Please enable JavaScript.
Coggle requires JavaScript to display documents.
Etapas del Desarrollo de la Inteligencia Artificial (IA) - Coggle Diagram
Etapas del Desarrollo de la Inteligencia Artificial (IA)
Etapa de Fundamentos Teóricos (1940s-1950s)
Test de Turing: Propuesto por Alan Turing (1950) como criterio para evaluar la inteligencia de una máquina.
Redes neuronales conceptuales: Modelo matemático de neuronas artificiales (McCulloch & Pitts, 1943).
Bases matemáticas y filosóficas para la IA, inspiradas en la lógica formal y la teoría de la computación (Russell & Norvig, 2020).
Tipos de IA:
IA simbólica: Uso de reglas lógicas para simular razonamiento humano.
Ejemplos:
Artículo de Turing (1950): "Computing Machinery and Intelligence" (Mind, 59(236), 433-460).
Aplicación en educación:
Primeras reflexiones sobre máquinas para resolver problemas matemáticos, influyendo en la teoría educativa basada en algoritmos (Nilsson, 2009).
Dato interesante:
Turing predijo que para el año 2000, las máquinas podrían engañar a humanos en su test durante 5 minutos (Turing, 1950, p. 442).
Nacimiento de la IA (1956-1970s)
Dartmouth Summer Research Project: Propuesta liderada por McCarthy, Minsky, Rochester y Shannon (1955) para explorar cómo las máquinas podrían "simular el aprendizaje humano".
Desarrollo de sistemas basados en reglas (simbólicos) y lógica formal.
Tipos de IA:
Sistemas expertos: Programas que emulan la toma de decisiones humanas en dominios específicos (Russell & Norvig, 2020).
Ejemplos:
Logic Theorist: Primer programa para demostrar teoremas matemáticos (Newell & Simon, 1956).
ELIZA: Chatbot terapéutico que simulaba conversaciones mediante reconocimiento de patrones (Weizenbaum, 1966).
Aplicación en educación:
PLATO: Primer sistema de enseñanza asistida por computadora (CAI), desarrollado en la Universidad de Illinois (Bitzer et al., 1960).
Dato Interesante
La conferencia de Dartmouth se planificó para dos meses, pero los resultados fueron modestos, lo que generó optimismo irreal (McCorduck, 2004).
Primer Invierno de la IA (1970s-1980s)
Informe Lighthill (1973): Criticó la falta de aplicaciones prácticas de la IA, lo que redujo el financiamiento gubernamental (Lighthill, 1973).
Limitaciones de los sistemas expertos: Escasa adaptabilidad y altos costos de mantenimiento.
Tipos de IA:
Sistemas expertos estáticos: Basados en reglas predefinidas sin aprendizaje autónomo.
Ejemplos:
MYCIN: Sistema experto para diagnóstico de infecciones sanguíneas (Shortliffe, 1976).
Aplicación en educación:
Estancamiento en aplicaciones prácticas; enfoque en modelos teóricos de cognición (Buchanan, 2005).
Dato Interesante
Resurgimiento y Aprendizaje Automático (1980s-2000s)
Backpropagation: Algoritmo para entrenar redes neuronales multicapa (Rumelhart et al., 1986).
Aprendizaje automático: Transición de sistemas estáticos a modelos adaptativos basados en datos.
Tipos AI
Redes neuronales artificiales: Modelos inspirados en el cerebro humano.
Ejemplos:
IBM Deep Blue (1997): Derrotó al campeón de ajedrez Garry Kasparov tras analizar 200 millones de posiciones por segundo (IBM, 1997).
Support Vector Machines (SVMs): Algoritmos para clasificación de datos (Cortes & Vapnik, 1995).
Aplicación en la educación
ALEKS: Sistema tutor inteligente para matemáticas, usando modelos de espacio de conocimiento (Falmagne et al., 2006).
Dato Interesante
Kasparov acusó a IBM de hacer trampa, pero luego reconoció que Deep Blue combinaba fuerza bruta con creatividad (Kasparov, 2017).
Era del Big Data y Deep Learning (2010s)
Revolución del Big Data: Disponibilidad masiva de datos y avances en GPUs (Hinton et al., 2012).
Redes neuronales profundas: Modelos con múltiples capas para reconocer patrones complejos.
Tipos de Ai
CNN (Redes Neuronales Convolucionales): Usadas en visión por computadora (Krizhevsky et al., 2012).
NLP (Procesamiento de Lenguaje Natural): Modelos como BERT (Devlin et al., 2018).
Ejemplos
AlphaGo (2016): Venció al campeón de Go Lee Sedol usando aprendizaje por refuerzo (Silver et al., 2016).
TensorFlow y PyTorch: Librerías de código abierto para entrenar modelos (Abadi et al., 2016; Paszke et al., 2019).
Aplicación en la educación
Khan Academy: Plataforma adaptativa con recomendaciones personalizadas (Khan, 2012).
Dato Interesante
AlphaGo descubrió estrategias novedosas en Go que revolucionaron el juego (Silver et al., 2017).
IA Generativa y LLMs (2020s-Actualidad)
Transformers: Arquitectura que permite procesar secuencias de texto en paralelo (Vaswani et al., 2017).
Grandes Modelos de Lenguaje (LLMs): Entrenados con billones de parámetros y datos multimodales.
Tipos de AI
GPT-4, DALL-E, Stable Diffusion: Generación de texto, imágenes y código.
Ejemplos
ChatGPT (2022): Modelo de lenguaje para diálogos y resolución de problemas (OpenAI, 2023).
GitHub Copilot: Asistente de codificación basado en Codex (Chen et al., 2021).
Aplicación en la educación
Khanmigo: Tutor de IA para feedback personalizado (Khan Academy, 2023).
Detección de plagio: Herramientas como Turnitin integran IA para análisis de textos (Turnitin, 2021).
Dato Interesante
GPT-4 puede resolver problemas de razonamiento abstracto, pero aún comete errores factuales (Bubeck et al., 2023).
Referencias
Abadi, M. et al. (2016). TensorFlow: A system for large-scale machine learning. 12th USENIX Symposium on Operating Systems Design and Implementation, 265-283.
Bubeck, S. et al. (2023). Sparks of artificial general intelligence: Early experiments with GPT-4. arXiv preprint arXiv:2303.12712.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.
https://doi.org/10.1007/BF00994018
Devlin, J. et al. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Falmagne, J. et al. (2006). The assessment of knowledge, in theory and in practice. Revue européenne de psychologie appliquée, 56(3), 213-222.
IBM. (1997). Deep Blue.
https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/
Krizhevsky, A. et al. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105.
Lighthill, J. (1973). Artificial Intelligence: A General Survey. Science Research Council.
McCarthy, J. et al. (1955). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Stanford University.
Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
https://doi.org/10.1038/nature16961
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.
https://doi.org/10.1093/mind/LIX.236.433