Realidad de la IA con respecto al conocimiento social

 Inteligencia Artificial

La Inteligencia Artificial se podría definir como la habilidad de las computadoras para hacer actividades que normalmente requieren inteligencia humana, donde tienen la capacidad de usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones, tal y como lo haría un ser humano.

Podríamos decir que existen dos grandes grupos en los que se divide la inteligencia artificial, la Inteligencia Artificial débil y la Inteligencia Artificial fuerte.

Inteligencia Artificial débil

También llamada Inteligencia Artificial estrecha (ANI) es entrenada y enfocada para realizar tareas específicas. Este tipo de Inteligencia Artificial conforma la mayor parte de IA que nos rodea actualmente.

Algunos ejemplos de este tipo de Inteligencia Artificial podrían ser los siguientes:

• Asistentes virtuales
• Como Siri, Alexa o el Asistente de Google están solamente diseñadas para comprender el lenguaje natural y responder a las preguntas del usuario.
• Buscadores
• Como Google, están diseñados para indexar y clasificar las páginas web así de como filtrarlos para proporcionar los resultados más relevantes.
• Algoritmos de Redes Sociales
• Como los usados en Facebook o YouTube (así de como los usados por servicios de streaming como Netflix o Spotify) están diseñados, muchas veces por psicólogos, para recomendarle al usuario el contenido que le hará quedarse el mayor tiempo posible en la aplicación. En lo personal este tipo de Inteligencia Artificial es uno de los más dañinos hacia la sociedad, ya que aísla a los usuarios de distintos grupos que piensan igual acerca de un tema (ya sea político, religioso, o de cualquier otra categoría) y solamente le muestra al usuario publicaciones, imágenes, videos, películas, música, o memes que vayan de acuerdo a los sesgos del usuario (haciendo que estos sean más grandes), o aún peor, mostrarle contenido totalmente opuesto a lo que el usuario quiere para que pase más tiempo en la plataforma (seguramente peleándose con los usuarios que piensan distinto) y así poder mostrarle más anuncios o que pague de nuevo la suscripción al servicio, dando lugar así a la economía de la atención y dejando en duda de hasta que punto es ético el uso de la Inteligencia Artificial.
• Chatbots
• Hechos para interactuar con usuarios en línea (muchas veces reemplazando al soporte técnico) y esta diseñada para poder responder preguntas frecuentes y realizar algunas tareas automatizadas sencillas. 
• Detección de spam
• Está incluido en casi todos los servicios de correo electrónico y funciona de una manera muy sencilla, primero (dependiendo de quién envía el correo, desde que dirección y desde que servidor o servicio de correo electrónico) asigna una reputación que si es muy baja el correo se iría directamente a spam (o incluso por seguridad del usuario incluso se eliminaría), pasando este filtro el correo es analizado por un algoritmo que busca palabras claves que se usan regularmente en correos de phishing (como bitcoin).

Inteligencia Artificial fuerte

También llamada Inteligencia Artificial robusta engloba a la Inteligencia Artificial General (IAG) y la SuperInteligencia Artificial (SIA). Estas dos son conceptos teóricos, la primera simboliza a cuando una Inteligencia Artificial alcance a la de los humanos, sería autoconsciente y tendría la capacidad de resolver problemas, aprender y planificar para el futuro; y la segunda se cree que superaría la inteligencia y la capacidad del cerebro humano.

Este tipo de Inteligencia Artificial es completamente teórica y no existe ningún ejemplo práctico de esta actualmente.

Dado que el Deep Learning y el Machine Learning tienden a usarse como sinónimos, por lo que es importante señalar sus diferencias, ambos son subcampos de la Inteligencia Artificiales y el Deep Learning es en realidad un subcampo del Machine Learning.

Machine Learning 

El Machine Learning (o aprendizaje profundo) es un aspecto en el que las computadoras tienen la capacidad de aprender sin estar programadas para ello, por lo que en el futuro se podrían ver dispositivos que obtendrán experiencia y conocimientos a partir de la forma en que son utilizados para poder ofrecer una experiencia al usuario personalizada.

Algunos ejemplos de esto son la personalización que nos ofrecen los algoritmos de Facebook o los resultados de Google. 

Usa algoritmos con los que puede aprender patrones de datos, como los filtros de spam del correo electrónico es un ejemplo de como estos algoritmos pueden usarse para buscar patrones y utilizar los conocimientos adquiridos para tomar decisiones. 

El Machine Learning se puede dividir en tres clases: Aprendizaje Supervisado (basado en tareas), Aprendizaje No Supervisado (basado en datos) y Aprendizaje de Refuerzo (Aprende a reaccionar a su entorno). 

Aprendizaje Supervisado

En él, los algoritmos usan datos ya etiquetados y organizados para indicarle como debería ser categorizada la nueva información y es requerida la intervención humana para proporcionarle retroalimentación.

Aprendizaje No Supervisado

En este tipo de aprendizaje no se usa ningún dato etiquetado u organizado, sino que el mismo algoritmo debe encontrar las relaciones entre los datos para organizarlos y clasificarlos. 

Aprendizaje de Refuerzo 

Por último, en este tipo de aprendizaje los algoritmos aprenden “por experiencia”, ósea que se les da un reforzamiento positivo, o premio, cada vez que aciertan, etiquetan u organizan correctamente un dato. Muy parecido a cuando se intenta entrenar a un perro, recompensándolo cada vez que repite un truco.

Deep Learning 

A diferencia del Machine Learning, el Deep Learning se compone de Redes Neuronales. Para que se pueda considerar Deep Learning la Red Neuronal debe estar compuesta por más de tres capas.

Una Red Neuronal es un modelo de Machine Learning que se asemeja a la toma de decisiones en el cerebro humano, imita la forma en la que trabajan nuestras neuronas biológicas para identificar patrones, anomalías, dar opiniones o llegar a coclusiones. 

En el Deep Learning se elimina la parte de intervención humana necesaria, automatizando la fase en la que se extraen las características de los datos, permitiendo usar conjuntos de datos más grandes.

Este tipo de aprendizaje puede usar datos etiquetados, como en el Aprendizaje Supervisado, pero no son necesarios. Puede recibir datos no organizados en su forma original, como texto o imágenes y puede automáticamente crear las diferentes categorías que contiene cada dato y jerarquizarlas.

Actualmente gracias al auge del Deep Learning y los softwares gratuitos y de código abierto nos han ayudado a democratizar la Inteligencia Artificial. Con librerías que actualmente dominan el mercado como PyTorch y TensorFlow, se ha facilitado el cambio y la innovación, reduciendo las barreras y ayudando a que las personas y organizaciones puedan ingresar al mundo de la Inteligencia Artificial.

En este momento de la historia se han hecho muy famosos los modelos generativos como GPT 4 o LLaMa 3 para texto y Stable Diffusion o DallE para imágenes. Estos últimos trabajan de una manera que se me hace muy interesante, después de pasar por un entrenamiento de Deep Learning utilizando millones de imágenes estos modelos son capaces de generar nuevas dando como input solo una descripción breve, estos modelos funcionan gracias a que tienen una característica que los hace “pensar” como nosotros, tienen pareidolias, este es un fenómeno que nos ocurre varias veces al día y es la razón por la que podemos encontrar formas en las nubes, constelaciones en las estrellas o especialmente caras en varios lugares. Este tipo de Inteligencias Artificiales funcionan de la misma manera, se les da una imagen con ruido blanco y deben imaginar la descripción que les estamos dando.

Todos los modelos de Inteligencia Artificial trabajan por estadística con un gradiente, por ejemplo podemos entrenar un modelo para detectar imágenes de gatos, usando imágenes de gatos, entonces cada vez que le pongamos como input una imagen buscara el concepto que abstrajo como gato y lo va a buscar, la mayoría de las veces acertará, pero otras veces no (en especial si usamos la imagen de otro animal) ya que seguramente tendrá características similares y lo harán suficientemente cercano al concepto de gato que el modelo nos dirá que lo es, esto no sucede porque la IA se este equivocando, sucede porque el modelo no conoce otros conceptos, por lo que llamará gato a cualquier cosa similar. Esto lo podemos solucionar ampliando el concepto (dándole mas imágenes de gatos como entrenamiento), o usando un entrenamiento por refuerzo para darle un reforzamiento positivo cuando los detecte en una imagen y no haciéndolo cuando se equivoque.

Esa es la razón por la que las Inteligencias Artificiales no son tan buenas en resolver, por ejemplo, problemas matemáticos, ya que en este tipo de problemas no existe un gradiente de respuestas correctas, solo existe una.

Las Inteligencias Artificiales son a lo que le podríamos llamar Inverse Problems (la solución a un problema), por el contrario, un Forward Problem es la forma de solucionarlo. Nosotros podemos calcular la velocidad de un objeto con una fórmula (un Forward Problem), pero una IA sería el Inverse Problem (la formula). Esto lo lograríamos dándole al modelo una gran cantidad de datos (siguiendo con el mismo ejemplo) de en cuanto tiempo recorrieron una distancia los objetos y el modelo por sí solo llegaría a una aproximación muy cercana de la formula real. El modelo no puede decirnos cómo resolvió el problema (o incluso si vemos los valores que tiene cada neurona puede que no entendamos el como llegó a la conclusión de asignarle ese valor), el modelo es la solución.

Como mencioné anteriormente, es importante tomar en cuenta los dilemas éticos que nos trae la inteligencia artificial, en especial con la democratización que ha tenido en los últimos años. Si bien la Inteligencia Artificial ha traído grandes avances a varios campos de estudio, como la informática o la medicina, también debemos plantear varias preguntas sobre los límites éticos a los que podríamos llegar (o ya llegamos). Por ejemplo, los despidos que puede generar o ¿Cómo se va a repartir la riqueza que se genere gracias a estas innovaciones?, ¿Cómo afectan las relaciones entre los seres humanos?, ¿Quiénes y cómo se controlarían los sesgos (intencionales o no intencionales) ?, ¿Cómo afectan a nuestro comportamiento? o ¿En qué ámbitos se debería regular? 

Referencias

Abeliuk, A., & Gutiérrez, C. (2021). Historia y evoluación de la inteligencia artificial. Revista Bits de Ciencia, (21), 14-21. 

Jaime Altozano. (2023, 3 julio). ¿Qué significa realmente «Inteligencia Artificial»? Subespacios, pareidolias y creatividad. [Vídeo]. YouTube. https://www.youtube.com/watch?v=3eMmmj3roOs

MIGALA. (2018, 12 octubre). Cómo te manipulan las redes sociales [Vídeo]. YouTube. https://www.youtube.com/watch?v=aQJvEfnK8F8

¿Qué es la Inteligencia Artificial (IA)? | IBM. (s. f.). https://www.ibm.com/mx-es/topics/artificial-intelligence

¿Qué es una red neuronal? | IBM. (s. f.). https://www.ibm.com/es-es/topics/neural-networks

Rouhiainen, L. (2018). Inteligencia artificial: 101 cosas que debes saber hoy sobre nuestro futuro. Alienta Editorial.