7 pilares para entender la IA
Aprendizaje automático, lenguaje, visión, robótica, habla, sistemas expertos y planificación: explora el campo más allá del chat.
Estas siete áreas forman un mapa didáctico de Noosigma AI, no una división oficial ni exhaustiva de la informática. Se superponen: un robot puede usar visión, aprendizaje y planificación a la vez. Planes de estudio como ACM/IEEE/AAAI CS2023 organizan la IA en más unidades de conocimiento.
Texto revisado el
Aprendizaje automático
Los modelos ajustan parámetros a partir de datos o retroalimentación para reconocer patrones, predecir resultados o generar contenido. Su desarrollo todavía exige decisiones humanas sobre datos, objetivos y evaluación. Deep learning es una familia de métodos basada en redes neuronales de múltiples capas.
Ejemplo concreto. Un filtro puede aprender a clasificar mensajes como spam a partir de ejemplos etiquetados.
No confundas. Aprender de datos no significa aprender por sí solo sin diseño, supervisión ni pruebas. Una conversación habitual no vuelve a entrenar el modelo.
Procesamiento del lenguaje natural (PLN)
Estudia métodos para trabajar con el lenguaje humano en tareas como clasificación, búsqueda, traducción, extracción de información y generación de texto. Los LLM son una familia de modelos usada en algunas de estas tareas, no todo el campo.
Ejemplo concreto. Un sistema puede identificar preguntas en un mensaje y recuperar documentos relacionados antes de responder.
No confundas. Producir texto fluido no garantiza comprensión ni fidelidad a los hechos.
Visión por computadora
Analiza imágenes y vídeos para localizar, clasificar, medir o seguir elementos. Puede combinar geometría, reconocimiento de patrones y aprendizaje automático.
Ejemplo concreto. Un sistema puede localizar señales de tráfico o indicar hallazgos en imágenes médicas para revisión profesional.
No confundas. Detectar un patrón visual no equivale a comprender toda la escena ni a emitir un diagnóstico fiable sin validación.
Robótica
Combina sensores, percepción, planificación, control y actuadores para actuar en el mundo físico. La IA puede ayudar a un robot a adaptar sus acciones cuando cambia el entorno.
Ejemplo concreto. Un robot de almacén puede recalcular la ruta al encontrar un paso bloqueado.
No confundas. No todo robot usa aprendizaje automático; los movimientos repetitivos con reglas fijas también son automatización.
Reconocimiento y síntesis del habla
El reconocimiento del habla convierte audio hablado en texto. La síntesis del habla hace el camino inverso, de texto a audio. Estas tareas de audio pueden combinarse con el PLN, pero tienen desafíos propios de señal, ruido, acentos y voz.
Ejemplo concreto. Un asistente puede transcribir una petición, interpretarla y después responder en voz alta.
No confundas. Reconocer palabras, identificar a quien habla y generar una voz son tareas diferentes.
Sistemas expertos
Representan conocimiento de un dominio y usan reglas o mecanismos de inferencia para apoyar conclusiones. Pueden ser pequeños o grandes y también combinarse con métodos aprendidos a partir de datos.
Ejemplo concreto. Un sistema de apoyo puede relacionar síntomas de fallos con reglas documentadas y sugerir verificaciones a un técnico.
No confundas. Las reglas explícitas no sustituyen la revisión de especialistas ni garantizan aciertos fuera del dominio previsto.
Planificación, programación y optimización
La planificación elige secuencias de acciones para lograr metas; la programación distribuye tareas en el tiempo y entre recursos; la optimización compara alternativas según objetivos y restricciones. La búsqueda, las heurísticas y los algoritmos evolutivos son algunas técnicas posibles.
Ejemplo concreto. Una operación puede distribuir entregas entre vehículos y elegir rutas respetando horarios y capacidad.
No confundas. Una solución calculada depende de los datos y las restricciones; no es necesariamente la mejor posible ni exige predecir el futuro.