Tecnologías y componentes de la Inteligencia Artificial

Varias son las tecnologías, componentes y disciplinas que la Inteligencia Artificial contiene, y que son en sí las mismas ramas de estudio matemático y de procesos. 

Daremos un vistazo a las más relevantes, iniciando por sistemas de reconocimiento y llegando a sistemas de aprendizaje automático.

Reconocimiento automático de la voz (Speech recognition)

El reconocimiento automático de la voz es una disciplina perteneciente a la acústica y cuyo objetivo es el reconocimiento de fonemas en una señal de sonido. Los sistemas de reconocimiento de voz procesan la señal recogida por un micrófono para identificar las palabras que el usuario pronunció.

Procesamiento del lenguaje natural NLP (PLN en español)

Mientras que el reconocimiento de la voz se centra en una conversión fiel de la voz a texto, el procesamiento del lenguaje natural (o NLP, Natural Language Processing, en inglés), es una disciplina que está ligada con el campo de la lingüística, su objetivo es comprender qué intención tiene el usuario al realizar un determinado comando, pregunta o afirmación a la espera de un resultado, algunos de los usos es analizar el estado de ánimo y hallar patrones subjetivos en éstos. En resumen, es el campo que ayuda a la comunicación (principalmente sonora y escrita) hombre máquina y viceversa.

Reconocimiento visual (Visual Recognition)

El reconocimiento visual es una disciplina basada en el procesamiento de imagen o vídeo, con el objetivo de reconocer patrones, formas y uno de los casos representativos, es identificar fielmente los diferentes elementos en una imagen o video, usos como en los sistemas de seguridad o búsqueda de objetos en video.

Reconocimiento de texto (Text Recognition)

El reconocimiento de texto podría considerarse una parte del reconocimiento visual, ya que su principal objetivo es reconocer e identificar texto en formatos de imagen (como cuando usamos el scanner), su uso común como por ejemplo las herramientas de OCR (Optical Character Recognition) para esta labor, estas permiten reconocer objetos en un documento manuscrito o impreso y trasladarlo a un sistema de forma digital.

Big Data

Big Data es la descripción de un gran volumen de datos a considerar. Big Data por sí sola no es una tecnología, este un factor importante para el almacenamiento de datos de varias fuentes interna o externas bajo estándares de seguridad, este volumen de datos (estructurados o no estructurados), son la base vital en la obtención de objetivos por medio de la analítica de Business Intelligence (Inteligencia de negocios), así como en el uso de algoritmos de Machine Learning para analizarla.

Sistemas expertos

Los sistemas expertos son aquellos en los que se ha volcado todo el conocimiento humano posible acerca de una determinada rama. Un ejemplo los sistemas que juegan al ajedrez, que a partir de toda una colección de movimientos y estrategias que se les ha brindado en memoria, son capaces de determinar la mejor jugada (generalmente basándose en árboles de decisión) ante unas condiciones dadas.

Robótica

La robótica (sea mecánica - robots físicos o de software - RPA), abarcan una gran cantidad de dispositivos y aplicativos.  Si un sistema o robot muestra síntomas de inteligencia, por ejemplo, al ser capaz de tomar decisiones por muy básicas que sean éstas, estaremos hablando de uso de Inteligencia Artificial, esta se da porque hay un humano que programo una gran cantidad de variables y estas variables se alimentan de datos, estos datos crean patrones para la toma de decisiones, ya que por si sola la maquina no piensa sigue instrucciones programadas por un humano  

Recordemos que la IA no debe ser especialmente sofisticada, se hace presente en todos los niveles, incluso en los más básicos y debe diferenciarse de la capacidad de aprender de las máquinas; es decir, el uso de Machine Learning y Deep Learning.

Aprendizaje automático (Machine Learning)

El aprendizaje automático o Machine Learning hace parte importante, dentro de la Inteligencia Artificial, se trata de obtener que un sistema aprenda un proceso por medio de datos específicos y relacione dicha información de modo como lo hace una persona. Para ello, usa algoritmos que son capaces de detectar patrones en los datos previos (aprendizaje), generando diagnósticos y predicciones futuras.

 Ejemplo de un árbol de decisiones generado por el uso de Machine Learning

Deep Learning

El Deep Learning es una subdisciplina del Machine Learning. Es un sistema de aprendizaje que se inspira en el funcionamiento de las redes neuronales del cerebro humano para procesar la información, usa una de base matemática compleja. 

Se apoya en la experiencia (ya sean datos previos, generados por el entorno o autogenerados), no parte de indicaciones estrictas que determinen qué es correcto y qué no, de forma que el sistema pueda determinar conclusiones por sí sólo, su mayor uso se da en el procesamiento de imágenes, video, voz y análisis cognitivo.

Cognitive Intelligence & Cognitive Services

Es una combinación de las tecnologías mencionadas previamente con el objetivo de crear servicios de inteligencia artificial capaces de tener comprensión humana. Es la fusión de reconocimiento visual, sonoro, comprensión lectora, NLP, haciendo uso de machine learning o deep learning, con el objetivo de crear herramientas capaces de comprender la información su relación e interacción humanas y luego responder en consecuencia. 

Empresas como Microsoft ponen a disposición de sus clientes Servicios Cognitivos para poder extender las capacidades de sus aplicaciones.