Cuando pensamos en inteligencia artificial (IA), solemos imaginar robots humanoides (al puro estilo de Ultrón) que al seguir reglas lógicas terminarán por matar humanos, nada más alejado de la realidad. Para comprender el alcance de la inteligencia artificial primero debemos definir este concepto.

La inteligencia artificial puede definirse como una rama de las ciencias computacionales que se encarga del diseño y construcción de sistemas capaces de realizar tareas asociadas con las funciones cognitivas propias de la mente humana:

• Aprendizaje
• Creatividad
• Entendimiento
• Percepción del ambiente
• Uso del lenguaje

Gracias a estas capacidades una máquina con IA puede interpretar correctamente datos extensos, aprender de dichos datos y emplearlos para lograr tareas y metas concretas a través de la adaptación flexible. De esta manera una máquina con IA puede percibir su entorno y llevar a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea. Actualmente se ha vuelto muy popular hablar de algunos tipos de IA como Machine Learning (ML) o Deep Learning (DL), pero definirlos y diferenciarlos puede ser un poco complicado para el público general.

Machine Learning es un subconjunto de la IA, desarrollado como una mejora a la resolución de problemas, en el cual ya no es necesario crear algoritmos que ejecuten una función, sino más bien se desarrollan algoritmos capaces de aprender a realizar esa acción.

Con ello es posible desarrollar protocolos en donde las computadoras analizan datos para aprender patrones que utilizan posteriormente para realizar inferencias. Uno de los usos más comunes de este tipo de IA ha sido la automatización de servicios, como Youtube o Amazon que ofrece recomendaciones con base en búsquedas previas del usuario.

Por otro lado, Deep Learning es un método de aprendizaje automático que a su vez es un subconjunto de ML que a partir de una red neural (un modelo computacional que simula el comportamiento de las neuronas en cuanto a la interconexión de núcleos de procesamiento por capas) permite clasificar conjuntos de datos y encontrar correlaciones entre estos.

DL asimila diferentes representaciones de un mismo dato (imagen o palabra) a partir de una gran cantidad de ejemplos, esto permite que las máquinas puedan encontrar los patrones de un dato de entrada y a partir de ellos clasificar nuevos datos de acuerdo a las características aprendidas anteriormente. Ha sido utilizado principalmente en programas de reconocimiento de voz y de objetos en imágenes.