Historia de la inteligencia artificial

La inteligencia artificial reúne tradiciones de investigación que se solapan. Algunos sistemas razonan con estructuras explícitas, otros aprenden patrones y otros eligen acciones. Han coexistido y se han combinado; cada novedad no volvió obsoleto todo lo anterior.

Un nombre para varias ambiciones

La propuesta Dartmouth de 1955 utilizó «inteligencia artificial» para un proyecto celebrado en 1956. Se apoyaba en trabajos anteriores de lógica, computación, estadística y modelos neuronales. Nombrar el campo no creó todas sus ideas de una vez.

La IA simbólica utiliza representaciones, reglas, búsqueda y planificación. Los sistemas expertos codificaron conocimiento para tareas delimitadas. A veces se podía inspeccionar su razonamiento, pero mantener conocimiento y resolver excepciones seguía siendo difícil. Una regla de cortafuegos se parece a una política explícita; llamar IA a cualquier regla difumina esa distinción.

La propuesta original está fechada el 31 de agosto de 1955; el proyecto de verano corresponde a 1956. Separar ambas fechas distingue el programa de investigación del trabajo que proponía. Su amplitud también importa: lenguaje, abstracción, modelos neuronales y resolución de problemas ya formaban parte de la conversación. La IA moderna no comenzó con un único asistente conversacional ni con un solo método para aprender de ejemplos.

Progreso y decepción se solaparon

Los llamados inviernos de IA incluyeron reducciones de expectativas, inversión o apoyo en partes del campo. Tuvieron causas variadas: límites de sistemas, economía y promesas superiores a resultados. La investigación útil continuó.

La lección práctica es comparar rendimiento demostrado y tarea prevista. Un hito, una demostración convincente o una etiqueta comercial no establecen fiabilidad en condiciones desconocidas.

Aprender cambia dónde están las suposiciones

El Aprendizaje automático ajusta modelos con ejemplos o experiencia. Incluye métodos supervisados, no supervisados y por refuerzo, con señales distintas. Selección de datos, objetivos y evaluación forman parte de las suposiciones.

Un detector entrenado en un entorno puede cambiar al variar tráfico o comportamiento. Una puntuación segura puede ser errónea, y no toda puntuación es una probabilidad calibrada. Evalúa falsas alarmas, omisiones y efectos desiguales entre grupos relevantes.

El Aprendizaje profundo utiliza varias capas neuronales aprendidas. AlexNet e ImageNet en 2012 ofrecen un hito público de visión, no la invención de redes neuronales. Contribuyeron datos, algoritmos, hardware y entrenamiento. Mejorar una tarea no se transfiere automáticamente a otra.

Una biblioteca, dos formas de decidir

Imagina una biblioteca ficticia que distribuye consultas. Una regla explícita envía al equipo de socios los mensajes que incluyen el identificador de un formulario concreto. El personal puede inspeccionar y modificar esa condición. Si cambia el identificador, alguien debe actualizar la regla. Una decisión transparente puede seguir apoyándose en conocimiento incompleto o anticuado. Este ejemplo ilustra lógica explícita sin convertir cualquier condición en un sistema experto.

Un clasificador aprendido utiliza ejemplos etiquetados por el personal para estimar a qué equipo corresponde un mensaje. Puede reconocer formas de expresión que una regla literal no detecta. Pero las etiquetas reflejan prácticas anteriores: si se enviaban sistemáticamente al equipo equivocado las consultas en cierto idioma, el entrenamiento puede reproducir ese patrón. Acumular ejemplos del mismo error no mejora automáticamente el objetivo.

Ambos enfoques necesitan mantenimiento. La regla exige un responsable que atienda cambios de política y excepciones. El clasificador necesita ejemplos pertinentes, evaluación significativa y seguimiento cuando cambian el lenguaje o los hábitos de trabajo. Un sistema combinado puede usar un modelo para sugerir una categoría y una regla para exigir revisión antes de revelar un registro privado.

Una buena puntuación necesita una prueba realista

Supón que una prueba reúne 990 consultas ordinarias y 10 solicitudes urgentes de accesibilidad. Un sistema que envía todas a la cola ordinaria acierta el 99 por ciento si esas son las etiquetas, pero omite todos los casos urgentes. Los números son ficticios; muestran cómo un promedio oculta precisamente el error más importante.

Una evaluación útil incluye la tarea real, condiciones representativas, grupos pertinentes y el costo de equivocarse. Si los ejemplos de prueba se copiaron del entrenamiento, quizá se mida familiaridad en lugar de la capacidad buscada. Una prueba de referencia compara una habilidad delimitada; desplegar el sistema añade usuarios cambiantes, presión de tiempo, incertidumbre y recuperación.

PrediceMejora la puntuación media del modelo, pero se duplican las solicitudes urgentes que no detecta. ¿Ha mejorado necesariamente el servicio?

No. El equipo debe examinar errores y consecuencias, además del total. Puede necesitar otro umbral, mejores ejemplos, una vía de revisión o un uso más acotado del modelo.

Estas comparaciones explican por qué los métodos anteriores siguen siendo útiles. Reglas predecibles, estimaciones estadísticas y representaciones aprendidas resuelven partes distintas del problema. Un modelo nuevo puede ampliar capacidades mientras una regla bien escogida sigue siendo la forma más clara de expresar un permiso o un límite operativo. Además, una revisión humana solo ayuda si la persona dispone de tiempo, evidencia y una manera efectiva de corregir el resultado; añadir su nombre a un proceso no basta.

Los agentes preceden a los asistentes actuales

Un Agente elige acciones según observaciones y objetivo. Planificación, robótica y juegos usaron estas ideas antes de los asistentes de lenguaje. Un asistente moderno puede combinar modelo, recuperación de información, memoria, permisos y un ciclo de ejecución.

Las herramientas amplían consecuencias, pero no son necesarias para causar daño. El texto puede revelar información sensible, engañar o influir en decisiones importantes. Una herramienta acotada puede ser apropiada si están claros identidad, operaciones y manejo de errores.

Supervisión útil significa responsabilidades, evidencia pertinente, corrección accesible y posibilidad de detenerse o recuperarse. Continúa con modelos de lenguaje para conocer una familia de sistemas que produce y utiliza texto.