El concepto de inteligencia artificial engloba numerosas disciplinas, tecnologías y áreas de especialización. Existen muchos términos para describir la IA y, en muchos casos, las definiciones pueden ser altamente complejas y confusas; por ello, me he propuesto escribir este post para marketeros sobre la IA.
La inteligencia artificial es la ciencia que consiste en crear máquinas inteligentes según la definición de Demis Hassabis, CEO de DeepMind, empresa propiedad de Google. Ahora bien, si nos centramos en qué significa inteligente, entendemos que se refiere a alcanzar una meta mimetizando una función cognitiva del ser humano. La meta puede ser ganar una partida de un juego de mesa, identificar correctamente a un gato en una foto, conducir un coche valiéndose de la información que transmiten unos sensores o cualquier otra tarea que un ser humano pueda llevar a cabo.
Estos tres ejemplos corresponden a funciones que se pueden ejecutar usando diferentes tecnologías y algoritmos, y son ejemplos de inteligencia artificial, pero cada uno de ellos pertenece a un área diferente y emplea una tecnología diferente también; por eso se dice que la IA es como un portafolio de tecnologías (Guruduth Banavar de IBM). Alguna de esas tecnologías son el reconocimiento natural del lenguaje, el machine learning, el deep learning o las redes neuronales.
La inteligencia artificial blanda es actualmente la única que existe; su objetivo es reemplazar a los seres humanos en tareas específicas. Dentro de ella hay tecnologías muy avanzadas, como pueden ser los algoritmos para conducir coches o detectar el cáncer en seres humanos.
A día de hoy la inteligencia artificial dura es ciencia ficción y consiste en lo que muchas personas imaginan o conceptualizan: una inteligencia que está a la altura o es incluso superior a la de un ser humano. Se trata de un concepto sobre el que todavía no se han puesto de acuerdo los científicos y no se sabe si llegará a ser realidad algún día. La gran preocupación que existe sobre esta clase de IA es la capacidad de dar respuesta al concepto de la inteligencia humana, algo que como especie todavía no hemos sido capaces de responder, incluyendo la facultad de recrear la inteligencia humana con ingeniería inversa.
Si estás interesado en saber más, te recomiendo leer Superintelligence [a]de Nick Bostrom, pero ten presente que esta área no es aplicable para los mortales que nos dedicamos al marketing.
HBO’s Westworld
Un algoritmo es un conjunto de pasos que hay que seguir para resolver un problema. En computación los algoritmos son reglas definidas para calcular una función. Existen muchos tipos de algoritmos especialmente diseñados para resolver problemas.
Un algoritmo puede usar los datos históricos de compra de Amazon para predecir qué productos vas a comprar en el futuro. O puede trazar el camino más rápido para un camión de DHL a la hora de entregar un pedido. Los algoritmos realizan esta clase de tareas, dando sentido a los datos que usan estrategias matemáticas.
Se trata de una tecnología que existe y se está usando hoy día en la búsqueda de soluciones prácticas para funciones muy específicas de marketing. Muchos de estos algoritmos han sido creados por seres humanos, que han codificando una serie de instrucciones para indicar a las máquinas lo que tienen que hacer. Pero con la inteligencia artificial avanzada podremos ver como la propia máquina crea sus algoritmos, determina los caminos y descubre todo el potencial que puede tener en el ámbito del marketing.
IBM usa este término para describir su enfoque de la inteligencia artificial o amplificada.
En palabras de IBM, “la computación cognitiva es un conjunto de capacidades basadas en tecnologías como el machine learning, el razonamiento y la toma de decisiones inteligentes, el lenguaje, la velocidad y la visión de tecnologías, la interfaz humana, la computación de alto rendimiento y las nuevas arquitecturas de computación”.
La robótica tiene por objeto crear autómatas. La inteligencia artificial no es lo mismo que la robótica, aunque se pueden ver robots que desarrollan determinadas tareas. Los robots son simplemente un cuerpo físico con unos procesos que puede regir la inteligencia artificial.
El término big data designa un volumen de datos grande, ya sean datos estructurados o no. Es un término usado de manera indiscriminada para referirnos a toda la información que maneja una empresa, por ejemplo. El big data es el combustible de la inteligencia artificial.
Se trata de datos que están ordenados en columnas y filas.
Son datos que no están organizados de ninguna manera en especial, como puede ser un documento Word, un timeline de redes sociales, los emails, etc.
Es el proceso de enseñar a los algoritmos para que nos permitan obtener mejores resultados cuando se procesa la información, ya sea de manera supervisada o no.
Es la práctica de ejecutar algoritmos con entrenamiento de datos para, posteriormente, corregir su resultado dándoles la respuesta correcta al problema que están intentando solucionar.
Se trata del aprendizaje en el cual no se facilita la respuesta correcta ni ninguna otra respuesta. Es el proceso de dejar a los algoritmos que analicen y encuentren en los datos la respuesta correcta.
El reconocimiento de patrones es la capacidad que tiene una máquina para detectar patrones a partir de datos. Se usa como un sinónimo del machine learning.
En inglés, Natural Language Generation (NLG) es una tecnología de inteligencia artificial que toma datos estructurados y los convierte en texto. La capacidad de traducir los datos dependerá de cómo el código del sistema los traduce a reglas. Por ejemplo, podrías querer enseñar a un NLG la relación existente entre dos puntos.
O bien podrías querer decirle a un sistema que una subida a partir del veinte por ciento o más supone un aumento significativo. Una vez que tenemos la regla escrita, el sistema de manera automática se referirá a un aumento significativo cada vez que tengamos veinte por ciento o más de diferencia. Miles de reglas como esta pueden ejecutarse a la vez para así crear un documento escrito basado únicamente en datos.
En la actualidad, la NLG es capaz de producir miles de historias en una fracción del tiempo que tarda un ser humano en escribirlo. Ahora bien, solo tenemos a nuestra disposición esta tecnología si usamos datos estructurados. Si te interesa profundizar, te recomiendo leer Transform Business and Marketing data into Machine-Written Narratives with Advanced Natural Language Generation.
Alude a la capacidad de las máquinas para interpretar el lenguaje humano con una precisión aceptable. Podemos llamar a esta área “cómo entender lo que está escrito”. En algunos casos nos encontraremos con elementos de generación de lenguaje natural como una parte del proceso de aprendizaje de una máquina.
Por ejemplo, el traductor de Google entiende el texto que estás escribiendo y a partir de él lo traduce al idioma que quieras. NLP se podría usar para detectar el idioma de manera automática, para entender el tono emocional o el sentimiento del texto, o para generar un resumen de un contenido mayor. Siri y Alexa son dos ejemplos de herramientas que usan el procesamiento del lenguaje natural.
Se refiere al proceso de reemplazar en su totalidad o una parte de una actividad ya realizada por un humano. A finales del siglo XX la automatización implicaba sustituir trabajadores en las fábricas por máquinas. Con la llegada de la inteligencia artificial, vemos que algunas tareas cognitivas pueden (y deberían) automatizarse.
Una red neuronal es un conjunto de elementos de software y hardware modelados para reproducir una mente humana. Ahora mismo, las redes neuronales están organizadas como capas de interconexión de neuronas artificiales.
Cada capa de neuronas está preparada para priorizar algún criterio específico sobre las otras. En función del objetivo de la red neuronal, cada capa analiza el resultado de la capa anterior, lo que significa que en conjunto son capaces de actuar tomando decisiones cada vez más sofisticadas. Según la red va viendo los ratios de eficiencia, cambia el test para mejorar los resultados; de esta manera, la red “aprende”.
Por ejemplo, Tesla usa los sistemas de redes neuronales para que sus coches conduzcan solos. El sistema procesa la visión, un sonar y un radar; la información que llega de estas redes y sus capas le ayuda a identificar y actuar en función de la información de la carretera. Es como tu mente, que trabaja cuando conduces y valoras constantemente la información que recibes con el objetivo de conducir de modo seguro.
Así es como funciona Tesla en tiempo real. ¿La diferencia? Bueno, el sistema de Tesla puede ver simultáneamente en todas direcciones y valorar 360 grados de su entorno, mientras que el ser humano no puede.
Es una forma de tratar la creación y el aprendizaje de las redes neuronales, según Peter Watson, que trabaja en Google. Esta manera se compone de una serie de reglas y técnicas flexibles que permiten a las redes neuronales el autoaprendizaje para conseguir sus objetivos. Por ejemplo, tenemos a Watson que, con la capacidad de reconocer imágenes, trabaja en aprender él solo a identificar toda clase de imágenes y su contenido.
Facebook está experimentando con la identificación de fotos y entrena redes neuronales en grandes cantidades de imágenes, depurando cada capa de la red con el objetivo de identificar elementos de las fotos con miles de ejemplos.
Espero que el post te ha ayudado a poner en sus respectivos cajones la información sobre la AI ahora bien la pregunta es.¿Estas preparado para la revolución de la inteligencia artificial?