2015 – Plataforma de algoritmos y herramientas de aprendizaje automático
Amazon lanza su propia plataforma de aprendizaje automático. El gigante del comercio electrónico pone el aprendizaje automático al alcance de cualquiera que tenga una cuenta de Amazon Web Services (AWS). La plataforma ofrece un conjunto de herramientas y algoritmos para que los científicos de datos construyan y entrenen modelos.
Microsoft también había desarrollado el kit de herramientas de aprendizaje automático distribuido, que permitía compartir eficazmente los problemas de aprendizaje automático entre varios ordenadores.
2016 – Algoritmo AlphaGo y Face2Face
El Go es un antiguo juego de mesa chino con tantos movimientos posibles en cada paso que las posiciones futuras son difíciles de predecir. Cuando el algoritmo AlphaGo se desarrolló en marzo de 2016, sorprendió al mundo al derrotar a uno de los mejores jugadores de Go, Lee Sedol.
También en 2016, un equipo de científicos dio a conocer Face2Face en la Conferencia de Visión por Computador y Reconocimiento de Patrones. La mayor parte del software «DeepFake» actual se basa en su marco y algoritmos.
2017 – Waymo
Waymo se convirtió en la primera empresa de coches autoconducidos que opera sin intervención humana. Los vehículos de la empresa han recorrido ya más de 8 millones de kilómetros en carreteras públicas, con conductores humanos que solo intervienen cuando es necesario. El lanzamiento del servicio de taxi autodirigido de Waymo marcó un hito importante para la empresa, y ahora está trabajando para ampliar su flota de vehículos y servicios. Más adelante, ese mismo año, introducen taxis completamente autónomos en la ciudad de Phoenix.
2018 – AlphaFold de DeepMind
Tras crear AlphaGo, el equipo dio el primer paso en el desarrollo de algoritmos para problemas exactamente iguales al plegado de proteínas. AlphaFold se construyó parapredecir las formas 3D de las proteínas, las moléculas fundamentales de la vida.Entrenaron una red neuronal con miles de proteínas conocidas hasta que pudo predecir de forma independiente estructuras 3D a partir de aminoácidos. Finalmente, la utiliza para predecir las distancias entre pares de aminoácidos y los ángulos entre los enlaces químicos que los conectan.
2020 – GPT-3 y el auge de la IA sin código
Cuando el mundo se enfrentaba a la pandemia de 2020, OpenAI creó un algoritmo de inteligencia artificial, el GPT-3, capaz de generar textos similares a los humanos. En su momento, es el modelo lingüístico más avanzado del mundo, que utiliza 175.000 millones de parámetros y el superordenador de IA de Microsoft Azure para el entrenamiento.
Aparte de eso, Zapier descubre un enorme aumento en el uso de herramientas de IA sin código o de bajo código desde principios de 2020. Algunas plataformas populares de IA sin código incluyen AutoML de Google, SageMaker de Amazon y Azure ML de Microsoft. Permiten a los usuarios sin experiencia en codificación entrenar y desplegar algoritmos de aprendizaje automático. Este movimiento está fomentado por la demanda de las empresas de producir aplicaciones de IA rápidamente sin coste adicional.
2021 – AI4LIFE y TrustML
La informática estadounidense de origen indio Himabindu «Hima» Lakkaraju no sólo es cofundadora de la Trustworthy ML Initiative (TrustML), sino que también dirige el grupo de investigación AI4LIFE en Harvard. Su objetivo es hacer que el aprendizaje automático sea más asequible para los profanos, al tiempo que continúa estudiando cómo hacer que estos modelos sean interpretables, justos, privados y seguros.
2022 y el futuro del aprendizaje automático
El aprendizaje automático está evolucionando a un ritmo asombroso y no muestra signos de desaceleración. A principios de 2022, ya hemos visto cómo progresa aún más a medida que aumentan las aplicaciones de software de servicios cognitivos. El aprendizaje automático fue incluso definido por la Universidad de Stanford como «la ciencia de conseguir que los ordenadores actúen sin ser programados explícitamente.»
En el futuro, podemos esperar mejoras del aprendizaje automático en: Aprendizaje automático cuántico (QML)
Los ordenadores cuánticos permiten un procesamiento más rápido de los datos, lo que mejora la capacidad del algoritmo para analizar y sacar conclusiones significativas de los conjuntos de datos.Algoritmos de aprendizaje no supervisado
El aprendizaje supervisado y no supervisado es importante en la historia del aprendizaje automático, pero este último se convertirá en el ideal para las empresas que quieran aplicar planes de venta cruzada.
Gestión de la operacionalización del aprendizaje automático (MLOps)
Esto ayuda a que los algoritmos de aprendizaje automático desplegados en producción tengan un rendimiento óptimo y fiable.
Aprendizaje automático (AutoML)
AutoML facilitará el proceso de formación de datos para ayudar a etiquetar los datos y reducir los errores humanos en las operaciones
Automatización de procesos robóticos (RPA)
Antes de que un bot RPA pueda procesar los datos, es necesario un enfoque basado en datos, y el aprendizaje automático le ayudará a producir menos errores.
Siglo XVII – XVIII:
- Filosofía y Máquinas Pensantes: Durante el siglo XVII y XVIII, pensadores como René Descartes exploraron la idea de crear máquinas que pudieran realizar tareas asociadas con la mente humana, planteando preguntas fundamentales sobre la relación entre la mente y la materia.
Siglo XIX:
- Boole y Lógica Simbólica: George Boole introdujo el álgebra booleana en 1847, sentando las bases matemáticas para el razonamiento lógico y la computación automática, lo cual fue esencial para el desarrollo de la IA.
Siglo XX – Primeras Décadas:
- Alan Turing y la Máquina de Turing: En 1936, Alan Turing propuso la idea de una máquina universal capaz de realizar cualquier cálculo que una persona pudiera hacer manualmente, estableciendo las bases conceptuales para la computación moderna y la IA.
1950s:
- Inicio de la Inteligencia Artificial: El término «Inteligencia Artificial» fue acuñado por John McCarthy en 1956 durante la Conferencia de Dartmouth, marcando el inicio formal del campo de la IA como una disciplina académica.
1960s:
- Primeros Programas de IA: Se desarrollaron los primeros programas de IA, incluido el programa de ajedrez de IBM desarrollado por Arthur Samuel en 1959 y el programa de lenguaje natural ELIZA creado por Joseph Weizenbaum en 1966.
1970s:
- Expansión y Limitaciones: La IA experimentó una fase de expansión y expectativas altas, seguida de un período de desilusión debido a las limitaciones técnicas y la falta de avances significativos en problemas complejos.
1980s – 1990s:
- Renacimiento de la IA: Se produjo un renacimiento de la IA con avances en redes neuronales artificiales, sistemas expertos y algoritmos de aprendizaje automático. Destacan el desarrollo del algoritmo de retropropagación (backpropagation) en redes neuronales y la creación de sistemas como Deep Blue de IBM que venció a campeones humanos en ajedrez.
2000s – Presente:
- Auge del Aprendizaje Profundo: El siglo XXI ha sido testigo de avances significativos en IA impulsados por el aprendizaje profundo (deep learning), que utiliza redes neuronales profundas para resolver problemas complejos como el reconocimiento de voz, la visión por computadora y el procesamiento del lenguaje natural.
- Aplicaciones Generalizadas: La IA está integrada en nuestra vida diaria a través de aplicaciones como motores de búsqueda, asistentes virtuales, sistemas de recomendación, vehículos autónomos y más.
Avances Recientes:
- IA y Ética: El desarrollo ético y responsable de la IA se ha convertido en un área de enfoque crucial, con debates sobre privacidad, sesgos algorítmicos y el impacto social de la IA en la sociedad.