La inteligencia artificial (IA) se refiere a la capacidad que tiene un ordenador para imitar o duplicar la cognición humana.
Después de leer este artículo podrás:
Contenido relacionado
IA predictiva
¿Qué es un LLM?
Base de datos vectorial
¿Qué son las integraciones?
¿Qué es aprendizaje profundo?
Suscríbete a theNET, el resumen mensual de Cloudflare sobre las ideas más populares de Internet.
Copiar el enlace del artículo
La inteligencia artificial (IA) es la capacidad que tiene una máquina construida, como un ordenador, para simular o duplicar las tareas cognitivas humanas. Una máquina con IA puede hacer cálculos, analizar datos para crear predicciones, identificar diversos tipos de signos y símbolos, conversar con humanos y ayudar a ejecutar tareas sin entrada manual.
Por ejemplo, un automóvil tradicional solo responde a las entradas de su conductor humano: acelera cuando el conductor ve que el semáforo se ha puesto en verde y pisa el acelerador y se detiene en una señal de stop cuando el conductor ve la señal y pisa el pedal del freno. Un automóvil con IA puede ser capaz de identificar por sí solo las señales de stop y los semáforos, y frenar o acelerar sin la intervención del conductor.
La IA tiene sus raíces en el comienzo de las computadoras, y el matemático Alan Turing fue uno de los primeros en describir cómo podría funcionar una máquina con inteligencia artificial. Todas las computadoras que se crearon desde entonces son en cierto modo artificialmente inteligentes, ya que pueden realizar cálculos que antes solo podían hacer los humanos. Sin embargo, en las últimas décadas, las funciones, la velocidad y la capacidad de almacenamiento de las computadoras se han expandido rápidamente. En la actualidad, el término "IA" hace referencia a las tareas cognitivas más avanzadas que pueden realizar las computadoras.
La mayor parte de la IA se basa en el análisis de conjuntos de big data, que contiene demasiada información como para que los analice cualquier humano por sí solo en un tiempo razonable. Se construye un modelo de IA para identificar patrones en esos conjuntos de datos y luego utilizar esos patrones para predecir patrones futuros o adicionales. Los modelos de IA utilizan la probabilidad y el análisis estadístico para hacerlo. Algunos modelos de IA son lo suficientemente buenos en esto como para imitar comportamientos humanos.
La inteligencia artificial general (AGI) es el término que define la capacidad que tiene una computadora para pensar, razonar, planificar y, de algún modo, reproducir las capacidades cognitivas humanas. En términos más simples, un programa AGI sería, esencialmente, "humano" o "consciente" en su inteligencia.
Una entidad AGI iría más allá del cálculo estadístico. Sería capaz de pensar y tomar decisiones por sí sola, y podría hacer generalizaciones a partir de muestras mucho más pequeñas de las que se necesitan actualmente para entrenar programas de IA. A modo de ejemplo de esto último, es posible que un niño humano solo necesite ver algunas docenas de ejemplos de señales de detención para poder identificar las señales de detención en una variedad de contextos, mientras que los programas de IA actuales necesitan ver miles o millones de imágenes de señales de detención antes de que puedan identificarlas de manera sistemática. Pero una AGI podría aprender tan rápido como un humano, o incluso más rápido.
Hasta cierto punto, determinar si se logró la AGI es una cuestión más filosófica que técnica. Pero independientemente de cómo se defina la AGI, la mayoría de los investigadores y expertos coinciden en que faltan varios años para que se pueda poner en práctica.
El aprendizaje automático es una rama de la IA y se refiere a la práctica de alimentar un programa con datos estructurados o etiquetados para entrenar al programa sobre cómo identificar esos datos sin intervención humana. Por ejemplo, un modelo de aprendizaje automático para encontrar botellas de ketchup en fotos de frigoríficos abiertos podría empezar siendo incapaz de identificar algún condimento, mucho menos el ketchup. Luego, se le introducen millones de imágenes de botellas de ketchup en distintos frigoríficos y se le dice que cada una de ellas representa una botella de ketchup. Finalmente, es capaz de identificar automáticamente botellas de ketchup, incluso en fotos que nunca ha visto antes.
El aprendizaje automático depende del uso de procesos predefinidos llamados algoritmos. Un programa de aprendizaje automático "aprenderá" de manera ligeramente diferente, lo que dependerá de cómo esté configurado el algoritmo.
El aprendizaje automático también depende del acceso a grandes conjuntos de datos. Es casi seguro que un programa de aprendizaje automático al que solo se le muestren tres o cuatro fotos de ketchup no identificará con precisión las botellas de ketchup de forma sistemática, o identificará el ketchup en fotos en las que no aparece. Cuantos más datos obtenga el modelo, más preciso será.
Hoy en día, una gran variedad de software y soluciones tecnológicas utilizan el aprendizaje automático. Desde soluciones de seguridad que utilizan el aprendizaje automático para detectar fraudes e identificar bots, hasta plataformas de redes sociales que utilizan el aprendizaje automático para recomendar contenido o cuentas a seguir, el aprendizaje automático ha demostrado ser una herramienta de desarrollo bastante útil.
Al igual que el aprendizaje automático es un tipo de IA, el aprendizaje profundo es un tipo de aprendizaje automático. Los modelos de aprendizaje profundo son capaces de utilizar el análisis probabilístico para identificar las diferencias en los datos brutos. Un modelo de aprendizaje profundo podría aprender qué es una botella de ketchup y cómo distinguirla de otros condimentos solo a partir de fotos de frigoríficos abiertos, sin que se le diga qué es una botella de ketchup.
Al igual que otros tipos de aprendizaje automático, el aprendizaje profundo requiere acceder a grandes conjuntos de datos. Incluso un modelo avanzado de aprendizaje profundo posiblemente necesitaría analizar millones de fotos de frigoríficos abiertos para poder identificar el ketchup.
La IA generativa es un tipo de modelo de IA que puede crear contenido, incluidos texto, imágenes, audio y vídeo. Un modelo generativo de IA podría, por ejemplo, recibir una foto de una nevera vacía y llenarla con posibles contenidos, con base en fotos que se le hayan mostrado en el pasado. Aunque el contenido generado por un modelo de este tipo podría considerarse "nuevo," se basa en contenido que el modelo ha recibido previamente.
Las herramientas de IA generativa son cada vez más populares. En particular, los modelos lingüísticos de gran tamaño (LLM) ChatGPT y los generadores de imágenes DALL-E y Midjourney han captado la imaginación del público y la atención del mundo empresarial. Otras herramientas populares de IA generativa incluyen Bard, Bing Chat y Llama.
Los casos de uso de la IA se siguen ampliando. Estas son algunas de las aplicaciones en el mundo real que ya se están explorando:
Fugas de datos: los servicios de IA utilizan entradas para seguir entrenando sus modelos; no están diseñados para ser bóvedas seguras de datos. Sin embargo, muchas personas utilizan los LLM de formas que aumentan el riesgo de exposición de los datos, incluido el procesamiento de información confidencial o de código cerrado. Estos datos se pueden reproducir o imitar en otras respuestas de estos LLM.
Pérdida de control sobre los datos: los datos quedan fuera de nuestro control una vez que se cargan en un LLM y los usuarios pueden no tener visibilidad sobre lo que ocurre con las entradas proporcionadas. Por ejemplo, si un panadero introduce su nueva receta secreta de focaccia en un LLM y le pide que escriba una descripción convincente para el sitio web de su panadería, puede que le devuelvan dicha descripción — pero la receta del panadero ya no es secreta, pues puede estar expuesta a otros usuarios del LLM o a los operadores del LLM.
Menos compensación por el contenido original: a medida que se ha expandido el uso de los LLM, muchos sitios web han visto una caída significativa del tráfico hacia sus páginas. Esto se debe a que los LLM pueden responder a las consultas de los usuarios utilizando datos de sitios web de terceros, sin que los usuarios tengan que salir de la interfaz del LLM. Sin tráfico de usuarios humanos, los sitios web pierden ingresos publicitarios que de otro modo habrían generado.
Alucinaciones: las herramientas de IA generativa pueden inventar información para generar respuestas (el término técnico para este fenómeno es "alucinaciones"). Si las empresas incorporan esa información sin sentido crítico a sus contenidos, esto puede perjudicar sus marcas.
Exceso de confianza en la IA para la toma de decisiones: dado que la información brindada por los modelos de IA no siempre es fiable, el uso excesivo de la IA en el proceso de toma de decisiones puede llevar a decisiones equivocadas.
Prevención contra la pérdida de datos (DLP) de Cloudflare puede ayudar a las organizaciones a entender cómo sus empleados están utilizando la IA. La DLP puede restringir la carga, el copiado y pegado, y las entradas por teclado para evitar que los datos confidenciales salgan de entornos seguros.
Cloudflare AI Audit ofrece a los creadores y editores de contenido la capacidad de bloquear, permitir o incluso cobrar a los bots de IA por rastrear su contenido. Y el servicio de gestión de robots.txt de Cloudflare ayuda a los administradores de sitios web a establecer sus preferencias sobre qué bots de IA deben acceder a su contenido.
Cloudflare para IA permite a los desarrolladores crear e implementar nuevas aplicaciones de IA en la red global de Cloudflare. Más información sobre Cloudflare for AI.
La inteligencia artificial es la capacidad de una máquina, como una computadora, para simular o duplicar tareas cognitivas humanas. Una máquina con IA puede analizar datos para realizar predicciones, identificar símbolos, conversar con seres humanos y ayudar a ejecutar tareas sin necesidad de intervención manual.
La mayor parte de la IA actual se crea analizando analizando grandes volúmenes de datos para identificar patrones (esto se conoce como aprendizaje automático). A continuación, el modelo de IA utiliza estos patrones identificados, junto con la probabilidad y el análisis estadístico, para predecir patrones futuros. Algunos modelos avanzados pueden llegar a ser tan efectivos en esto que pueden imitar comportamientos humanos.
El aprendizaje automático es un tipo de IA en el que un programa es entrenado con datos estructurados o etiquetados para aprender a identificar esos datos por sí mismo. El aprendizaje profundo es un tipo de aprendizaje automático más avanzado que identifica diferencias y detecta patrones en datos sin procesar y sin etiquetar, sin que se le indique explícitamente qué buscar.
La IA generativa es un tipo de modelo de IA que puede crear contenido, incluidos texto, imágenes, audio y video. Aunque el contenido que genera es nuevo, se basa en los datos con los que se entrenó previamente el modelo.
La inteligencia artificial general (AGI) es el término que define la capacidad teórica de una computadora de pensar de forma original, razonar y duplicar la gama completa de las capacidades cognitivas humanas. Con frecuencia se la describe como una máquina con inteligencia "consciente" o "humana", aunque la mayoría de los expertos coinciden en que aún faltan muchos años para que exista.