Machine Learning (ML)

El machine learning o aprendizaje automático es una de las técnicas fundamentales de la IA. Es lo que permite que los sistemas aprendan a partir de datos sin que sea necesario programar explícitamente cada paso del proceso.

Aunque le dedicaremos un capítulo entero, se puede explicar el ML de la siguiente forma: a través de analizar ejemplos, el modelo ajusta sus propios parámetros para mejorar su rendimiento en tareas como la clasificación, la predicción o la segmentación. Es decir, el modelo no solo aprende de los ejemplos proporcionados, sino que en base a ellos va sacando su propio aprendizaje llegando a resolver problemas complejos o resolver situaciones nuevas que no ha visto anteriormente.

Deep Learning (DL)

Es un subcampo del machine learning que utiliza redes neuronales profundas compuestas por múltiples capas de procesamiento. Gracias a estas capas, el modelo es capaz de aprender representaciones jerárquicas y altamente complejas de los datos.

Esta estructura permite al sistema identificar patrones a niveles cada vez más abstractos, lo cual es esencial en tareas de alta dificultad como el reconocimiento de imágenes, el análisis de texto, la traducción automática o la síntesis de voz.

Su éxito ha sido impulsado por la disponibilidad de grandes volúmenes de datos y la enorme mejora de la capacidad de cómputo, en los últimos años.

Lógica Difusa (Fuzzy Logic)

A diferencia de la lógica clásica binaria, donde todo es verdadero o falso, la lógica difusa permite trabajar con grados de certeza o pertenencia. Es decir, acepta valores intermedios entre el “sí” y el “no”, lo que resulta muy útil para representar conceptos vagos o imprecisos, como “un poco caliente” o “bastante probable”.

Se utiliza frecuentemente en sistemas de control, domótica, climatización o automatización industrial, donde las condiciones reales no son absolutas, sino variables y matizadas.

Sistemas Expertos

Los sistemas expertos se basan en una representación formal del conocimiento humano, estructurado en forma de reglas “si X, entonces Y” dentro de una base de conocimiento experto (de ahí su nombre).

Estos sistemas no aprenden por sí mismos, pero pueden razonar y tomar decisiones sobre datos nuevos dentro de un dominio previamente definido y alimentado.

Utilizan un motor de inferencia que evalúa las reglas disponibles para resolver problemas o emitir diagnósticos. Aunque más limitados frente a las técnicas actuales, siguen siendo eficaces en contextos donde el conocimiento está bien formalizado y especializado.

Algoritmos Evolutivos

Se basan en los principios de la biología evolutiva y su nombre se debe a que, como ella, utilizan mecanismos como la selección natural, la mutación y el cruce genético para desarrollar soluciones a lo largo de generaciones.

Pueden llegar a ser muy útiles para resolver problemas de optimización en los que la búsqueda o investigación profunda no es del todo viable, porque no siguen una lógica paso a paso, sino que exploran el espacio de soluciones de forma flexible, buscando y probando variaciones (mutaciones) y combinando soluciones parciales (cruces) a lo largo de múltiples generaciones. Esto les permite descubrir soluciones inesperadas que un método tradicional podría pasar por alto.

Se aplican, por ejemplo, en diseño de ingeniería, planificación de rutas, calibración de modelos o inteligencia artificial creativa, donde no hay una única respuesta válida.

Redes Bayesianas

Son modelos gráficos probabilísticos que representan relaciones de dependencia condicional entre variables dentro de un sistema complejo.

En una red bayesiana, las variables se representan como nodos, y las dependencias directas entre ellas se indican mediante arcos dirigidos (flechas). Cada flecha indica que una variable influye directamente sobre otra, estableciendo así una dirección en el flujo de información o causalidad.

Por ejemplo, un nodo puede representar la variable “promoción” y otro “venta”; si existe una flecha de “promoción” hacia “venta”, esto implica que la probabilidad de que se realice una venta depende (al menos parcialmente) de si hay o no una promoción:

P(Venta = sí | Promoción = sí) > P(Venta = sí | Promoción = no)

Estos modelos se basan en la teoría bayesiana de la probabilidad, que permite actualizar nuestras creencias sobre un fenómeno conforme obtenemos nueva evidencia. En lugar de trabajar con probabilidades estáticas, una red bayesiana ajusta dinámicamente las probabilidades condicionales a medida que se incorporan nuevos datos, aplicando el teorema de Bayes.

Esta capacidad de razonar bajo incertidumbre y adaptar las conclusiones a la evidencia hace que las redes bayesianas sean especialmente útiles en contextos como el diagnóstico médico, el análisis de riesgos, la predicción de eventos inciertos o la toma de decisiones informadas cuando se dispone de información incompleta.

IA Simbólica

También conocida como IA basada en reglas, la inteligencia artificial simbólica utiliza símbolos, estructuras lógicas y lenguajes formales (como lógica proposicional o lógica de predicados) para representar el conocimiento y razonar de forma explícita.

Fue el enfoque que más se utilizó en los inicios de la IA, especialmente en los sistemas expertos, y sigue siendo relevante en contextos donde se necesita trazabilidad, explicabilidad o cumplimiento normativo.

A diferencia de los métodos conexionistas (como las redes neuronales), la IA simbólica no aprende automáticamente a partir de datos, sino que opera sobre reglas definidas manualmente. Esto limita su capacidad de adaptación, pero también le otorga una transparencia lógica que facilita la interpretación y validación de los procesos de decisión.

Actualmente, sigue siendo útil en aplicaciones que requieren razonamiento formal, como los motores de reglas, los sistemas jurídicos automatizados, el diagnóstico lógico (identificar la causa de un fallo o comportamiento anómalo en un sistema) o la representación estructurada del conocimiento.

IA Híbrida

La inteligencia artificial híbrida combina los enfoques simbólicos (basados en reglas y conocimiento estructurado) con enfoques conexionistas (como las redes neuronales), con el objetivo de superar las limitaciones que tienen cada uno por separado.

Mientras que la IA simbólica destaca por su capacidad de razonamiento lógico, trazabilidad y explicabilidad, los métodos conexionistas sobresalen en el aprendizaje automático, la adaptación a datos no estructurados y el reconocimiento de patrones complejos.

La IA híbrida busca integrar lo mejor de ambos para construir sistemas más potentes, flexibles y comprensibles.

Esto permite desarrollar soluciones que pueden aprender de la experiencia y, al mismo tiempo, razonar sobre conocimientos explícitos, facilitando aplicaciones avanzadas en contextos donde se requiere tanto autonomía como capacidad de justificación.