Introducción a la Inteligencia Artificial

La Inteligencia Artificial (IA) es el campo de la informática dedicado a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. Desde asistentes virtuales hasta vehículos autónomos, la IA ha pasado de ser ciencia ficción a transformar cada industria.

¿Qué es la IA?

La IA abarca cualquier sistema que percibe su entorno y toma acciones para maximizar sus posibilidades de éxito en algún objetivo. Se clasifica en tres niveles:

• IA Estrecha (ANI): especializada en una tarea concreta. Es la única que existe hoy. Ejemplos: GPT-4o, reconocimiento facial, AlphaGo.
• IA General (AGI): capaz de realizar cualquier tarea intelectual humana. Aún no se ha logrado, aunque es el objetivo de empresas como OpenAI y Anthropic.
• IA Superinteligente (ASI): superaría la inteligencia humana en todos los aspectos. Es teórica.

Historia breve de la IA

Ramas principales de la IA

Inteligencia Artificial
├── Machine Learning (ML)
│   ├── Supervisado
│   ├── No Supervisado
│   └── Por Refuerzo
├── Deep Learning (DL)
│   ├── CNNs (Visión)
│   ├── RNNs/LSTMs (Secuencias)
│   └── Transformers (LLMs)
├── Procesamiento de Lenguaje Natural (NLP)
├── Visión por Computadora
├── Robótica
└── Sistemas Expertos

ML vs DL vs IA Tradicional

# IA Tradicional: Reglas escritas manualmente
def clasificar_spam_tradicional(email):
    palabras_spam = ["gratis", "oferta", "premio"]
    return any(p in email.lower() for p in palabras_spam)

# Machine Learning: Aprende patrones de datos
from sklearn.naive_bayes import MultinomialNB
model = MultinomialNB()
model.fit(X_train, y_train)  # Aprende de ejemplos
prediction = model.predict(X_test)

# Deep Learning: Aprende representaciones jerárquicas
import torch.nn as nn
class SpamClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, 128)
        self.lstm = nn.LSTM(128, 64, batch_first=True)
        self.fc = nn.Linear(64, 2)

La diferencia fundamental:

• IA Tradicional: el programador define las reglas.
• Machine Learning: el modelo aprende reglas a partir de datos.
• Deep Learning: el modelo aprende representaciones a partir de datos crudos, sin feature engineering manual.

El ecosistema actual de IA (2025-2026)

El panorama actual está dominado por los Large Language Models (LLMs):

• OpenAI: GPT-4o, o1, o3 (modelos de razonamiento)
• Anthropic: Claude 3.5 Sonnet, Claude Opus
• Google: Gemini 2.0 Pro/Flash
• Meta: Llama 3.1, Llama 4
• Mistral: Mistral Large, Mixtral
• DeepSeek: DeepSeek-V3, DeepSeek-R1

Herramientas clave:

• Python como lenguaje dominante
• PyTorch como framework de deep learning principal
• Hugging Face como hub de modelos y datasets
• LangChain/LlamaIndex para aplicaciones con LLMs
• Vector databases (Pinecone, Weaviate, ChromaDB) para RAG

¿Por qué aprender IA ahora?

1. Demanda laboral: los roles de IA/ML son los mejor pagados en tech.
2. Transformación de industrias: salud, finanzas, educación, legal.
3. Herramientas accesibles: APIs de LLMs, modelos open source, GPUs en la nube.
4. Impacto personal: potencia tu productividad 10x como desarrollador.

Resumen

• La IA es un campo amplio que incluye ML, DL y más.
• Los LLMs (como GPT-4o y Claude) son la revolución actual.
• Python es el lenguaje dominante para IA.
• El ecosistema incluye frameworks (PyTorch), hubs (Hugging Face) y APIs (OpenAI, Anthropic).
• No necesitas un PhD para empezar: las APIs de LLMs democratizaron el acceso.