¿Cómo funciona una Inteligencia Artificial?
Autor:
Juan Guillermo Rivera Berrío
Código JavaScript para el libro: Joel Espinosa Longi, IMATE, UNAM.
Recursos interactivos: DescartesJS, Herramientas de IA, ChatGPT y Gemini.
Fuentes: Lato y UbuntuMono
Imagen de portada: ilustración generada por GPT Image 2
Red Educativa Digital Descartes
Córdoba (España)
descartes@proyectodescartes.org
https://proyectodescartes.org
Proyecto iCartesiLibri
https://proyectodescartes.org/iCartesiLibri/index.htm
ISBN: 978-84-10368-57-6
Esta obra está bajo una licencia Creative Commons 4.0 internacional: Reconocimiento-No Comercial-Compartir Igual.
La curiosidad ha sido, desde siempre, el motor del conocimiento. Cada avance científico y tecnológico comienza con una pregunta sencilla pero poderosa: ¿cómo funciona? Esa misma pregunta inspira esta obra y da identidad a la colección "¿Cómo funciona?", una serie de libros concebida para explicar, de manera clara, rigurosa y visual, los principios que hacen posible el funcionamiento de los fenómenos, las tecnologías y los sistemas que forman parte de nuestra vida cotidiana.
En este libro, dedicado a la Inteligencia Artificial, el lector emprenderá un recorrido por algunos de los desarrollos tecnológicos más relevantes de nuestro tiempo. Más allá de los titulares y de las expectativas que rodean a la IA, el propósito de este libro es mostrar, paso a paso, qué ocurre detrás de un chatbot, un modelo de lenguaje, un sistema de reconocimiento facial, un traductor automático, un recomendador de películas, un vehículo autónomo, un robot o una herramienta de IA generativa.
Fiel al espíritu de la colección, cada capítulo responde a una pregunta específica utilizando un lenguaje accesible, ilustraciones, recursos interactivos y explicaciones progresivas que permiten comprender conceptos complejos sin perder el rigor científico. El objetivo no es únicamente describir una tecnología, sino ayudar al lector a descubrir los principios que la sustentan, relacionando la teoría con ejemplos cercanos y aplicaciones reales.
La colección "¿Cómo funciona?" está pensada para estudiantes, docentes, profesionales y lectores curiosos que desean comprender el mundo desde una perspectiva práctica. Cada libro constituye una puerta de entrada a un área del conocimiento, favoreciendo el aprendizaje autónomo y el desarrollo del pensamiento crítico mediante
una experiencia de lectura enriquecida con recursos digitales e interactivos.
La Inteligencia Artificial está transformando la educación, la ciencia, la medicina, la industria, el entretenimiento y prácticamente todos los ámbitos de la sociedad. Comprender cómo funciona ya no es un conocimiento reservado para especialistas; se ha convertido en una competencia esencial para cualquier ciudadano del siglo XXI. Este libro pretende contribuir a ese propósito, proporcionando una visión clara, fundamentada y accesible de una de las tecnologías más influyentes de nuestra época.
Esperamos que estas páginas despierten nuevas preguntas, fomenten el deseo de seguir aprendiendo y demuestren que detrás de cada gran innovación siempre existe una explicación comprensible para quien se anima a explorarla. Porque entender cómo funciona el mundo es el primer paso para transformarlo.
Juan Guillermo Rivera Berrío
2026
En el vasto universo de la tecnología, un término ha resonado con fuerza en los últimos años, capturando la imaginación de científicos, innovadores y el público en general: la Inteligencia Artificial (IA). A menudo representada en la ciencia ficción como robots conscientes o sistemas que superan la inteligencia humana, la IA, en su esencia, busca replicar o simular capacidades cognitivas propias de los seres vivos, como el aprendizaje, la resolución de problemas, la toma de decisiones y la percepción. Lejos de ser una fuerza mágica, la IA es el resultado de algoritmos complejos, vastas cantidades de datos y una profunda comprensión de cómo procesar información para alcanzar objetivos específicos.
Para comprender verdaderamente el funcionamiento de una IA, es crucial desmitificarla y adentrarnos en sus cimientos. No se trata de otorgar una conciencia artificial per se, sino de construir sistemas capaces de realizar tareas que, hasta hace poco, solo los humanos
podían llevar a cabo. Pensemos en la IA como un estudiante incansable que, alimentado con una gran cantidad de información, aprende a identificar patrones, a hacer predicciones y a adaptarse a nuevas situaciones. Este aprendizaje, a menudo denominado machine learning o aprendizaje automático, es el motor principal detrás de la mayoría de las aplicaciones de IA que utilizamos hoy en día.
El corazón del aprendizaje automático reside en los algoritmos. Estos algoritmos son, en esencia, un conjunto de instrucciones lógicas que guían a la máquina en el proceso de aprendizaje. A través de la entrenamiento, la IA se expone a datos, y el algoritmo ajusta sus parámetros internos para minimizar los errores y mejorar su rendimiento. Un ejemplo sencillo podría ser un algoritmo diseñado para reconocer imágenes de gatos. Se le mostrarían miles de imágenes de gatos (y de otros animales) junto con sus etiquetas correspondientes. El algoritmo aprendería a identificar las características comunes de los gatos, como la forma de los ojos, las orejas, el hocico, y así sucesivamente.
En un nivel más técnico, el aprendizaje automático a menudo se basa en conceptos estadísticos y matemáticos. Por ejemplo, muchos modelos de IA utilizan la regresión para predecir valores continuos. Si queremos predecir el precio de una casa basándonos en su tamaño, un modelo de regresión lineal podría intentar encontrar la línea que mejor se ajusta a los datos históricos de precios y tamaños. La ecuación de una línea recta simple es:
$$y = mx + b$$Donde $y$ representa el precio predicho de la casa, $x$ es el tamaño de la casa, $m$ es la pendiente de la línea (que indica cuánto cambia el precio por cada unidad de tamaño adicional), y $b$ es la intersección con el eje y (el precio base estimado).
Además de la regresión, otras técnicas como la clasificación son fundamentales. En la clasificación, el objetivo es asignar una entrada a una categoría predefinida. Para nuestro ejemplo del reconocimiento de gatos, el modelo clasificaría una imagen como "gato" o "no gato". Esto implica el uso de funciones de decisión que determinan el límite entre las diferentes clases. En un modelo de regresión logística, por ejemplo, la probabilidad de pertenecer a una clase se modela utilizando la función sigmoide:
$$P(Y=1|x) = \frac{1}{1 + e^{-(b_0 + b_1x_1 + ... + b_nx_n)}}$$Donde $P(Y=1|x)$ es la probabilidad de que la observación $x$ pertenezca a la clase positiva (por ejemplo, "gato"), y $b_i$ son los coeficientes aprendidos por el modelo. Esta fórmula, aunque parezca compleja, permite a la IA tomar decisiones basadas en la probabilidad, un concepto clave en su funcionamiento.
Imagina que estás conversando con un amigo muy informado sobre un tema específico. Un chatbot es precisamente eso: un programa diseñado para simular una conversación humana a través de texto o voz. Su objetivo principal es entender lo que le preguntas o pides y responder de manera coherente y útil. Para lograrlo, los chatbots se basan en una serie de tecnologías y procesos complejos, siendo la Inteligencia Artificial (IA) el motor fundamental detrás de su capacidad de comprensión y generación de respuestas.
En su núcleo, un chatbot funciona procesando el lenguaje natural (PLN). Esto significa que debe ser capaz de tomar nuestras palabras, analizarlas, determinar su significado y la intención detrás de ellas. Utiliza algoritmos de aprendizaje automático, a menudo modelos de redes neuronales, que han sido entrenados con enormes cantidades de texto y datos de conversación. Este entrenamiento le permite reconocer patrones, comprender la gramática, la semántica e incluso el contexto de una conversación. Por ejemplo, si preguntas "¿Cuál es la capital de Francia?", el chatbot no solo identifica las palabras, sino que entiende que buscas una ubicación geográfica específica relacionada con un país.
Haz la prueba con diferentes chatbot en el siguiente objeto interactivo (haz clic en el botón zum para abrirlo en ventana ampliada).
La arquitectura de un chatbot moderno a menudo incluye varios componentes. Primero, un analizador de entrada descompone la solicitud del usuario en unidades manejables. Luego, un motor de comprensión interpreta la intención y extrae las entidades relevantes (como nombres, fechas, lugares). Basándose en esta comprensión, un gestor de diálogo decide cuál debe ser la siguiente acción: buscar información en una base de datos, activar una función específica o generar una respuesta. Finalmente, un generador de respuesta formula la respuesta en lenguaje natural para que el usuario la entienda.
Para ser más precisos, el proceso de comprensión del lenguaje natural a menudo implica la tokenización, que divide el texto en palabras o unidades más pequeñas. Posteriormente, se aplica el etiquetado gramaticalpara identificar la función de cada palabra (sustantivo, verbo, adjetivo, etc.). Se busca la identificación de entidades nombradas para clasificar información clave como nombres de personas, organizaciones, ubicaciones. En el caso de preguntas complejas, se puede emplear el análisis de dependencias para entender las relaciones entre las palabras, y determinar así la estructura de la oración.
Las respuestas de un chatbot pueden ser de dos tipos principales: basadas en reglas o basadas en aprendizaje automático. Los chatbots basados en reglas siguen un conjunto predefinido de instrucciones y respuestas para preguntas específicas, lo que los hace predecibles pero limitados. Los chatbots más avanzados utilizan modelos de aprendizaje automático para generar respuestas de forma dinámica. Estos modelos, como las redes neuronales recurrentes (RNNs) o los Transformers, aprenden a predecir la siguiente palabra más probable en una secuencia, permitiendo generar respuestas más fluidas, creativas y adaptadas al contexto, como los modelos de lenguaje grande (LLMs) que potencian a muchos de los chatbots actuales.
Imagina que un modelo de lenguaje es como un estudiante increíblemente diligente que ha leído la mayor biblioteca del mundo, una y otra vez. En lugar de libros, ha procesado billones de palabras de texto de internet, libros, artículos y código. Al leer tanto, no solo aprende qué palabras existen, sino también cómo se relacionan entre sí, cuáles suelen aparecer juntas y el contexto en el que se usan. Piensa en esto como aprender las reglas de la gramática, el significado de las palabras e incluso el estilo de escritura, pero a una escala masiva y sin una instrucción explícita de "esta es una regla".
El "aprendizaje" de un modelo de lenguaje se basa en un proceso llamado entrenamiento. Durante este entrenamiento, el modelo recibe fragmentos de texto y se le pide que prediga la siguiente palabra o frase. Por ejemplo, si se le da "El gato está...", el modelo intentará predecir palabras como "dormido", "jugando" o "sobre" con diferentes probabilidades. Si su predicción es incorrecta, ajusta sus parámetros internos (millones o billones de números) para mejorar sus futuras predicciones. Este ciclo se repite miles de millones de veces, permitiendo al modelo capturar patrones complejos en el lenguaje.
Detrás de esta capacidad de predicción se encuentran las redes neuronales, en particular las arquitecturas de transformadores. Estas redes son inspiradas vagamente en el cerebro humano y están compuestas por capas de "neuronas" interconectadas. Una característica clave de los transformadores es el mecanismo de atención, que permite al modelo ponderar la importancia de diferentes palabras en la secuencia de entrada al procesar una palabra específica. Esto es crucial para entender el contexto, ya que no todas las palabras de una frase son igualmente relevantes para comprender el significado de otra.
Por ejemplo, al procesar la frase "El banco del río estaba cubierto de musgo", el mecanismo de atención ayuda al modelo a entender que "banco" se refiere a la orilla del agua y no a una institución financiera, prestando más atención a las palabras "río" y "cubierto". Matemáticamente, este mecanismo se puede expresar con la suma de productos entre las consultas, claves y valores de las palabras, ponderado por una función softmax. De manera simplificada, la atención calcula una matriz de pesos, donde cada peso indica cuánto debe "atender" una palabra a otra:
$$\text{Atención}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$Donde $Q$ son las consultas, $K$ son las claves y $V$ son los valores, y $d_k$ es la dimensión de las claves. Este proceso de atención se aplica en varias capas del transformador, permitiendo al modelo construir representaciones ricas y contextualmente sensibles del lenguaje.
El modelo no "piensa" ni "entiende" en el sentido humano. Lo que hace es utilizar los patrones aprendidos durante el entrenamiento. Toma tu entrada (prompt), la procesa a través de su red neuronal y calcula la secuencia de palabras más probable que debería seguir a tu solicitud. Prueba con el siguiente chatbot:
El reconocimiento facial, una de las aplicaciones más visuales de la inteligencia artificial, descompone la complejidad de identificar un rostro humano en una serie de pasos lógicos y computacionales. Imagina que la IA debe "leer" una cara. Primero, se centra en la detección del rostro, localizando la presencia de uno o varios en una imagen o video. Esto implica diferenciar entre los píxeles que componen un rostro y aquellos que no, a menudo utilizando algoritmos que buscan patrones generales como la forma de la cabeza o la disposición de los ojos.
Una vez detectado el rostro, el siguiente paso crucial es la extracción de características. Aquí es donde la IA se vuelve detallista, analizando puntos clave y proporciones específicas del rostro que son únicas para cada individuo. Se miden distancias entre puntos de referencia, como la separación de los ojos, el ancho de la nariz, la forma de la mandíbula o la curvatura de los labios. Estos puntos, conocidos como nodos faciales o puntos de referencia, se mapean y se cuantifican, creando una especie de "huella dactilar" biométrica del rostro. Piensa en ello como si la IA estuviera creando un conjunto de medidas exactas.
Estos datos extraídos se transforman en una representación numérica, una especie de vector o firma. Este vector captura la singularidad de cada rostro, permitiendo que la IA compare diferentes imágenes. Para que esto sea posible, los modelos de IA, especialmente las redes neuronales convolucionales (CNN), son entrenados con enormes bases de datos de rostros. Durante este entrenamiento, la red aprende a identificar las características más distintivas y a ignorar variaciones como la iluminación, la expresión o pequeños cambios de pose. La capacidad de generalización es clave aquí, permitiendo que el sistema reconozca a una persona incluso si su apariencia ha cambiado ligeramente.
p>El proceso de comparación se basa en la distancia entre estos vectores de características. Cuando se presenta una nueva imagen, la IA extrae su vector de características y lo compara con los vectores almacenados en su base de datos. La similitud entre vectores se cuantifica utilizando métricas matemáticas. Por ejemplo, la distancia euclidiana se utiliza comúnmente para medir la diferencia entre dos puntos en un espacio multidimensional, donde cada dimensión representa una característica facial. Si la distancia entre el vector de la nueva imagen y uno de los vectores de la base de datos es menor que un umbral predefinido, se considera una coincidencia.En un nivel más técnico, los modelos de IA a menudo utilizan funciones de pérdida para guiar el aprendizaje y la comparación. Una función de pérdida común es la función de pérdida triplete (triplet loss), que busca minimizar la distancia entre un "ancla" (la imagen de referencia), una "positiva" (otra imagen de la misma persona) y maximizar la distancia con una "negativa" (una imagen de una persona diferente). La formulación general de esta idea se puede expresar conceptualmente como:
$$d(a, p) + \alpha < d(a, n)$$Donde:
$d(a, p)$ es la distancia entre la imagen ancla ($a$) y la imagen positiva $(p)$.
$d(a, n)$ es la distancia entre la imagen ancla ($a$) y la imagen negativa $(n)$.
$\alpha$ (alfa) es un margen que asegura que la imagen negativa esté suficientemente lejos de la ancla en comparación con la positiva.
Este enfoque, junto con arquitecturas de redes neuronales cada vez más sofisticadas, permite que el reconocimiento facial alcance altos niveles de precisión en escenarios del mundo real.
La visión por computador es una rama fascinante de la inteligencia artificial que busca permitir a las máquinas "ver" y "entender" el mundo visual de manera similar a como lo hacen los humanos. Imagina que una cámara es el "ojo" de la IA; la visión por computador se encarga de procesar la información que este ojo captura. Esto implica convertir las imágenes y videos en datos numéricos que un algoritmo pueda interpretar. Un proceso fundamental es la detección de bordes, donde se identifican cambios abruptos en la intensidad de los píxeles para delimitar formas y contornos.
Una vez que la imagen se ha pre-procesado, la IA comienza a extraer características. Estas pueden ser desde patrones simples como líneas y esquinas hasta formas más complejas como texturas y colores. Un método muy popular para la extracción de características son las redes neuronales convolucionales (CNNs). Estas redes están diseñadas específicamente para trabajar con datos de tipo cuadrícula, como las imágenes. Las CNNs aplican filtros (o kernels) a la imagen para detectar patrones en diferentes niveles de abstracción. Cada filtro aprende a reconocer una característica particular, como una línea vertical o un borde curvo.
El corazón de las CNNs reside en sus capas. Una capa convolucional aplica una serie de filtros a la imagen de entrada, generando mapas de características que resaltan la presencia de las características que cada filtro detecta. Posteriormente, una capa de pooling reduce la dimensionalidad de estos mapas, haciendo que el modelo sea más robusto a pequeñas variaciones en la posición de las características. Finalmente, las capas completamente conectadas toman estas características de alto nivel y las utilizan para realizar la tarea deseada, como clasificar objetos en la imagen o segmentar diferentes regiones.
Por ejemplo, en la clasificación de imágenes, una CNN podría aprender a identificar un gato. Inicialmente, las primeras capas detectan bordes simples. A medida que la información avanza a través de las capas, estas características se combinan para formar patrones más complejos: primero formas como orejas y patas, y finalmente la forma general de un gato. La red ajusta los pesos de sus conexiones mediante un proceso llamado retropropagación del error, donde compara su predicción con la etiqueta correcta y ajusta sus parámetros para minimizar la diferencia, aprendiendo así a reconocer cada vez mejor los objetos.
$$\text{Predicción} = \text{CNN}(\text{Imagen de entrada})$$Donde $\eta$ es la tasa de aprendizaje, que controla el tamaño del paso en la optimización. La visión por computador es crucial para aplicaciones como la conducción autónoma, el reconocimiento facial, el diagnóstico médico por imagen y la robótica, permitiendo a las IA interactuar y comprender el mundo que las rodea.
Imagina que un recomendador de películas es como un amigo muy observador que conoce tus gustos. Este amigo no solo recuerda lo que has visto, sino que también ha estudiado las preferencias de millones de personas. Para hacer una recomendación, primero analiza tu historial de visualización. Si te encantó una película de ciencia ficción espacial con alienígenas, el recomendador registrará esas características: género (ciencia ficción), subgénero (espacial), y elementos clave (alienígenas). Esta información se traduce en datos que la IA utiliza para construir un perfil de tus gustos.
Una vez que tiene una idea de tus preferencias, el recomendador busca patrones. Existen principalmente dos enfoques. El primero es el filtrado colaborativo, que funciona encontrando personas con gustos similares a los tuyos. Si tú y otra persona han disfrutado de las mismas películas de acción, es probable que también disfruten de las películas que la otra persona ha visto y a ti aún no. Es como decir: "A Juan le gusta X, Y, Z y a María le gusta X, Y. Si a Juan le gusta también A, es probable que a María también le guste A".
El segundo enfoque es el filtrado basado en contenido. En este caso, el recomendador analiza las características de las películas que te han gustado. Si te gustan las películas dirigidas por Christopher Nolan, el sistema buscará otras películas de Nolan o películas con directores que tengan un estilo similar, o que compartan temáticas complejas y narrativas no lineales. Las películas se describen mediante una serie de atributos, como género, director, actores, sinopsis, e incluso etiquetas temáticas o emocionales. El algoritmo intenta predecir qué tan probable es que te guste una película basándose en la similitud entre los atributos de esa película y los atributos de las películas que ya te han gustado.
En la práctica, muchos sistemas de recomendación utilizan una combinación de ambos enfoques para mejorar la precisión. A menudo, se emplean técnicas de aprendizaje automático para identificar patrones complejos en grandes conjuntos de datos. Por ejemplo, un modelo de aprendizaje profundo podría analizar no solo el género o el director, sino también sutiles relaciones entre la trama, la música, o incluso las reacciones de otros usuarios a través de comentarios. La IA aprende a ponderar la importancia de diferentes atributos y patrones para hacer predicciones cada vez más acertadas sobre qué película te encantará a continuación.
Un traductor automático es un ejemplo fascinante de cómo la Inteligencia Artificial (IA) procesa y genera lenguaje. En su núcleo, estos sistemas no "entienden" el significado de las palabras de la misma manera que un humano. En lugar de eso, aprenden patrones estadísticos a partir de enormes cantidades de texto ya traducido. Piensa en ello como si tuvieran acceso a una biblioteca gigantesca donde cada libro tiene su versión en otro idioma. Al analizar miles de millones de pares de frases, la IA comienza a identificar qué palabras y estructuras tienden a corresponderse entre dos lenguas.
Inicialmente, los traductores automáticos se basaban en reglas gramaticales explícitas y diccionarios (traducción automática basada en reglas). Sin embargo, este enfoque era rígido y a menudo producía traducciones poco naturales. La revolución llegó con la traducción automática estadística (SMT). Aquí, el sistema calcula la probabilidad de que una secuencia de palabras en un idioma sea la traducción de otra secuencia en otro. Por ejemplo, para traducir "hello world" al español, el sistema buscaría qué palabras o frases en español tienen la mayor probabilidad de aparecer como traducción de "hello world" basándose en su corpus de entrenamiento. La probabilidad se representaba matemáticamente, por ejemplo, maximizando una función objetivo como:
$$P(\text{español}|\text{inglés}) \propto P(\text{español}) \times P(\text{inglés}|\text{español})$$
donde $P(\text{español})$ es la probabilidad de que una secuencia de palabras en español sea gramaticalmente correcta, y $P(\text{inglés}|\text{español})$ es la probabilidad de que la secuencia en inglés sea la traducción de la secuencia en español.
Más recientemente, la traducción automática neuronal (NMT) ha superado a la SMT. Estos modelos utilizan redes neuronales artificiales, especialmente arquitecturas como las redes recurrentes (RNN) o, más comúnmente hoy en día, los transformadores. Un modelo NMT típico opera con un codificador (encoder) y un decodificador (decoder). El codificador lee la frase de entrada en el idioma de origen y la convierte en una representación numérica densa, un "vector de contexto" que encapsula el significado de la frase. Luego, el decodificador toma este vector y genera la frase en el idioma de destino, palabra por palabra, considerando tanto el vector de contexto como las palabras que ya ha generado.
La arquitectura del transformador, introducida en 2017, ha sido especialmente disruptiva. A diferencia de las RNN, que procesan la información secuencialmente, los transformadores utilizan un mecanismo llamado "atención" (attention) que permite al modelo ponderar la importancia de diferentes palabras en la frase de entrada al generar cada palabra en la salida. Esto significa que el modelo puede "mirar" directamente a las partes más relevantes de la frase original, sin importar cuán lejos estén, facilitando la comprensión de dependencias a larga distancia y mejorando significativamente la fluidez y la precisión de las traducciones. La fórmula para el mecanismo de atención se puede representar simplificadamente como:
$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$
donde $Q$ (queries), $K$ (keys) y $V$ (values) son matrices derivadas de las representaciones de las palabras, y $d_k$ es la dimensión de las claves, utilizada para escalar el producto punto.
En resumen, un traductor automático moderno, impulsado por IA, no piensa ni comprende. En su lugar, ha sido entrenado exhaustivamente para reconocer y reproducir patrones lingüísticos. A través de sofisticadas redes neuronales y el poder del aprendizaje estadístico sobre vastos corpus de datos multilingües, es capaz de mapear secuencias de palabras de un idioma a otro con una precisión cada vez mayor, revolucionando la forma en que superamos las barreras del idioma.
Los vehículos autónomos, esa promesa de un futuro donde los viajes son más seguros y eficientes, son un ejemplo fascinante de cómo la Inteligencia Artificial se manifiesta en el mundo real. Su funcionamiento se basa en la percepción, la toma de decisiones y la ejecución de acciones, cada uno de ellos impulsado por sofisticados algoritmos de IA. Imagina un coche que puede "ver" y "entender" su entorno, tal como lo haría un conductor humano, pero con una capacidad de procesamiento y respuesta que va mucho más allá de nuestras propias limitaciones biológicas.
La primera capa fundamental es la percepción. Los vehículos autónomos utilizan una variedad de sensores para recopilar información del exterior. Las cámaras capturan imágenes, los radares detectan objetos y su distancia mediante ondas de radio, los lidar emiten pulsos de luz láser para crear mapas 3D del entorno, y los sensores ultrasónicos detectan obstáculos cercanos. Toda esta información se procesa en tiempo real para crear una representación digital del mundo que rodea al vehículo. Algoritmos de visión por computadora, a menudo basados en redes neuronales convolucionales (CNNs), son cruciales aquí para identificar y clasificar objetos como otros vehículos, peatones, señales de tráfico o carriles.
Una vez que el vehículo "percibe" su entorno, debe tomar decisiones. Aquí es donde la IA entra en juego de manera más profunda. Los algoritmos de aprendizaje por refuerzo y redes neuronales profundas (DNNs) se utilizan para predecir el comportamiento de otros usuarios de la vía, planificar la trayectoria más segura y eficiente, y determinar la velocidad y dirección óptimas. Se evalúan constantemente miles de escenarios posibles, calculando probabilidades y optimizando acciones para minimizar riesgos y cumplir objetivos de navegación. Un aspecto clave es la predicción de trayectorias, donde se estima el movimiento futuro de los objetos detectados. Por ejemplo, si se detecta un peatón cerca de un paso de cebra, la IA deberá predecir si cruzará y a qué velocidad, para poder reaccionar adecuadamente.
Finalmente, las decisiones tomadas por la IA se traducen en acciones físicas. El sistema de control del vehículo autónomo toma estas decisiones y las comunica a los actuadores. Estos actuadores controlan la dirección, la aceleración y el frenado del vehículo. El sistema de control debe ser extremadamente preciso y responder de manera instantánea a las indicaciones de la IA. La cinemática y la dinámica del vehículo juegan un papel crucial en esta fase, asegurando que los comandos se ejecuten de forma segura y estable. La retroalimentación
continua de los sensores permite al sistema ajustar constantemente estas acciones, manteniendo al vehículo dentro de los límites de seguridad.
En resumen, un vehículo autónomo es un ecosistema complejo donde la IA actúa como el cerebro. Desde la detección y reconocimiento de objetos hasta la planificación de rutas y la ejecución de maniobras, cada paso está sustentado por algoritmos avanzados. La capacidad de procesar grandes cantidades de datos sensoriales, aprender de experiencias pasadas y adaptarse a situaciones dinámicas es lo que permite a estos vehículos operar de manera autónoma, transformando la forma en que concebimos el transporte.
El siguiente video, creado por mygiguser en Pexels, presenta un vehículo autónomo en acción:
Un robot, en su forma más fundamental, es una máquina que puede llevar a cabo una serie de acciones complejas de manera automática. A diferencia de una herramienta simple que realiza una única tarea, un robot está diseñado para ser programable, lo que significa que sus movimientos y comportamientos pueden ser modificados para adaptarse a diferentes propósitos. En esencia, un robot combina hardware (las partes físicas) y software (las instrucciones) para interactuar con su entorno. El hardware suele incluir componentes como motores para el movimiento, sensores para percibir el mundo (cámaras, micrófonos, sensores táctiles), y actuadores para manipular objetos. El software, por su parte, es el cerebro que le dice al robot qué hacer, cuándo hacerlo y cómo hacerlo.
La "inteligencia" de un robot, especialmente en el contexto de la IA, surge de cómo se procesa la información recopilada por sus sensores. Los sensores envían datos brutos al sistema informático del robot. Por ejemplo, una cámara podría enviar millones de píxeles que representan una imagen. La IA, a través de algoritmos y modelos, interpreta estos datos. En el caso de la IA, esto implica la capacidad de aprender de la experiencia, razonar para tomar decisiones y resolver problemas. Un robot con IA no solo sigue instrucciones predefinidas, sino que puede adaptarse a situaciones inesperadas y optimizar sus acciones basándose en la información que recibe.
La animación anterior fue creada por Andy Smith.
Los componentes clave en el funcionamiento de un robot con IA incluyen: Percepción, Procesamiento y Acción. La percepción es el proceso mediante el cual el robot recopila información de su entorno utilizando sus sensores. Esto puede incluir desde detectar un objeto hasta reconocer una cara o escuchar una orden de voz. El procesamiento es donde la IA entra en juego. Los datos de los sensores son analizados por algoritmos de aprendizaje automático, redes neuronales u otras técnicas de IA para comprender el contexto, identificar patrones y tomar una decisión. Por ejemplo, un algoritmo podría reconocer que la imagen capturada por la cámara es una puerta y que la orden de voz significa "abrir".
Finalmente, la acción es la ejecución de la decisión tomada por el sistema de IA. Los actuadores del robot, como brazos robóticos, ruedas o mecanismos de agarre, reciben señales del procesador para llevar a cabo la tarea. Si el robot decide abrir la puerta, sus actuadores se moverán en consecuencia.
Por ejemplo, consideremos un robot autónomo que navega por un almacén. Sus sensores (cámaras, LiDAR) mapean el entorno, identificando estanterías, obstáculos y posibles rutas. La IA analiza estos datos para crear un modelo del almacén. Cuando se le da una orden para recoger un paquete específico, la IA planifica la ruta más eficiente. Si detecta un obstáculo inesperado, como un montacargas, la IA reajusta la ruta en tiempo real para evitar una colisión. Este proceso iterativo de percibir, procesar y actuar permite al robot realizar tareas complejas y dinámicas de manera autónoma, demostrando la profunda integración entre la ingeniería robótica y la Inteligencia Artificial.
“Parecía que los robots estaban bailando en una perfecta armonía sincronizada. Es decir, hasta que sucedió algo inexplicable y los hizo separarse.” (Objeto interactivo diseñado por Gerard Ferrandez).
La IA generativa representa un salto fascinante en la evolución de las inteligencias artificiales, y su funcionamiento se basa en la capacidad de crear contenido nuevo y original a partir de patrones aprendidos de datos existentes. A diferencia de las IA que se limitan a reconocer o clasificar información, las IA generativas son creadoras. Piensa en ellas como artistas o escritores digitales que, tras haber estudiado innumerables obras de arte o textos, pueden producir sus propias creaciones con un estilo coherente y, a menudo, sorprendentemente innovador.
En el corazón de la IA generativa se encuentran arquitecturas de redes neuronales complejas, siendo las Redes Generativas Antagónicas (GANs) y los Modelos de Lenguaje Grandes (LLMs) algunos de los ejemplos más prominentes. Las GANs, por ejemplo, funcionan con un sistema de dos redes neuronales compitiendo: un generador que intenta crear datos realistas (como imágenes falsas) y un discriminador que trata de distinguir entre los datos reales y los generados por el generador. Esta competencia mejora progresivamente la calidad del contenido generado, hasta que el discriminador ya no puede diferenciar entre lo real y lo artificial.
Los LLMs, por otro lado, se entrenan en cantidades masivas de texto y código, aprendiendo la probabilidad de que una palabra siga a otra. Esto les permite predecir secuencias de palabras de manera coherente y contextualmente relevante, generando desde respuestas a preguntas hasta historias completas o código informático. El mecanismo subyacente a menudo implica la codificación de la información en vectores de alta dimensionalidad, donde la proximidad entre vectores representa la similitud semántica de los conceptos.
La clave para que estas IA generen contenido de alta calidad reside en la ingeniería de datos y el entrenamiento a gran escala. Se les presentan enormes conjuntos de datos, como millones de imágenes o terabytes de texto. Durante el entrenamiento, la red ajusta millones o miles de millones de parámetros, representados matemáticamente, para minimizar una función de pérdida. Esta función cuantifica cuán "mal" está generando la IA el contenido deseado.
$$L(\theta) = \mathbb{E}_{x \sim p_{data}(x)} [\log D(x)] + \mathbb{E}_{z \sim p_{z}(z)} [\log(1 - D(G(z)))]$$Esta es una representación simplificada de la función de pérdida para las GANs, donde $D$ es el discriminador, $G$ es el generador, $x$ representa datos reales, $z$ es ruido aleatorio, y $\theta$ son los parámetros de la
red. El objetivo es encontrar los parámetros $\theta$ que optimicen esta función.
Finalmente, al recibir una instrucción o "prompt", la IA generativa utiliza su conocimiento aprendido para inferir la intención del usuario y producir el resultado más probable y relevante. Esto puede manifestarse en la generación de imágenes a partir de descripciones textuales, la composición de música, la escritura de poemas o la creación de código. El proceso, aunque complejo, se reduce a predecir la siguiente "unidad" (sea un píxel, una palabra o una nota musical) basándose en un vasto entendimiento de patrones y relaciones.
En la última página de este libro, presentamos la herramienta utilizada para generar "la explicación paso a paso", recurriendo a IA generativas de texto y de imagen.
