Introducción

“Cuando usted habla con su teléfono inteligente, él aprende más sobre su forma de hablar y comete algunos errores al comprender sus solicitudes. La capacidad de su teléfono inteligente para aprender e interpretar su forma particular de hablar es un ejemplo de IA, y parte de la tecnología utilizada para que esto suceda es el aprendizaje automático. ” Mueller y Massaron (2019, p. 9)

La evolución tecnológica que hemos experimentado en los últimos años ha vuelto a poner en primer plano las inversiones y el desarrollo de la Inteligencia Artificial. Con ella, también vino la reflexión sobre nuevas formas de desarrollo de sistemas computacionales que tengan la capacidad de aprender en un entorno y con otros sistemas. Esta nueva revolución digital se caracteriza por la convivencia más expresiva de trabajadores (humanos) que conviven con máquinas que tienen la capacidad de realizar tareas repetitivas, programadas por humanos, pero también otras tareas que requieren cierto nivel de inteligencia para la toma de decisiones. Ejemplos de estas tareas son los sistemas de navegación y automóviles que ayudan a los conductores a elegir la mejor ruta, identificando variables de distancia, tráfico, rutas alternativas y comportamiento de los usuarios. Los coches autónomos analizados por Lee y Qiufan (2022) también se están utilizando ya, siendo guiados por sistemas sin intervención humana directa. Otras áreas de aplicación de la automatización son los diagnósticos médicos automáticos, la evaluación del perfil de comportamiento de los profesionales, el análisis y la traducción de textos con Procesamiento del Lenguaje Natural, retroalimentación académica de entrenamientos, análisis e interacción en redes sociales mediante software robots, reconocimiento e imágenes en sistemas de control y seguridad, recomendaciones de compra y marketing digital entre muchas otras. Aquí podemos mencionar algunos ejemplos:

• Amazon: recomendaciones de productos utilizando análisis de datos descriptivos y predictivos.
• Netflix: recomendaciones de películas y series, con el sistema como plataforma importante data driven, es decir, impulsada por los datos del usuario.
• Amazon Prime: recomendaciones de películas y series también utilizando análisis de datos.
• Spotify: recomendación musical también con algoritmos predictivos de análisis de datos.
• Airbnb: uso de Inteligencia Artificial para identificar perfiles de huéspedes.
• Google fotos: se utiliza para organizar imágenes y fotos con fácil reconocimiento y agrupación de imágenes correspondientes a una foto en particular.

El análisis predictivo de datos en los sistemas de inteligencia de negocio busca hacer uso de algoritmos y sistemas de minería de datos para componer análisis y proyecciones precisas de eventos futuros y resultados finales, como sostienen Sharda, Delen y Turban (2019). En procesos más complejos y evolutivos, el análisis prescriptivo de datos es un soporte para buscar las mejores decisiones y acciones en un sistema informacional que utiliza la inteligencia artificial basada en la optimización, la simulación, los modelos de decisión y los sistemas expertos, que harán un uso aún más intenso de las tecnologías como el Aprendizaje Automático o Machine Learning.

Diversas são as aplicações que fazem uso atualmente da IA sendo improvável conseguir listar todas elas. Vemos aqui, conforme nos ensina Machado Segundo (2023), uma crescente e acelerada tendência de incorporar a tecnologia de IA e suas técnicas de aprendizado de máquina em grande parte dos aplicativos e aplicações do presente e de um breve futuro. Nas palavras de Kelly (2017, p. 61): “toda inteligência precisa ser ensinada”.

Aprendizaje Automático (Machine Learning)

La inteligencia artificial abarca una variedad de habilidades deseadas por los sistemas, y el aprendizaje automático se considera uno de los más utilizados en la actualidad debido a su capacidad para resolver problemas complejos o de escenarios de Big Data. Segundo Lenz et al (2020, p. 13), “el proceso de aprendizaje consiste en entrenar un algoritmo o modelo para que pueda crear reglas que relacionen los datos de entrada (atributos predichos) con los datos de salida (atributo objetivo), permitiendo la realización de tareas como clasificación, predicción y agrupación de datos". Los autores reiteran que, esencialmente, en el Aprendizaje Automático debe haber reconocimiento de patrones para buscar similitudes entre las características de diferentes instancias en un conjunto de datos. Coppin (2013, p. 233) considera el Aprendizaje Automático (AA) o Machine Learning (ML) como “un segmento extremadamente importante en la Inteligencia Artificial”. 

Mueller y Massaron (2019, p. 12) nos enseñan que “la IA se basa en la hipótesis de que el pensamiento mecanizado es posible”. Los autores también defienden que el Aprendizaje Automático tiene algoritmos para analizar grandes conjuntos de datos y que puede realizar análisis predictivos mucho más rápido en comparación con la capacidad de un ser humano. Tenga en cuenta, estimado lector, que el Aprendizaje Automático se ha vuelto necesario en un mundo dependiente de sistemas distribuidos con un gran volumen de datos, caracterizado como Big Data por Sharda, Delen e Turban (2019). A pesar de que se considera una tecnología importante, el Aprendizaje Automático proporciona solo una parte del aprendizaje de la IA que todavía no está cerca de ver la realidad presentada en nuestras películas de ciencia ficción, pero ya presenta una tecnología que ayuda sobremanera a la búsqueda, el análisis y el tratamiento de datos. Verá, la principal confusión entre el aprendizaje y la inteligencia es que la gente asume que simplemente porque una máquina es mejor en su trabajo (aprendizaje) también tiene conciencia (inteligencia). En opinión de Mueller y Massaron (2019), nada respalda esta visión del aprendizaje automático. Aquí tenemos una tecnología que se percibe con un gran potencial, disruptiva y exponencial en su desarrollo, pero completada por el trabajo humano.

Mientras que antiguamente solo se utilizaban las matemáticas y su área de la estadística para apoyar los datos y la toma de decisiones, la IA nos ha presentado el Machine Learning, que ha aumentado la posibilidad de apoyar la toma de decisiones de forma automatizada. La IA actual se basa en el aprendizaje automático, basado en estadísticas, pero con supuestos diferentes porque sus objetivos son diferentes.

Veamos algunos de los tipos de Aprendizaje Automático considerados como principales por Lenz et al (2020), como se describe a continuación:

• Aprendizaje Automático No Supervisado: para cada uno de los ejemplos presentados a los algoritmos de aprendizaje también es necesario presentar una determinada respuesta deseada, o una clase de la respuesta posible. Los ejemplos se describen mediante una matriz de valores y la etiqueta de la clase asociada. Este tipo de algoritmo tiene como objetivo crear un clasificador que determine adecuadamente la clase de nuevos ejemplos analizados por el sistema. Lee y Qiufan (2022) dictan que para que la Inteligencia Artificial aprenda, debería recibir la respuesta correcta para cada entrada de entrenamiento. Este modelo puede hacer uso de una técnica basada en instancias, el algoritmo kNN, árboles de decisión y regresión, técnica bayesiana, redes neuronales artificiales y Perceptron multicapas (arquitectura con neuronas artificiales) para su operacionalización, según Lenz et al (2020). Considere que este tipo de Aprendizaje Automático es actualmente el método más utilizado en los sistemas.
• Aprendizaje Automático No Supervisado: los ejemplos se insertan en el algoritmo sin etiquetas, lo que requiere que el algoritmo de aprendizaje automático agrupe los ejemplos por las similitudes de sus atributos, analice los ejemplos proporcionados y determine si hay contenido que se pueda agrupar de alguna manera, creando los llamados clusters (agrupaciones). Aún se requerirá el análisis de datos para determinar el significado de cada agrupación en el contexto del problema que se analiza. Este modelo hace uso de agrupaciones, algoritmo K-Medias y evaluación de grupos para su operacionalización.
• Aprendizaje Automático por Refuerzo: su algoritmo no recibe respuestas correctas, pero sí señales de refuerzo, descompensación o castigo. El algoritmo de esta clasificación de Aprendizaje Automático crea una hipótesis basada en ejemplos y así determina si esta hipótesis fue positiva o negativa en el análisis de datos. Este tipo de algoritmo se usa comúnmente en juegos electrónicos y sistemas robóticos.

Figura 1: Tipos de Aprendizaje Automático

Fuente: elaborado por el autor

El Aprendizaje Automático está formado por la adquisición y acumulación de conocimiento a través de la extracción de significado desde un conjunto de datos dado. En línea con Lenz et al (2020), este proceso se puede dividir en siete etapas: recopilación de datos, preparación de datos, selección de modelos, entrenamiento, evaluación, ajuste de parámetros y aplicación. Veamos:

• Selección: elección de datos en cantidad y calidad adecuada para extraer el conocimiento deseado, con calidad de datos relacionada con los atributos elegidos.
• Preparación: los datos deben ser reparados y ajustados al modelo y se incluyen transformaciones de unidad, conversión de escala, normalización y cambios de su representación.
• Modelo: los datos son tratados mediante técnicas de regresión lineal, regresión logística, clasificación, agrupación, aprendizaje profundo entre otras. 
• Entrenamiento: cambia el patrón especificado modificando los parámetros.
• Evaluación: los datos se separan al inicio del proceso para que se puedan realizar pruebas y así determinar si el modelo obtenido después del entrenamiento tiene la precisión esperada en la predicción del objetivo.
• Ajustamiento: definidos nuevos parámetros tales como: número de repeticiones de todo el proceso en el conjunto de datos de entrenamiento; tasa de aprendizaje, factor para cambios de parámetros del modelo; entre otros. 
• Aplicación: uso del modelo para hacer predicciones a partir de la máquina entrenada.

Figura 2 - Proceso general de aprendizaje automático

Fuente: adaptado de Lenz et al (2020)

El uso de Aprendizaje automático o Machine Learning está creciendo y seguirá cambiando mucho con las nuevas tecnologías asociadas. Reforzando las palabras de Mueller y Massaron (2019), la Inteligencia Artificial actual se basa en Aprendizaje Automático, lo que retóricamente implica el desarrollo de ambos en los próximos años.

Redes Neuronales Artificiales

Las Redes Neuronales Artificiales (RNA) son modelos matemáticos que imitan la estructura de las redes neuronales biológicas de un ser humano, buscando desarrollar la capacidad computacional a través del aprendizaje. En línea con Ferreira (2021), las neuronas biológicas parecen comportarse de forma sencilla. Al realizar tareas complejas, se organizan en una red, con una cantidad de miles de millones de unidades, donde cada celda está conectada a miles de otras celdas, a menudo organizadas en capas.

Figura 3 – Representación de una neurona biológica

Fuente: Ferreira (2021, p. 9)

“El advenimiento del pensamiento artificial acelera cualquier otra disrupción tecnológica de los próximos años”, reflexiona Kelly (2017, p. 50). La IA será la fuerza predominante en el futuro. Las tecnologías de redes neuronales son un área importante de desarrollo que amplifica el poder de la IA. Una neurona artificial, citada por Ferreira (2021) tiene una o más entradas binarias (cero o uno) y también una salida binaria. Ella activa su salida cuando más de un cierto número de entradas están activas. Así, se hace posible que, incluso con un modelo simple, sea posible construir una red de neuronas artificiales que implementen cualquier operación lógica en un sistema computacional. Técnicamente, el comportamiento de la neurona biológica se representa en la Figura 5 con las operaciones lógicas básicas utilizadas en la lógica computacional combinadas para calcular expresiones lógicas complejas.

Figura 4 - Representación de operaciones lógicas con redes neuronales

Fuente: Ferreira (2021, p. 9)

Al igual que otras técnicas utilizadas en Inteligencia Artificial, las Redes Neuronales Artificiales son modelos computacionales inspirados en la biología humana para construir sistemas que brindan inteligencia a los sistemas computacionales que, en consecuencia, también inspiraron otras tecnologías como las redes neuronales profundas y el aprendizaje profundo.

Aprendizaje Profundo o Deep Learning (DL)

La tecnología de Aprendizaje Automático es relativamente nueva y, al igual que otras tecnologías, ha ido presentando nuevas reflexiones y nuevos estudios que mejoran y aún mejorarán en gran medida la evolución de los sistemas informáticos inteligentes. Ferreira (2021) nos enseña que el concepto central de Aprendizaje Profundo (Deep Learning) está enfocado en el uso de Redes Neuronales Artificiales, considerando su versatilidad, potencia, escalabilidad y nuevas ideas para el manejo de tareas de aprendizaje automático extensas y de alta complejidad.

En línea con Mueller y Massaron (2020, p. 9) “El aprendizaje profundo es solo un subcampo de la IA, pero importante”. Sus técnicas se utilizan en una variedad de tareas, pero no se aplican indiscriminadamente a las actividades en general. Tenga en cuenta, querido lector, que la IA no tiene nada que ver con la inteligencia humana. Solo una parte de su diseño está preparada para simular la inteligencia humana. 

Según Lee y Qiufan (2022), el aprendizaje profundo es una innovación reciente, un campo de estudio que ha producido las aplicaciones más exitosas, generando una gran emoción a partir de 2016 cuando permitió la impresionante victoria de AlphaGo sobre una computadora humana en un juego de Go, un juego de mesa intelectual y popular en Asia. La tecnología de Aprendizaje Profundo es vista por Lee y Qiufan (2022) como una inspiración de las redes entrelazadas de neuronas en el cerebro humano, lo que permite construir capas de software hechas de redes neuronales artificiales con capas de entrada y salida. Finalmente, los autores alimentan la idea de que el Aprendizaje Profundo es una tecnología de uso general, que se puede aplicar en casi todos los campos para reconocimiento, predicción, clasificación, toma de decisiones o síntesis.

El desarrollo de sistemas de información y software en general puede hacer uso de técnicas de programación y lenguajes de programación como Python, R, Matlab y Octave para producir sistemas basados en Aprendizaje Profundo. Estos son en su mayoría los mismos lenguajes y plataformas que ya se utilizan para la producción de algoritmos de Inteligencia Artificial con Aprendizaje Automático.

Las principales aplicaciones del Aprendizaje Profundo según Mueller y Massaron (2020) son:

• Reconocimiento de movimientos humanos en tiempo real: identifica las extremidades de una persona que están en un video más allá de los simples movimientos humanos para, por ejemplo, ayudar a las personas a mejorar el rendimiento en los deportes o incluso la postura para una mejor salud.
• Análisis de comportamiento en tiempo real: va más allá del reconocimiento del movimiento humano, por ejemplo, identifica la forma en que los proveedores crean productos en los sitios web.
• Traducción de idiomas: traducción de idiomas en sistemas de Internet, analizando cambios de humor, connotaciones e interpretación de lenguaje, según lo identificado por Sharda, Delen y Turban (2019) como una estrategia de análisis de datos con procesamiento de lenguaje natural.
• Ahorro con energía solar: los proyectos ayudan a no depender de variables en la inversión en proyectos de energía solar y retorno de la rentabilidad, considerando la complejidad del sistema en diferentes regiones.
• Superación de seres humanos en los juegos electrónicos: uso de sistemas inteligentes en juegos electrónicos y sistemas gamificados.
• Producción de voces digitales: producción de sistemas de voz digital en dispositivos de asistencia digital personal, atención al cliente y asistencia automatizada.
• Prevención de datos demográficos: soporte para estadísticas vitales o sociales con agrupación de datos según características específicas.
• Generación de arte a partir de imágenes del mundo real: producción de contenidos artísticos junto con sistemas de realidad virtual y aumentada para soportar sistemas de ingeniería o culturales.
• Prevención de desastres naturales: análisis de variables para la prevención y mitigación de riesgos con terremotos, tornados, erupciones volcánicas y otros eventos naturales.

Internet trajo la oportunidad de una vida profesional, académica y social integrada por un mundo físico y real a un mundo digital, que nos permite vivir experiencias que nunca antes hubieran sido posibles. Una persona sencilla, con un pequeño teléfono inteligente, por ejemplo, puede descubrir ciudades antiguas, regiones remotas y diferentes culturas. Los algoritmos de búsqueda de sistemas de Internet utilizan una variedad de técnicas modernas para brindar información rápidamente a un usuario de sistemas digitales, a través de la minería de datos y minería de textos en la Web y el uso de los llamados robots de software en motores de búsqueda como Google, por ejemplo, hay la posibilidad de hablar con un dispositivo electrónico y solicitar información sobre un tema determinado. Galloway (2017, p. 7) presenta el hecho de que “Google se ha convertido en el dios del hombre moderno” ya que logró complementar la necesidad humana de información hoy.

Las tecnologías y los sistemas de información han llevado a las organizaciones a repensar su negocio desde la década de 1980. Rogers (2021, p. 11) nos recuerda que “las reglas de los negocios han cambiado”. En este nuevo siglo XXI, todos los sectores de actividad se ven impactados por el uso de las tecnologías de la información y las innovaciones son necesarias y constantes.

En Resumen

La evolución tecnológica que hemos experimentado en los últimos años ha vuelto a poner en primer plano las inversiones y el desarrollo de la Inteligencia Artificial. El análisis predictivo de datos en los sistemas de inteligencia de negocio busca hacer uso de algoritmos y sistemas de minería de datos para componer análisis y proyecciones precisas de eventos futuros y resultados finales. En procesos más complejos y evolutivos, el análisis prescriptivo de datos es un soporte para buscar las mejores decisiones y acciones en un sistema informacional que utiliza la inteligencia artificial basada en la optimización, la simulación, los modelos de decisión y los sistemas expertos, que harán un uso aún más intenso de las tecnologías como el Aprendizaje Automático o Machine Learning. El Aprendizaje Automático se clasifica como AA supervisado, AA no supervisado y AA por refuerzo. Finalmente, conocemos las Redes Neuronales Artificiales, tecnología que busca imitar el funcionamiento de la neurona biológica humana y es la base para la construcción de algoritmos de Aprendizaje Profundo.