¿Qué es la IA realmente?

Una introducción cultural y práctica para diseñadores.

Este es el primer capítulo de la serie Fundamentos de Element AI sobre AI-First Design (AI1D). Cada capítulo tiene como objetivo definir las partes componentes de AI1D para crear un lenguaje común con el que explorar esta nueva era de diseño. Puede leer la introducción a la serie aquí, y registrarse para estar atento al próximo capítulo aquí.

Como diseñador, ¿por qué debería ser capaz de comprender la inteligencia artificial? Es un término que se está discutiendo mucho en los medios y los círculos tecnológicos últimamente, una especie de atracción que podría describir cualquier cosa, desde asistentes personales virtuales, robots, personajes de ciencia ficción o el último algoritmo de aprendizaje profundo. Quizás trabaje en IA y tenga una comprensión más matizada de estos campos distintos, o tal vez simplemente sienta que su trabajo se verá afectado de alguna manera por la IA en los próximos años, pero no está muy seguro de cómo.

Con esto en mente, bienvenido al primer capítulo de nuestra serie AI-First Design Foundations, en el que pretendemos definir el lenguaje de la inteligencia artificial y discutir sus muchas definiciones. Al hacerlo, esperamos llegar a una idea de lo que es la inteligencia artificial hoy en día, a partir de la cual podemos construir para responder: ¿Qué es AI-First Design?

Este capítulo está dedicado a examinar el panorama actual de IA y a navegar por las diversas definiciones que AI ha visto desde que se acuñó el término por primera vez. Revisaremos la historia de la IA, examinaremos los picos y bajas en popularidad, y destacaremos los principales hitos desde el reciente aumento en los éxitos de la IA. Finalmente, examinaremos las muchas definiciones de AI y algunos de los desafíos que enfrentamos para encontrar una en la que todos puedan estar de acuerdo. Atención: está en el lado más largo, así que ponte cómodo, salta a una sección que podría interesarte más o simplemente lee esta versión súper corta a continuación.

TL; DR

En lugar de comenzar nuestro examen de IA en la década de 1950, nuestra línea de tiempo comienza mucho antes, en la Ilíada de Homero, cuando ya buscábamos imbuir estatuas y dioses con cualidades similares a las de los humanos. Mucho ha sucedido desde entonces! Hoy, hemos alcanzado un máximo histórico en términos de tasa de avance, financiamiento y entusiasmo de AI, aunque todavía hay una gran brecha entre las expectativas de ciencia ficción y las realidades de lo que las máquinas pueden lograr. La IA sigue muy lejos de alcanzar una inteligencia general similar a la humana, pero está mejorando cada vez más en el cumplimiento de tareas estrechamente definidas. Estos son los principales componentes de cómo definimos la IA hoy y por qué es importante para usted como diseñador:

  1. Se basa principalmente en datos.
    Los avances recientes en IA no hubieran sido posibles sin las enormes cantidades de datos recopilados por todos nuestros dispositivos conectados y la capacidad de almacenarlos.
  2. Es estrecho y muy enfocado.
    AI es muy bueno para encontrar patrones en los datos y realizar tareas específicas que hemos definido, pero no se generaliza muy bien fuera de los parámetros predefinidos.
  3. No le preocupa el resultado de sus cálculos.
    A diferencia del desorden inherente a la toma de decisiones humanas, la capacidad de una IA para tomar decisiones no está influenciada por motivos ocultos o cuánto durmió anoche, sino que se centra únicamente en la tarea en cuestión. Sin embargo, dado que no sabe lo bueno de lo malo, se perpetúan los sesgos que existen en los datos.
  4. Las habilidades de la IA se aprenden, no se programan.
    La IA puede mejorar de forma iterativa por sí sola: sin ser programada en cada paso del camino, puede aprender de sus experiencias y mejorar en la predicción y decisión futuras, lo que resulta en habilidades cada vez más sofisticadas.
  5. Es un término en evolución.
    La IA se define de manera diferente por diferentes comunidades y su definición continuará cambiando con los avances futuros en tecnología.

Sabiendo esto, creemos que la IA tendrá un tremendo impacto en el campo del diseño tal como lo conocemos. A medida que comienza a influir en el diseño de todas las empresas, productos, servicios y experiencias (de los usuarios), es esencial que comprendamos de manera fundamental con qué estamos trabajando y decidamos cómo queremos aprovechar su potencial.

Aún curioso? ¡Hay más!

Altibajos de la IA a través del tiempo

Precursores: un deseo de forjar dioses

Aunque generalmente imaginamos algo futurista cuando pensamos en IA, la noción ha existido durante siglos. Alrededor del 750 a. C. en la Ilíada de Homero, por ejemplo, el lisiado Hefesto creó autómatas para ayudarlo a moverse:

Estos son dorados, y en apariencia como mujeres jóvenes vivas. Hay inteligencia en sus corazones, y hay discurso en ellos y fuerza, y de los dioses inmortales han aprendido a hacer las cosas.

En su libro Machines Who Think, Pamela McCorduck describe una serie de otras criaturas que Hephaestus creó para diversas tareas, al menos una de las cuales seguramente es familiar, aunque un poco amenazante: Pandora y su infame caja.

Pensamiento mecanizado

Más allá de estos ejemplos en la ficción, hubo avances importantes en el razonamiento y la lógica en la antigüedad que llevaron a nuestro lenguaje codificado actual como base para toda la informática. La inteligencia artificial, en su esencia, supone que el pensamiento puede ser mecanizado y reproducido. Aristóteles fue uno de los primeros en ser pionero en organizar los pensamientos en argumentos lógicos en el desarrollo del silogismo, que a menudo toma una forma de tres líneas, como:

Todos los hombres son mortales.
Sócrates es un hombre.
Por lo tanto, Sócrates es mortal.

El matemático persa Muhammad ibn Musa al-Khwarizmi, también conocido por su nombre latinizado Algoritmi (del que derivamos el algoritmo de la palabra), también es una figura clave en muchos de los conceptos que damos por sentado hoy en la IA. La palabra álgebra, por ejemplo, se deriva de "al-jabr", una de las dos operaciones que utilizó para resolver ecuaciones cuadráticas. Otros avances a lo largo del siglo XVII por matemáticos y filósofos como Gottfried Wilhelm Leibniz, Thomas Hobbes, René Descartes construyeron sobre estos fundamentos, con el objetivo de hacer que el pensamiento sea tan sistemático como el álgebra o la geometría.

Si bien hubo muchos otros avances matemáticos en los siguientes siglos que contribuyeron a la inteligencia artificial moderna, la matemática inglesa del siglo XIX Ada Lovelace destaca por sus enfoques creativos y su trabajo innovador en informática. Ella fue la primera en sugerir que la computadora mecánica de propósito general de Charles Babbage, el motor analítico, podría tener capacidades más allá del cálculo, y luego creó su primer algoritmo, lo que le valió el título de primer programador de computadoras del mundo.

El nacimiento de la inteligencia artificial.

Aunque vimos avances en la informática a principios del siglo XX, la inteligencia artificial realmente despegó en la década de 1950, con una conferencia en el Dartmouth College en 1956 que afirmaba que todo el aprendizaje y la inteligencia podían describirse con la suficiente precisión como para ser simulados por una máquina. Fue aquí donde se acuñó por primera vez el término "inteligencia artificial", en referencia a "la simulación de la inteligencia humana por máquinas". Al reflexionar sobre el taller de Dartmouth 50 años después, uno de los organizadores, John McCarthy, reflexionó: “Pensé que el taller habría sido conocido por los resultados que produjo. De hecho, se dio a conocer en gran medida simplemente porque popularizó el término "inteligencia artificial".

El otro hito importante de la IA de los años 50 con el que puede estar familiarizado es la famosa "Prueba de Turing". Popularizado por el desempeño de Benedict Cumberbatch en The Imitation Game, el científico informático británico Alan Turing sugirió que si una máquina podía mantener una conversación que no se podía distinguir de una conversación con un humano, entonces una "máquina pensante" era plausible. En otras palabras, una computadora sería inteligente solo si pudiera engañar a un humano para que piense que es humano.

Lo que siguió a mediados de los años cincuenta a principios de los años 70 se denominó "años dorados" de la IA, con grandes avances en informática y aumentos tanto del entusiasmo como de la financiación del gobierno. Específicamente, Marvin Minsky mantuvo el impulso del taller de Dartmouth cuando cofundó el laboratorio de IA del Instituto de Tecnología de Massachusetts en 1959 y continuó liderando el campo durante los años 60 y 70. Los juegos también comenzaron a revelarse como un medio ideal para desarrollar y probar la inteligencia de la computadora, con IBM desarrollando un programa que podía jugar a las damas en 1951. En los años 60, se creó el algoritmo del "vecino más cercano" en un intento de resolver el "vendedor ambulante". problema ":" Dada una lista de ciudades y las distancias entre cada par de ciudades, ¿cuál es la ruta más corta posible que visita cada ciudad exactamente una vez y regresa a la ciudad de origen? "El algoritmo resultante formó los inicios del reconocimiento de patrones básicos.

En 1969, sin embargo, Marvin Minsky y Seymour Papert publicaron Perceptrons, un libro que discute algunas de las limitaciones de la tecnología de red neuronal existente, y tal vez fue un presagio del "invierno AI" en los años siguientes.

Inviernos de IA en los años 70 y 80

Con una carrera tan exitosa desde los años 50 hasta los años 70, impulsada no solo por los avances científicos, sino también por las elevadas expectativas públicas alimentadas por la ciencia ficción como 2001 A Space Odyssey de Stanley Kubrick o I, Robot de Isaac Asimov, un curso de colisión con limitaciones de IA Era inevitable.

Esencialmente, cuando las computadoras no podían cumplir con las expectativas irrealmente altas de todos, la financiación y el entusiasmo se agotaban, lo que conducía al desmantelamiento de los laboratorios de IA en todo el mundo. Aunque hubo un breve segundo viento de 1980 a 1987 con una gran inversión de Japón, este auge fue de corta duración y fue cancelado por otro invierno de IA de 1987 a 1993.

Roger Schank y Marvin Minsky, investigadores líderes en IA que sobrevivieron al primer invierno de la década de 1970, advirtieron a la comunidad empresarial que "el entusiasmo por la IA se había descontrolado en los años 80 y esa decepción ciertamente seguiría". Estos picos y valles en El entusiasmo de AI continúa hoy. Aunque ha habido algunos usos impopulares de la IA en los últimos años, como el uso de la IA por parte del ejército de los EE. UU. Para identificar tanques amigos o enemigos, o más recientemente el chatbot Tay de Microsoft, que exhibió rápidamente comportamientos racistas y antisemitas en Twitter el año pasado, en general hablando, se podría decir que hoy estamos en su punto más alto en términos de avances de IA, financiación y entusiasmo.

AI Landscape Today - ¿Por qué tanto calor?

Una herramienta popular para medir el despliegue tecnológico es el Hype Cycle de Gartner, que este año presenta el aprendizaje profundo y el aprendizaje automático en su apogeo. Si bien a menudo se considera más un indicador de cobertura mediática que la investigación científica, hay algunos avances legítimamente emocionantes que han llevado a la popularidad actual de AI. Entonces, ¿es todo, de hecho, bombo? No exactamente. Examinemos algunos hitos importantes de la IA de los últimos seis años que han contribuido a nuestra obsesión actual.

Hitos recientes de la IA

  • 2011: se presenta Siri de Apple, que utiliza un lenguaje algo natural para responder preguntas, hacer recomendaciones y realizar acciones simples, o en su defecto, buscar cosas en Internet por usted.
  • 2012: las redes neuronales convolucionales (CNN, por sus siglas en inglés) destruyen la competencia en la clasificación de ImageNet, también conocida como las "Olimpiadas anuales de la visión por computadora", creando furor en la comunidad y desatando un enorme resurgimiento del interés en el aprendizaje profundo.
  • Google entrena una red neuronal para reconocer con éxito a los gatos en los videos de YouTube utilizando un algoritmo de aprendizaje profundo, a pesar de no recibir información sobre cómo distinguir las características de los gatos lindos.
  • 2013: NEIL, el divertido e interminable aprendiz de imagen interminable, se lanza en la Universidad Carnegie Mellon para comparar y analizar constantemente las relaciones entre diferentes imágenes, con el objetivo de aprender la capacidad humana tan deseable pero difícil de alcanzar del sentido común.
  • 2015: Facebook comienza a implementar DeepFace, un sistema de reconocimiento facial de aprendizaje profundo que se capacitó en cuatro millones de imágenes cargadas por usuarios de Facebook. Puede identificar caras con una precisión del 97.35%, una mejora de más del 27% con respecto a los sistemas anteriores.
  • 2015: Deep Q Networks de DeepMind aprende a jugar juegos de Atari, marcando la mayoría de edad del aprendizaje de refuerzo profundo.
  • 2015–17: AlphaGo de Google DeepMind derrota a los campeones de Go, Fan Hui, Lee Sedol y Ke Jie, el jugador número 1 del mundo en ese momento.
  • 2015: Google DeepDream hace que todos se pregunten si las máquinas pueden hacer arte, generando imágenes triples utilizando una red neuronal convolucional, un software diseñado para detectar rostros y otros patrones en imágenes con el objetivo de clasificar automáticamente las imágenes.
  • 2015-presente: El artista Ross Goodwin explora nuevas formas de realidad narrada utilizando el aprendizaje automático con su poético narrador de "foto automática" Word Camera y programó la autodenominada AI "Benjamin" para escribir un guión para una película protagonizada por David Hasselhoff.
  • 2015-presente: una variedad de asistentes personales de inteligencia artificial se presentan en el hogar, con Siri de Apple ahora luchando contra Cortana de Microsoft, Alexa de Amazon y Google Now por su atención.
  • 2017: Libratus, diseñado por el profesor de Carnegie Mellon, Tuomas Sandholm, y su estudiante graduado Noam Brown ganaron contra cuatro de los mejores jugadores en la versión compleja del póker: Texas Hold‘em.
  • 2017: Deepmind de Google y los creadores del videojuego de guerra espacial multijugador StarCraft II han lanzado las herramientas para permitir que los investigadores de IA creen bots capaces de competir contra los humanos. Los bots aún no han ganado, y no se espera que lo hagan por un tiempo, pero cuando lo hagan, será un logro mucho mayor que ganar en Go.

Avances en aprendizaje automático y aprendizaje profundo

Donde viven los practicantes de IA

Todos estos hitos no habrían sido posibles sin grandes avances en las áreas más interesantes de la inteligencia artificial en la última década: aprendizaje automático y aprendizaje profundo. Aunque estos términos suenan similares, no son exactamente lo mismo. Vamos a aclarar

A partir de finales de los 90 y principios de la década de 2000, el aumento de las capacidades de almacenamiento y procesamiento de la computadora significaba que los sistemas de IA finalmente podrían tener suficientes datos y aprovechar la potencia suficiente para abordar procesos más complejos. Al mismo tiempo, la explosión en el uso y la conectividad de Internet creó una cantidad cada vez mayor de datos, como imágenes, texto, mapas o información de transacciones que se pueden usar para entrenar máquinas.

En lugar del antiguo sistema programático de reglas de "si-entonces" y procedimientos lógicos simbólicos complicados que requieren miles de líneas de código para guiar la toma de decisiones básicas como en Good Old-Fashioned Artificial Intelligence, o GOFAI, el aprendizaje automático funciona al revés. Utilizando grandes conjuntos de datos, los algoritmos aprenden de forma iterativa, buscando patrones para dar sentido a las entradas futuras. El aprendizaje automático fue resumido muy bien por el pionero del aprendizaje automático Arthur Samuel, quien en 1959 lo describió como el "campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente". El aprendizaje automático se está utilizando para abordar una amplia gama de problemas actuales, como la identificación de las células cancerosas, la predicción de la película que desea ver a continuación, la comprensión de todo tipo de lenguaje hablado o la determinación del valor de mercado de su hogar.

¿Cuáles son las células cancerosas en esta imagen? Una IA podría descubrirlo más rápido que un médico. Imagen: Gabriel Caponetti en Popular Science.

Los avances recientes en el aprendizaje automático se deben en gran medida al crecimiento del aprendizaje profundo, un subcampo del aprendizaje automático. El aprendizaje profundo toma prestado de la estructura del cerebro, al vincular muchas estructuras simples como "neuronas" para hacer cosas interesantes en una red neuronal. Al apilar muchas capas de estas neuronas artificiales (por lo tanto, "profunda"), la red en su conjunto puede aprender a realizar tareas complejas. Curiosamente, las neuronas en estas capas a menudo terminan desempeñando funciones específicas, como reconocer bordes o el contorno de un objeto específico. La fortaleza única del aprendizaje profundo es que estas subtareas, a menudo conocidas como "características", se aprenden directamente de los datos, en lugar de ser especificadas por los programadores. Esto permite que el aprendizaje profundo aborde problemas donde las soluciones no son obvias para los humanos.

Tomemos un ejemplo de la vida real: reconocer las células cancerosas. Un enfoque clásico de IA dependería de un experto humano que intente destilar su propio proceso de toma de decisiones y luego codificarlo en el algoritmo. Por ejemplo, podríamos marcar celdas que son mayores que un cierto tamaño, o tienen un contorno difuso, o una forma peculiar. Sin embargo, con el aprendizaje profundo, podemos alimentar directamente imágenes de células etiquetadas para indicar si son cancerosas o no, y nuestra red neuronal aprenderá a seleccionar las características más útiles de la imagen para esta tarea en particular. Este es un ejemplo clásico de "aprendizaje supervisado": proporcionamos algunas entradas y algunas salidas deseadas, y el algoritmo aprende a mapear de una a otra.

También podemos eliminar las etiquetas por completo y pedirle al algoritmo que agrupe las celdas que tienen algo en común. Este proceso se conoce como agrupamiento y es un tipo de aprendizaje no supervisado. Aquí no proporcionamos supervisión en forma de etiquetas, simplemente estamos utilizando el aprendizaje profundo para encontrar la estructura en los datos. En nuestro ejemplo, quizás nuestras células son de muchos tipos diferentes: células de la piel, células hepáticas y células musculares, y sería útil agruparlas antes de tratar de determinar qué células de cada grupo son cancerosas. Otras aplicaciones comunes para la agrupación incluyen la identificación de diferentes caras en sus fotos, la comprensión de diferentes tipos de clientes y la recopilación de noticias sobre el mismo tema.

No te creas la exageración: Mitos de IA versus Realidades

Entonces, con todos estos rápidos avances en IA en los últimos años, pensarías que todos estaríamos entusiasmados con eso, ¿verdad? Bueno, no todos. Al igual que en los primeros años dorados de la IA en los años 50 y 60, todavía hay una gran brecha entre nuestras expectativas de IA basadas en representaciones en la ciencia ficción y los medios, y de lo que la IA es realmente capaz hoy. (Sin mencionar el miedo desenfrenado a la interrupción, las preocupaciones de privacidad o la pérdida de trabajo asociadas con estas predicciones).

Otra forma de enmarcar esta discusión es la diferencia entre inteligencia artificial "estrecha" y "general". Gran parte de los mayores éxitos de AI hasta ahora han sido en inteligencia artificial "estrecha", es decir, realizar una tarea específica dentro de parámetros estrictos, como Siri escribiendo un mensaje de texto dictado por usted o reconociendo un gato en una imagen. No existe una noción de autoconciencia o habilidades generales para resolver problemas en la IA estrecha. Por el contrario, gran parte de lo que ha capturado la imaginación del público durante décadas ha sido esta fantasía de "inteligencia artificial general" en la forma de un asistente humano, similar a Hal 9000, R2D2 o Samantha en Ella, donde la IA tiene igual, si no mayor inteligencia que los humanos.

Para ser muy claros, estamos muy lejos de cualquier cosa que se parezca a la IA general. Yoshua Bengio, uno de los fundadores de Element AI, es explícito al hablar sobre este tema: no cree que sea razonable hacer una predicción basada en el tiempo de cuándo podría suceder esto. En una charla reciente, describió algunas razones específicas por las que todavía no estamos allí, la primera es que todos los éxitos industriales de IA hasta la fecha se han basado únicamente en el aprendizaje supervisado. Nuestros sistemas de aprendizaje siguen siendo bastante simples, ya que dependen de pistas superficiales en los datos que no funcionan bien fuera de los contextos de capacitación.

Las mancuernas generadas por la red neuronal de Google, que se completan con miembros fantasmas. Imagen: Google.

Por ejemplo, cuando Google entrenó a una red neuronal para generar imágenes de pesas basadas en miles de imágenes, lo hizo casi bien. Claro, tenemos dos pesas conectadas por una barra, pero ¿qué están haciendo esos brazos fantasmas allí? Aunque la red neuronal pudo identificar con éxito las propiedades visuales comunes de las pesas, ya que las imágenes de origen siempre mostraban humanos sosteniendo pesas, también asumía que las pesas tenían brazos.

A pesar de limitaciones tan importantes, al escuchar a Elon Musk pelear con Mark Zuckerberg el verano pasado, uno pensaría que una Tercera Guerra Mundial alimentada por la IA estaba a la vuelta de la esquina. Nuestro CEO, Jean-François Gagné, nos trae de vuelta a lo básico sobre el estado actual de la IA en una reciente publicación de blog:

“La IA es muy estrecha y frágil. No funciona bien fuera del alcance para el que está configurado. Solo puede gestionar funciones objetivas simples; entonces, realmente somos nosotros, los humanos, usando nuestra inteligencia humana para aplicarla efectivamente hasta el punto en que un trabajo pueda ser automatizado ".

Las muchas definiciones de AI

Ahora que estamos al día con los desarrollos históricos y el progreso reciente en la IA, profundicemos en las muchas definiciones que hemos desarrollado para describirlo a lo largo de los años. Si bien algunos han argumentado que el término se ha usado en exceso últimamente y que no tiene sentido, no estamos dispuestos a renunciar a él.

Cómo se usa hoy el término "IA"

Para definir la IA, comencemos examinando la inteligencia. Por un lado, podría tomar una noción simplista de intelecto, basada en un puntaje de IQ, por ejemplo. Pero todos sabemos que la inteligencia es, de hecho, mucho más compleja y en capas. El Diccionario de Oxford lo define como: "la capacidad de adquirir y aplicar conocimientos y habilidades", mientras que el enfoque del Diccionario de Cambridge es un poco diferente: "la capacidad de aprender, comprender y emitir juicios o tener opiniones basadas en la razón". Otros han desarrollado formas más matizadas de medir la inteligencia a lo largo de los años, como la teoría de las inteligencias múltiples de Howard Gardner, que presenta modalidades como musical-rítmica y armónica, visual-espacial, verbal-lingüística, lógica-matemática, corporal-kinestésica y existencial. , Entre otros. Nuestro enfoque está más cerca de esta última definición, lo que permite la adquisición, el procesamiento y la aplicación de información dentro de una amplia gama de contextos.

Nuestra idea de inteligencia también es muy antropomórfica: se basa en la forma en que nosotros, como humanos, pensamos y resolvemos problemas. La IA se entiende ampliamente de la misma manera, en que un sistema artificialmente inteligente llega a conclusiones de una manera que se asemeja al enfoque humano. Sobre la base de esta idea, David C. Parkes y Michael P. Wellman presentan la noción de IA como "homo economicus, el agente mítico perfectamente racional de la economía neoclásica". Pero aunque es tentador pensar que podríamos concebir una entidad perfectamente racional, el Los datos utilizados para entrenar la IA a menudo son inherentemente defectuosos, debido al sesgo humano o de otro tipo, lo que hace que la "racionalidad perfecta" sea casi imposible de evaluar.

Un informe de la Casa Blanca de 2016 sobre sumas de IA sobre los desafíos para llegar a una definición coherente: “No existe una definición única de IA que sea universalmente aceptada por los profesionales. Algunos definen la IA como un sistema computarizado que exhibe un comportamiento que comúnmente se considera que requiere inteligencia. Otros definen la IA como un sistema capaz de resolver racionalmente problemas complejos o tomar acciones apropiadas para lograr sus objetivos en cualquier circunstancia del mundo real que se encuentre ”. Es interesante notar que no usan el término“ comportamiento humano ”aquí, sino simplemente "comportamiento".

El filósofo sueco Nick Bostrom se centra en la noción de aprendizaje y adaptación en inteligencia artificial en su libro Superintelligence: Paths, Dangers, Strategies: "La capacidad de aprender sería una característica integral del diseño central de un sistema destinado a lograr inteligencia general ... Lo mismo se sostiene por la capacidad de lidiar con la incertidumbre y la información probabilística ". Otros, como el profesor de ingeniería informática Ethem Alpaydın en una Introducción al aprendizaje automático, afirman que" un sistema inteligente debería ser capaz de adaptarse a su entorno; debería aprender a no repetir sus errores sino a repetir sus éxitos ".

Nuestras definiciones

Además de examinar cómo otros definen la IA hoy en día, parte de nuestra investigación también incluyó el envío de una encuesta a toda la compañía pidiéndoles a nuestros colegas que definan la inteligencia artificial, en una oración (o dos o tres). En los resultados de la encuesta, surgieron tres categorías principales de respuestas:

  1. La IA es la capacidad de una computadora para tomar decisiones o predecir, según los datos disponibles.
  2. La IA es la capacidad de una computadora para replicar funciones cerebrales de orden superior, como la percepción, la cognición, el control, la planificación o la estrategia.
  3. AI es un programa creado por datos y computación, es decir, no codificado.

Para nuestros propósitos de hoy, ¿son suficientes estas definiciones? ¿Cuáles son algunas de las trampas al intentar definir un concepto tan amplio y en constante evolución?

Porque esto es tan difícil?

El fenómeno de la "trampa" es uno de los principales desafíos cuando hablamos de IA. Los usos frecuentes del término han dado como resultado una amplia gama de aplicaciones y una confusión inherente, como lo explica Genevieve Bell, PhD en Stanford en Antropología y Director de Investigación de Interacción y Experiencia en Intel:

"Para mí, la inteligencia artificial es un término generalizado y es un término que está en ciclo dentro y fuera de la popularidad. Está de vuelta en este momento. Es un término general bajo el cual puede hablar sobre computación cognitiva, aprendizaje automático y aprendizaje profundo, y algoritmos. Es una trampa porque significa todo y nada al mismo tiempo. Es una categoría cultural tanto como técnica ".

El término se usa a menudo en circunstancias incorrectas (o más bien imprecisas) porque es muy amplio, como se describe en este documento de debate del Instituto Global McKinsey 2017, AI: La próxima frontera digital:

"... Es difícil de precisar porque las personas mezclan y combinan diferentes tecnologías para crear soluciones para problemas individuales. A veces, estas son tratadas como tecnologías independientes, a veces como subgrupos de otra tecnología y otras como aplicaciones ... Algunos marcos agrupan las tecnologías de IA por funcionalidad básica ..., algunas las agrupan por aplicaciones comerciales ... "

Otro desafío importante para definir la IA es el hecho de que la ciencia y sus aplicaciones están en constante evolución. Como Pamela McCorduck explica en su libro Machines Who Think, a menudo un sistema inteligente que resuelve un nuevo problema se descarta como "solo cómputo" o "no inteligencia real". El filósofo Bostrom lo resume muy bien: "Una gran cantidad de IA de vanguardia se ha filtrado en aplicaciones generales, a menudo sin ser llamada AI porque una vez que algo se vuelve lo suficientemente útil y común, ya no se etiqueta como AI". Por ejemplo, el programa de IBM que jugaba a las damas. en 1951 podría haberse considerado una IA innovadora en ese momento, pero hoy se describiría como informática básica. O más recientemente, algunos argumentarían pesimistamente que no hay nada "inteligente" en ninguna "IA estrecha", como AlphaGo que golpea a Lee Sedol.

Teniendo en cuenta todos estos desafíos, ¿hay alguna forma de reducir el ruido cultural y mediático que nubla nuestro juicio y centrarse en cuestiones tangibles? Cuando usamos la palabra "AI", generalmente nos referimos a una tecnología específica, como el procesamiento del lenguaje natural, el aprendizaje automático o la visión artificial. Así que ser lo más específico posible es un buen lugar para comenzar. Sin embargo, en otras circunstancias, el uso del término "IA" no está fuera de lugar, como en situaciones en las que realmente no sabemos con precisión qué tecnología se está utilizando. Es una trampa en la que no somos inmunes a caer, junto con todos los profesionales y periodistas de IA que alimentan esta discusión en curso.

Mirando hacia el futuro

Al tratar de articular claramente lo que "AI" es, hemos descubierto que significa diferentes cosas para diferentes personas. Es una idea que ha capturado nuestra imaginación durante mucho tiempo. Incluso si lo reducimos a la informática, sigue siendo muy amplio. Con esto en mente, creemos que es importante centrarse en cómo la IA ya está cambiando nuestras vidas, los avances actuales que están provocando esta exageración. Kevin Kelly resumió esto muy bien en una reciente charla de TED:

“No hay expertos en inteligencia artificial en este momento. Se destina mucho dinero, se gastan miles de millones de dólares; es un gran negocio, pero no hay expertos, en comparación con lo que sabremos dentro de 20 años. Así que estamos justo al comienzo del comienzo, estamos en la primera hora de todo esto ... El producto de IA más popular en 20 años a partir de ahora, que todos usan, aún no se ha inventado. Eso significa que no llegas tarde ".

En otras palabras, es normal que nuestras nociones de IA impliquen múltiples puntos de vista y, a veces, ideas contradictorias porque está evolucionando y sucediendo ahora. Esto no está destinado a ser leído como una copia, sino más bien un llamado a aceptar su grandeza y desorden inherentes a medida que trabajamos para mejorarlo.

Todo esto para decir, no vamos a establecer LA definición. Sin embargo, queremos que los diseñadores que luchan con la tecnología que entra en producción hoy tengan una comprensión básica de la IA y sus capacidades. Si "AI es lo que aún no se ha hecho", como lo expresa el Teorema de Tesler, entonces es precisamente allí donde debemos mirar, no a lo que ya se ha hecho, sino a lo que es posible, o muy pronto lo que será.

Creemos que, en esencia, la IA es una inmensa oportunidad de aprendizaje y, si se desarrolla de manera consciente, puede impulsar a los humanos hacia avances de gran alcance. A medida que los arados tirados por caballos revolucionaron drásticamente la agricultura en los años 1100, y las máquinas de vapor impulsaron la fabricación y el transporte a una nueva era en el siglo XVIII, vemos que la IA apuntala el próximo siglo de innovación digital. Como dijo recientemente el profesor de física del MIT, Max Tegmark, ahora no es el momento de reflexionar sobre el futuro como un evento predestinado hacia el que inevitablemente nos precipitamos, sino que deberíamos preguntarnos: “¿Qué tipo de futuro queremos diseñar? con IA?

Si te gustó esto, busca el próximo capítulo de nuestra serie AI-First Design Foundations: ¿Qué es el diseño realmente?

Autores y colaboradores

Rebecca West es editora de AI1D Journal en Element AI y escritora centrada en proyectos en la intersección de diseño, tecnología y creatividad.

Ilustraciones de Dona Solo, diseñadora visual de Element AI.

Con contribuciones de la diseñadora de experiencias Masha Krol, el científico de investigación aplicada Archy de Berker y nuestro pasante de investigación del verano de 2017 Louis-Félix La Roche-Morin.