Glosario de términos

– A –

Agentes inteligentes – se refiere a agentes que interactúan con humanos. Se pueden utilizar para mejorar a los trabajadores humanos que laboran en servicio al cliente, recursos humanos, capacitación y otras áreas de actividad para manejar consultas de tipo FAQ.

Algoritmo – serie de instrucciones para realizar un cálculo o resolver un problema, especialmente con una computadora. Forman la base de todo lo que una computadora puede hacer y, por lo tanto, son un aspecto fundamental de todos los sistemas de inteligencia artificial.

Algoritmos de caja negra – son los casos en los que el proceso o la toma de decisiones de un algoritmo no pueden explicarse fácilmente por la computadora o el investigador que lo creó.

Aprendizaje en pocos intentos – por lo general, los sistemas de visión por computadora necesitan ver cientos o miles (o incluso millones) de ejemplos para descubrir cómo hacer algo. El aprendizaje en un intento y en pocos, procura crear un sistema que se pueda enseñar a hacer algo con mucha menos capacitación, similar a cómo los niños pequeños pueden aprender un nuevo concepto o tarea.

Aprendizaje automático (AA) – subconjunto de la IA en el campo de la informática que a menudo utiliza técnicas estadísticas para dar a las computadoras la capacidad de "aprender" (por ejemplo, mejorar progresivamente el rendimiento en una tarea específica) utilizando datos sin ser programado explícitamente. Cuando se le proporcionan datos suficientes, un algoritmo de aprendizaje automático puede aprender a hacer predicciones o resolver problemas, como identificar objetos en imágenes o ganar en juegos particulares. Gracias a la explosión de datos disponibles para capacitar estos algoritmos, el aprendizaje automático ahora se usa en campos tan diversos como la investigación basada en la visión, la detección de fraude, la predicción de precios, el procesamiento del lenguaje natural y más.

Aprendizaje profundo (AP) – subcampo del aprendizaje automático relacionado con algoritmos que utilizan redes neuronales artificiales para resolver problemas más difíciles. A diferencia de otras técnicas de aprendizaje automático, el aprendizaje profundo identifica las características más importantes de los datos de entrada sin requerir que los desarrolladores humanos realicen esta tarea, lo que facilita bastante el esfuerzo de creación de modelos.

Aprendizaje de refuerzo – proceso en el que las máquinas aprenden a realizar una nueva tarea con el paso del tiempo a través de un sistema de recompensas y penalizaciones, comenzando como novatos y mejorando con la práctica y las observaciones. La retroalimentación permite que el algoritmo construya la ruta más eficiente y optimizada hacia la meta.

Automatización robótica de procesos (RPA) – es una forma de automatización de procesos empresariales que duplica la forma en que los humanos realizan una tarea en una aplicación. Al añadir la inteligencia artificial a estos "robots de software", la RPA puede automatizar los procesos que requieren cierto grado de variación.[1]

Aprendizaje semi-supervisado – técnica de aprendizaje que utiliza datos etiquetados y no etiquetados para capacitación. Muchos investigadores en aprendizaje automático han descubierto que la combinación de estos dos tipos de datos mejora considerablemente la precisión del aprendizaje.

Aprendizaje supervisado – técnica que enseña a un algoritmo de aprendizaje automático a resolver una tarea específica utilizando datos que han sido cuidadosamente etiquetados por humanos. Los ejemplos cotidianos incluyen la predicción del clima y la detección de spam. El objetivo del algoritmo es aprender las reglas generales que conectan las entradas a las salidas y usar esas reglas para predecir eventos futuros con datos de entrada solamente.

Aprendizaje no supervisado – enfoque que proporciona datos no etiquetados de IA, que debe tener sentido sin ninguna instrucción. En esencia, es cuando las máquinas "se enseñan a sí mismas". No se dan etiquetas al algoritmo de aprendizaje, lo que le permite encontrar las estructuras y patrones de las entradas por sí mismo. El aprendizaje no supervisado puede ser un objetivo en sí mismo (descubrir patrones ocultos en los datos) o un medio para un fin (extraer características dentro de los datos). El aprendizaje no supervisado está menos enfocado que el aprendizaje supervisado en el rendimiento y más enfocado en explorar los datos de entrada e inferir estructuras ocultas a partir de datos no etiquetados.

– B –

Biometría, reconocimiento facial y gestual – Sistema que identifica personas, gestos o tendencias en medidas biométricas (estrés, actividad, etc.) con fines de interacción o identificación y verificación humano-máquina natural.

Búsqueda local (optimización) – enfoque matemático para la resolución de problemas que utiliza una serie de posibles soluciones. El algoritmo busca una solución óptima comenzando en un punto de la matriz y moviéndose iterativa y sistemáticamente a soluciones cercanas hasta encontrar la solución óptima.

Búsqueda y optimización – enfoque matemático para la resolución de problemas que utiliza técnicas basadas en reglas para encontrar de manera eficiente la mejor solución de una amplia gama de soluciones potenciales.

– C –

Capacitación – proceso de perfeccionamiento a un algoritmo para que pueda aprender de un conjunto de datos.

– D –

Datos estructurados y no estructurados – los datos estructurados son datos que se organizan de manera predefinida, como hojas de cálculo y tablas. Los datos no estructurados son datos que no están organizados, como texto, audio y video.[2]

Diseño generativo de productos – se trata de un software que produce diseños para productos mediante la generación de borradores que contienen todas las características y requisitos especificados.

– E –

Explicabilidad – propiedad de los sistemas de IA que pueden proporcionar una forma de explicación para sus acciones.

– I –

Inteligencia artificial (IA) – son sistemas diseñados por humanos que, con un objetivo complejo, actúan en el mundo físico o digital al percibir su entorno, interpretar los datos recopilados estructurados o no estructurados, razonar basándose en el conocimiento derivado de estos datos y decidir las mejores acciones a tomar (según los parámetros predefinidos) para lograr el objetivo dado. Los sistemas de IA también pueden diseñarse para aprender a adaptar su comportamiento al analizar cómo el entorno se ve afectado por sus acciones anteriores.

Como disciplina científica, la IA incluye varios enfoques y técnicas, como el aprendizaje automático (de los cuales el aprendizaje profundo y el aprendizaje por refuerzo son ejemplos específicos), el razonamiento automático (que incluye planificación, programación, representación y razonamiento del conocimiento, búsqueda y optimización) y la robótica (que incluye control, percepción, sensores y actuadores, así como la integración de todas las demás técnicas en sistemas ciberfísicos). (Consulte el Grupo de expertos de alto nivel en IA de la Comisión Europea).

Investigación aumentada (marketing, medicina, ciencia, etc.) – son aplicaciones de IA que apoyan a los investigadores en ciencia, medicina y negocios analizando, organizando, presentando datos, desarrollando y probando hipótesis.

IA deficiente – la IA deficiente (o limitada) es el tipo de IA que tenemos actualmente. Puede hacer una sola cosa a la vez, como jugar al ajedrez, reconocer razas de gatos, identificar un cáncer o traducir entre idiomas. Lo contrario sería una IA sólida (o general), también conocida como inteligencia artificial general (IAG), que tendría la capacidad de hacer cualquier cosa que la mayoría de los humanos puedan hacer.

IA incorporada – forma alternativa de decir "robots con capacidades de IA".

Sistemas expertos (inferencia) – sistema informático que imita la capacidad de toma de decisiones de un experto humano siguiendo reglas preprogramadas, como "si esto ocurre, entonces hazlo". Los sistemas expertos utilizan el conocimiento específico del campo (medicina, química, derecho) combinado con un motor de reglas que ordena cómo se aplica dicho conocimiento.

El sistema mejora a medida que se agrega más conocimiento o cuando las reglas se actualizan y mejoran.

– M –

Mejoramiento humano – son adiciones al cuerpo humano que usan la IA para dar a las personas poderes cognitivos y físicos que van más allá de su propia capacidad. Este mejoramiento puede incluir prótesis que interpretan la intención del usuario e implantes que extienden los sentidos.[3]

Modelo – abarca los coeficientes aprendidos de las expresiones matemáticas.

– P –

Personalización – analiza tendencias y patrones para clientes y empleados con el fin de optimizar herramientas y productos para usuarios individuales o clientes.

Procesamiento del lenguaje natural (PLN) – campo en el que las computadoras procesan los lenguajes humanos (naturales). Las aplicaciones incluyen reconocimiento de voz, traducción automática y análisis de sentimientos.

Procesamiento de audio y señal – aprendizaje automático que se puede utilizar para analizar audio y otras señales digitales, especialmente en entornos con mucho ruido. Las aplicaciones incluyen voz computacional, audio y procesamiento audiovisual.

– R –

Razonamiento y toma de decisiones – es un grupo de técnicas que incluye la representación del conocimiento y razonamiento, planificación, programación, búsqueda y optimización. Estas técnicas permiten que los sistemas de IA realicen razonamientos sobre datos de sensores u otras fuentes.

Realidad extendida – término que se refiere a la combinación del poder de la IA con la tecnología virtual, aumentada y de realidad mixta para agregar inteligencia a la capacitación, el mantenimiento y otras actividades.

Reconocimiento de texto, voz, imagen y video – sistema que analiza datos de texto, voz, imagen y video y crea asociaciones que pueden usarse para escalar actividades analíticas y permitir aplicaciones de alto nivel relacionadas con la interacción y la visión. Incluye reconocimiento de voz, traducción automática y análisis de sentimientos.

Redes adversas generativas (RAGs) – también llamadas GANs, son dos redes neuronales que se capacitan en el mismo conjunto de datos de fotos, videos o sonidos. Luego, uno crea contenido similar mientras que el otro intenta determinar si el nuevo ejemplo es parte del conjunto de datos original, obligando al primero a mejorar sus esfuerzos. Este enfoque puede crear medios realistas, incluidas obras de arte.

Red neuronal – también conocida como red neuronal artificial, estructura conceptual, utilizada por técnicas de aprendizaje automático, que se inspira de manera general en la estructura del cerebro humano. Una red neuronal se compone de nodos de procesamiento simples, o "neuronas artificiales", que están conectadas entre sí en capas. Cada nodo recibirá datos de varios nodos "arriba" y dará datos a varios nodos "debajo". Los nodos adjuntan un "peso" a los datos que reciben y atribuyen un valor a esos datos. Si los datos no pasan un cierto umbral, no se pasan a otro nodo. Los pesos y umbrales de los nodos se ajustan cuando el algoritmo se entrena hasta que el error sobre un conjunto de datos de prueba es lo suficientemente pequeño.

Red neuronal artificial (RNA) – algoritmo que intenta imitar el cerebro humano, con capas de "neuronas" conectadas que se envían información entre sí. (Ver también red neuronal).

Representación del conocimiento – campo de la inteligencia artificial dedicado a representar la información sobre el mundo de una forma que un sistema informático pueda utilizar para realizar tareas complejas, como diagnosticar enfermedades o mantener una conversación con una persona.

Robótica autónoma – robots que deciden dónde y cómo moverse sin intervención o instrucción humana previa. La percepción, el razonamiento, la acción y el aprendizaje, así como las capacidades de interacción con otros sistemas, generalmente se integran en la arquitectura de control de los sistemas robóticos autónomos.

Robótica colaborativa (cobots) – robots que funcionan a velocidades más lentas y están equipados con sensores para permitir una colaboración segura con trabajadores humanos.

– S –

Sesgo – se refiere a un prejuicio a favor o en contra de algo, que podría conducir a un comportamiento parcial que favorece a un grupo sobre otro.

El sesgo en la IA puede ocurrir cuando los datos de capacitación están sesgados; es decir, no son lo suficientemente equilibrados o inclusivos. En este caso, el sistema de IA capacitado en dichos datos puede no ser capaz de generalizar bien y posiblemente tomará decisiones injustas que pueden favorecer a algunos grupos sobre otros.

Sensores y percepción – cámaras, micrófonos, teclados, sitios web u otros dispositivos de entrada, así como sensores de magnitudes físicas (por ejemplo, temperatura, presión, distancia, fuerza / par, sensores táctiles, etc.). En general, debemos proporcionar al sistema de IA sensores que perciban los datos presentes en el entorno que es relevante para el objetivo que se le ha dado.

Sistemas de IA racional – se trata de una versión muy básica de los sistemas de IA que modifican el entorno, pero no adaptan su comportamiento con el tiempo para lograr mejor su objetivo.

Sistemas de recomendación – son sistemas de IA que hacen sugerencias basadas en patrones sutiles identificados en datos y detectados por algoritmos de IA a lo largo del tiempo. Estos pueden dirigirse a los consumidores para sugerir nuevos productos o usarse internamente en una empresa para hacer sugerencias estratégicas.

Sistemas predictivos (mantenimiento, venta minorista, comercio, etc.) – es un sistema que encuentra relaciones entre variables en conjuntos de datos históricos y sus resultados. Las relaciones se utilizan para desarrollar modelos, que a su vez se utilizan para predecir resultados futuros.

– T –

Transferencia del aprendizaje – método que trata de tomar los datos de capacitación utilizados para una tarea y reutilizarlos para un nuevo conjunto de tareas sin tener que volver a capacitar el sistema desde cero.

– V –

Vehículos autónomos y drones – se trata de robots móviles autónomos que transportan personas, vuelan o realizan el trabajo de equipos agrícolas y mineros.

Visión artificial – campo que se enfoca en enseñar a las computadoras a identificar, categorizar y comprender el contenido dentro de imágenes y videos, imitando y extendiendo lo que hace el sistema visual humano. También conocido como visión por computadora.

Visión por computadora – campo que se enfoca en enseñar a las computadoras a identificar, categorizar e interpretar el contenido dentro de imágenes y videos, imitando y extendiendo lo que hace el sistema visual humano.

Voz a texto – son sistemas de IA que convierten las señales de audio en señales de texto en una variedad de idiomas. Las aplicaciones incluyen traducción, comando y control de voz, transcripción de audio, entre otros.