Clasificaciones de la IA

La inteligencia artificial (IA) es un campo muy amplio y diverso, que abarca diferentes aplicaciones, técnicas y algoritmos y para abordarla, existen varias formas de clasificarla. Aquí van algunas de ellas:
,

Según el tipo de aprendizaje: se puede distinguir entre IA supervisada, que aprende a partir de datos etiquetados; IA no supervisada, que aprende a partir de datos sin etiquetar; IA por refuerzo, que aprende a partir de la retroalimentación de sus acciones; y IA híbrida, que combina diferentes tipos de aprendizaje ¹.
.
Según el tipo de procesamiento: se puede diferenciar entre IA simbólica, que utiliza representaciones abstractas y lógicas; IA conexionista, que utiliza redes neuronales artificiales; IA evolutiva, que utiliza algoritmos inspirados en la biología; e IA híbrida, que integra diferentes tipos de procesamiento ².
.
Según el tipo de dominio: se puede clasificar entre IA estrecha, que se especializa en una sola tarea o dominio; IA general, que puede realizar cualquier tarea o dominio al nivel humano; e IA superinteligente, que puede superar al humano en cualquier tarea o dominio ³.
.
Según el tipo de funcionalidad: se puede categorizar entre máquinas reactivas, que responden a estímulos sin memoria ni contexto; máquinas con memoria limitada, que utilizan información pasada para tomar decisiones; máquinas con teoría de la mente, que comprenden las creencias y emociones de otros agentes; y máquinas autoconscientes, que tienen una identidad y una conciencia propias ⁴.
.
Según el tipo de agente: se puede distinguir entre IA débil, que solo imita el comportamiento inteligente; IA fuerte, que tiene una mente y una conciencia propias; e IA amigable, que respeta los valores y los intereses humanos ¹.
.
Según el tipo de objetivo: se puede diferenciar entre IA dirigida, que tiene un propósito específico y definido; e IA autónoma, que tiene un propósito general y adaptable ².
.
Según el tipo de tarea: se puede clasificar entre IA especializada, que se dedica a una sola tarea o dominio; e IA integrada, que combina varias tareas o dominios ³.
.
Según el tipo de modelo: se puede categorizar entre IA simbólica, que utiliza representaciones abstractas y lógicas; IA subsimbólica, que utiliza representaciones numéricas y estadísticas; e IA emergente, que utiliza representaciones dinámicas y adaptativas ⁴.
.
Según el tipo de razonamiento: se puede distinguir entre IA deductiva, que utiliza reglas lógicas para inferir conclusiones a partir de premisas; IA inductiva, que utiliza datos empíricos para generar hipótesis o modelos; e IA abductiva, que utiliza la mejor explicación posible para un hecho observado ¹
.
Según el tipo de conocimiento: se puede diferenciar entre IA declarativa, que utiliza representaciones explícitas y estructuradas del conocimiento; e IA procedimental, que utiliza representaciones implícitas y dinámicas del conocimiento ².
.
Según el tipo de interacción: se puede clasificar entre IA individual, que opera de forma aislada y autónoma; e IA colectiva, que opera de forma cooperativa y coordinada con otros agentes ³.
,
Según el tipo de aplicación: se puede categorizar entre IA horizontal, que se aplica a diversos campos o sectores; e IA vertical, que se aplica a un campo o sector específico.

.
Subclasificación detallada según su función

Machine Learning (aprendizaje automático):

Es la habilidad que tiene una inteligencia artificial para aprender por su cuenta. Se fundamenta en un ciclo de aprendizaje basado en datos, entrenamiento y resultados. Hay varios subtipos según si su aprendizaje necesita la supervisión de un ser humano o se deja que la IA aprenda de forma autónoma, siguiendo unas reglas definidas. Se suele usar en asistentes virtuales y chatbots, entre otros.

Deep Learning (aprendizaje profundo):

Su meta es imitar la forma en la que aprenden los humanos mediante lo que se llaman redes neuronales, que consisten en nodos conectados que simulan la red de neuronas de un cerebro humano. Se usa, por ejemplo, en la búsqueda de productos basada en imágenes.

Reinforcement Learning (aprendizaje por refuerzo):

Se basa en la psicología conductista y su objetivo es permitir a la IA crear estrategias de forma automática. Es muy útil para el mantenimiento predictivo o para personalizar las experiencias de los clientes. Generative Adversarial Networks (redes generativas antagónicas): Son un tipo de algoritmos que se implementan por un sistema de dos redes neuronales. Estas dos redes se enfrentan entre sí. Sirve para generar objetos y experiencias a partir de muestras (por ejemplo, fotografías).

Natural Language Processing (procesamiento del lenguaje natural):

Investiga la forma en que las máquinas se comunican con las personas, con el fin de lograr que aquellas entiendan y extraigan la información relevante. Sus aplicaciones son múltiples, desde el análisis de sentimiento u opinión hasta la anonimización de documentos, pasando por el entrenamiento de chatbots.

Computer Vision (visión artificial):

Enseña a los ordenadores a «ver» e interpretar el contenido de las imágenes digitales, para que puedan producir información simbólica que se pueda interpretar. Se usa para el reconocimiento de objetos, la restauración de imágenes o la reconstrucción de escenas.

Speech Recognition (reconocimiento de habla):

Su propósito es hacer posible que los humanos puedan comunicarse con los ordenadores y viceversa, y es especialmente útil para los sistemas de navegación de vehículos controlados por voz, las aplicaciones de dictado o los sistemas para personas con discapacidad.

Knowledge Graph (grafo de conocimiento):

El grafo es una forma de representar relaciones entre entidades y crear vínculos entre datos y metadatos. Cuando el contenido de los grafos se enriquece y se consigue que realicen un procesamiento automático «inteligente» de los datos, se convierten en grafos de conocimiento. Son muy populares en sistemas de organización de la información.

Augmented Reality (realidad aumentada):

Se trata de un conjunto de tecnologías que permiten que el usuario interactúe con el mundo real mediante dispositivos que añaden información gráfica virtual, de modo que el usuario ve al mismo tiempo el mundo que le rodea, pero con objetos virtuales superpuestos. Se utiliza en un amplísimo número de aplicaciones, desde operaciones hasta pruebas virtuales de colores de maquillaje o recreaciones de cómo quedará un mueble determinado en tu hogar.