Inteligencia Artificial - IA
Se denomina Inteligencia Artificial – IA a cualquier técnica que le permita a las computadoras imitar el comportamiento humano (Oracle).
Tabla de contenido
Noticias
La computación cuántica es un campo dinámico y en constante avance, caracterizado por significativos logros tecnológicos e interés creciente tanto en la academia como en la industria. Las tendencias en este campo abarcan diversos aspectos, como el aumento de las patentes, el desarrollo de hardware cuántico, la integración con la computación en la nube y las aplicaciones en inteligencia artificial. Estos avances resaltan el potencial transformador de la computación cuántica en múltiples sectores, marcando un cambio en cómo se procesan y resuelven problemas complejos.
El crecimiento de las patentes y el interés de la industria
El aumento de las solicitudes de patentes relacionadas con la computación cuántica es notable, particularmente en regiones como Corea, donde empresas como IBM lideran la innovación en este ámbito (Ryu et al., 2024). Esta tendencia sugiere que el campo seguirá expandiéndose, con más inversiones por parte de empresas emergentes y consolidadas en tecnologías cuánticas (Ryu et al., 2024). Este crecimiento refleja el reconocimiento de la computación cuántica como un motor de avance tecnológico.
Desarrollo de hardware y modelos de cúbits
Los ordenadores cuánticos utilizan cúbits, y los modelos más destacados incluyen cúbits superconductores, de trampa de iones y de átomos neutros (Dejpasand & Ghamsari, 2023). Cada tipo de cúbit tiene ventajas y limitaciones únicas, lo que lleva a una constante investigación enfocada en mejorar el rendimiento y la escalabilidad de estas tecnologías (Dejpasand & Ghamsari, 2023). Este desarrollo es crucial para superar las barreras actuales y avanzar en la capacidad de los sistemas cuánticos.
Computación cuántica en la nube
La integración de la computación cuántica con plataformas en la nube se consolida como una tendencia relevante, ya que proporciona ventajas como la rentabilidad, mayor seguridad y escalabilidad (Golec et al., 2024). Sin embargo, persisten desafíos como la estabilidad de los cúbits y la asignación eficiente de recursos. A pesar de ello, el potencial de la computación cuántica en la nube para transformar el procesamiento de datos es significativo (Golec et al., 2024). Esta integración promete mejorar el acceso y la adopción de la tecnología cuántica.
Aprendizaje automático cuántico (QML)
La computación cuántica está haciendo grandes avances en la inteligencia artificial, especialmente en el aprendizaje automático cuántico (QML), que utiliza capacidades cuánticas para optimizar modelos de aprendizaje (Kim et al., 2023). Aunque enfrenta desafíos como el ruido en sistemas cuánticos de escala intermedia, el QML ha mostrado un rendimiento superior a los modelos clásicos en diversas aplicaciones (Kim et al., 2023). Esto subraya el potencial de la computación cuántica para revolucionar el análisis de datos y la eficiencia en la IA.
El contexto de la Inteligencia Artificial - IA
Imagina que estás liderando un proyecto en tu organización, enfrentando desafíos que parecen insuperables debido a la rápida evolución tecnológica. Quizás sientas que hay algo que te frena, como si un muro invisible dividiera las posibilidades entre quienes dominan las herramientas digitales y quienes apenas las están descubriendo; ese muro es la brecha digital, una realidad que perpetúa desigualdades en el acceso, uso e impacto de las Tecnologías de la Información y Comunicación (TIC). Ahora, piensa en la revolución digital. Es esa fuerza imparable que lo transforma todo a un ritmo exponencial y combina innovaciones para crear posibilidades antes inimaginables; aquí no se trata solo de tecnología, sino de cómo tú puedes convertir estas herramientas en oportunidades.
Sin embargo, para que esa revolución funcione a tu favor, necesitas dar el siguiente paso: la transformación digital. Este proceso no es solo adoptar tecnologías, sino integrarlas estratégicamente en tu vida profesional y en las operaciones de tu organización; quizá te preguntes cómo dar este salto sin perderte en el caos tecnológico; aquí es donde entra el ecosistema digital, una red vibrante de tecnologías, plataformas y servicios interconectados. Este ecosistema no solo facilita tus interacciones y transacciones; también potencia tu capacidad de innovar, integrarte y expandir tu alcance. Empresas como la tuya, que adoptan estas redes, han descubierto cómo responder más rápido y con mayor eficacia a los cambios del mercado.
En definitiva, la sinergia entre las TIC, la cooperación digital y la innovación puede transformar tu camino profesional. ¿Estás listo para aprovechar estas herramientas y prosperar en un mundo donde la tecnología no es solo un desafío, sino la clave para tu éxito? ¡La decisión está en tus manos!
La inteligencia artificial (IA) busca crear sistemas que imiten la inteligencia humana, permitiendo a las máquinas realizar tareas cognitivas complejas, como el aprendizaje y la resolución de problemas; esto incluye subcampos como el aprendizaje automático y profundo, que optimizan el rendimiento a partir de datos.
La IA simula procesos humanos, logrando adaptabilidad mediante el aprendizaje de experiencias sin programación explícita, empleando redes neuronales para analizar grandes volúmenes de datos y tomar decisiones precisas (Valadez et al., 2024; Mian et al., 2024); además, resuelve problemas y toma decisiones a partir del análisis de datos, simulando el razonamiento humano en aplicaciones como el análisis de información y sistemas de recomendación (Triantafyllou, 2024; Aziz, 2023).
El prompt engineering se refiere a la práctica de diseñar y formular instrucciones o prompts que guían a los modelos de inteligencia artificial para obtener respuestas específicas y útiles.
La sociedad 5.0 y la educación 5.0 representan un cambio profundo que integra tecnologías avanzadas con un enfoque humano, promoviendo el desarrollo sostenible y mejorando la calidad de vida, con el fin de utilizar la inteligencia artificial (IA) para enfrentar desafíos sociales y fomentar prácticas económicas sostenibles, alineándose con los Objetivos de Desarrollo Sostenible de la ONU (Ramírez-Márquez et al., 2024).
La sociedad 5.0 prevé un entorno donde la IA y el Internet de las cosas (IoT) se integran en funciones sociales clave, optimizando recursos como agua y energía, y promoviendo ciudades inteligentes y sostenibles (Mahfudloh, 2023).
La educación 5.0, adaptada a la era digital, fomenta habilidades pertinentes en una sociedad tecnológica y se basa en la IA para desarrollar currículos flexibles que preparan a las nuevas generaciones ante un panorama en constante cambio (Vieira et al., 2023; Mahfudloh, 2023). Además, la educación consciente busca incluir la ética y el bienestar humano, garantizando que los avances tecnológicos no sacrifiquen valores esenciales (Vieira et al., 2023).
La IA, aplicada a la economía circular, optimiza recursos y reduce el impacto ambiental, impulsando un ecosistema de desarrollo sostenible (Ramírez-Márquez et al., 2024). Soluciones tecnológicas y el Internet de la producción contribuyen a procesos más sostenibles en la industria (Sadiq et al., 2023).
El procesamiento del lenguaje natural – PLN permite a la IA entender y responder al lenguaje humano, facilitando el uso de tecnologías como el reconocimiento de voz y la traducción, y mejorando la interacción humano-máquina en áreas como la atención al cliente (Shrivastava, 2024; Geada, 2024); también se utiliza para la percepción y reconocimiento en aplicaciones como el reconocimiento facial y vehículos autónomos, imitando los sentidos humanos para interpretar datos visuales y auditivos (Shrivastava, 2024; Pollock et al., 2023).
Las aplicaciones de la IA abarcan sectores como la salud, donde ayuda en diagnósticos y tratamientos personalizados, y las finanzas, donde detecta fraudes y gestiona riesgos; estas áreas destacan cómo la IA ejecuta tareas que requieren inteligencia humana, mostrando su versatilidad y eficacia (Botero, 2023; Mukherjee et al., 2024).
Los sistemas de IA multimodales están diseñados para gestionar diferentes tipos de datos, como datos tabulares, series temporales, texto e imágenes («Integrated multimodal artificial intelligence framework for healthcare applications», 2022; Soenksen et al., 2022); esta integración permite una comprensión más integral de la información, ya que cada modalidad aporta datos específicos que complementan y enriquecen a las demás (Morency, 2022).
Los sistemas multimodales mejoran la capacidad de análisis al combinar perspectivas diversas y proporcionar una visión más completa, lo que es especialmente valioso en aplicaciones complejas como la atención sanitaria.
La IA centrada en el ser humano (HCXAI) es un enfoque de diseño que se enfoca en priorizar las necesidades, valores e interacciones humanas durante el desarrollo y despliegue de sistemas de IA. Esta filosofía tiene como fin maximizar los beneficios de la IA para las personas y reducir los posibles efectos negativos; a diferencia de otros enfoques, el objetivo de HCXAI no se limita a hacer que los sistemas de IA sean transparentes, sino que busca que sean diseñados con una profunda consideración por los usuarios humanos y sus contextos sociales, éticos y prácticos.
Esta integración de la perspectiva humana en el desarrollo de la IA es esencial para crear sistemas más efectivos y respetuosos (Smith et al., 2024).
En conclusión, la IA: 1. Apoya el cumplimiento de metas de desarrollo; 2. Mejora la calidad de vida y 3. Fomenta un crecimiento económico responsable (Leelavathi & Manjunath, 2023).
Historia de la Inteligencia Artificial
La historia de la inteligencia artificial (IA) está compuesta por siglos de pensamiento humano, avances tecnológicos y exploraciones filosóficas; aunque el término «inteligencia artificial» fue acuñado en la Conferencia de Dartmouth en 1956, sus raíces se remontan a mitos antiguos y a los primeros conceptos computacionales.
Primeros fundamentos y figuras clave
El razonamiento lógico y los silogismos de Aristóteles han dejado una profunda huella en el desarrollo de la inteligencia artificial (IA), especialmente en representación del conocimiento, razonamiento y procesamiento del lenguaje natural – PLN; su legado cimentó las bases de la lógica formal, esencial para que los sistemas de IA realicen inferencias y tomen decisiones de manera eficiente. La estructura de los silogismos, que permite deducir conclusiones a partir de premisas, es reflejo de las operaciones lógicas que los sistemas de IA deben ejecutar; esta influencia se manifiesta tanto en sistemas basados en reglas como en modelos modernos de aprendizaje automático.
Los silogismos de Aristóteles ofrecen un marco para el razonamiento deductivo, crucial para que los sistemas de IA generen conclusiones a partir de datos (Hausser, 2022); esta formalización ha influido en la lógica moderna, contribuyendo al desarrollo de sistemas de inferencia y razonamiento basado en conocimiento (Hao, 2023).
Los silogismos categóricos, pieza clave de la lógica aristotélica, se utilizan para evaluar las capacidades de razonamiento lógico en modelos lingüísticos extensos (LLM), destacando la relevancia de las estructuras lógicas en la IA (Zong & Lin, 2024); sin embargo, estos modelos enfrentan desafíos al interpretar cuantificadores complejos (Zong & Lin, 2024).
El desarrollo de silogismos generalizados amplía la lógica aristotélica y respalda la evolución de la IA al proporcionar un marco más adaptable para el razonamiento con datos complejos (Hao, 2024); estas formas permiten crear máquinas de inferencia más versátiles, mejorando la capacidad de la IA para procesar y analizar información (Hao, 2024).
La idea de máquinas capaces de realizar tareas inteligentes se remonta al siglo XIX con Charles Babbage, quien diseñó el primer ordenador mecánico basado en el telar de Jacquard; además, Ada Lovelace, conocida como la «hechicera de los números», contribuyó con ideas pioneras sobre algoritmos programables (Grzybowski et al., 2023).
En el siglo XX, Alan Turing, reconocido como el padre de la informática y la IA, sentó las bases teóricas al desarrollar el Test de Turing, un método para evaluar la inteligencia de las máquinas (Grzybowski et al., 2023; Oliveira & Figueiredo, 2023).
IA simbólica y sistemas basados en reglas
Las primeras investigaciones en IA se enfocaron en la IA simbólica, que entendía la inteligencia como la manipulación de símbolos mediante sistemas basados en reglas; aunque esta aproximación logró algunos éxitos, como el desarrollo del programa Logic Theorist en la década de 1950, también enfrentó limitaciones debido a su incapacidad para generalizar a problemas del mundo real (Oliveira & Figueiredo, 2023; Radanliev, 2024). Este enfoque mostró que los sistemas simbólicos eran ineficientes para tareas más complejas que requerían adaptabilidad y flexibilidad.
Transición al aprendizaje automático y al aprendizaje profundo
Las limitaciones de la IA simbólica impulsaron la adopción de métodos basados en el aprendizaje estadístico y redes neuronales. Durante las décadas siguientes, innovaciones como AlexNet, que revolucionó el reconocimiento de imágenes, y AlphaGo, que demostró la superioridad de los algoritmos en juegos estratégicos, cimentaron el aprendizaje profundo como un enfoque preeminente (Radanliev, 2024); la aparición de modelos generativos como las redes adversarias generativas (GAN) y los autoencoders variacionales (VAE) amplió las capacidades de la IA, abriendo la puerta a la IA general (Gen-AI) (Verma, 2024).
Sociedad 5.0
Sociedad 5.0: Transformación y Bienestar Humano
La sociedad 5.0 es un concepto innovador que busca integrar tecnologías avanzadas para resolver desafíos sociales, priorizando el bienestar humano. Nacida en Japón y basada en la Industria 4.0, esta visión apunta a una sociedad inclusiva y sostenible (Villiers, 2024); mediante tecnologías como la IA, IoT y robótica, se aspira a fusionar los mundos físico y digital, mejorando sectores como salud, movilidad e infraestructura (Limbong et al., 2024; Juanda, 2024). Un aspecto crucial es mantener el equilibrio entre tecnología y valores humanos, asegurando que la tecnología complemente, sin reemplazar, las decisiones humanas (Varma et al., 2023).
Desarrollo Sostenible y Humano
La sociedad 5.0 se alinea con los Objetivos de Desarrollo Sostenible de la ONU, promoviendo prosperidad económica, inclusión social y conservación ambiental (Sisinyize, 2024; Ramírez-Márquez et al., 2024). Mediante la IA y el IoT, se optimiza la gestión de recursos naturales como agua y energía (Ramírez-Márquez et al., 2024).
Implicaciones Educativas y Sociales
Esta transición exige un cambio educativo que fomente la alfabetización tecnológica y el aprendizaje interdisciplinario (Villiers, 2024). Modelos como el aprendizaje basado en proyectos fortalecen el pensamiento crítico y la creatividad (Limbong et al., 2024); los académicos deben vincular educación, investigación e innovación para empoderar comunidades (Pilon et al., 2024).
Ética y Comunicación
La sociedad 5.0 demanda ética en la interacción digital y física (Mutiah & Argarini, 2024); la honestidad y responsabilidad en la comunicación aseguran equilibrio social (Leelavathi & Manjunath, 2023). Si bien esta visión promete progreso, es vital abordar las desigualdades y dilemas éticos, adaptando marcos educativos y políticos para aprovechar sus beneficios; la colaboración entre gobiernos, industrias y ciudadanos es clave para un futuro próspero.
La sociedad 5.0 abarca un período caracterizado por la coexistencia armoniosa de las personas y los avances tecnológicos, con el objetivo general de mejorar permanentemente el nivel de vida, bajo principios fundamentales como: 1. La responsabilidad social; 2. El ingenio y 3. La convergencia de los ámbitos tangible y digital.
La Sociedad 5.0 se basa en los avances observados en la Industria 4.0 y centraliza la atención en las complejidades inherentes a la generación de conocimiento y la gobernanza. Selecting a Knowledge Management Methodology in Society 5.0, 2023
Ramas de la IA
Las ramas de la IA incluyen la robótica, la realidad virtual, la realidad aumentada, el procesamiento del lenguaje natural, la visión artificial, la lógica difusa, el aprendizaje automático y los sistemas expertos; estas ramas son fundamentales para el avance de las tecnologías de inteligencia artificial y sus aplicaciones en diferentes sectores.
🔵 La robótica es una disciplina que para algunos autores es rama de la IA mientras que para otros no.
La robótica implica el diseño y la operación de robots, que son máquinas capaces de llevar a cabo tareas complejas de forma autónoma o semiautónoma. La IA mejora la robótica al mejorar la percepción, la toma de decisiones y la adaptabilidad, lo que permite a los robots desempeñarse en diversos entornos, como la industria, la asistencia sanitaria y la exploración espacial (Saini et al., 2024).
Las técnicas de aprendizaje automático, incluidos el aprendizaje profundo y el aprendizaje por refuerzo, son cruciales para que los robots puedan aprender y mejorar su rendimiento con el tiempo (Thandapani et al., 2024).
🔵 La realidad virtual (RV) es una tecnología que permite la creación de un entorno de escenas y objetos simulados de apariencia real.
🔵 La realidad aumentada (RA) es una tecnología que permite superponer elementos digitales, como imágenes, gráficos, modelos 3D o información, sobre la visión del mundo real del usuario.
🔵 El procesamiento de lenguaje natural (PLN) se centra en la interacción entre ordenadores y humanos a través del lenguaje natural. Permite a las máquinas entender, interpretar y generar el lenguaje humano, lo que facilita aplicaciones como los asistentes digitales y la traducción automatizada (Shrivastava, 2024) (Whitehead, 2023).
🔵 La visión artificial implica permitir que las máquinas interpreten y tomen decisiones basadas en datos visuales del mundo. Se utiliza en aplicaciones como el reconocimiento facial, la clasificación de imágenes y los vehículos autónomos (Saini et al., 2024) .
Las técnicas de inteligencia artificial, en particular el aprendizaje profundo, han mejorado significativamente las capacidades de los sistemas de visión computacional (Saxena et al., 2023).
🔵 La lógica difusa, también denominada lógica borrosa o «fuzzy logic», es una rama de las matemáticas y la IA que permite representar y procesar información imprecisa o vaga, a diferencia de la lógica booleana tradicional que solo trabaja con valores binarios de verdadero (1) o falso (0).
Se utiliza en la IA para tratar el concepto de verdad parcial, en el que el valor de la verdad puede oscilar entre completamente verdadero y completamente falso.
🔵 El Machine Learning (ML) o aprendizaje automático (AA) es una rama de la inteligencia artificial (IA) que, centrada en el desarrollo de algoritmos, permite a los sistemas informáticos aprender de los datos y mejorar su rendimiento en tareas específicas sin ser programados explícitamente para ello; su función principal se centra en dos áreas clave: Predicción y Clasificación.
Según la naturaleza de los datos y el tipo de tarea que se desea realizar, el aprendizaje automático (ML) se clasifica en: 1. Aprendizaje supervisado; 2. Aprendizaje No supervisado; 3. Aprendizaje semisupervisado; 4. Aprendizaje por refuerzo y 5. Deep Learning. (Taherdoost, 2021).
🔵 Se enfoca en emular la toma de decisiones de un experto humano en un campo específico.
Los Sistemas Expertos están diseñados para resolver problemas complejos mediante el razonamiento a través de cuerpos de conocimiento, representados principalmente como normas si-entonces más que a través de código de procedimiento convencional.
Están diseñados para resolver problemas complejos mediante el razonamiento a través de conjuntos de conocimiento, representados principalmente como reglas de «si entonces» (Whitehead, 2023).
¿Qué es un Modelo de Inteligencia Artificial?
Un Modelo de inteligencia artificial es la representación matemática del pensamiento humano en ciertos aspectos, especialmente en su capacidad para razonar y resolver problemas complejos; no obstante, un modelo de computación cognitiva es un marco computacional sofisticado diseñado para emular los procesos cognitivos humanos, como: 1. La percepción; 2. El razonamiento y 3. La solución de problemas.
Los modelos de computación cognitiva son construcciones paramétricas que consideran las etapas y transiciones cognitivas, permitiendo modelar los procesos de información desde su inicio hasta su desaparición (Wolfengagen et al., 2023).
¿Qué son los LLM?
🔵 Los modelos de lenguaje grande (LLM) son sistemas avanzados de inteligencia artificial diseñados para comprender y generar texto similar al humano, mediante el uso de redes neuronales profundas con miles de millones de parámetros; estos modelos, como el GPT-3 de OpenAI, se basan en vastos conjuntos de datos procedentes de diversos materiales en línea, lo que les permite captar patrones lingüísticos complejos y matices contextuales.
Los LLM se crean utilizando la arquitectura Transformer, que se introdujo en 2017, la cual se ha convertido en la base de modelos como el GPT-3, conocido por su rendimiento de última generación en tareas de procesamiento del lenguaje natural – PLN (Sreerakuvandana et al., 2024) (Filimonov, 2024).
Los LLM se basan en conjuntos de datos masivos, que a menudo asmilan miles de millones de palabras, para desarrollar una comprensión integral del lenguaje; esta formación les permite generar un texto coherente y relevante desde el punto de vista contextual (Sreerakuvandana et al., 2024) (Ni et al., 2024).
El uso del prompt o instrucción en los LLM, es fundamental para guiar la generación de texto, imágenes y/o sonido para obtener respuestas relevantes y precisas.
Ciencia de Datos
La ciencia de datos es un campo transdisciplinario que triangula la Matemática, la Estadística, y la Ingeniería computacional para gestionar el dato.
ISO/IEC 42001:2023
La ISO 42001:2023 es una norma creada para los sistemas de gestión de Inteligencia Artificial (IA), ofreciendo un marco que permite a las organizaciones desarrollar e implementar soluciones de IA de manera responsable.
Esta norma aborda desafíos específicos de la IA, como su adaptabilidad y la integración en diversos entornos operativos, aspectos que los modelos regulatorios tradicionales no logran manejar eficazmente; además, la ISO 42001:2023 resulta especialmente relevante en sectores como el sanitario, donde la implementación de soluciones de IA generativa (GenAI) demanda una cuidadosa supervisión para garantizar la seguridad y eficacia (Thiers & Harned, 2024).
De este modo, la norma facilita la creación de sistemas de gestión de la IA (AIMS) auditables, que contribuyen a mitigar riesgos y respaldan el despliegue de soluciones fiables; por tanto, el proceso de certificación es una herramienta clave para mejorar el cumplimiento normativo y las funciones de supervisión en las organizaciones de salud.
Características clave de la ISO 42001:2023
La norma establece un marco para desarrollar los sistemas de gestión de IA (AIMS), esenciales para gestionar los riesgos asociados a las tecnologías de inteligencia artificial. Estos sistemas se diseñan con adaptabilidad y auditabilidad en mente, asegurando que las soluciones de IA se desplieguen de manera segura y eficaz (Thiers & Harned, 2024); además, la ISO 42001:2023 destaca por su enfoque en las oportunidades relacionadas con los grandes modelos lingüísticos (LLM), subrayando su relevancia en el contexto de tecnologías emergentes. Esto es especialmente importante al considerar las deficiencias de supervisión en otros marcos, lo que convierte a la norma en una opción preferida para organizaciones que buscan integrar los LLM (McIntosh et al., 2024).
Cumplimiento regulatorio
La alineación con la ISO 42001:2023 permite a las organizaciones adaptarse mejor a entornos regulatorios, particularmente en regiones con normativas estrictas sobre inteligencia artificial, como la Unión Europea; este alineamiento no solo ayuda a cumplir los requisitos de cumplimiento, sino que también facilita la gestión de riesgos asociados con el despliegue de la IA (McIntosh et al., 2024).