Mientras las redes neuronales quedaban un poco “en pausa” tras la desilusión del perceptrón, durante las décadas de 1960 y 1970 la investigación en inteligencia artificial tomó un rumbo diferente: el desarrollo
Pero en la tecnología, como en la vida, después de los inviernos llegan las “primaveras”, y a comienzos de los años 80, los sistemas expertos vivieron un nuevo auge, considerado por muchos
En 1987, sin embargo, vuelve desaparecer el entusiasmo tras demostrarse que los sistemas expertos eran difíciles de escalar, caros de mantener y poco adaptables a contextos específicos. La iniciativa japonesa fracasó, y
A partir de los 2000, el machine learning se convirtió en el enfoque que captó toda la atención en el campo de la IA, dejando totalmente de lado a los sistemas expertos.
Habría que esperar hasta 2006 para que la euforia volviera a ser completa gracias al renacimiento de las redes neuronales profundas (Deep Learning), impulsadas por tres factores clave: más datos que nunca
Cuando hablamos de inteligencia artificial, es muy habitual oír palabras como chips, GPUs o procesadores… pero muchas veces no tenemos claro qué significa cada cosa. La forma más sencilla de entenderlo es
«La inteligencia artificial es, como solemos decir bromeando quienes trabajamos en ella, aquello que los ordenadores todavía no saben hacer. En cuanto lo aprenden, dejamos de llamarlo IA y pasa a ser,
Hoy en día, cuando hablamos de inteligencia artificial, solemos pensar en herramientas que nos ayudan con tareas específicas: traducir un texto, resumir una noticia, generar una imagen o responder una consulta. A
Inteligencia Artificial Analítica Este tipo de inteligencia artificial se orienta a la exploración, análisis y comprensión profunda de enormes volúmenes de datos. Su objetivo principal es descubrir patrones, relaciones ocultas y estructuras
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