la certeza jurídica, la responsabilidad y la transparencia de TI. Por ello, se están desarrollando lineamientos para un diseño ético de la inteligencia artificial al interior de las empresas, a nivel social y político. Estos se enfocan, por ejemplo, en las dimensiones de ética y derecho, equidad, autonomía y control, transparencia, confiabilidad, seguridad y privacidad.
Inteligencia artificial débil
La IA débil utiliza métodos de IA para resolver tareas estrechamente definidas. Si bien ya puede superar las capacidades humanas en áreas individuales, como el análisis de imágenes, la IA débil está muy por debajo del mismo nivel cuando se trata de tareas más amplias en un contexto más amplio o tareas que requieren conocimiento del mundo. Todas las soluciones de IA actuales son ejemplos de IA débil.
Inteligencia artificial distribuida o «aprendizaje en el borde» o «learning on the edge»
Con el aprendizaje automático en la nube, el modelo reside solo en la nube. Para entrenarlo y usarlo, los dispositivos finales deben enviar todos los datos sin procesar al servidor. Con IA distribuida, los modelos permanecen en los dispositivos finales. En lugar de los datos sin procesar, los modelos se cargan en la nube, donde se combinan y distribuyen nuevamente. De esta forma, cada dispositivo final se beneficia de la formación en todos los demás dispositivos finales. El concepto amigable con la protección de datos de la computación perimetral va de la mano con ahorros en tiempo de cómputo, esfuerzo y costos de comunicación, y mayor seguridad contra ataques cibernéticos.
Inteligencia artificial explicable o Expalinable AI
Los modelos de caja negra, como las redes neuronales artificiales profundas en particular, no son comprensibles para los humanos. La IA explicable busca formas de hacer que la lógica oculta o los resultados individuales sean más comprensibles o explicables.
Inteligencia artificial fuerte o «inteligencia artificial general» (IAG) o General Artificial Intelligence (GAI)
Strong AI representa la visión de usar técnicas de IA para emular la inteligencia humana en toda su extensión y fuera de los campos de acción individuales y estrictamente definidos. Hasta ahora, solo se puede encontrar una IA fuerte en la ciencia ficción. Desde que surgió la inteligencia artificial en la década de 1950, ha habido predicciones de que la IA fuerte será factible en unas pocas décadas.
Inteligencia artificial híbrida o Hybrid AI
La IA híbrida combina el aprendizaje automático basado en datos, la representación del conocimiento y el razonamiento lógico. El conocimiento y las respectivas conclusiones se incorporan directamente al proceso de aprendizaje, por ejemplo, para replicar la capacidad humana de comprender correctamente los significados del contexto y hacer que el sistema de IA sea más sólido en general.
Internet de las Cosas o Internet of Things (IoT)
El Internet de las cosas se refiere a la conexión en red de productos físicos, máquinas, vehículos, etc., lo que significa que pueden intercambiar datos entre sí o ponerlos a disposición a través de Internet. La información recopilada se puede utilizar para automatizar procesos o configurar sistemas autónomos.
Mantenimiento predictivo
Con el mantenimiento predictivo, se debe detectar una falla antes de que ocurra. Los datos registrados por los sensores se evalúan en tiempo real para detectar desgastes tempranos o errores en la cadena de producción, para mantener los medios de producción correspondientes a tiempo y, en última instancia, para evitar tiempos de inactividad o producción defectuosa. El aprendizaje automático es un método exitoso para predecir fallas.
Minería de datos o Data Mining
La minería de datos es la aplicación de métodos estadísticos y de aprendizaje automático para detectar patrones, tendencias o conexiones en bases de datos existentes.
Modelo
Un modelo es una abstracción de la realidad. En el aprendizaje automático, un algoritmo de aprendizaje crea un modelo que generaliza los datos de entrada. El modelo también se puede aplicar a nuevos datos.
Procesamiento de lenguaje natural o Natural Language Processing (NLP)
El procesamiento del lenguaje natural incluye técnicas para reconocer, interpretar y generar lenguaje natural en forma hablada y escrita. Estos incluyen mensajes de texto de lenguaje hablado, reconocimiento de estado de ánimo, extracción de información de texto, traducción automática y conversaciones.
Redes Neuronales Artificiales (RNA)
Las redes neuronales artificiales son modelos de aprendizaje automático, que se modelan en las redes neuronales naturales del cerebro. Consisten en muchas capas de nodos implementadas por software llamadas neuronas artificiales. Con la ayuda de ejemplos, un algoritmo de aprendizaje cambia los pesos, valores numéricos sobre las conexiones entre los nodos, hasta que los resultados son lo suficientemente buenos para la tarea. El número de nodos, capas y su interconexión tiene un efecto significativo en la competencia de solución del modelo.
Representación del conocimiento
Para mapear el conocimiento formalmente, se utilizan diferentes métodos de representación del conocimiento, por ejemplo, ontologías, clases o redes semánticas o sistemas de reglas. Los sistemas expertos de la década de 1980 consistían en tales bases de conocimiento. Hoy en día, los sistemas de reglas se utilizan a menudo para programar chatbots.
Robot
Los robots son máquinas o dispositivos que tienen como objetivo hacerse cargo de ciertas tareas físicas y comunicativas de los humanos. Ejemplos típicos son los robots industriales y de servicios. La autonomía de los sistemas robóticos aumenta en la medida en que pueden resolver tareas complejas de forma independiente mediante el aprendizaje automático. Un ejemplo de esto son los vehículos totalmente autónomos.
Sistemas autónomos
Los sistemas autónomos son dispositivos y sistemas de software que actúan y reaccionan de forma independiente sin control humano y sin procesos preprogramados. Deben distinguirse de los sistemas automatizados que llevan a cabo cursos de acción predefinidos pero no pueden cambiarlos de forma independiente. Para reaccionar a la situación, los dispositivos autónomos deben tener sensores y los sistemas de software deben monitorear los flujos de datos digitales. El comportamiento generalmente se entrena a través del aprendizaje automático y se puede mejorar continuamente.
Sistemas de asistencia
Los sistemas de asistencia digital optimizan la cooperación entre humanos y computadoras. Se pueden encontrar en numerosos campos de actuación: desde la gestión documental en el área comercial, pasando por los asistentes de idiomas que responden dudas o reciben instrucciones, hasta la producción y el montaje, donde utilizan métodos de inteligencia artificial para apoyar a las personas según el contexto.
Test de Turing
El Test de Turing fue diseñada por el matemático británico Alan Turing para evaluar la inteligencia de los sistemas artificiales. Si una persona que se comunica con un sistema artificial y con un interlocutor humano al mismo tiempo no puede finalmente determinar qué interlocutor de diálogo es el ser humano, el sistema se considera inteligente. Hoy en día, estos sistemas se denominan chatbots.
Tiempo real
Tiempo real significa que un sistema está siempre listo para funcionar y tiene la capacidad de llevar a cabo todas las reacciones y pasos de cálculo en un período de tiempo corto y determinado.