¿Qué es la inteligencia artificial?

Gartner define la inteligencia artificial (IA) como la aplicación de análisis avanzados y técnicas basadas en la lógica, incluido el machine learning (ML), para interpretar eventos, respaldar y automatizar decisiones y realizar tareas. Esta definición está en consonancia con el estado actual y cada vez más relevante de las tecnologías y las capacidades de la IA, y reconoce que, por lo general, la IA suele implicar un análisis probabilístico (en el que la probabilidad se combina con la lógica para asignar un valor a la incertidumbre). 

Otras organizaciones y personas pueden utilizar definiciones diferentes para la inteligencia artificial. Aún no existe una definición formal y universalmente aceptada, debido a las muchas formas en que esta tecnología puede respaldar, potenciar y automatizar las actividades humanas e, incluso, aprender y actuar con autonomía.

Sin embargo, si quieres que tu organización aproveche la oportunidad que representa la IA, necesitas una estrategia de IA rigurosa, lo que te exige articular una definición que obtenga cierto consenso, centrada en tus expectativas sobre la IA. 

Permite las diferentes opiniones, pero intenta que los responsables de análisis de datos, de empresa y de TI no discrepen en su idea fundamental sobre lo que significa la IA para la organización, si realmente quieres diseñar una estrategia que aproveche sus beneficios. 

Ten en cuenta que es probable que los proveedores de tecnología de IA usen sus propias definiciones. Pídeles que expliquen cómo te ayudará su oferta a cumplir tus expectativas sobre el valor que aportará la IA.

Los grandes modelos de lenguaje (LLM) son inteligencias artificiales generativas orientadas a la creación de texto, y han protagonizado titulares en la prensa generalista desde que OpenAI lanzó al mercado ChatGPT en noviembre de 2022.  

Los LLM se entrenan a partir de grandes volúmenes de textos, normalmente de miles de millones de palabras, que pueden ser simulados o extraídos de fuentes de datos públicas o privadas. Esto les permite interpretar instrucciones textuales y generar resultados, también textuales, de una calidad aparentemente humana. Los LLM ya están ayudando a los motores de búsqueda a entender preguntas y a formular respuestas.

Los avances en el ámbito de los LLM tienen el potencial de transformar radicalmente la actividad de las organizaciones, lo que incluye automatizar tareas tradicionalmente humanas, como generar código o responder a consultas.

El machine learning (ML) o aprendizaje automático es una técnica fundamental que capacita a la IA para resolver problemas. A pesar de algunas ideas erróneas generalizadas (y algunas denominaciones populares inapropiadas), las máquinas no aprenden. Lo que hacen es almacenar y computar; eso sí, de una manera cada vez más compleja. El machine learning resuelve problemas para la empresa aplicando modelos estadísticos que permiten extraer conocimientos y patrones a partir de los datos.

El machine learning es una disciplina meramente analítica. Se basa en aplicar modelos matemáticos a los datos para extraer conocimiento y hallar patrones que los humanos difícilmente podrían encontrar. El ML también recomienda acciones, pero no dirige los sistemas a llevarlas a cabo sin intervención humana. 

Más concretamente, el machine learning crea un algoritmo o una fórmula estadística (lo que se conoce como “modelo”) capaz de convertir una serie de datos en un resultado único. Los algoritmos del ML “aprenden” mediante “entrenamiento”, es decir, identifican patrones y correlaciones en los datos y los utilizan para aportar nueva información y predicciones sin haber sido programados explícitamente para ello. Habiendo aclarado estos aspectos, el machine learning es la base de muchas aplicaciones de inteligencia artificial exitosas, lo que impulsa su enorme tracción en el mercado.

El deep learning o aprendizaje profundo es una variante del machine learning que, mediante el funcionamiento en múltiples capas, resuelve problemas al extraer conocimiento de los datos sin procesar y transformarlo en cada uno de los niveles. Al pasar de una capa a la siguiente, los datos sin procesar ofrecen gradualmente propiedades de un nivel superior, lo que permite resolver problemas cada vez más complejos de forma más precisa y con una menor necesidad de hacer ajustes manuales.

Muchas organizaciones tratan el machine learning y el deep learning como si fueran las únicas disciplinas de IA existentes, y omiten otros sistemas que permiten usar la IA, lo que conduce a bloqueos o fracasos evitables cuando las iniciativas de IA basadas exclusivamente en soluciones de ML terminan por no funcionar.

Las soluciones actuales de machine learning suelen necesitar un gran volumen de datos bien etiquetados, por lo que este enfoque resulta más difícil a las empresas con conjuntos de datos pequeños, con datos de poca calidad o con limitaciones presupuestarias.

El uso del machine learning, incluido el deep learning, con fines predictivos permite a los procesos basados en la IA automatizar la selección del resultado más favorable, lo que elimina la necesidad de un decisor humano.

La mayoría de los casos de uso actuales de la IA dependen de técnicas robustas y avanzadas que se pueden clasificar en estas tres categorías principales:

1. Razonamiento probabilístico. Se refiere a una serie de técnicas (a menudo generalizadas como machine learning) que extraen valor de las grandes cantidades de datos recopilados por las empresas. En esta categoría se incluyen las técnicas destinadas a revelar conocimientos que se ignoraban y que se esconden en grandes volúmenes de datos (o dimensiones). Son técnicas que exponen estos nuevos conocimientos al descubrir correlaciones interesantes asociadas con una etiqueta o un objetivo específicos dentro de estos datos. A modo de ejemplo, una técnica de machine learning podría consistir en tamizar un gran volumen de registros de clientes, identificar determinados factores y revelar qué correlación existe entre ellos, para ayudar a la organización a prever la potencial tasa de abandono de los clientes en cuestión.

2. Lógica computacional. Estas técnicas, también conocidas como sistemas basados en reglas, aprovechan y amplían el saber hacer implícito y explícito de la organización. Se trata de técnicas destinadas a recoger de forma estructurada el conocimiento que ya se posee, a menudo en forma de reglas. El personal de la empresa puede manejar estas reglas, pero la tecnología garantiza la coherencia de todo el conjunto. (Es decir, la tecnología impide que las reglas sean contradictorias entre sí o conduzcan a un razonamiento circular, lo que no es tan fácil cuando se trata de decenas de miles de reglas). Una nueva serie de leyes sobre cumplimiento ha dado protagonismo a los enfoques basados en reglas.

3. Técnicas de optimización. Utilizadas tradicionalmente por los grupos de investigación de operaciones, las técnicas de optimización maximizan los beneficios al mismo tiempo que gestionan las contrapartidas empresariales. Para hacerlo, buscan combinaciones óptimas de recursos para una serie de limitaciones dadas y un plazo de tiempo especificado. Estos solucionadores de optimización suelen generar planes de acción ejecutables y, a menudo, se los describe como técnicas de análisis prescriptivo. Los grupos de investigación de operaciones que trabajan en sectores o departamentos centrados en activos (como los de fabricación y servicios públicos, en el caso de los sectores, o los de logística y cadena de suministro, en el de los departamentos) utilizan técnicas de optimización desde hace décadas.

Las principales técnicas que están cobrando protagonismo, de la más a la menos avanzada, son las siguientes:

• Procesamiento del lenguaje natural (PLN). El PLN proporciona formas de comunicación intuitivas entre las personas y los sistemas. Dentro del PLN se incluyen técnicas de lingüística computacional (simbólicas y subsimbólicas) para reconocimiento, análisis sintáctico, interpretación, etiquetado automático, traducción y generación (o resumen) de lenguajes naturales. 

• Representación del conocimiento. Con capacidades como los grafos de conocimiento o las redes semánticas, se pretende facilitar y acelerar el acceso a redes y grafos de datos y su análisis. Mediante sus representaciones del conocimiento, estos mecanismos tienden a ser más intuitivos para tratar ciertos tipos de problemas. La adopción de técnicas basadas en grafos de conocimiento se ha acelerado rápidamente en los últimos tres años.

• Computación basada en agentes. Aunque esta es la técnica de IA menos avanzada de las que se usan hoy en día, su popularidad está aumentando rápidamente. Los agentes de software son programas autónomos y permanentes, orientados a objetivos, que actúan en representación de usuarios o de otros programas. Los chatbots son un ejemplo cada vez más conocido de este tipo de agentes.

En las soluciones actuales se utilizan principalmente dos clases de aplicaciones con agentes:

• Los agentes de automatización de tareas, que pueden ser genéricos (como los asistentes de planificación de reuniones incorporados en los sistemas de correo electrónico) o específicos (en el caso de los softbots de validación de contratos para aplicaciones de automatización de ventas).

• Los programas objeto autónomos, que ofrecen funciones como la configuración automática de temperatura (por ejemplo, en los sistemas de diagnóstico de vehículos o los termostatos del hogar).

Los términos siguientes hacen referencia a algunas de las principales técnicas y tecnologías de IA que los líderes empresariales deberían conocer:

• Los sistemas de IA adaptativa admiten cambios de comportamiento del modelo después de su implementación, a partir del aprendizaje de patrones conductuales basado en la experiencia previa de humanos y máquinas, en entornos en tiempo de ejecución, para adaptarse más rápidamente a las circunstancias cambiantes del mundo real.

• Los asistentes virtuales avanzados (AVA), también denominados agentes de IA conversacional, procesan instrucciones humanas para llevar a cabo tareas, realizar predicciones y ofrecer decisiones. Los AVA utilizan las interfaces de usuario más avanzadas, combinadas con técnicas de procesamiento del lenguaje natural y de deep learning para personalizar y respaldar la toma de decisiones con un conocimiento contextual y específico del dominio.

• La inteligencia artificial general (AGI, por sus siglas en inglés) es una prospección de futuro en la que la IA poseería la capacidad de entender o aprender cualquier tarea intelectual que una persona pueda llevar a cabo.

• La inteligencia artificial aumentada, también denominada “intelligent X”, se refiere a sistemas en los que las técnicas de IA proporcionan una funcionalidad adicional que no se aprovechaba.

• ChatGPT es un servicio de la empresa OpenAI que incorpora un chatbot conversacional con un LLM para crear contenido. Se entrenó a partir de un modelo fundacional formado por miles de millones de palabras de distintas fuentes y que, posteriormente, se perfeccionó mediante aprendizaje de refuerzo basado en feedback humano.

• La IA compuesta se refiere a la aplicación combinada de diferentes técnicas de IA para mejorar la eficiencia del aprendizaje. Permite a las organizaciones ampliar el nivel de representaciones del conocimiento y, en última instancia, resolver una mayor variedad de problemas empresariales con más eficiencia. 

• La visión artificial (CV, por sus siglas en inglés) es un proceso capaz de captar, procesar y analizar imágenes reales para permitir a las máquinas obtener información contextual significativa del mundo físico. Los requisitos de tecnología e infraestructura de las técnicas de visión artificial varían respecto a los enfoques del ML tradicional. 

• La IA en el perímetro consiste en el uso de técnicas de IA integradas en los terminales, portales y servidores perimetrales del internet de las cosas (IoT) para aplicaciones que van desde los vehículos autónomos hasta los análisis de streaming. Posee el potencial de permitir casos de uso diferenciados para el negocio digital. 

• La IA generativa aprende sobre artefactos a partir de los datos y genera nuevas creaciones innovadoras que son parecidas al original, pero sin ser una copia. La IA generativa posee el potencial de producir nuevas formas de contenido creativo, como, por ejemplo, vídeos, y acelerar los ciclos de I+D en ámbitos que van desde la medicina hasta el desarrollo de productos. La IA generativa está ganando importancia como tecnología de uso general que podría transformar radicalmente la sociedad, debido a su impacto en las estructuras socioeconómicas actuales.

• Los modelos fundacionales son grandes modelos de machine learning, entrenados con un conjunto extenso de datos sin etiquetar y ajustados posteriormente para adaptarlos a una amplia variedad de aplicaciones.

• El internet de las cosas consta de una red de objetos físicos (las cosas) que contienen tecnología integrada para detectar tanto su funcionamiento interno como el entorno externo e interactuar con todo ello. En esta categoría no se incluyen los dispositivos de uso general, como los teléfonos inteligentes. Algunos ejemplos del IoT van desde los enchufes inteligentes hasta los vehículos de conducción autónoma. El funcionamiento del internet de las cosas depende de una gran variedad de puntos de enlace (o dispositivos remotos) y de pasarelas de TI, así como de datos en los que basar la IA, en especial cuando se trata de responder en tiempo real (como en el caso de los vehículos autónomos).

• Las tecnologías del lenguaje natural (TLN) son sistemas que analizan emociones o rasgos de personalidad en textos comunicativos o de encuestas para crear herramientas de puntuación emocional, aprovechando tecnologías y técnicas como la propia TLN, el análisis de textos, las redes neuronales convolutivas y las redes neuronales recurrentes. 

• El análisis predictivo es una forma de análisis avanzado que examina los datos o el contenido para responder a la pregunta: “¿Qué ocurrirá?”. Se caracteriza por técnicas como el análisis de regresión, la previsión, las estadísticas de múltiples variables, la correspondencia de patrones y el modelado y la previsión de tipo predictivo.

• Los datos sintéticos se generan artificialmente a través del machine learning. Reflejan las propiedades estadísticas de los datos reales, sin utilizar las características identificativas de esos datos (por ejemplo, nombres e información personal). La inteligencia artificial requiere de ingentes cantidades de datos para generar resultados utilizables, y los datos sintéticos van a ser una fuente importante de grandes conjuntos de datos con los que modelar escenarios remotos y, al mismo tiempo, proteger la información sensible y personal.

Los últimos avances de la IA generativa, incluido ChatGPT, han propiciado un súbito interés por la inteligencia artificial, no solo como tecnología o herramienta de empresa, sino también aplicada a productos de consumo. El impacto que tiene actualmente la IA en la sociedad es comparable a la llegada de internet, a la imprenta o, incluso, a la electricidad. Está empezando a transformar el modelo de sociedad en general.

Algunas previsiones de Gartner sobre la planificación estratégica de la IA apuntan lo siguiente:

• En 2026, las organizaciones que instrumentalicen la transparencia, la confianza y la seguridad de la inteligencia artificial verán mejorar en un 50 % los resultados de sus modelos de IA en términos de adopción, objetivos de la empresa y aceptación por parte del usuario.

• En 2026, las empresas que hayan adoptado prácticas de ingeniería de inteligencia artificial para crear y gestionar sistemas de IA adaptativa superarán a la competencia en el funcionamiento de los modelos de IA en un 25 % como mínimo.

• En 2027, al menos dos proveedores que ofrecen funcionalidades de gestión del riesgo de la IA habrán sido adquiridos por proveedores de gestión del riesgo empresarial, para proporcionar una oferta de funcionalidad más amplia.

• En 2027, al menos una empresa global se verá obligada a suspender su implementación de la IA por orden de los organismos reguladores, debido a incumplimientos de la legislación sobre protección de datos o gobernanza de la IA.