1.3: Aplicaciones presentes y futuras
- Page ID
- 51016
This page is a draft and is under active development.
En la actualidad, el uso de la IA y más concretamente, algoritmos y métodos de aprendizaje automático (incluyendo redes neuronales y aprendizaje profundo) se encuentran muy extendidos, y están siendo usados en la gran mayoría de disciplinas científicas y actividades de la industria.
En muchos casos, todas estas técnicas lo que permiten es realizar un análisis de datos y de la información de un modo mucho más general que lo que se venía usando. Por ejemplo, permiten combinar datos heterogéneos como combinaciones de imágenes y datos numéricos, videos y señales de sensores.. En otros casos, su principal atractivo es eliminar la necesidad de disponer de un modelo teórico previo sobre un fenómeno para poder estudiarlo.
Esto está llevando a un cambio de paradigma en ciencia desde lo que se conoce como "model-driven" a lo que se conoce como "data-driven". Es decir, con la IA se da más importancia a los datos y a lo que se pueda determinar a partir de ellos, que a generar un modelo teórico sencillo y explicable con ellos. Este cambio ofrece importantes ventajas prácticas, pero por supuesto, esto no está exento de polémica y riesgos, y plantea una serie de importantes cuestiones tanto prácticas como filosóficas. Por ejemplo:
- ¿Cómo reconciliar los métodos "clásicos" con los que se obtienen con IA?
- ¿Hasta qué punto debemos seguir usando y desarrollando los métodos previos?
- ¿Cómo lograr "aprender" (en el sentido de generar un modelo que explique un fenómeno y que se pueda formular de manera inteligible para los humanos) de lo que ha "aprendido" una IA?