La inteligencia artificial (IA) es una tecnología que permite a los ordenadores y a las máquinas simular el aprendizaje, la comprensión, la resolución de problemas, la toma de decisiones, la creatividad y la autonomía humanas.

Las aplicaciones y dispositivos equipados con IA pueden ver e identificar objetos. Pueden comprender y responder al lenguaje humano. Pueden aprender de nueva información y experiencia. Pueden hacer recomendaciones detalladas a los usuarios y expertos. Pueden actuar de forma autónoma, por lo que no es necesaria la inteligencia o intervención humana (un ejemplo clásico es un coche autónomo).

Sin embargo, en 2024, la mayoría de los investigadores y profesionales del ámbito de la IA, así como la mayoría de las noticias relacionadas con esta tecnología, se centran en los avances de la IA generativa, una tecnología capaz de crear textos, imágenes, vídeos y otros contenidos originales. Para comprender plenamente la IA generativa, es importante conocer primero las tecnologías en las que se basan las herramientas de IA generativa: el machine learning (ML) y el deep learning.

Machine learning

Una forma sencilla de entender la IA es como una serie de conceptos anidados o derivados que han ido surgiendo a lo largo de más de 70 años:

Cómo se relacionan la inteligencia artificial, el machine learning, el deep learning y la IA generativa.

Justo por debajo de la IA se encuentra el machine learning, que consiste en crear modelos mediante el entrenamiento de un algoritmo para que realice predicciones o tome decisiones basadas en datos. Abarca una amplia gama de técnicas que permiten a los ordenadores aprender de los datos y hacer inferencias basadas en ellos sin estar explícitamente programados para tareas específicas.

Existen muchos tipos de técnicas o algoritmos de machine learning, como la regresión lineal, la regresión logística, los árboles de decisión, los bosques aleatorios, las máquinas de vectores de soporte (SVM), el k-vecino más cercano (KNN), la agrupación en clústeres y más. Cada uno de estos enfoques es adecuado para distintos tipos de problemas y datos.

Sin embargo, uno de los tipos más populares de algoritmos de machine learning es la red neuronal (también conocida como red neuronal artificial). Las redes neuronales se basan en la estructura y el funcionamiento del cerebro humano. Están compuestas por nodos interconectados que procesan información de manera similar a las neuronas biológicas. Son muy adecuadas para tareas que implican identificar patrones y relaciones complejos en grandes cantidades de datos.

La forma más simple de machine learning es el el aprendizaje supervisado, que implica el uso de conjuntos de datos etiquetados para entrenar algoritmos y clasificar datos o predecir resultados con precisión. En el aprendizaje supervisado, los humanos emparejan cada ejemplo de entrenamiento con una etiqueta de output. El objetivo es que el modelo aprenda la asignación entre entradas y outputs en los datos de entrenamiento, de modo que pueda predecir las etiquetas de los datos nuevos e invisibles.