IA y APP INVENTOR

Para contestar esta pregunta vamos a tener que ponernos un pelín teóricos. Pero no nos asustemos porque los conceptos son muy sencillos, de verdad.

Desde que nació el estudio de la IA ha habido dos enfoques enfrentados. Por un lado, hay una escuela de pensamiento que defiende que para que una máquina pueda razonar, las personas que la programan tienen que definir un conjunto de reglas (algoritmos) y principios de lógica que la máquina pueda seguir. A esta escuela se la llama top-down (de arriba a abajo). 

Este enfoque es totalmente equivalente a la forma tradicional en que programamos nuestros proyectos Scratch o App Inventor, por ejemplo. La persona que programa elabora un algoritmo que soluciona un determinado problema e implementa un programa o conjunto de programas para que el ordenador pueda automatizar la tarea.

¿Te das cuenta de lo buena noticia que es esto? ¡Ya dominas una mitad de los enfoques para trabajar la IA!

Sin embargo, otra escuela de pensamiento defiende que, inspirándonos en la biología, las máquinas deberían aprender a partir de la observación y la experiencia, es decir, a partir de datos. A este enfoque se le llama bottom-up (de abajo a arriba).

Si bien durante las primeras décadas del desarrollo de la IA el enfoque top-down tuvo más éxito, el enfoque bottom-up se ha beneficiado recientemente de manera extraordinaria por las grandes cantidades de datos que investigadores y empresas tienen a su disposición. A estas cantidades ingentes de datos se le llama Big Data, como decíamos en una pregunta anterior. 

En consecuencia, los mayores éxitos de la IA y los logros más llamativos de los últimos años se han producido siguiendo este enfoque, en el que los ordenadores “aprenden automáticamente” a partir de datos. Por ello también se conoce a este enfoque como “Aprendizaje automático” o “Machine learning” en inglés. Y dentro de las técnicas que se utilizan en este enfoque, han destacado las que se basan en redes neuronales que tienen muchas capas y, por tanto, son profundas. A estas técnicas se les llama “Deep learning” o “Aprendizaje profundo”.

Para ver en acción cómo funcionan este tipo de sistemas os proponemos que juguéis unas partidas con Quick Draw (Corre, dibuja), que es un juego construido usando aprendizaje automático. En cada partida se pide que dibujes algunos objetos, y el sistema, implementado con una red neuronal, intenta adivinar lo que estás dibujando. El sistema ha sido entrenado con dibujos de diferentes objetos, de forma que cuando tú dibujas algo, el sistema trata de encontrar ejemplos similares para intentar deducir de qué se trata. Por supuesto, no siempre funciona, pero cuanto más juegues con él, más aprenderá. Y lo bueno es que cuando terminas la partida, puedes ver una explicación del razonamiento que ha seguido. Ah, y cuando juegues, no olvides encender bien los altavoces para ir escuchando cada uno de los intentos que realiza.

Aunque todo lo explicado en esta pregunta es un poco teórico y tampoco es fundamental para nuestro curso, creemos que puede ser interesante comprender a qué se refieren estos términos que leerás a menudo en artículos sobre IA. Y de hecho, ahora que sabes qué significan, es probable que leas artículos de prensa o veas reportajes de televisión en los que te dés cuenta que usan incorrectamente estas palabrejas .