Aunque los detalles varían según las técnicas de IA, el principio fundamental gira en torno a los datos. Los sistemas de IA aprenden y mejoran a través de la exposición a grandes cantidades de datos, identificando patrones y relaciones que los humanos pueden pasar por alto.

Este proceso de aprendizaje a menudo implica algoritmos, que son conjuntos de reglas o instrucciones que guían el análisis y la toma de decisiones de la IA. En el aprendizaje automático, un subconjunto popular de IA, los algoritmos se entrenan con datos etiquetados o sin etiquetar para hacer predicciones o categorizar información. 

El aprendizaje profundo, otra especialización, utiliza redes neuronales artificiales con varias capas para procesar la información, imitando la estructura y la función del cerebro humano. Gracias al aprendizaje y la adaptación continuos, los sistemas de IA son cada vez más expertos en realizar tareas específicas, desde reconocer imágenes hasta traducir idiomas, etc.

¿Quieres saber cómo empezar a usar la IA? Sigue la introducción gratuita a la IA generativa para principiantes.

La inteligencia artificial se puede organizar de varias formas, según las etapas de desarrollo o las acciones que se estén llevando a cabo. 

Por ejemplo, se suelen reconocer cuatro fases del desarrollo de la IA.

1. Máquinas reactivas: IA limitada que solo reacciona a diferentes tipos de estímulos en función de las reglas preprogramadas. No utiliza memoria y, por lo tanto, no puede aprender con datos nuevos. Deep Blue, de IBM, que ganó al campeón de ajedrez Garry Kasparov en 1997, fue un ejemplo de máquina reactiva.
2. Memoria limitada: la IA más moderna se considera una memoria limitada. Puede usarla para mejorar con el tiempo entrenándose con nuevos datos, normalmente a través de una red neuronal artificial u otro modelo de entrenamiento. El aprendizaje profundo, un subconjunto del aprendizaje automático, se considera inteligencia artificial de memoria limitada.
3. Teoría de la mente: actualmente, no existe la IA de teoría de la mente, pero se están investigando sus posibilidades. Es una IA que puede emular la mente humana y que tiene funciones de toma de decisiones similares a las de una persona, como reconocer y recordar emociones, y reaccionar en situaciones sociales como lo haría un ser humano. 
4. Consciente de sí misma: un paso por encima de la IA de teoría de la mente, la IA consciente de sí misma, es una máquina mítica consciente de su propia existencia y tiene las capacidades intelectuales y emocionales de una persona. Al igual que la IA de teoría de la mente, la consciente de sí misma no existe actualmente.

Una forma más útil de categorizar a grandes rasgos los tipos de inteligencia artificial es por lo que pueden hacer. Lo que denominamos "inteligencia artificial" se considera inteligencia limitada porque solo puede llevar a cabo conjuntos de acciones delimitados por su programación y entrenamiento. Por ejemplo, un algoritmo de IA que se usa para clasificar objetos no podrá procesar el lenguaje natural. La Búsqueda de Google es una forma de IA limitada, como las analíticas predictivas o los asistentes virtuales.

La inteligencia artificial general (AGI) sería la capacidad de una máquina para "sentir, pensar y actuar" como lo haría una persona. Actualmente, la AGI no existe. El siguiente nivel sería la superinteligencia artificial (ASI), en la que la máquina podría funcionar de una forma superior a la inteligencia humana. 

Cuando las empresas hablan de IA, a menudo hablan de "datos de entrenamiento". Pero ¿qué significa esto? Recuerda que la inteligencia artificial con memoria limitada es la IA que mejora con el tiempo al entrenarse con datos nuevos. El aprendizaje automático es un subconjunto de inteligencia artificial que utiliza algoritmos para entrenar datos y obtener resultados.

A grandes rasgos, en el aprendizaje automático suelen utilizarse tres tipos de modelos de aprendizaje:

El aprendizaje supervisado es un modelo de aprendizaje automático que asigna una entrada específica a un resultado usando datos de entrenamiento etiquetados (datos estructurados). Para enseñar a tu algoritmo a reconocer las fotos de gatos, aliméntalo con imágenes etiquetadas como gatos.

El aprendizaje no supervisado es un modelo de aprendizaje automático que aprende patrones basados en datos sin etiquetar (datos sin estructurar). A diferencia del aprendizaje supervisado, el resultado final no se sabe con antelación. En vez de eso, el algoritmo aprende de los datos y los clasifica en grupos según sus atributos. Por ejemplo, el aprendizaje no supervisado es bueno para identificar patrones coincidentes y definir modelos descriptivos. 

Además del aprendizaje supervisado y no supervisado, se suele emplear un enfoque mixto, llamado aprendizaje semisupervisado, en el que solo se etiquetan algunos datos. Aunque el resultado final del aprendizaje semisupervisado ya se conoce, el algoritmo tiene que saber cómo organizar y estructurar los datos para lograr los resultados deseados.

El aprendizaje por refuerzo es un modelo de aprendizaje automático que se puede describir, en líneas generales, como "aprender con la práctica". Un "agente" aprende a llevar a cabo una tarea definida mediante ensayo y error (un bucle de retroalimentación) hasta que su rendimiento se encuentra dentro del intervalo deseado. El agente recibe refuerzo positivo cuando hace la tarea bien y refuerzo negativo cuando falla. Un ejemplo de aprendizaje de refuerzo sería enseñar a una mano robótica a recoger una pelota. 

Un tipo de modelo de entrenamiento común en IA es una red neuronal artificial, que se basa parcialmente en el cerebro humano. 

Una red neuronal es un sistema de neuronas artificiales, a veces llamadas "perceptrones", que son nodos computacionales que se usan para clasificar y analizar datos. Los datos se ingieren en la primera capa de una red neuronal, cada uno de los perceptrones toma una decisión y, a continuación, transmite esa información a varios nodos en la siguiente capa. Los modelos de entrenamiento con más de tres capas se denominan "redes neuronales profundas" o "aprendizaje profundo". Algunas redes neuronales modernas tienen cientos o miles de capas. El resultado de los perceptrones finales es llevar a cabo la tarea definida en la red neuronal, como clasificar un objeto o encontrar patrones en los datos. 

Estos son algunos de los tipos de redes neuronales artificiales más habituales:

Las redes neuronales de retroalimentación (FF) son una de las formas más antiguas de redes neuronales, donde los datos fluyen en una dirección a través de capas de neuronas artificiales hasta que se obtiene el resultado. En la actualidad, la mayoría de las redes neuronales de retroalimentación se consideran de "realimentación profunda" con varias capas (y más de una capa "oculta"). Las redes neuronales de retroalimentación suelen estar emparejadas con un algoritmo de corrección de errores llamado "backpropagation" que, a grandes rasgos, empieza por el resultado de la red neuronal y vuelve hasta el principio mientras detecta errores para mejorar la precisión de la red neuronal. Muchas redes neuronales sencillas pero potentes son de retroalimentación profunda.

Las redes neuronales recurrentes (RNN) se diferencian de las redes neuronales de retroalimentación en que suelen usar datos de series temporales o datos que implican secuencias. A diferencia de las redes neuronales de retroalimentación, que usan ponderaciones en cada nodo de la red, las redes neuronales recurrentes tienen "recuerdos" de lo que ha ocurrido en la capa anterior que dependen del resultado de la capa actual. Por ejemplo, al procesar el lenguaje natural, las RNNs pueden "tener en cuenta" otras palabras que se usan en una frase. Las RNNs se suelen utilizar para el reconocimiento de voz, la traducción y para mostrar subtítulos en imágenes. 

Las redes de memoria a corto y largo plazo (LSTM) son una forma avanzada de RNN que pueden usar la memoria para "recordar" lo que ha ocurrido en capas anteriores. La única diferencia entre las RNNs y las LSTMs es que estas últimas pueden recordar lo que ocurrió hace varias capas gracias al uso de celdas de memoria. Las LSTMs se suelen usar en el reconocimiento de voz y para hacer predicciones. 

Las redes neuronales convolucionales (CNN) abarcan algunas de las redes neuronales más comunes en la inteligencia artificial moderna. Las CNNs suelen usarse en el reconocimiento de imágenes y utilizan varias capas separadas (una capa convolucional y luego una capa de agrupación) que filtran las diferentes partes de una imagen antes de volver a juntarlas (en la capa completamente conectada). Las primeras capas convolucionales pueden buscar elementos simples de una imagen, como colores y bordes, antes de buscar características más complejas en capas adicionales.

Las redes generativas antagónicas (GAN) comprenden dos redes neuronales que compiten entre sí en un juego, lo que en última instancia mejora la precisión del resultado. Una red (la generadora) crea ejemplos que la otra red (la discriminadora) intenta demostrar si son verdaderos o falsos. Las GANs se han usado para crear imágenes realistas e incluso arte.