Inteligencia Artificial para Todos: Historia, Herramientas y Pensamiento Crítico

0 %

Contenido del curso

Sin categorizar

- El Segundo Invierno y la Llegada del Aprendizaje Automático

El Segundo Invierno y la Llegada del Aprendizaje Automático

Esta lección explora la transición crítica desde los sistemas expertos, que llevaron a una segunda crisis de confianza en la IA, hacia el paradigma moderno del Aprendizaje Automático (Machine Learning). Es la historia de cómo la IA aprendió a aprender.

Cambio de Paradigma Fundamental

Antes (Sistemas Expertos): "Programar el conocimiento". Los humanos codificaban reglas lógicas.

Después (Machine Learning): "Aprender el conocimiento de los datos". Los algoritmos identifican patrones por sí mismos.

Finales 1980s - 1990s

El Colapso: Segundo Invierno de la IA

Los sistemas expertos, costosos y frágiles, no escalaron. Fallaban fuera de su dominio específico, erosionando la confianza comercial y el financiamiento.

1989

La Crítica Filosófica: Roger Penrose

En "La Nueva Mente del Emperador", argumentó que la conciencia no es computable algorítmicamente, cuestionando la premisa de la IA fuerte y resonando en el clima escéptico.

1990s - 2000s

Los Pilares del Renacimiento

Potencia Computacional: Ley de Moore hace viable procesar datos masivos.
Big Data: Explosión de datos digitales (web, sensores) proporciona "combustible".
Algoritmos Mejorados: Avances teóricos en redes neuronales (backpropagation), máquinas de soporte vectorial (SVM), etc.

2004-2005

El Catalizador Público: DARPA Grand Challenge

Esta competencia de vehículos autónomos en el desierto demostró de manera espectacular el poder del ML para la percepción y navegación en el mundo real, capturando la imaginación pública.

Factor de Crecimiento Computacional

~1,000x

Aumento en potencia de procesamiento (CPU/GPU) entre 1990 y 2005

Volumen de Datos Global

> 100 EB

Datos digitales almacenados a mediados de los 2000s (vs. ~1EB en 1990)

Inversión en IA

Trough

Punto más bajo del "Invierno" antes del repunte impulsado por ML

Aspecto	Paradigma Antiguo (Sistemas Expertos)	Paradigma Nuevo (Machine Learning)
Fuente del Conocimiento	Expertos humanos (codificado manualmente)	Datos (aprendido automáticamente)
Flexibilidad	Rígida, dominio muy específico	Adaptable, puede generalizar
Escalabilidad	Muy costosa y difícil	Altamente escalable con más datos
Mantenimiento	Complejo, requiere reprogramación	Más automático, se reentrena con nuevos datos
Ejemplo	MYCIN (diagnóstico médico)	Algoritmo de recomendación de Netflix

Conclusión de la Lección

El Segundo Invierno no fue el fin de la IA, sino un necesario "reinicio". Forzó el abandono de un callejón sin salida (programar reglas) y allanó el camino para el paradigma dominante hoy: el Aprendizaje Automático. La combinación de potencia de cálculo, big data y mejores algoritmos, demostrada en hitos como el DARPA Challenge, transformó la IA de una promesa incumplida en una herramienta práctica y poderosa.

Más información
Comentarios (0)

Descripción de la segunda crisis y el cambio de paradigma hacia el Machine Learning. Se abordará: 1) El colapso del mercado de los sistemas expertos y el 'Segundo Invierno'. 2) La crítica de Roger Penrose en 'La Nueva Mente del Emperador'. 3) El cambio fundamental: de programar el conocimiento a aprenderlo de los datos. 4) Los avances teóricos y prácticos que hicieron posible el ML: aumento de la potencia computacional, disponibilidad de grandes conjuntos de datos (Big Data), mejores algoritmos. 5) El papel de la competencia DARPA Grand Challenge (2004) en la robótica.

No se permite comentar en este curso.