Tipos de inteligencia artificial

Según su propósito:

• Machine Learning (aprendizaje automático): Es la capacidad que tiene una inteligencia artificial para aprender por sí misma. Se basa en un ciclo de aprendizaje a partir de datos, entrenamiento y resultados. Existen varios subtipos en función de si su aprendizaje requiere la supervisión de un ser humano o se permite que la IA aprenda de forma autónoma, según unas reglas establecidas. Se suele utilizar en asistentes virtuales y chatbots, entre otros.
• Deep Learning (aprendizaje profundo): Su objetivo es recrear la forma en la que aprenden los humanos a través de lo que se denominan redes neuronales, que consisten en nodos interconectados que emulan la red de neuronas de un cerebro humano. Se emplea, por ejemplo, en la búsqueda de productos basada en imágenes.
• Reinforcement Learning (aprendizaje por refuerzo): Se inspira en la psicología conductista y su objetivo es permitir a la IA diseñar estrategias de manera automática. Es muy práctico para el mantenimiento predictivo o para personalizar las experiencias de los clientes.
• Generative Adversarial Networks (redes generativas antagónicas): Son un tipo de algoritmos que se implementan por un sistema de dos redes neuronales. Estas dos redes compiten mutuamente. Sirve para generar objetos y experiencias a partir de muestras (por ejemplo, fotografías).
• Natural Language Processing (procesamiento del lenguaje natural): Investiga la manera en que las máquinas se comunican con las personas, con el objetivo de lograr que aquellas comprendan y extraigan la información relevante. Sus aplicaciones son múltiples, desde el análisis de sentimiento u opinión hasta la anonimización de documentos, pasando por el entrenamiento de chatbots.
• Computer Vision (visión artificial): Enseña a los ordenadores a «ver» e interpretar el contenido de las imágenes digitales, a fin de que puedan producir información simbólica que se pueda interpretar. Se usa para el reconocimiento de objetos, la restauración de imágenes o la reconstrucción de escenas.
• Speech Recognition (reconocimiento de habla): Su fin es hacer posible que los humanos puedan comunicarse con los ordenadores y viceversa, y es especialmente útil para los sistemas de navegación de vehículos controlados por voz, las aplicaciones de dictado o los sistemas para personas con discapacidad.
• Knowledge Graph (grafo de conocimiento): El grafo es una manera de representar relaciones entre entidades y crear vínculos entre datos y metadatos. Cuando el contenido de los grafos se enriquece y se logra que realicen un procesamiento automático «inteligente» de los datos, se convierten en grafos de conocimiento. Son muy populares en sistemas de organización de la información.
• Augmented Reality (realidad aumentada): Se trata de un conjunto de tecnologías que permiten que el usuario interactúe con el mundo real mediante dispositivos que añaden información gráfica virtual, de modo que el usuario ve al mismo tiempo el mundo que le rodea, pero con objetos virtuales superpuestos. Se utiliza en un amplísimo número de aplicaciones, desde operaciones hasta pruebas virtuales de colores de maquillaje o recreaciones de cómo quedará un mueble determinado en tu hogar.

Los datos son la base del desarrollo de la inteligencia artificial; por eso, para mejorar su valor es fundamental recurrir a los avances tecnológicos y aplicar nuevos enfoques que permitan diseñar arquitecturas de datos modernas a fin de facilitar el acceso a los mismos. Hoy día, conviene conocer estos conceptos:

• Data Mesh: una infraestructura de autoservicio que permite a los equipos acceder a los recursos y herramientas a petición, y descentraliza la gestión al tiempo que distribuye la responsabilidad sobre los datos. Todos los datos están disponibles en cualquier lugar de la empresa, lo que facilita el acceso a ellos cuando se necesitan.
• Data Fabric: es un modo de simplificar e integrar la gestión de los datos en la nube y en las instalaciones de la empresa. Ofrece un acceso uniforme a los datos a través de una variedad de entornos multinube, así como funcionalidades constantes.
• Synthetic Data: Permiten generar un nuevo conjunto de datos a partir de otro que debemos proteger y necesitamos compartir con terceros. Este nuevo conjunto conserva las características del primero pero no permite recomponer los datos originales.