Avances científico-tecnológicos en inteligencia artificial responsable
| Autor | Javier Andreu-Perez, Luis Martínez, Ana R Andreu-Perez, Deepak Sharma, Prashant Gupta |
| Páginas | 593-616 |
AVANCES CIENTÍFICO-TECNOLÓGICOS EN
INTELIGENCIA ARTIFICIAL RESPONSABLE
J A-P1,3, L M1, A R A-P2,
D S1,5, P G4
J. A-P, L. M, A. R A-P, D. S, P. G
1Departamento de Informática, Universidad de Jaén
2Psicología social y cognitiva, Universidad de Granada
3Center for Computational Intelligence, University of Essex
4German Research Center for Artificial Intelligence (DFKI)
5 Department of Computer Science & Engineering,
Amity School of Engineering & Technology, Amity University
Sumario: Introducción; 2. El aprendizaje automático; 3. Hacia una IA adaptada para con-
vivir en la sociedad de forma responsable; 4. Inteligencia Artificial Interpretable
(XAI); 5. Lógica difusa; 6. Computación con palabras; 7. Análisis documental de
las publicaciones inteligencia artificial interpretable; 8. El Sesgo en la Inteligencia
Artificial; 9. Preservación de la Privacidad en la IA; 10. La Inteligencia Artificial
Social y Afectiva; 11. Conclusión; 12. Referencias
1. INTRODUCCIÓN
El campo de la inteligencia artificial (IA) y el aprendizaje automático ha alcanza-
do en los últimos años un gran cenit. Las aplicaciones de la inteligencia artificial y el
aprendizaje automático son una realidad que forma parte de nuestro mundo y se han
utilizado en todas las áreas de investigación lo que muestra su interdisciplinariedad.
Muchas de estas aplicaciones están dando resultados muy tangibles, como el recono-
cimiento de voz (Venayagamoorthy et al., 1998), de imágenes (Andreu et al., 2011),
de actividades (Andreu-Perez et al., 2017), robots autónomos (Andreu-Perez, et al.,
2018), ambientes inteligentes (Andréu et al., 2009) y biosensores (Andreu-Perez et
al., 2015). Este auge ha sido fomentado por un crecimiento exponencial de los datos
y una mayor disponibilidad de estos. En un contexto científico cada vez más multi-
disciplinar, el campo de la inteligencia artificial (IA), y el aprendizaje automático, se
están convirtiendo en las soluciones metodológicas para los problemas más compli-
cados en dominios como por ejemplo las ciencias de la vida, la medicina, la seguridad
594 J. Andreu-Perez, L. Martínez, A. R Andreu-Perez, D. Sharma, P. Gupta
digital y física. El aprendizaje automático (conocido como Machine Learning en el
mundo anglosajón) se está usando a menudo en tareas que eran difícil de comple-
tar en tiempo humano. Sin embargo, la intromisión de una inteligencia artificial, en
nuestra sociedad suscita incertidumbres y riesgos, que se deben de analizar desde un
contexto legal, ético, de salvaguarda, pero también con tecnologías inteligentes dise-
ñadas para ser responsables. En este capítulo nos centramos en los últimos avances
científicos y tecnológicos que habilitan el diseño de tecnologías responsables.
2. EL APRENDIZAJE AUTOMÁTICO
El aprendizaje automático es una parte importante de la inteligencia artificial,
ya que permite la generación de sistemas inteligentes o agentes inteligentes. Se define
como un modelo conducido por datos (“data-driven”), en el que el aprendizaje se rea-
liza automáticamente mediante el análisis e identificación de un sistema de patrones
en estos datos u observaciones, que dan soporte a la resolución de un problema sin la
necesidad de la intervención humana (Michalski et al., 2013). Por lo tanto, el objetivo
principal del aprendizaje automático es que la computadora aprenda (o se entrene)
mediante ejemplos (datos etiquetados o no etiquetados), en vez de ser expresamente
programada por humanos. Los diferentes métodos de aprendizaje automático son
el modelo de aprendizaje máquina supervisado, no supervisado, semi-supervisado y
aprendizaje por refuerzo:
1. El modelo supervisado, se define como un proceso de aprendizaje automá-
tico en el cuál ejemplos de ambos, la entrada y la salida requerida, se le pro-
porcionan al modelo.
2. En el no supervisado solo se le proporcionan ejemplos no etiquetados de
entradas (no se provee salida).
3. El modelo semi-supervisado es un híbrido entre supervisado y no supervisa-
do, en el cual el modelo se entrena con una menor cantidad de datos etique-
tados a forma de guía, para un aprendizaje mayormente no supervisado. A
este paradigma también se le conoce como aprendizaje few-shot o one-shot.
4. Por último, se encuentra el modelo de aprendizaje por refuerzo, este es un
concepto de aprendizaje autónomo que se basa en el proceso de interacción
y observación del entorno para generar acciones que conduzcan al descu-
brimiento de errores y recompensas que ayuden a mejorar el conocimiento
del modelo. Esta forma de aprendizaje sigue principios de los modelos de
agentes inteligentes, donde el proceso de exploración básico del entorno es
el uso del método de prueba y error, con el fin de obtener una retroalimen-
tación durante el proceso de aprendizaje automático. El modelo finalmente
aprenderá a generar o realizar acciones/decisiones las cuales produzcan una
Para continuar leyendo
Solicita tu prueba