La inteligencia artificial se puede organizar de varias maneras, según las etapas de desarrollo o las acciones que se están realizando.

Por ejemplo, se suelen reconocer cuatro etapas de desarrollo de la IA.

1. Máquinas reactivas: IA limitada que solo reacciona a diferentes tipos de estímulos basados en reglas preprogramadas. No usa memoria y, por lo tanto, no puede aprender con datos nuevos. Deep Blue de IBM, que venció al campeón de ajedrez Garry Kasparov en 1997, fue un ejemplo de una máquina reactiva.
2. Memoria limitada: Se considera que la mayor parte de la IA moderna es de memoria limitada. Puede usar la memoria para mejorar con el tiempo mediante el entrenamiento con datos nuevos, por lo general, a través de una red neuronal artificial o algún otro modelo de entrenamiento. El aprendizaje profundo, un subconjunto del aprendizaje automático, se considera inteligencia artificial con memoria limitada.
3. Teoría de la mente: En la actualidad no existe IA con teoría de la mente, pero se están investigando distintas posibilidades. El término hace referencia a la IA que puede emular la mente humana y tiene capacidades de toma de decisiones similares a las de un ser humano, lo cual incluye reconocer y recordar emociones, y reaccionar en situaciones sociales como lo haría un ser humano.
4. Autoconocimiento: Un paso más allá de la IA con teoría de la mente, el concepto de IA con autoconocimiento describe una máquina mítica que tiene conocimiento de su propia existencia y tiene las capacidades intelectuales y emocionales de un ser humano. Al igual que la IA con teoría de la mente, la IA con autoconciencia no existe en la actualidad.

Una forma más útil de categorizar ampliamente los tipos de inteligencia artificial es según lo que puede hacer la máquina. Todo lo que llamamos inteligencia artificial actualmente se considera inteligencia “estrecha” porque solo puede realizar un conjunto reducido de acciones en función de su programación y entrenamiento. Por ejemplo, un algoritmo de IA que se use para la clasificación de objetos no podrá realizar procesamiento de lenguaje natural. La Búsqueda de Google es una forma de IA estrecha, al igual que las estadísticas predictivas o los asistentes virtuales.

La inteligencia artificial general (AGI) sería la capacidad de una máquina de “sentir, pensar y actuar” como lo haría una persona. La AGI no existe actualmente. El siguiente nivel sería la superinteligencia artificial (ASI), en la que la máquina podría funcionar de manera superior a la humana en todo aspecto.

Cuando las empresas hablan de IA, suelen hablar de “datos de entrenamiento”. Pero ¿qué significa eso? Recuerda que la inteligencia artificial con memoria limitada es una IA que mejora con el tiempo, ya que se entrena con datos nuevos. El aprendizaje automático es un subconjunto de la inteligencia artificial que usa algoritmos para entrenar datos y obtener resultados.

A grandes rasgos, suelen usarse tres tipos de modelos de aprendizaje en el aprendizaje automático:

El aprendizaje supervisado es un modelo de aprendizaje automático que asigna una entrada específica a un resultado mediante datos de entrenamiento etiquetados (datos estructurados). En términos simples, para entrenar un algoritmo que reconozca imágenes de gatos, se lo alimenta con imágenes etiquetadas como gatos.

El aprendizaje no supervisado es un modelo de aprendizaje automático que aprende patrones en función de datos no etiquetados (datos no estructurados). A diferencia del aprendizaje supervisado, el resultado final no se conoce con anticipación. En cambio, el algoritmo aprende de los datos y los clasifica en grupos en función de diversos atributos. Por ejemplo, el aprendizaje no supervisado es bueno para identificar patrones y realizar modelado descriptivo.

Además del aprendizaje supervisado y no supervisado, suele emplearse un enfoque mixto llamado aprendizaje semisupervisado, en el que solo se etiquetan algunos de los datos. En el aprendizaje semisupervisado, se conoce un resultado final, pero el algoritmo debe determinar cómo organizar y estructurar los datos para lograr los resultados deseados.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir en términos generales como “aprender haciendo”. Un “agente” aprende a realizar una tarea definida mediante prueba y error (un bucle de reacción) hasta que su rendimiento está dentro de un rango deseado. El agente recibe un refuerzo positivo cuando realiza la tarea de forma correcta y un refuerzo negativo cuando tiene bajo rendimiento. Un ejemplo de aprendizaje por refuerzo sería enseñarle a una mano robótica a recoger una pelota.

Un tipo común de modelo de entrenamiento en la IA es una red neuronal artificial, que se basa a grandes rasgos en el cerebro humano.

Una red neuronal es un sistema de neuronas artificiales (a veces llamadas perceptrones), que son nodos de procesamiento que se usan para clasificar y analizar datos. Los datos se ingresan en la primera capa de una red neuronal, y cada perceptrón toma una decisión y, luego, pasa esa información a varios nodos de la siguiente capa. Los modelos de entrenamiento con más de tres capas se denominan “redes neuronales profundas” o “aprendizaje profundo”. Algunas redes neuronales modernas tienen cientos o miles de capas. La salida de los perceptrones finales permite realizar la tarea impuesta a la red neuronal, como clasificar un objeto o encontrar patrones en los datos.

Estos son algunos de los tipos más comunes de redes neuronales artificiales que puedes encontrar:

Las redes neuronales prealimentadas (FF) son una de las formas más antiguas de redes neuronales, ya que los datos fluyen en una dirección a través de capas de neuronas artificiales hasta que se obtiene el resultado. En la actualidad, la mayoría de las redes neuronales prealimentadas se consideran “prealimentadas profundas”con varias capas (y más de una capa “oculta”). Las redes neuronales prealimentadas suelen vincularse a un algoritmo de corrección de errores llamado “propagación inversa” que, en términos simples, comienza con el resultado de la red neuronal y realiza el proceso en sentido inverso para llegar al principio, detectando errores para mejorar la exactitud de la red neuronal. Muchas redes neuronales simples, pero potentes, son prealimentadas profundas.

Las redes neuronales recurrentes (RNN) difieren de las redes neuronales prealimentadas en que suelen usar datos de series temporales o datos que involucran secuencias. A diferencia de las redes neuronales prealimentadas, que usan ponderaciones en cada nodo de la red, las redes neuronales recurrentes tienen “memoria” de lo que sucedió en la capa anterior como contingente a la salida de la capa actual. Por ejemplo, cuando se realiza procesamiento de lenguaje natural, las RNN pueden “tener en cuenta” otras palabras usadas en una oración. Las RNN a menudo se usan para el reconocimiento de voz, la traducción y la generación de descripciones de imágenes.

La memoria a largo/corto plazo (LSTM) es una forma avanzada de RNN que puede usar memoria para “recordar” lo que sucedió en capas anteriores. La diferencia entre las RNN y las LTSM es que estas últimas pueden recordar lo que sucedió hace varias capas mediante el uso de “celdas de memoria”. La LSTM suele usarse para el reconocimiento de voz y la realización de predicciones.

Las redes neuronales convolucionales (CNN) incluyenalgunas de las redes neuronales más comunes en la inteligencia artificial moderna. Las CNN suelen usarse en el reconocimiento de imágenes y emplean varias capas distintas (una capa convolucional y, luego, una capa de agrupación) que filtran diferentes partes de una imagen antes de volver a unirla (en la capa completamente conectada). Es posible que las capas convolucionales anteriores busquen características simples de una imagen, como colores y bordes, antes de buscar características más complejas en capas adicionales.

En las redes generativas adversarias (GAN), se usan dos redes neuronales que compiten entre sí en un juego que, en última instancia, mejora la exactitud del resultado. Una red (el generador) crea ejemplos que la otra red (el discriminante) juzga como verdaderos o falsos. Las GAN se han usado para crear imágenes realistas y hasta hacer arte.