{"id":6318,"date":"2021-01-29T22:23:24","date_gmt":"2021-01-29T22:23:24","guid":{"rendered":"https:\/\/www.cientificos.pe\/?p=6318"},"modified":"2021-01-31T11:35:14","modified_gmt":"2021-01-31T11:35:14","slug":"bitacora-la-inteligencia-artificial-en-nuestro-dia-a-dia-por-gissella-bejarano","status":"publish","type":"post","link":"https:\/\/www.cientificos.pe\/?p=6318","title":{"rendered":"[La Bit\u00e1cora] La Inteligencia Artificial en nuestro d\u00eda a d\u00eda. Art\u00edculo de divulgaci\u00f3n por Gissella Bejarano"},"content":{"rendered":"

Resumen: <\/strong>La interacci\u00f3n que tenemos en nuestras redes sociales y nuestros smartphones representa uno de los muchos ejemplos del uso de la inteligencia artificial. Desde la anal\u00edtica avanzada con datos o variables directas como cu\u00e1ntos likes le damos a cierta p\u00e1gina hasta datos menos estructurados como los filtros que aplicamos a nuestras fotos, las b\u00fasquedas que realizamos en Google y las veces que nos dejamos guiar por Google Maps. En este art\u00edculo explicar\u00e9 algunas de las t\u00e9cnicas utilizadas en estas aplicaciones y qu\u00e9 datos se toman en cuenta para algunas predicciones.<\/span><\/span><\/p>\n

\u00bfQu\u00e9 es la Inteligencia Artificial?<\/span><\/h3>\n
\"\"
https:\/\/computerhoy.com\/reportajes\/tecnologia\/inteligencia-artificial-469917<\/figcaption><\/figure>\n

Durante mucho tiempo tuve bastante interiorizado que la Inteligencia Artificial (IA) era una rama de las ciencias de la computaci\u00f3n que buscaba imitar la inteligencia y el comportamiento humano. Si bien las ciencias de la computaci\u00f3n nos han dado muchos avances disruptivos, hoy la IA influye y es influida por muchas ramas del conocimiento como la estad\u00edstica, neurociencia, biolog\u00eda, ling\u00fc\u00edstica, sociolog\u00eda, econom\u00eda, etc.<\/span><\/p>\n

Debido a su amplia adopci\u00f3n, el t\u00e9rmino IA va adquiriendo definiciones variadas hasta llegar muchas veces a la exageraci\u00f3n. Algunos incluso han empezado a decir que IA es todo lo que a\u00fan no se ha creado, pero para ello podemos usar otros t\u00e9rminos como IA general (general AI) y s\u00faper IA (super AI), como contraparte a la IA estrecha (narrow AI) que tenemos hoy.<\/span><\/p>\n

Lo cierto es que, a pesar de que el t\u00e9rmino fue acu\u00f1ado en los a\u00f1os 50 por John McCarthy, el reciente boom de la IA se debe a tres factores importantes. Estos factores son: i) la gran producci\u00f3n de datos o el <\/span>big data<\/span><\/i>, ii) el incremento de la capacidad computacional y iii) el desarrollo de algoritmos m\u00e1s complejos y m\u00e1s precisos para ciertas tareas como el reconocimiento de voz, de im\u00e1genes y el procesamiento de lenguaje natural. En este art\u00edculo intentar\u00e9 explicar de manera muy general algunas de las t\u00e9cnicas m\u00e1s usadas en muchas aplicaciones de IA.<\/span><\/p>\n

Asistentes virtuales, b\u00fasquedas web y lenguas nativas<\/span><\/h3>\n

Los temas que m\u00e1s recuerdo de mis clases de IA en pregrado, all\u00e1 por el 2007 en la PUCP, son la prueba de Turing y los algoritmos metaheur\u00edsticos para problemas de optimizaci\u00f3n. La prueba de Turing consiste en enga\u00f1ar a un humano, haci\u00e9ndole pensar que el sistema con el que interact\u00faa, es otro humano [1]. Esta prueba est\u00e1 muy relacionada a lo que podemos llamar una subrama de la IA, el procesamiento de lenguaje natural (PLN o NLP por sus siglas en ingl\u00e9s). Por ejemplo, en nuestro caso peruano, el PLN debe ayudar a las m\u00e1quinas a entender el espa\u00f1ol y otras lenguas nativas que se usan a lo largo de nuestro territorio. Los algoritmos metaheur\u00edsticos exploran las posibles soluciones sin recorrer absolutamente todas las posibilidades, veremos un ejemplo m\u00e1s adelante.<\/span><\/p>\n

Las aplicaciones m\u00e1s conocidas que se basan en el PLN son los asistentes virtuales y los chatbots. En el primer caso, adicionalmente se usa el procesamiento de se\u00f1ales para transformar la voz en texto, y luego entender ese texto para realizar una b\u00fasqueda o ejecutar alguna instrucci\u00f3n. Por eso, cada vez que usamos el asistente de Google, Siri o Alexa, diversos procesos de PLN se ejecutan en tu celular o en los servidores de estas empresas tecnol\u00f3gicas. Estos procesos van desde identificar palabras claves para ejecutar acciones como programar tu alarma o abrir una aplicaci\u00f3n hasta la utilizaci\u00f3n de otras t\u00e9cnicas de IA para mostrar resultados de tus b\u00fasquedas, como los grafos de conocimiento. Por ejemplo, podr\u00eda ser que al buscar \u2018lima\u2019, tu intenci\u00f3n haya sido encontrar m\u00e1s datos de la fruta, en vez de la ciudad. O por el contrario, si buscas \u2018lima la gris\u2019, lo m\u00e1s probable es que hayas querido buscar m\u00e1s informaci\u00f3n de la ciudad en vez de alguna empresa de frutas que se llame \u2018La gris\u2019.<\/span><\/p>\n

Los grafos de conocimiento conectan entidades como personajes, lugares y otros t\u00e9rminos interesantes con caracter\u00edsticas significativas. Los grafos del conocimiento se basan en ontolog\u00edas, que podemos pensar como una especie de marco conceptual muy grande [3]. De esta manera, cuando hacemos una consulta, un motor de b\u00fasqueda como el de Google por ejemplo, nos muestra la entidad correspondiente y otras que puedan estar relacionadas. Incluso hasta corregir ortogr\u00e1ficamente las palabras en nuestras consultas.<\/span><\/p>\n

Todos estos algoritmos se han ido perfeccionado poco a poco, y un gran factor han sido los datos. Por eso, para poder por ejemplo empezar a usar la IA en un contexto m\u00e1s local, como para nuestras lenguas nativas peruanas, debemos empezar a construir este juego de datos. De esta forma, podremos construir traductores autom\u00e1ticos, motores de b\u00fasqueda o correctores de ortograf\u00eda para cualquier lengua o idioma.<\/span><\/p>\n

\"\"<\/p>\n

Figura 1. Asistente de voz<\/span><\/p>\n

Reconocimiento de rostros y aplicaci\u00f3n de filtros<\/span><\/h3>\n

Otra de las aplicaciones m\u00e1s avanzadas de la IA es el reconocimiento de rostros. Muchos de nosotros solemos etiquetar a nuestros contactos en fotos que colgamos en nuestras redes sociales. Con esos datos, rostros de nuestros contactos y etiquetas, algoritmos de aprendizaje autom\u00e1tico (o Machine Learning en ingl\u00e9s) pueden ser entrenados con datos pasados para predecir y sugerir la etiqueta en una foto nueva, jam\u00e1s antes tomada. Los algoritmos de aprendizaje autom\u00e1tico se basan entonces en datos y ejemplos pasados, en vez de la implementaci\u00f3n y definici\u00f3n exacta de c\u00f3mo lucen el primo Carlos o mi amiga Rosa en muchas reglas o condicionales.\u00a0<\/span><\/p>\n

Continuando con otro ejemplo un poco m\u00e1s actual y entretenido, tenemos los filtros de im\u00e1genes y videos para colocarnos las orejitas de un perro o los dientes de un conejo. \u00bfC\u00f3mo hace la IA para colocar estos divertidos accesorios en nuestras tomas? Actualmente, muchos de estos filtros se basan en la identificaci\u00f3n de coordenadas claves del rostro para poder dibujar los accesorios de acuerdo a ellas. Para esto, en alg\u00fan momento previo, muchas coordenadas en el rostro han tenido que ser marcadas para muchos otros rostros y as\u00ed permitir que cualquier persona que reci\u00e9n usa alguna de estas apps pueda jugar con estos filtros. Por otro lado, la industria de los veh\u00edculos aut\u00f3nomos hace lo propio usando la identificaci\u00f3n de personas, veredas, carros y otras entidades que se encuentran en la vista de un conductor para poder as\u00ed adaptarse a cualquier otro contexto.<\/span><\/p>\n

\"\"<\/a><\/p>\n

Figura 2. Filtros de realidad aumentada con geometr\u00eda de MediaPipe (Hacer click en la imagen para ver la animaci\u00f3n)<\/span><\/p>\n

Rutas m\u00e1s cortas y otros problemas de optimizaci\u00f3n<\/span><\/h3>\n

Muchos de los viajes que realiza el transporte privado, especialmente los taxis, usan alguna aplicaci\u00f3n para escoger una ruta. Estas apps para navegaci\u00f3n en calles podr\u00edan estar utilizando una variaci\u00f3n de uno de los algoritmos m\u00e1s famosos para encontrar la ruta \u00f3ptima entre dos puntos [2]. El algoritmo Dijkstra, creado por el cient\u00edfico de la computaci\u00f3n holand\u00e9s del mismo nombre, asegura encontrar la ruta \u00f3ptima entre el origen y el destino escogiendo en cada paso la arista m\u00e1s corta. Sin embargo, revisa todos los nodos del grafo, algo as\u00ed como probar pasar por todas las posibles esquinas en un mapa, proceso que podr\u00eda ser muy pesado y demorar m\u00e1s de unos segundos en darnos una respuesta.<\/span><\/p>\n

No encontr\u00e9 el algoritmo exacto que usa Google Maps pero \u00bfrecuerdan los algoritmos metaheur\u00edsticos que mencion\u00e9 al inicio de este art\u00edculo? Este tipo de algoritmos hace uso de algunos datos adicionales para, por ejemplo, descartar nodos que no ser\u00e1n tomados en cuenta porque pertenecen a un distrito, o provincia muy lejana a los de origen y destino. De esta manera, limitamos la cantidad de nodos a explorar o tambi\u00e9n se permite introducir cambios de ruta en el camino. As\u00ed como el dise\u00f1o de las rutas \u00f3ptimas, los algoritmos de IA para la optimizaci\u00f3n pueden ser usados para hacer menos tediosas tareas como la asignaci\u00f3n de horarios de personal de un hospital, o de una cadena de supermercados.<\/span><\/p>\n\n\n\n
\"\"<\/td>\n\"\"<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\u00a0 \u00a0Figura 3. Algoritmo de Dijkstra y Google Maps<\/span><\/p>\n

En resumen, la IA puede ser una gran aliada para aliviar a los humanos de tareas repetitivas o en las que hay que evaluar muchos datos y variables para poder obtener, si bien no la mejor, una soluci\u00f3n suficientemente buena. Adem\u00e1s, la IA permite escalar soluciones y brindar alternativas donde el conocimiento y presencia humana es dif\u00edcil de asegurar. Espero que con este art\u00edculo, reconozcamos a la IA como la tecnolog\u00eda de la cuarta revoluci\u00f3n industrial, que como cualquier otra, deber\u00e1 estar al servicio de los humanos y no al rev\u00e9s. Los invito a seguir conociendo los avances de la IA para poder estar informados al momento de identificar sus usos incorrectos y fortalecer los usos que beneficiar\u00e1n a toda nuestra sociedad.<\/span><\/p>\n

Referencias<\/h3>\n

[1] Jack Copeland. The Turing Test. URL: <\/span>http:\/\/www.alanturing.net\/turing_archive\/pages\/Reference%20Articles\/TheTuringTest.html<\/span><\/a><\/p>\n

[2] Michael Byrne. The Simple, Elegant Algorithm That Makes Google Maps Possible. URL: <\/span>https:\/\/www.vice.com\/en\/article\/4x3pp9\/the-simple-elegant-algorithm-that-makes-google-maps-possible<\/span><\/a><\/p>\n

[3] ODSC Open Data Science. Where Ontologies End and Knowledge Graphs Begin. URL: <\/span>https:\/\/medium.com\/predict\/where-ontologies-end-and-knowledge-graphs-begin-6fe0cdede1ed<\/span><\/a><\/p>\n

Biograf\u00eda del autor:<\/span><\/h3>\n

\"\"Gissella Bejarano es ingeniera inform\u00e1tica de la Pontificia Universidad Cat\u00f3lica del Per\u00fa y miembro fundadora del grupo de investigaci\u00f3n IAPUCP. Termin\u00f3 su maestr\u00eda en Ciencias de la Computaci\u00f3n en el 2017, gracias a una beca Fulbright. Actualmente es candidata a doctora, tambi\u00e9n en Ciencias de la Computaci\u00f3n, y su foco de investigaci\u00f3n es en los m\u00e9todos de aprendizaje autom\u00e1tico para ciudades inteligentes y el reconocimiento de lengua de se\u00f1as. Gissella tambi\u00e9n es co-directora de la rama de Ciencias de la Computaci\u00f3n de Research Experience for Peruvian Undergraduates (REPU).<\/span><\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Resumen: La interacci\u00f3n que tenemos en nuestras redes sociales y nuestros smartphones representa uno de los muchos ejemplos del uso de la inteligencia artificial. Desde la anal\u00edtica avanzada con datos o variables directas como cu\u00e1ntos likes le damos a cierta p\u00e1gina hasta datos menos estructurados como los filtros que aplicamos a nuestras fotos, las b\u00fasquedas […]<\/p>\n","protected":false},"author":9,"featured_media":6330,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[19,29,354],"tags":[359,361,360,358],"_links":{"self":[{"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/posts\/6318"}],"collection":[{"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6318"}],"version-history":[{"count":19,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/posts\/6318\/revisions"}],"predecessor-version":[{"id":6355,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/posts\/6318\/revisions\/6355"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=\/wp\/v2\/media\/6330"}],"wp:attachment":[{"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6318"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6318"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cientificos.pe\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6318"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}