Inteligencia Artificial

Resumen

La inteligencia artificial (IA) es una rama de la computación que crea sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: reconocer patrones, entender lenguaje, tomar decisiones y aprender de datos. No es una tecnología única, sino un campo que incluye machine learning, procesamiento de lenguaje natural, visión por computadora, sistemas expertos y, más recientemente, modelos generativos como los LLMs.

Importa porque la IA ha pasado de ser un tema académico a una capacidad práctica integrada en productos de software cotidianos. Como ingeniero, entender qué es IA, qué puede hacer, y — más importante — qué no puede hacer, te permite tomar decisiones informadas sobre cuándo y cómo usarla.

Alcance y supuestos

Este paquete cubre la IA como disciplina amplia: sus subcampos principales (ML, NLP, visión, generativa), las capacidades prácticas disponibles hoy, y las consideraciones clave para aplicarla en productos de software.

No cubre matemáticas detalladas de redes neuronales, implementaciones específicas de frameworks, debates filosóficos sobre consciencia o AGI, ni regulaciones legales por jurisdicción. Asume que tienes conocimientos básicos de ingeniería de software pero no un background formal en IA.

Modelo mental

Piensa en la IA como una caja de herramientas especializadas, no como una inteligencia general. Cada herramienta resuelve un tipo de problema: clasificar imágenes, generar texto, encontrar patrones en datos, traducir idiomas, etc. Ninguna herramienta sirve para todo.

Un modelo de IA no "entiende" como un humano. Encuentra correlaciones estadísticas en sus datos de entrenamiento y las aplica a nuevas entradas. Eso significa que puede ser sorprendentemente bueno en algunas tareas y fallar de maneras que un humano nunca fallaría. La clave está en conocer los límites de cada herramienta.

Uso práctico

Usa IA cuando el problema involucra patrones, lenguaje, percepción o decisión con datos suficientes:

• ✅ Clasificar tickets de soporte por categoría usando NLP.
• ✅ Generar descripciones de productos desde datos estructurados.
• ✅ Detectar anomalías en logs o métricas de sistemas.
• ❌ Si el problema se resuelve con una expresión regular, no necesitas IA.
• ❌ Si necesitas precisión absoluta en cálculos o reglas definidas, una solución determinista es mejor.

Ejemplo trabajado: decidir si un problema necesita IA

Supón que necesitas determinar si un correo de soporte es una queja, una consulta o un elogio. Un enfoque basado en reglas requeriría listar palabras clave, pesos, excepciones, y aun así fallaría con redacciones inesperadas. IA puede resolverlo con clasificación de texto.

type Classification = "complaint" | "inquiry" | "praise";

async function classifyEmail(text: string): Promise<Classification> {
  const response = await llm.complete({
    prompt: `Clasifica el siguiente correo como complaint, inquiry o praise:\n\n${text}\n\nClasificación:`,
    maxTokens: 10,
  });
  return response.trim() as Classification;
}

Pero si solo necesitas extraer un número de pedido de un correo con formato conocido, una expresión regular es más rápida, barata y predecible:

const orderId = email.match(/Pedido #([A-Z0-9]+)/)?.[1];

Antes de agregar IA a un producto, responde cinco preguntas:

1. ¿El problema requiere reconocer patrones o lenguaje, o tiene una solución determinista?
2. ¿Tienes datos representativos para entrenar o evaluar el modelo?
3. ¿Cuánto error o ambigüedad es aceptable?
4. ¿Cuál es el costo (latencia, operación, mantenimiento) de la solución IA vs la alternativa?
5. ¿Cómo medirás si la IA realmente mejora la experiencia del usuario?

Evidencia

• Wikipedia, Artificial intelligence define la IA como inteligencia demostrada por máquinas, cubriendo su historia, subcampos y aplicaciones.
• IBM Think, What is artificial intelligence? describe IA como tecnologías que permiten a computadoras simular inteligencia humana para resolver problemas complejos.
• Google Machine Learning Crash Course, Intro to ML ofrece una introducción práctica a los fundamentos del machine learning.