E-Book Expandiendo Horizontes ... Enfoques teóricos de la Inteligencia Artificial en la actualidad

..................

Expandiendo Horizontes ..............

Enfoques teóricos de la Inteligencia Artificial en la actualidad

Autor: Diego Pellicer

2024

....................

Expandiendo Horizontes . . .Enfoques teóricos de la Inteligencia Artificial en la actualidad

Grupo Editorial EcoSmart Derechos reservados (2023) Cagua, Edo. Aragua – Venezuela Somos experimentados en la recolección, interpretación, diseño, diagramación y análisis de fuentes de información de forma creativa.

Dedicatoria

• A todos los entusiastas de la inteligencia artificial y las tecnologías emergentes.

• A los que quieren innovar tecnológicamente tomando en cuenta la calidad de los servicios y afectación social.

• A cualquier lector con ganas de aprender.

Agradecimientos

• A Dios por el don de la vida, el entendimiento, sabiduría, las oportunidades y la familia que me otorgó.

• A mi madre, por su acompañamiento y siempre escucha activa de mis ideas y experiencias.

• A mi padre, por apoyarme con sus consejos y siempre ayudarme en lo que pueda en mis asuntos de la universidad.

• A mi hermana, por siempre ser inspiración creativa para mi, ayudarme en la revisión de trabajos y darme opiniones.

• A mis profesores y amigos de la universidad, que hacen mi camino de estudio mas ameno y único.

Acerca del autor • Joven de 23 años de edad.

• Estudiante de Ingeniería de sistemas de la UBA. • Experiencia avanzada en la enseñanza del idioma inglés.

• Entusiasta de la tecnología, la naturaleza, la ciencia y la innovación.

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Introducción

Introducción / Preámbulo En la actualidad, la Inteligencia Artificial (IA) ha experimentado un crecimiento significativo y está presente en diversos aspectos de nuestra vida diaria. La IA se refiere a la capacidad de las máquinas

para

realizar

tareas

que

normalmente

requerirían

inteligencia

humana, como el reconocimiento de voz, la toma de decisiones, el aprendizaje y la resolución de problemas.

Existen varios enfoques teóricos en la IA que han contribuido a su desarrollo. Uno de los enfoques más destacados es el Aprendizaje Automático (Machine Learning), que permite a las máquinas aprender a partir de datos sin ser programadas explícitamente. Utiliza algoritmos y modelos para analizar grandes conjuntos de datos y extraer patrones, lo que posibilita que las máquinas realicen predicciones y tomen decisiones basadas en la información aprendida.

Otro enfoque importante es el Aprendizaje Profundo (Deep Learning), una rama del Aprendizaje Automático que se basa en redes neuronales artificiales. Estas redes están compuestas por capas de neuronas interconectadas, que procesan la información de manera

similar al cerebro humano. El Aprendizaje Profundo ha impulsado avances significativos en áreas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la visión por computadora.

Además, la IA se beneficia de enfoques como la Lógica Difusa (Fuzzy Logic), que permite el manejo de incertidumbre y la toma de decisiones en condiciones borrosas o ambiguas. La Computación Evolutiva (Evolutionary Computing) es otro enfoque que se inspira en la evolución biológica para optimizar soluciones a través de algoritmos genéticos y algoritmos evolutivos.

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Sumario

Sumario de contenido Concepto de inteligencia artificial

Historia de la IA

4 3 3

categorización de la IA

6

8

9

GPT (Generative Pre-trained Transform er)

11

Enfoques teóricos de la IA

Actores relevantes en el uso ético de la IA

15

10 12 14

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Concepto de Inteligencia Artificial

Concepto de Inteligencia Artificial • La Inteligencia Artificial (IA) se refiere a la capacidad de las máquinas para realizar tareas que normalmente requerirían inteligencia humana. Consiste en el desarrollo de algoritmos y sistemas que permiten a las máquinas procesar y analizar información, aprender de ella, tomar decisiones, resolver problemas y comunicarse de manera inteligente.

La IA busca emular algunas de las capacidades humanas, como el razonamiento, el aprendizaje, la percepción sensorial, el reconocimiento de voz y rostros, la comprensión del lenguaje natural, entre otras. A través del uso de técnicas y algoritmos, las máquinas pueden adquirir conocimiento, adaptarse a nuevas situaciones, mejorar con la experiencia y realizar tareas de manera autónoma.

La IA se aplica en una amplia gama de campos, incluyendo la medicina, la robótica, la conducción autónoma, el procesamiento del lenguaje natural, la visión por computadora, la optimización de procesos, el análisis de datos, entre otros. Su objetivo es mejorar la eficiencia, la precisión y la capacidad de toma de decisiones en diversas áreas, brindando soluciones innovadoras a problemas complejos.

Es importante tener en cuenta que la IA abarca tanto la IA fuerte, que busca emular la inteligencia humana general, como la IA débil, que se enfoca en tareas específicas y limitadas. A medida que la tecnología avanza, la IA continúa evolucionando y desempeñando un papel cada vez más relevante en nuestra sociedad y en el desarrollo de nuevas soluciones tecnológicas.

3

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Historia de la IA

Historia de la IA 1936

La invención de la máquina de Turing: El inglés Alan Turing, considerado el padre de la ciencia computacional y célebre por haber descifrado el aparato de comunicaciones Enigma de la Alemania nazi, propuso en 1936 un sistema teórico que aplicaba una serie de reglas a una cinta codificada para ejecutar cualquier algoritmo, lo que equivalía a una máquina de computación general.

1950 1960

En 1950 Turing publicaba su famoso artículo “Computing Machinery and Intelligence”, en el que definía el “juego de imitación” como una prueba para comprobar la capacidad de una máquina de hacer creer a su interlocutor humano que ella también lo es. Este test ha permanecido desde entonces como una medida de la capacidad de pensar de una IA. Se considera que el nacimiento oficial de la IA ocurrió en 1956, cuando se celebró la Conferencia de Dartmouth. Fue un evento en el que participaron destacados científicos como John McCarthy, Marvin Minsky, Allen Newell y Herbert Simon, quienes acuñaron el término "Inteligencia Artificial" y sentaron las bases de la disciplina.

Durante esta época, los investigadores se centraron en el desarrollo de programas de IA basados en reglas lógicas y razonamiento simbólico. Se crearon lenguajes de programación como LISP y se desarrollaron programas capaces de jugar al ajedrez y realizar demostraciones de teoremas matemáticos.

1943

En 1943 Walter Pitts y Warren McCulloch publicaban un influyente estudio en el que describían la neurona artificial, la primera formulación teórica de lo que después se llamaría red neuronal.

Sobre este modelo matemático, en 1951 Marvin Minsky y Dean Edmonds diseñarían SNARC, la primera máquina basada en una red neuronal.

1964

El programa ELIZA (precursor de los chatbots) fue creado por Joseph Weizenbaum en el MIT entre 1964 y 1966. ELIZA fue uno de los primeros programas de procesamiento del lenguaje natural y se diseñó para imitar una conversación terapéutica. Aunque era relativamente simple, tuvo un impacto significativo y abrió el camino para futuros desarrollos en el procesamiento del lenguaje natural.

4

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Historia de la IA

Historia de la IA 1965

Alan Robinson demostró que el teorema de incompletitud de Gödel podía aplicarse al razonamiento automático. Su trabajo sentó las bases para la lógica de predicados y el razonamiento automatizado.

1970 1980

Surgió un enfoque más práctico conocido como "IA basada en el conocimiento".

Se desarrollaron sistemas expertos, que eran programas diseñados para resolver problemas específicos imitando el conocimiento y el razonamiento de un experto humano en ese dominio. Uno de los sistemas expertos más conocidos fue MYCIN, utilizado para el diagnóstico y tratamiento de enfermedades infecciosas.

1967

IBM desarrolló una versión temprana de un programa de ajedrez llamado "Chess 3.0". Aunque no era particularmente fuerte en términos de juego, sentó las bases para futuros desarrollos en el campo del ajedrez computarizado.

1980 1990

Se produjo un cambio hacia el enfoque del "aprendizaje automático" en la IA. Los investigadores comenzaron a desarrollar algoritmos que permitían a las máquinas aprender a partir de datos.

Surgieron técnicas como las redes neuronales artificiales y los algoritmos genéticos, que se convirtieron en pilares fundamentales del aprendizaje automático y la computación evolutiva.

1990 2000

2000 - Actualidad El aprendizaje profundo (Deep learning) ha sido uno de los avances más significativos en la IA en las últimas décadas. Con el aumento de la capacidad computacional y la disponibilidad de grandes conjuntos de datos, las redes neuronales profundas han logrado avances impresionantes en áreas como el reconocimiento de imágenes, la traducción automática y el procesamiento del lenguaje natural. La IA se ha vuelto más ubicua en nuestra vida diaria, con la presencia de asistentes virtuales, sistemas de recomendación y vehículos autónomos.

La IA experimentó un crecimiento significativo en aplicaciones prácticas.

Se desarrollaron sistemas de IA para el reconocimiento de voz, el procesamiento del lenguaje natural y la visión por computadora. Además, el desarrollo de Internet permitió el acceso a grandes cantidades de datos, lo que impulsó el avance del aprendizaje automático.

En 2011 Apple introdujo Siri, el primer asistente virtual con reconocimiento de voz e interacción con lenguaje natural en un smartphone. Google respondería en 2012 con Google Now, Microsoft con Cortana en 2014 y Amazon con Echo/Alexa el mismo año.

5

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Campos de aplicación de la IA a través de ejemplos del mundo real

Campos de aplicación de la IA a través de ejemplos del mundo real Medicina La IA se utiliza en el diagnóstico médico, análisis de imágenes médicas, descubrimiento de fármacos, asistencia en cirugías y monitoreo de pacientes.

Por ejemplo, los algoritmos de aprendizaje automático pueden ayudar a detectar anomalías en imágenes de resonancia magnética o predecir la progresión de enfermedades.

Asistentes virtuales Como Siri, Alexa y Google Assistant utilizan técnicas de procesamiento del lenguaje natural y aprendizaje automático para responder preguntas, realizar tareas y brindar información a los usuarios.

Automoción Se emplea en la conducción autónoma, donde los vehículos utilizan sensores y algoritmos para reconocer y responder a su entorno. Los sistemas de asistencia al conductor también utilizan IA para detectar obstáculos, mantener la distancia y evitar colisiones.

Finanzas La IA se aplica en el análisis de datos financieros, detección de fraudes, gestión de riesgos y toma de decisiones en inversiones. Los algoritmos de aprendizaje automático pueden identificar patrones y anomalías en grandes volúmenes de datos financieros, ayudando a prevenir actividades fraudulentas y optimizar estrategias de inversión.

Industria manufacturera La IA se emplea en la optimización de procesos, mantenimiento predictivo y control de calidad en la industria manufacturera.

Los sistemas de IA pueden analizar datos en tiempo real para predecir fallas en equipos y mejorar la eficiencia de la producción.

6

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Campos de aplicación de la IA a través de ejemplos del mundo real

Campos de aplicación de la IA a través de ejemplos del mundo real Educación

Comercio electrónico Las plataformas de comercio electrónico utilizan algoritmos de IA para realizar recomendaciones personalizadas a los usuarios, basadas en sus preferencias y comportamientos anteriores de compra.

Agricultura Para optimizar la producción agrícola, mediante el monitoreo de cultivos, la detección temprana de enfermedades o plagas, la gestión eficiente del riego y la predicción de rendimientos agrícolas.

Recursos Humanos Se utiliza en la selección y contratación de personal, donde los algoritmos de IA pueden analizar currículums, realizar entrevistas automatizadas y ayudar en la toma de decisiones de contratación.

Arte y creatividad

La IA se utiliza en la personalización del aprendizaje, adaptando los contenidos y métodos de enseñanza a las necesidades individuales de los estudiantes. Además, los sistemas de tutoría inteligente pueden proporcionar retroalimentación y apoyo individualizado.

Energía La IA se emplea en la gestión inteligente de la energía, permitiendo la optimización del consumo, la predicción de la demanda energética y la eficiencia en la distribución de energía eléctrica.

En la generación de arte, música y contenido creativo.

Los algoritmos de IA pueden crear obras de arte, componer música o generar contenido escrito basado en patrones y estilos previos.

7

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad GPT (Generative Pre-trained Transformer)

GPT (Generative Pre-trained Transformer) A partir de la década de 2010, se produjeron avances notables en los modelos de aprendizaje profundo y en el procesamiento del lenguaje natural, lo que permitió el desarrollo de modelos de lenguaje generativos y conversacionales, como GPT (Generative Pre-trained Transformer).

En 2018, OpenAI lanzó el modelo GPT-2, que atrajo mucha atención debido a su capacidad para generar texto coherente y convincente.

Luego, en 2020, se lanzó el modelo GPT-3, que estableció nuevos estándares en términos de tamaño y capacidad de generación de lenguaje. Modelos como ChatGPT, basados en el modelo GPT-3, han demostrado habilidades impresionantes para sostener conversaciones, responder preguntas y proporcionar información relevante.

Estos modelos de lenguaje basados en IA han encontrado aplicaciones en una amplia gama de campos, como asistencia virtual, atención al cliente automatizada, generación de contenido, traducción automática y más. Gracias a su capacidad para entender y generar texto, estos modelos han mejorado significativamente la experiencia del usuario y han permitido el desarrollo de nuevas soluciones en diversas industrias.

8

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad Categorización de las IAs

Categorización de las IAs IA débil o estrecha: Realizan tareas específicas y limitadas. Tienen un propósito particular. Ejemplo, sistema de recomendación de películas o un asistente virtual.

IA fuerte o general: Poseen habilidades cognitivas generales comparables o superiores a las de los seres humanos. Estas tienen la capacidad de razonar, aprender y comprender de manera amplia y generalizada.

IA simbólica: Se basa en el procesamiento de símbolos y la manipulación de reglas lógicas para representar y razonar sobre el conocimiento.

IA basada en el aprendizaje automático: Basada en algoritmos y enfoques que permiten a las máquinas aprender a partir de datos y mejorar su rendimiento a lo largo del tiempo. Se incluyen las redes neuronales artificiales, el aprendizaje profundo y el aprendizaje por refuerzo.

IA basada en el conocimiento: Se centra en la captura y representación del conocimiento humano en forma de reglas y heurísticas.

IA basada en el procesamiento del lenguaje natural: Enfocada en comprender y generar lenguaje natural. Se utilizan para tareas como el reconocimiento y la generación de texto, la traducción automática, el procesamiento de voz y conversación.

9

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Enfoques teóricos de la IA

Enfoques teóricos de la IA Aprendizaje Automático (Machine Learning) Se basa en el desarrollo de algoritmos y modelos que permiten a las máquinas aprender a partir de datos sin ser programadas explícitamente. El aprendizaje automático incluye técnicas como el aprendizaje supervisado, no supervisado y por refuerzo.

Computación Evolutiva (Evolutionary Computing) Se basa en algoritmos inspirados en la evolución biológica, como los algoritmos genéticos y los algoritmos evolutivos. Estos enfoques utilizan principios de selección natural y reproducción para optimizar soluciones y encontrar resultados óptimos en problemas complejos.

Casos (Case-Based Reasoning)

Aprendizaje Profundo (Deep Learning) Es una rama del aprendizaje automático que se basa en redes neuronales artificiales con múltiples capas. Estas redes son capaces de aprender representaciones y características complejas a partir de datos, lo que ha impulsado avances en áreas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la visión por computadora.

Lógica Difusa (Fuzzy Logic) Este enfoque permite el manejo de la incertidumbre y la imprecisión en la toma de decisiones. La lógica difusa es especialmente útil cuando se trabaja con conceptos vagos o borrosos, ya que permite asignar grados de pertenencia en lugar de categorías binarias.

Razonamiento Basado en Este enfoque se basa en el uso de casos previos y su correspondiente solución para resolver problemas similares en el futuro. Se utiliza la experiencia pasada para tomar decisiones y resolver situaciones nuevas.

10

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad Actores relevantes en el uso ético de la IA

Actores relevantes en el uso ético de la IA Gobiernos

Empresas

Establecer marcos regulatorios: promulgación de leyes y regulaciones que aborden los aspectos éticos de la IA, como la privacidad, la equidad y la transparencia.

Fomentar la investigación y educación: Programas educativos que promuevan la conciencia y comprensión de los desafíos éticos asociados con la IA. Colaborar con la industria: con empresas para establecer estándares éticos y promover prácticas responsables en el desarrollo y uso de la IA.

Adoptar políticas éticas: y códigos de ética que rijan el desarrollo y uso de la IA en sus operaciones.

Implementar evaluaciones de impacto ético: para identificar y abordar posibles sesgos, discriminación u otros problemas éticos en sus sistemas de IA. Promover la diversidad y la inclusión: Fomentar la diversidad y la inclusión en los equipos de desarrollo de la IA para evitar sesgos y garantizar una representación equitativa de las diversas perspectivas y experiencias.

Desarrolladores

Usuarios

Diseñar sistemas éticos: Teniendo en cuenta consideraciones de privacidad, seguridad, equidad y transparencia. Deben evitar la introducción de sesgos y discriminación en los algoritmos y los conjuntos de datos empleados.

Implementar explicabilidad: De modo que las decisiones tomadas por los algoritmos sean comprensibles y transparentes para los usuarios.

Participar en comunidades y grupos de investigación: Mediante el intercambio de conocimientos sobre aspectos éticos de la tecnología.

Exigir transparencia y rendición de cuentas: Los usuarios de la IA tienen el derecho de exigir mayor control y transparencias en cómo se utilizan sus datos y cómo se toman las decisiones por parte de los sistemas de IA. También pueden abogar por una mayor rendición de cuentas por parte de los desarrolladores y las empresas.

Participar en la educación y la discusión pública: Los usuarios pueden participar en programas educativos sobre ética de la IA y participar activamente en la discusión pública

11

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad Fundamentos éticos de la IA

Fundamentos éticos de la IA Son principios y consideraciones éticas que guían el desarrollo, despliegue y uso de la IA.

Transparencia y explicabilidad: Las decisiones tomadas por los sistemas de IA deben ser transparentes y comprensibles para los seres humanos. Es importante que las personas puedan comprender cómo se llega a una determinada conclusión o recomendación por parte de un sistema de IA. Imparcialidad y falta de sesgos: Los sistemas de IA deben evitar la discriminación injusta y los sesgos basados en características como género, raza, religión o cualquier otro factor irrelevante. Es fundamental garantizar que los algoritmos y modelos de IA sean justos y equitativos para todos.

Privacidad y protección de datos: La IA a menudo requiere acceso y procesamiento de grandes cantidades de datos personales. Es necesario asegurar que se respete la privacidad de los individuos y que se implementen medidas adecuadas para proteger los datos personales.

Responsabilidad y rendición de cuentas: Debe haber claridad sobre quién es responsable de las decisiones y acciones de los sistemas de IA. Se deben establecer mecanismos de rendición de cuentas para abordar los posibles problemas y consecuencias negativas que puedan surgir.

12

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad Fundamentos éticos de la IA

Fundamentos éticos de la IA Beneficio social: La IA debe ser utilizada para promover el bienestar y el beneficio social. Es importante considerar el impacto de la IA en diferentes aspectos de la sociedad, como el empleo, la economía y la distribución de recursos.

Imparcialidad y falta de sesgos: Los sistemas de IA deben evitar la discriminación injusta y los sesgos basados en características como género, raza, religión o cualquier otro factor irrelevante. Es fundamental garantizar que los algoritmos y modelos de IA sean justos y equitativos para todos.

Seguridad y robustez: Los sistemas de IA deben ser seguros y resistentes a ataques maliciosos. Es necesario considerar y abordar los posibles riesgos y vulnerabilidades para evitar que los sistemas de IA sean explotados o utilizados de manera perjudicial.

Colaboración humana y autonomía: La IA debe diseñarse para colaborar y complementar las habilidades humanas, en lugar de reemplazarlas por completo. También es importante preservar la autonomía humana en la toma de decisiones y evitar la dependencia excesiva de los sistemas de IA.

13

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Conclusiones

Conclusiones La inteligencia artificial (IA) es un campo fascinante que ha evolucionado enormemente a lo largo de la historia. Desde sus inicios en la década de 1950, la IA ha pasado por distintos enfoques teóricos, desde la lógica simbólica hasta el aprendizaje automático y el enfoque más reciente en redes neuronales profundas. Estos enfoques han permitido avances significativos en áreas como el procesamiento del lenguaje natural, la visión por computadora y la toma de decisiones.

Por otro lado, en cuanto a la historia, la IA ha pasado por períodos de gran entusiasmo y expectativas exageradas, seguidos por períodos de desilusión conocidos como "inviernos de la IA". Sin embargo, en las últimas décadas, se ha presenciado un resurgimiento de la IA gracias a avances tecnológicos, algoritmos más sofisticados y el aumento de datos disponibles. Por ende, la IA ha encontrado aplicaciones en una amplia gama de industrias y sectores, incluyendo atención médica, transporte, finanzas, manufactura y más. Ha mejorado la capacidad para procesar grandes cantidades de datos, tomar decisiones más informadas y automatizar tareas rutinarias.

Respecto a los aspectos éticos, la IA plantea una serie de desafíos importantes; estos incluyen preocupaciones sobre la privacidad y la seguridad de los datos, el sesgo algorítmico, la toma de decisiones automatizada y su impacto en el empleo y la desigualdad social. Es crucial abordar estos problemas de manera proactiva para garantizar que la IA se utilice de manera ética y responsable.

Ahora bien, la inteligencia artificial es un campo dinámico y en constante evolución con un rico trasfondo histórico y una variedad de enfoques teóricos. A medida que se sigue avanzando en este campo, es fundamental considerar y abordar los aspectos éticos para garantizar que la IA beneficie a la sociedad en su conjunto.

14

Expandiendo Horizontes Enfoques teóricos de la Inteligencia Artificial en la actualidad

Referencias

Referencias Immune Technology institute. (2021). 7 ejemplos de uso de inteligencia artificial en nuestro día a día. Disponible en: https://immune.institute/blog/7-ejemplos-de-uso-de-inteligenciaartificial-en-nuestro-dia-a-dia/. Consultado: 10/02/2024 OpenMind BBVA. (2023). La historia de la Inteligencia Artificial.

Disponible en: https://www.bbvaopenmind.com/tecnologia/inteligenciaartificial/historia-de-la-inteligencia-artificial/.

Consultado: 10/02/2024 Huet, P. (2023). Ética en la inteligencia artificial. Disponible en: https://openwebinars.net/blog/etica-en-la-inteligencia-artificial/.

Consultado: 10/02/2024 (s.a.). (2023). Qué es la Inteligencia Artificial. Disponible en: https://planderecuperacion.gob.es/noticias/que-es-inteligenciaartificial-iaprtr#:~:text=La%20inteligencia%20artificial%20(IA)%20es,el%20 razonamiento%20y%20la%20percepción. Consultado: 10/02/2024

Vicent, J. (2021). Frases sobre la tecnología. Disponible en: https://www.frasess.net/frases-sobre-la-tecnologia-796.html.

Consultado: 10/02/2024 Parlamento Europeo. (2020). ¿Qué es la inteligencia artificial y cómo se usa?.

Disponible en: https://www.europarl.europa.eu/topics/es/article/20200827STO 85804/que-es-la-inteligencia-artificial-y-como-se-usa. Consultado: 10/02/2024.

Redaccion APD. (2023). Las ramas de la inteligencia artificial y sus diferentes aplicaciones.

Disponible en: https://www.apd.es/tecnicas-de-la-inteligencia-artificial-cualesson-y-para-que-se-utilizan/. Consultado: 10/02/2024.

15