Una cosa es imaginar una inteligencia parecida a la humana, y otra muy distinta es lograr construirla. A lo largo del tiempo se intentó de muchas formas imitar el modo en que las personas aprenden, pero como ocurre en todos los proyectos, aparecieron distintas ideas para resolver el mismo reto. De entre todas, destacaron dos enfoques principales:

1. El enfoque basado en reglas: consistía en escribir todas las instrucciones posibles que debía seguir la máquina, como si fuera una receta muy detallada. Si ocurre esto, haz esto otro. Era preciso anticipar todas las situaciones posibles, lo cual resultaba complicado cuando el entorno cambiaba o aparecían casos nuevos.
2. El enfoque basado en datos: en lugar de decirle a la máquina qué hacer en cada caso, se le daban muchos ejemplos para que aprendiera por sí sola, como hacemos las personas al aprender por experiencia. Así nació el aprendizaje automático o Machine Learning, que dio paso a la inteligencia artificial actual.

El primer enfoque que se utilizó para crear inteligencia artificial se basaba en enseñar a las máquinas reglas muy claras, como si fueran instrucciones escritas por personas expertas. Este método fue muy usado en los años 60 y 70.

Por ejemplo:

Uno de los algoritmos más conocidos de este tipo son los árboles de decisión, que funcionan como un juego de preguntas: la máquina va siguiendo diferentes caminos según las respuestas, hasta llegar a una conclusión final.

Este tipo de inteligencia artificial tiene la ventaja de ser fácil de entender, ya que seguimos paso a paso cómo toma una decisión. Sin embargo, también tiene una desventaja importante: necesita que las personas le indiquen todas las reglas, por lo que no puede aprender por sí sola a partir de nuevos datos.

En la imagen tienes un ejemplo para decidir si un animal en concreto es un perro o un gato.

Con el tiempo, los ordenadores se hicieron más rápidos y empezamos a tener muchos datos, como imágenes, textos o sonidos. Gracias a esto, surgió una nueva forma de crear inteligencia artificial: en vez de darle reglas, se le enseña con ejemplos reales.

Un ejemplo muy conocido de este enfoque son las redes neuronales, que imitan la forma en que funciona el cerebro humano. Estas redes pueden aprender por sí solas viendo miles o millones de ejemplos. Por ejemplo, pueden aprender a reconocer gatos si se les muestran muchas fotos de gatos.

Este es el método que utilizan la mayoría de las técnicas actuales de inteligencia artificial, conocido como aprendizaje automático o Machine Learning.

Este enfoque tiene la ventaja de que la inteligencia artificial puede aprender por sí sola a partir de muchos datos y resolver problemas muy complejos. Sin embargo, también tiene desventajas: a veces no entendemos cómo ha llegado a una respuesta (es como una “caja negra”) y necesita muchísima información para entrenarse bien.

En la inteligencia artificial actual, se utiliza un enfoque híbrido que combina el aprendizaje automático (Machine Learning) con el uso de conocimiento estructurado, como reglas, taxonomías o árboles de decisión.

Esta combinación ha dado lugar a nuevas y potentes técnicas como el Deep Learning (un tipo de aprendizaje automático que utiliza redes neuronales con muchas capas para reconocer patrones complejos) y los Transformers (modelos muy avanzados que entienden el lenguaje, las imágenes o los sonidos, y que permiten tareas como la traducción automática o la generación de texto). Estas técnicas permiten a las máquinas aprender de grandes volúmenes de datos sin perder de vista el contexto y el conocimiento experto.

El modelo híbrido junta lo mejor de las dos: usa datos para mejorar, y usa reglas para ser más claro y preciso. Así, los robots o asistentes virtuales pueden responder mejor, más rápido y con menos errores.