La inteligencia artificial ya se ha abierto camino en muchas áreas y desempeña un rol importante en nuestro día a día. La comprensión y el conocimiento sobre el aprendizaje automático capacitan al alumnado para desarrollar un manejo responsable y una postura propia con respecto al tema. 

Con el TXT 4.0 el alumnado puede dar sus primeros pasos en la inteligencia artificial (IA) de manera sencilla. Descubrirán qué se oculta detrás de la IA y cómo pueden usarla para sus propios modelos. 

Las señales llegan al lado izquierdo (capa de entrada); esto es comparable con nuestras células sensoriales. Las células sensoriales están conectadas a neuronas y la intensidad de la conexión indica con cuánta intensidad una neurona reacciona al estímulo, desde la izquierda. 

Del lado derecho (capa de salida) vemos las neuronas de salida; en términos muy simples, se encargan de conceptos determinados que fueron percibidos con los sentidos en el lado izquierdo. Por ejemplo, si «vemos» una imagen a la izquierda, a la derecha podría asociarse el concepto «gato». 

Entre las células sensoriales a la izquierda y las neuronas de salida observamos estructuras formadas por muchas neuronas. La mayoría están dispuestas en «capas» individuales y cada capa tiene una tarea o función determinada.  

La clasificación en capas, de los nodos de una red neuronal artificial, sirve para lograr una mayor claridad. Se habla de Input Layer, Hidden Layer y Output Layer.

• La capa de entrada (Input Layer) registra los datos del entorno. 
• La capa de salida (Output Layer) emite nuevamente los datos hacia el exterior. 
• Las capas ocultas (Hidden Layer) habitualmente conectan la capa de entrada con la capa de salida. Hay cualquier cantidad de esas capas, o también ninguna. 

Hay distintas clases de asociaciones para distintas tareas. Algunas asociaciones son muy adecuadas para reconocer partes de imágenes y otras son buenas para reconocer secuencias temporales, como palabras en oraciones. 

Los conceptos como Deep Learning, Deep Mind o el programa DeepL que traduce texto a otro idioma, se refieren a la estructura de la red neuronal, a una así llamada red «profunda». El Deep. Profundo no significa más que hay muchas capas unas detrás de otras, en donde cada capa reacciona a las salidas de la capa anterior.

El aprendizaje en una red neuronal, expresado de forma simplificada, funciona de manera que en el lado izquierdo se aplican estímulos, por ejemplo, imágenes, y después se observa si en el lado derecho se produce el concepto correcto. Si no es ése el caso, se adapta la intensidad de las conexiones de derecha a izquierda, y se intenta todo de nuevo hasta que la red reaccione correctamente. 

El hecho de recalcular permanentemente una red grande implica un gran esfuerzo. Por esos las tareas para IA se entrenan en el ordenador y no en TXT 4.0. 

Hace ya varias décadas que se trabaja en la inteligencia artificial. Pero por mucho tiempo los ordenadores y las redes no tenían la eficiencia suficiente como para entrenar redes neuronales más grandes. Para entrenar desde cero una red de manera que pueda reconocer objetos se necesitan millones de imágenes para las que la red recalcule de forma continua, de izquierda a derecha, y después deba corregir nuevamente de derecha a izquierda. 

Para que una IA pueda hacer algo primero debe aprender y después aplicar lo aprendido. El principio básico siempre funciona con los tres siguientes pasos: 

1. Recopilación de datos de entrenamiento - Se recopilan ejemplos de los que la IA después puede aprender. Éstos, por ejemplo, pueden ser imágenes de distintos animales u objetos. A continuación, debemos poner un nombre a esas imágenes, de manera que la IA sepa qué debe aprender. 
2. Entrenamiento de la IA - En este paso le mostramos a la IA nuestros ejemplos y a qué nos referimos con ellos. A continuación, la IA se adapta para encontrar lo mejor posible el término correspondiente para una imagen determinada.
3. Uso de la IA - Cuando el entrenamiento ha terminado podemos usar la red e intentar reconocer imágenes nuevas o diferentes. 

Rápidamente comprobaremos que entrenar no es tan sencillo. Se necesitan las imágenes correctas, en cantidad suficiente, y las condiciones de iluminación también deben ser las correctas. Pero esto debe descubrirse investigando y experimentando con los propios modelos. 

Para que el entrenamiento de la IA no sea demasiado difícil, en nuestros ejemplos utilizamos una IA previamente entrenada como base. Ésta puede reconocer objetos y tan solo debes enseñarle los «nombres» de las cosas que debe reconocer. Esa clase de aprendizaje se denomina aprendizaje por transferencia.