1. Introducción

Seguro que has oído hablar de la Inteligencia Artificial (IA), además, seguro que la has utilizado en muchas ocasiones, aunque no seas consciente de ello. La IA ha llegado a nuestra sociedad para quedarse y bien utilizada, puede ser un factor determinante para mejorar nuestra calidad de vida en el futuro. 

En esta situación de aprendizaje vamos a conocer  el estado actual de la IA en sus aplicaciones más conocidas pero además, vamos a trabajar con herramientas que nos permitirán comprender su funcionamiento.

1.1 Inteligencia Artificial no es ciencia Ficción

La IA ya está presente en nuestra vida diaria ayudando a organizar fotos en nuestros teléfonos móviles, realizar búsquedas en Internet o planificar nuestros viajes y desplazamientos. Asumen tareas que tradicionalmente necesitaban una inteligencia humana  y las resuelven de forma eficiente y rápida. Desarrollar una IA no es fácil, requiere de conocimientos avanzados de matemáticas, programación y ciencia de datos. A lo largo del reto no se pretende que seas un experto o experta en inteligencia artificial, pero sí que comprendas los conceptos básicos que se suelen utilizar y que te permitan profundizar en el futuro en su conocimiento y uso.

2. Inteligencia Artificial e Inspiración en la Naturaleza

La inteligencia artificial (IA) es un campo de la informática que busca desarrollar sistemas capaces de realizar tareas que tradicionalmente requieren inteligencia humana, como aprender, razonar, planificar y resolver problemas. Aunque la tecnología moderna se basa en algoritmos y cálculos computacionales, muchos de estos están inspirados en procesos naturales que han evolucionado durante millones de años.

2.1 ¿Por qué nos inspiramos en la naturaleza?

La naturaleza es un laboratorio lleno de soluciones eficientes a problemas complejos:

1. Evolución: Las especies han desarrollado estrategias de supervivencia optimizadas mediante selección natural.

2. Comportamiento colectivo: Organismos como hormigas, abejas y aves logran realizar tareas complejas a través de interacciones simples.

3. Procesos físicos y químicos: Fenómenos como el enfriamiento de metales o el flujo de energía en sistemas naturales ofrecen ideas para resolver problemas.

2.2 De la naturaleza a la IA

A lo largo de las décadas, los investigadores han adaptado conceptos de la biología, la física y el comportamiento animal para crear algoritmos que imitan estos procesos. Estos sistemas no solo son eficientes, sino también adaptables, escalables y robustos frente a cambios en el entorno.

Ejemplos clave de inspiración natural:

1. Optimización y aprendizaje:

   • El templado simulado (Simulated Annealing) se inspira en el proceso físico de enfriamiento de metales.

   • Los algoritmos genéticos imitan la evolución biológica mediante selección, cruce y mutación.

2. Comportamiento colectivo:

   • Las colonias de hormigas (ACO) resuelven problemas de rutas de forma colaborativa.

   • Los algoritmos de enjambre utilizan las reglas de movimiento y coordinación de organismos como aves o peces.

3. Procesos adaptativos:

   • Las redes neuronales artificiales están basadas en el funcionamiento del cerebro humano.

2.3 Ventajas de los sistemas inspirados en la naturaleza

• Robustez: Pueden manejar incertidumbre y errores.

• Adaptabilidad: Son capaces de ajustarse a cambios en tiempo real.

• Escalabilidad: Funcionan bien en problemas pequeños y grandes.

• Simplicidad local, complejidad global: Reglas simples producen resultados complejos.

El vínculo entre IA y naturaleza en la práctica

Hoy en día, los algoritmos inspirados en la naturaleza se utilizan en:

• Logística: Optimización de rutas de transporte.

• Medicina: Identificación de moléculas para nuevos medicamentos.

• Robótica: Coordinación de robots en tareas como exploración o rescate.

• Finanzas: Predicción de mercados y gestión de carteras.

Esta conexión entre la IA y la naturaleza nos permite abordar problemas complejos en áreas donde las soluciones tradicionales son insuficientes. Es una muestra de cómo la observación de los sistemas naturales puede transformarse en tecnología innovadora y eficiente.

2.4 Algoritmos

2.4.1 Templado Simulado (Simulated Annealing)

Teoría y Principios

• Inspirado en el proceso de recocido de metales, donde el material se calienta y enfría lentamente para eliminar defectos y alcanzar un estado de mínima energía.

• Utilizado para resolver problemas de optimización combinatoria, como encontrar el valor óptimo en un espacio de soluciones muy grande.

Funcionamiento

1. Inicialización: Se selecciona una solución inicial y una temperatura inicial.

2. Búsqueda local: Se genera una nueva solución modificando la actual (vecindad).

3. Evaluación: Si la nueva solución es mejor, se acepta. Si es peor, se acepta con una probabilidad que disminuye con el tiempo, permitiendo escapar de mínimos locales.

4. Enfriamiento: Se reduce la temperatura gradualmente según una función de enfriamiento.

5. Finalización: El algoritmo termina cuando es suficientemente bajo o se cumplen ciertos criterios.

Aplicaciones

• Programación de horarios y asignación de recursos.

2.4.2 Algoritmo A*

Teoría y Principios

• Algoritmo de búsqueda utilizado en grafos o mapas para encontrar la ruta más corta desde un punto de inicio hasta un destino.

• Combina dos funciones de coste:

  • g(n): Coste acumulado desde el inicio hasta el nodo actual.

  • h(n): Heurística que estima el coste desde el nodo actual hasta el destino.

La función objetivo es: f(n)=g(n)+h(n)

Funcionamiento

1. Inicialización: Se agrega el nodo inicial a una lista abierta (Open List).

2. Expansión de nodos:

   • Se selecciona el nodo con el menor valor de f(n) en la lista abierta.

   • Si es el destino, el algoritmo finaliza.

   • De lo contrario, se mueve a la lista cerrada y se expanden sus vecinos.

3. Actualización:

   • Para cada vecino, se calcula f(n). Si es mejor que una solución previa, se actualiza.

4. Repetición: El proceso continúa hasta encontrar el destino o vaciar la lista abierta.

Aplicaciones

• GPS y sistemas de navegación.

2.4.3 ACO (Ant Colony Optimization)

Teoría y Principios

• Basado en el comportamiento de las hormigas que buscan comida. Las hormigas depositan feromonas en el camino que toman; cuanto mejor sea la ruta (más corta, por ejemplo), más feromonas acumulan.

• Este algoritmo es iterativo y estocástico, lo que permite encontrar soluciones óptimas en problemas complejos.

Funcionamiento

1. Inicialización:

   • Se representa el problema como un grafo.

   • Se colocan hormigas en diferentes nodos.

2. Búsqueda:

   • Cada hormiga selecciona el siguiente nodo basado en una probabilidad proporcional a la cantidad de feromonas y la heurística (inverso de la distancia, por ejemplo).

3. Actualización de feromonas:

   • Las hormigas depositan feromonas en las rutas que toman, reforzando caminos prometedores.

   • Las feromonas se evaporan con el tiempo para evitar convergencia prematura.

4. Iteración:

   • El proceso se repite hasta cumplir un criterio (número de iteraciones o calidad de la solución).

Aplicaciones

• Diseño de redes de telecomunicaciones.

2.4.4 Algoritmos de Enjambre (Swarm Intelligence)

Teoría y Principios

• Inspirados en el comportamiento colectivo de organismos como aves, peces o abejas.

• Cada agente sigue reglas simples (como alinearse con vecinos o evitar colisiones), pero el grupo muestra comportamientos complejos y coordinados.

Funcionamiento

1. Agentes individuales: Cada uno toma decisiones basadas en información local.

2. Reglas básicas:

   • Separación: Evitar colisiones con vecinos.

   • Alineación: Moverse en la misma dirección que los vecinos.

   • Cohesión: Mantenerse cerca del grupo.

3. Cooperación emergente: A través de estas reglas, el enjambre logra resolver problemas como búsqueda de recursos o navegación.

Variantes Comunes

3. • PSO (Particle Swarm Optimization):

     • • Inspirado en el vuelo de aves.

       • Cada partícula busca un valor óptimo en un espacio multidimensional, ajustando su velocidad según su experiencia y la de sus vecinos.

   • ABC (Artificial Bee Colony):

     • • Simula la recolección de néctar por parte de las abejas.

Aplicaciones

• Análisis de Big Data.

2. Introducción a la Inteligencia Artificial

Para poder realizar con éxito el reto final debemos aprender algunas cosas sobre la inteligencia artificial.

La inteligencia artificial es una rama de la informática que se encarga del estudio y desarrollo de sistemas que puedan realizar tareas que requieren inteligencia humana, como el reconocimiento de patrones, el aprendizaje automático y la toma de decisiones.

La inteligencia artificial se basa en la creación de modelos matemáticos y computacionales de la mente humana, con el objetivo de replicar dichos procesos en máquinas. Estos modelos se utilizan para resolver problemas complejos mediante el cálculo de posibles soluciones y la selección de la mejor opción.

2.1 Aprendizaje Automático

Es fácil que se confundan los términos y la aplicación de la Inteligencia Artificial, el Machine Learning y el Deep Learning como una misma cosa. Por ello es importante entender que el Aprendizaje Profundo (Deep Learning) es parte del Machine Learning, así como este, es parte de la Inteligencia Artificial.

Centrándonos en el Aprendizaje Automático (ML), vamos a ver algunas de sus características. 

• Se nutre de experiencias y evidencias en forma de datos, con los que interpretar por sí mismos patrones y/o comportamientos.

• A partir de un gran número de ensayos y errores , se puede elaborar un modelo de predicción lo más ajustado posible al mínimo error y generalizar un comportamiento ya observado.

Existen 3 tipos de Machine Learning:

Aprendizaje Supervisado

Este tipo de aprendizaje requiere datos de objetos etiquetados para que puedan aprender a realizar su trabajo. Es decir, el sistema informático es capaz de generar conocimientos en base a unos datos ya etiquetados como por ejemplo miles de fotografías de perros cuya etiqueta identifica a qué raza pertenecen.

En este proceso, se incluyen datos de los cuales ya se saben los resultados, en base a ellos, la máquina se va entrenando y detectando patrones con los que aprenderá a clasificar los nuevos datos que se le añadan posteriormente.

Es un método de aprendizaje automático muy utilizado en herramientas con las que tenemos contacto a diario como detectores de correo spam,  imágenes en captchas, etc.

Aprendizaje No Supervisado

Este tipo de Machine Learning trabaja con datos no etiquetados y de los cuales no se conoce el resultado con antelación.

Una técnica muy conocida de Aprendizaje No Supervisado, el Clustering. De forma previa no se posee una estructura lógica de los Datos, sin embargo y gracias a este modelo, estos datos se van segmentando y agrupando en función algunas características similares.

Este tipo de análisis se utiliza en estudios de mercado, en los que, a partir de toda una serie de características, el Machine Learning es capaz de encontrar un número de grupos con características similares definido por el Científico de Datos. 

Aprendizaje Reforzado

Forma parte de lo que conocemos como aprendizaje profundo (Deep Learning).  Su objetivo principal es construir modelos que optimicen el rendimiento en base a resultados ya obtenidos anteriormente.

Para ello, su sistema de aprendizaje esta basado en recompensas. Si la máquina lo hace bien, recibe un premio (valor positivo) si lo hace mal una “penalización” (valor negativo).

Gracias a este modelo, la máquina es capaz de entrenarse hasta dar con una buena solución y además, aprende a tomar las decisiones “acertadas”.

2.2 Algoritmos comunes de ML

Para crear Inteligencia Artificial hay dos fundamentos básicos :

• Los algoritmos.

• Los datos.

 El algoritmo proporciona las instrucciones para la máquina y los datos permiten a la máquina aprender a emplear esas instrucciones y perfeccionar su uso.

Los algoritmos se pueden clasificar en dos tipos:

• Los que emplean la lógica, crean algoritmos basándose en los principios racionales del pensamiento humano.

• Los que combinan lógica e intuición (Deep Learning), los algoritmos se diseñan como neuronas humanas, empleando el patrón de funcionamiento del cerebro de las personas para que la máquina aprenda como lo haría una persona.

Los principales algoritmos que identifican y aprenden de patrones son:

• Árboles de decisión.

• Algoritmos de regresión.

• Algoritmos basados en Instancias.

• Algoritmos de Clustering.

• Algoritmos de redes neuronales.

2.3 Sesgos en los datos

La toma de datos está sujeta al sesgo causado por el programador, o  sesgo causado por los datos. Los datos de entrenamiento que se basan en datos etiquetados con sesgo darán lugar a prejuicios y omisiones en un modelo predictivo, aunque el algoritmo de aprendizaje automático sea legítimo.

Los datos etiquetados que se utilizan para entrenar un algoritmo de aprendizaje automático específico deben ser una muestra estadísticamente representativa para no sesgar los resultados. 

Debido a que los datos etiquetados disponibles para entrenar sistemas de reconocimiento facial no han sido representativos de una población, los grupos peor representados en los datos etiquetados a menudo se clasifican erróneamente posteriormente. En los EE.UU. se denunciaron muchos casos de hombres de raza negra arrestados después de que el reconocimiento facial los identificara falsamente como sospechosos en casos penales. Es decir, es más probable que el software de reconocimiento facial cometa errores al intentar reconocer a mujeres y a personas con tonos de piel más oscuros, y que acierte con los hombres y aquellos con tonos de piel más claros.

2.4 ¿Qué es y qué no es la inteligencia artificial?

La inteligencia artificial no es ningún ordenador capaz de pensar por si mismo, aunque a veces los resultados que ofrece pueden llevar a pensar en eso. Realmente, lo único que es es una serie de operaciones matemáticas que se realizan de forma rápida. Se trata de una serie de algoritmos y  automatizaciones programadas para comportarse de una manera concreta dependiendo de lo que tú le pidas.

Un algoritmo es una serie de instrucciones que se realizan en orden y de forma conjunta para una función específica. Un ejemplo sería una máquina automática, en la que tú preguntas qué tiempo hace, y esta máquina tiene un programa capaz de saber que estás preguntando el tiempo que hace, y basándose en tu ubicación te muestra el tiempo de donde vives. Cuando interactúas con una inteligencia artificial a través de un chatbot o chat conversacional, la IA primero usará unos algoritmos que entienden lo que escribes y analizan las palabras de tu petición, usará otros algoritmos para buscar la información que le pides en su base de datos, y luego usará otros para escribirte un resultado.

Por lo tanto, se puede concluir que una inteligencia artificial no es una inteligencia, sino una secuencia de comandos informáticos que funciona a muchísima velocidad interpretando tu texto y devolviendo la respuesta en cuestión de segundos, y eso es lo que crea la ilusión de que es una inteligencia. 

La diferencia entre una buena y una mala inteligencia artificial está en la calidad de los resultados que ofrece, y es aquí donde radica su gran complejidad técnica. Porque una cosa es que una IA sea capaz de hablarte de una manera determinada como si fuera un humano, pero otra diferente es que sea capaz de generar imágenes, vídeos o música a partir de tus peticiones.

Por eso, los algoritmos de inteligencia artificial suelen someterse a lo denominado como "entrenamiento". Se realizan las funciones que tienen que hacer cientos de miles de veces, millones de veces perfeccionando sus resultados hasta que estos sean satisfactorios.

Además, estos entrenamientos deben darse con una base de datos, textos o imágenes que los algoritmos aprenden a interpretar para aprender cómo deben ser los resultados. Por ejemplo, a base de ir viendo imágenes de gatos, unos automatismos pueden "aprender" a dibujar uno cuando se lo pidas.

2.5 ¿Qué es un prompt?

Un prompt es una instrucción, pregunta o un texto que se utiliza para interactuar con sistemas de inteligencia artificial. Podríamos decir que es como un comando, con el que vas a pedirle a este sistema que realice una tarea concreta.

Los sistemas de inteligencia artificial generativos te permiten crear imágenes a través de tus peticiones, o te escriben textos y respuestas a estas peticiones que le hagas. Las peticiones las harás a través de los prompts, que son los que utilizas para comunicarte con este sistema de IA. La inteligencia artificial analizará lo escrito en el prompt, y generará un contenido acorde a lo que le hayas pedido en este. Por lo tanto, es muy importante asegurarte  de incluir todo lo que quieres de una forma que la IA pueda comprenderte. Estos prompts pueden ser desde una frase de pocas palabras hasta uno o varios párrafos, incluyendo otros contenidos como un texto. 

El resultado que obtienes de una IA depende de tu prompt. Por lo tanto, son el bien más importante para los usuarios que interactúan con estos automatismos digitales, ya que de ellos depende que el resultado sea acorde con lo que quieren o no.

Para que te hagas una idea, no es lo mismo pedirle a una IA "dibuja una oveja" que decirle "dibújame una oveja con el estilo de Picasso". Como ves, en el segundo prompt habríamos incluido un contexto, un estilo que quieres que tengamos. 

Lo mismo pasa cuando quieres que te genere un texto, no es lo mismo pedirle algo como "escríbeme de forma resumida cómo funciona un ordenador" que decirle "explícame cómo funciona un ordenador de forma sencilla como a un niño de primaria". Como ves, en el segundo prompt se escribe mucho más contexto, y esto ayuda a precisar el resultado que tienes cuando escribes el comando.

Por lo tanto, es importante que los prompts tengan todo el contexto que necesitas para obtener un resultado, y también que no tengan ambigüedades o dobles sentidos que puedan hacer que los algoritmos de una IA malinterpreten lo que le pides.

2.6 ¿Que puedo hacer con una inteligencia artificial?

La irrupción de la inteligencia artificial generativa producida en los últimos meses es un ejemplo único de adopción masiva y en un espacio de tiempo muy breve de una innovación tecnológica, con un impacto manifiesto, prácticamente en todos los niveles de la sociedad y sectores económicos.

ChatGPT ha sido el catalizador de este escenario gracias a su disponibilidad universal a través de internet y su formato de interfaz conversacional, accesible para la mayor parte de la ciudadanía. Por esta razón, ChatGPT se ha convertido en el ejemplo más conocido de una herramienta de IA generativa, pero existen muchas otras aplicaciones basadas en esta tecnología que permiten que los ordenadores, no sólo generen y procesen lenguaje escrito como es el caso del ChatGPT, sino que también hagan lo mismo con voz, imagen, vídeo e incluso con código.

Desde un punto de vista empresarial, la IA generativa, objetivamente, puede verse como una gran herramienta de apoyo a la productividad, especialmente en ámbitos profesionales en los que la creatividad, el conocimiento y la gestión de esta son clave.

A continuación tenéis un documento con algunas de las mejores Inteligencias Artificiales ordenadas por categorías.

2.7 Consejos para usar la IA

Para terminar, aquí tienes una serie de consejos para usar la inteligencia artificial, y así poder aprovecharla al máximo. Y el primero es que no le tengas miedo ni vértigo. Puede parecer una tecnología futurista en la que se consiguen resultados alucinantes, pero realmente hay muchas empresas que están esforzándose en adaptar sus IA para que sean lo más fáciles de usar posible.

Cuando vayas a empezar a usar estas herramientas, simplemente debes tener una idea de lo que quieres conseguir. Si quieres crear una imagen, pues irás a las IAs especializadas en ello, y lo mismo con textos. Luego, simplemente describe lo que quieres conseguir para que la IA interprete tus palabras.

A la hora de escribir prompts, empieza poco a poco. Con esto quiero decir que primero le escribas al chat de inteligencia artificial lo que quieres de una manera natural, igual que se lo escribirías a una persona. Las IA están entrenadas para reconocer el lenguaje natural, y te dará los primeros resultados.

Una vez tengas los resultados, ve añadiendo términos a tu prompt para ir especificando un poco más los resultados que quieres. A la hora de pedir textos, puedes especificar la manera de escribir, el tono o la longitud y el objetivo del texto. En un dibujo, puedes especificar elementos que quieres que aparezcan o estilos de dibujo.

Una cosa que debes saber es que puedes repetir un mismo prompt y comando, ya que 

cada vez que lo escribas la IA generará un resultado desde cero, y cada resultado será diferente. Por lo tanto, si al escribir un comando no obtienes un resultado que te gusta, vuelve a repetirlo para ver si a la próxima afina más.

No tengas miedo a experimentar, y de añadir elementos y términos al prompt "para ver qué pasa". A veces, de giros inesperados en tu prompt te pueden salir resultados muy sorprendentes.

Y por último, también presta atención a los prompts que usan otras personas para obtener resultados. Cuando veas que alguien ha hecho algo que te gusta mucho con inteligencia artificial, busca o pregunta por el prompt que ha utilizado. Puede que así descubras términos o estilos de petición que puedan servirte para obtener resultados en una dirección que te guste.

2.7 Agentes inteligentes

En inteligencia artificial, los agentes de inteligentes consisten en código o mecanismos que actúan para lograr objetivos predeterminados. Puede encontrar ejemplos de agentes de inteligencia artificial en el código de elementos como bots de chat, hogares inteligentes y el software comercial mediante programación que se usa en finanzas.

Alexa, Google Assistant, Siri… Seguro que, o ya has oído hablar de ellos o incluso puede que alguno los utilices con frecuencia. Son asistentes de voz o asistentes digitales (o asistentes virtuales) es decir, un software que te permitirá interactuar con él mediante comandos de voz para que te ayude con diversas tareas.

Alexa es el asistente virtual controlado por voz creado por Amazon, y lanzado en noviembre de 2014 junto a su línea de altavoces inteligentes Echo.

 Siri es un asistente personal integrado controlado por voz disponible para los usuarios de Apple.

La idea de todos ellos es que hables con ella como lo harías con un amigo y su objetivo es ayudarte a hacer las cosas, ya sea haciendo una reserva para cenar, enviando un mensaje o controlando elementos domóticos de tu vivienda.

2.8 Test de Turing

Alan Turing fue un matemático inglés que en 1950, desarrolló el test de Turing. El objetivo de este experimento es determinar si una inteligencia artificial puede ser tan perfecta que pueda imitar las respuestas humanas sin que un ser humano se percate de que habla con una máquina.

Por ello, el humano hace preguntas tanto a otro ser humano como a una computadora (chatbot) y si no puede identificar si alguno de los dos sujetos es o no una máquina, la computadora pasa con éxito la prueba de Turing. 

Al principio identificar a la máquina era muy fácil, incluso se dijo que una máquina nunca podría engañar a una persona en este test.

Cada año se lleva a cabo la competición del Premio Loebner, donde los jueces declaran ganador al chatbot de IA que cuente con las características más parecidas a las humanas, es decir, con capacidad de comunicarse con los jueces de forma interactiva e intuitiva y puedan hacerse pasar por humanos. Por tanto, que sean capaces de superar el test de Turing.