Siguiendo los conceptos o definiciones anteriores, es posible destacar las siguientes características de la IA[1]:

a) Capacidad de inferencia: los sistemas de IA destacan por sus resultados de salida (outputs), como predicciones, contenidos, recomendaciones o decisiones, que se basan en un proceso de inferencia similar al humano que les permite deducir modelos, algoritmos o patrones a partir de la información de entrada (inputs). En este punto son relevantes las técnicas que permiten esta capacidad, que incluyen estrategias de aprendizaje automático, las cuales aprenden, de los datos con que son alimentadas, cómo alcanzar determinados objetivos y estrategias basadas en la lógica y el conocimiento que infieren a partir de conocimientos codificados o de representaciones simbólicas de la tarea que debe resolver[2].

b) Capacidad de adaptación: los sistemas de IA tienen la facilidad de autoaprender y modificar su comportamiento luego de su despliegue[3]. Esta habilidad permite que reajusten su funcionamiento durante su uso, diferenciándolos de los sistemas estáticos tradicionales.

c) Nivel de autonomía: esta tecnología opera con distintos niveles de independencia de la intervención humana, la cual puede ser total o parcial. Esto permite que realice sus funciones específicas sin necesidad de la intervención humana constante.

d) Resultados y objetivos: la IA tiene capacidad para trabajar con objetivos explícitos o implícitos de acuerdo con los contextos en que opera. También puede ocurrir que estos objetivos difieran de la finalidad original del sistema en determinado entorno, lo que brinda flexibilidad para el rango de aplicaciones.

e) Integración en entornos: esta característica tiene relación con su capacidad de influencia en entornos físicos y virtuales, pudiéndose adaptar a las necesidades de los contextos. Pueden ser parte de determinado producto para su funcionamiento o un elemento externo no integrado al producto que también permita su funcionalidad.

En atención a la capacidad de inferencia de los sistemas de IA, se debe resaltar que esta se desarrolla por la alimentación de datos que les permite deducir modelos, algoritmos o patrones aprendidos de ese ingreso de información. De ahí que haya técnicas relevantes de aprendizaje de los sistemas de IA, como el aprendizaje automático (machine learning) y el profundo (deep learning).

El primero consiste en la creación de modelos entrenando a un algoritmo para hacer predicciones o tomar decisiones con base en datos. Entre sus técnicas destacan las redes neuronales artificiales (neural networks). Su diseño se basa en la estructura y función del cerebro humano, pues se conforma de capas de nodos que se interconectan y trabajan juntas para procesar y analizar datos complejos, de manera similar a las neuronas. El segundo es un derivado del aprendizaje automático, pero de mayor complejidad en su configuración. Utiliza redes neuronales de multicapa denominadas “redes neuronales profundas”, que simulan con mayor cercanía la toma de decisiones del cerebro humano. Esta técnica de IA facilita el aprendizaje no supervisado, esto es, la no intervención humana en la extracción de características de conjuntos de datos grandes. A esta categoría pertenece la IA generativa.”

[1] Observatorio de Regulación Digital y Tecnología de la Universidad de Navarra, Informe sobre Inteligencia Artificial, ya citado, p. 8.

[2] Véase el considerando 12 del RIA.

[3] Entiéndase como “despliegue” la realización de todas las acciones necesarias para que un sistema de IA esté listo para usarse. Descripción retomada del considerando 12 y art. 3 RIA.

“2. Características y funcionamiento de la inteligencia artificial.