La IA y sus casos de uso

Principales conclusiones:

• La inteligencia artificial (IA ) se refiere a la simulación de la inteligencia humana en ordenadores programados para realizar tareas similares a las humanas.
  • El aprendizaje automático ( AM) es un subconjunto de la IA que se centra en la creación de modelos que puedan aprender a utilizar los datos para mejorar el rendimiento en un conjunto específico de tareas.
  • El aprendizaje profundo es un subconjunto del aprendizaje automático y se basa en redes neuronales artificiales inspiradas en las redes neuronales biológicas del cerebro.
• El almacenamiento limitado de datos y la velocidad de procesamiento, que antes eran los principales inconvenientes de la IA, ya no son un problema importante.
• La IA tiene una amplia variedad de aplicaciones en diversos campos y dominios. Dos proyectos de inteligencia artificial que han acaparado recientemente la atención de los medios de comunicación son ChatGPT y DALL-E.
• A medida que aumente la cantidad de datos de entrenamiento y la potencia de cálculo, será posible entrenar modelos de IA más potentes que puedan dar lugar a aplicaciones más eficaces.

IA, aprendizaje automático y aprendizaje profundo: Qué son

La inteligencia artificial (IA) ha tomado el mundo por asalto recientemente, junto con otros términos similares como aprendizaje automático (AM), aprendizaje profundo y ciencia de datos. A continuación se ofrece un breve desglose para quienes puedan sentirse confusos acerca de estos términos.

La inteligencia artificial se refiere a la simulación de la inteligencia humana en ordenadores programados para realizar tareas similares a las humanas, como sintetizar e inferir información.

El aprendizaje automático es un subconjunto de la IA que se centra en construir modelos que “aprenden”, en el sentido de utilizar datos para mejorar el rendimiento en un conjunto específico de tareas. El aprendizaje automático puede dividirse a grandes rasgos en tres categorías:

• Aprendizaje supervisado: El ordenador se entrena con datos consistentes en ejemplos etiquetados -entrada(s) conocida(s) X con la salida verdadera Y- y el objetivo es aprender una regla general o función (F) que pueda asignar entradas a salidas en nuevos ejemplos (es decir, Y = F(X)). Un ejemplo de aprendizaje supervisado es el reconocimiento de dígitos manuscritos, en el que la máquina aprende a reconocer dígitos manuscritos del 0 al 9.
• Aprendizaje no supervisado: Este tipo de algoritmos analizan datos sin etiquetar para descubrir patrones subyacentes (sólo dado X pero sin Y). Un ejemplo de aprendizaje no supervisado es el clustering, cuyo objetivo es agrupar los datos no etiquetados en varios clusters en función de sus similitudes o diferencias.
• Aprendizaje por refuerzo: El aprendizaje por refuerzo estudia cómo deben actuar los agentes inteligentes en un entorno determinado para maximizar una determinada función de recompensa. El aprendizaje por refuerzo puede aplicarse a la conducción autónoma de coches y a la robótica, así como al entrenamiento de máquinas para jugar a juegos de mesa y de ordenador.

El aprendizaje profundo es un subconjunto del aprendizaje automático y se basa en las redes neuronales artificiales, que son sistemas informáticos modelados vagamente a partir de las redes neuronales biológicas del cerebro. Las neuronas artificiales de una red, similares a las neuronas biológicas del cerebro, pueden recibir y transmitir señales a otras neuronas conectadas a ella.

La ciencia de datos se refiere al estudio de los datos para extraer ideas significativas. Es un campo muy interdisciplinar que utiliza la estadística, las matemáticas y la informática para analizar diversos tipos de datos. La ciencia de datos se cruza con la IA, el aprendizaje automático y el aprendizaje profundo, ya que los modelos de inteligencia artificial suelen requerir datos para su entrenamiento.

La siguiente tabla muestra los diferentes enfoques y aplicaciones de la IA, el aprendizaje automático y la ciencia de datos.

Historia y desarrollo de la IA

El estado actual de la IA ha sido principalmente el resultado de varios avances en potencia computacional a lo largo del tiempo. El almacenamiento limitado de datos y la velocidad de procesamiento que antes eran los principales cuellos de botella de la IA ya no son un problema importante, ya que la potencia de cálculo ha crecido exponencialmente en la última década. El hardware (como CPU y GPU) también se ha abaratado y se ha hecho más accesible a lo largo de los años, lo que ha permitido la creación de nuevos modelos y la llegada de más financiación e investigación para la IA.

Además, los costes de la IA son ahora más bajos, pero los tiempos de formación son más rápidos. Desde 2018, los costes de formación han disminuido en un 63,6%, mientras que los tiempos de formación han mejorado en más de un 94%, según el Informe del Índice de IA de Stanford. Todos estos avances, junto con las ingentes cantidades de datos disponibles, han contribuido a entrenar mejores modelos y a obtener los mejores resultados que se observan hoy en día. La progresión gradual de la IA y algunos avances notables en este ámbito se muestran en la breve cronología que figura a continuación.

La IA no es un término nuevo, y algoritmos de IA como el aprendizaje profundo y las redes neuronales pueden remontarse a la década de 1950. Sin embargo, solo en los últimos años ha mejorado la potencia de cálculo para hacer eficiente el aprendizaje profundo, y también ha habido nuevos algoritmos y modelos de IA, como los transformadores, que fueron introducidos en 2017 por Google Brain y adoptados en GPT-3, el modelo detrás de ChatGPT.

Desarrollo de la IA y sus aplicaciones

La IA tiene una amplia variedad de aplicaciones en diversos campos y dominios. Dos proyectos de Inteligencia Artificial que han captado la atención del gran público son ChatGPT y DALL-E. Ambos proyectos han suscitado un mayor interés en las búsquedas de Google desde su lanzamiento, respectivamente, y han ocupado un lugar destacado en las redes sociales.

ChatGPT es un chatbot capaz de dar respuestas detalladas y realistas a preguntas sobre amplios dominios del conocimiento. Lanzado por OpenAI en noviembre de 2022, se entrena mediante técnicas de aprendizaje supervisado y de refuerzo. Además de responder preguntas, ChatGPT puede escribir código en varios lenguajes de programación y también componer música.

DALL-E y DALL-E 2 son modelos de aprendizaje profundo que pueden generar imágenes basándose en las indicaciones de lenguaje natural de los usuarios. La última versión de DALL-E es DALL-E 2, anunciada en abril de 2022. Puede generar imágenes de mayor resolución que DALL-E, más realistas y que combinan varios estilos.

Otros casos de uso de la IA son los juegos de mesa, como el Go. AlphaGo fue desarrollado por DeepMind Technologies, una filial de Google, y fue capaz de derrotar a Ke Jie, el jugador de Go número 1 del mundo en ese momento. Posteriormente, AlphaGo recibió el 9-dan profesional de la Asociación China de Weiqi.

Otra aplicación prometedora de la IA es la conducción autónoma, que permite a los coches desplazarse con una intervención humana reducida con la ayuda de sensores para percibir su entorno y sistemas informáticos para controlar y navegar el coche. Existen varios niveles de conducción autónoma, con la tecnología actual de vanguardia capaz de alcanzar niveles intermedios como el Nivel 3 (“ojos apagados”), en el que el conductor puede desviar su atención de la conducción.

Más información sobre Contenidos y aplicaciones generados por IA en Web3.

Pros y contras de la IA

Como las máquinas pueden trabajar 24 horas al día sin descanso, la IA es capaz de realizar tareas tediosas y repetitivas con más eficacia que los humanos. Por ejemplo, los chatbots de IA pueden ayudar a responder a las consultas de los clientes las 24 horas del día.

Además, los robots y máquinas dotados de inteligencia artificial son capaces de realizar tareas arriesgadas o peligrosas para los humanos. Por ejemplo, los robots de IA pueden explorar océanos profundos, desactivar explosivos o trabajar en fábricas con sustancias químicas peligrosas.

La IA también es capaz de trabajar eficazmente con conjuntos de datos grandes y de gran dimensión, que pueden resultar difíciles de analizar o visualizar para los humanos. A medida que aumenta la velocidad de computación, la IA es capaz de realizar con mayor rapidez la adquisición y extracción de datos, para luego transformarlos e interpretarlos.

Una desventaja de la IA es que a veces carece de creatividad e innovación. Aunque la IA está mejorando rápidamente en este aspecto, algunos de los textos e imágenes generados por ella siguen careciendo del toque humano y pueden parecer de estilo rígido y robótico.

La IA también puede cometer a veces errores que un ser humano normal no cometería, lo que puede dar lugar a problemas de calidad. Por ejemplo, Andrew Ng, investigador de IA y profesor de Stanford, presentó un ejemplo en el que ChatGPT explicaba erróneamente que un ábaco es más rápido que una GPU. De ahí que, en algunos casos, incluso la IA más avanzada aún no haya alcanzado un nivel de precisión suficiente.

El futuro de la IA

Las perspectivas de la IA son prometedoras. Según la Ley de Moore, el número de transistores de un microchip se duplica aproximadamente cada dos años, mientras que su coste se reduce a la mitad en el mismo periodo. En resumen, se espera que la velocidad y las capacidades de los ordenadores aumenten cada dos años, al tiempo que se hacen más asequibles. Al mismo tiempo, la cantidad de datos en el mundo crece exponencialmente, y se prevé que alcance los 175 zetabytes (175 billones de gigabytes) en 2025.

Las tendencias anteriores son muy favorables para la IA porque sus algoritmos, como el aprendizaje profundo, funcionan más eficazmente con una mayor potencia de cálculo y grandes cantidades de datos. Por ejemplo, ChatGPT está clasificado como Gran modelo lingüístico (LLM) porque se ha entrenado con una gran cantidad de datos de texto y tiene 175.000 millones parámetros. En general, a medida que aumenta la cantidad de datos de entrenamiento y la potencia de cálculo, sería posible entrenar modelos de IA más potentes, lo que puede dar lugar a aplicaciones más eficaces.

Existe la preocupación y el debate de que la IA pueda conducir al desempleo, ya que podría automatizar ciertas tareas laborales y conseguir mejores resultados que los humanos. Aunque la IA podría sustituir a los humanos en tareas que requieren poca cualificación, como la contabilidad y la introducción de datos, la tecnología debe considerarse una forma de ayudar a los humanos: al automatizar las tareas repetitivas, la IA puede aumentar la productividad de los empleados. Por ejemplo, las tecnologías de IA existentes son capaces de automatizar hasta el 40% del trabajo que realizan los vendedores durante el proceso de venta.

El famoso físico Stephen Hawking dijo una vez: “…los ordenadores pueden, en teoría, emular la inteligencia humana… y superarla”. En el ámbito de la IA, este fenómeno está empezando a tomar forma, con ordenadores que empiezan a producir textos e imágenes a la par, o incluso mejor, que los producidos por el ser humano medio. Será apasionante observar los futuros avances de la IA en los próximos años.

Lea el informe completo sobre la IA y sus casos de uso, con más ejemplos y referencias, aquí.

Seguimiento de tokens de inteligencia artificial en la aplicación Crypto.com

El auge de la tecnología de IA ha propiciado la aparición de nuevos tokens de IA que están ganando popularidad rápidamente. Para satisfacer este interés, la aplicación Crypto.com ha añadido una nueva categoría en Track Coins para que los usuarios puedan seguir fácilmente los principales tokens de IA. Consulte la IA y el resto de categorías aquí.

Diligencia debida e investigación propia

Todos los ejemplos que figuran en este artículo son meramente informativos. No debe interpretar dicha información u otro material como asesoramiento jurídico, fiscal, de inversión, financiero o de otro tipo. Nada de lo aquí contenido constituirá una solicitud, recomendación, aprobación u oferta por parte de Crypto.com para invertir, comprar o vender monedas, tokens u otros criptoactivos. Los rendimientos de la compra y venta de criptoactivos pueden estar sujetos a impuestos, incluido el impuesto sobre plusvalías, en su jurisdicción. Las descripciones de los productos o características de Crypto.com son meramente ilustrativas y no constituyen una aprobación, invitación o solicitud.

Los resultados pasados no garantizan ni predicen los resultados futuros. El valor de los criptoactivos puede aumentar o disminuir, y usted podría perder la totalidad o una parte sustancial del precio de compra. Cuando evalúe un criptoactivo, es esencial que investigue y actúe con la diligencia debida para tomar la mejor decisión posible, ya que cualquier compra será de su exclusiva responsabilidad.