Dentro de los objetivos de la inteligencia artificial podemos englobar los siguientes:
Razonamiento y resolución de problemas
Estos algoritmos demostraron ser insuficientes para resolver grandes problemas de razonamiento porque experimentaron una «explosión combinatoria»:
Se volvieron exponencialmente más lentos a medida que los problemas crecían.
De esta manera, se concluyó que los seres humanos rara vez usan la deducción paso a paso que la investigación temprana de la inteligencia artificial seguía; en cambio, resuelven la mayoría de sus problemas utilizando juicios rápidos e intuitivos.
Los primeros investigadores desarrollaron algoritmos que imitaban el razonamiento paso a paso que los humanos usan cuando resuelven acertijos o hacen deducciones lógicas.
A finales de los años 80 y 90, la investigación de la inteligencia artificial había desarrollado métodos para tratar con información incierta o incompleta, empleando conceptos de probabilidad y economía
Representación del conocimiento
Entre los temas que contendría una base de conocimiento de sentido común están:
- Objetos
- Propiedades
- Categorías y relaciones entre objetos
- Situaciones
- Eventos
- Estados
- Tiempo causas y efectos
- El conocimiento sobre el conocimiento (lo que sabemos sobre lo que saben otras personas),entre otros.
La representación del conocimiento y la ingeniería del conocimiento son fundamentales para la investigación clásica de la inteligencia artificial.
Algunos «sistemas expertos» intentan recopilar el conocimiento que poseen los expertos en algún ámbito concreto.
Además, otros proyectos tratan de reunir el «conocimiento de sentido común» conocido por una persona promedio en una base de datos que contiene un amplio conocimiento sobre el mundo.
Planificación
En los problemas clásicos de planificación, el agente puede asumir que es el único sistema que actúa en el mundo, lo que le permite estar seguro de las consecuencias de sus acciones.
Sin embargo, si el agente no es el único actor, entonces se requiere que este pueda razonar bajo incertidumbre.
Esto requiere un agente que no solo pueda evaluar su entorno y hacer predicciones, sino también evaluar sus predicciones y adaptarse en función de su evaluación.
La planificación de múltiples agentes utiliza la cooperación y la competencia de muchos sistemas para lograr un objetivo determinado.
El comportamiento emergente como este es utilizado por algoritmos evolutivos e inteligencia de enjambre.
Otro objetivo de la inteligencia artificial consiste en poder establecer metas y alcanzarlas.
Para ello necesitan una forma de visualizar el futuro, una representación del estado del mundo y poder hacer predicciones sobre cómo sus acciones lo cambiarán, con tal de poder tomar decisiones que maximicen la utilidad (o el «valor») de las opciones disponibles
Aprendizaje
El aprendizaje automático es un concepto fundamental de la investigación de la inteligencia artificial desde el inicio del campo.
Consiste en el estudio de algoritmos informáticos que mejoran automáticamente a través de la experiencia.
El aprendizaje no supervisado es la capacidad de encontrar patrones en un flujo de entrada, sin que sea necesario que un humano etiquete las entradas primero.
El aprendizaje supervisado incluye clasificación y regresión numérica, lo que requiere que un humano etiquete primero los datos de entrada.
La clasificación se usa para determinar a qué categoría pertenece algo y ocurre después de que un programa observe varios ejemplos de entradas de varias categorías.
La regresión es el intento de producir una función que describa la relación entre entradas y salidas y predice cómo deben cambiar las salidas a medida que cambian las entradas.
Tanto los clasificadores como los aprendices de regresión intentan aprender una función desconocida.
Por ejemplo, un clasificador de spam puede verse como el aprendizaje de una función que asigna el texto de un correo electrónico a una de dos categorías, «spam» o «no spam».
La teoría del aprendizaje computacional puede evaluar a los estudiantes por complejidad computacional, complejidad de la muestra (cuántos datos se requieren) o por otras nociones de optimización
Procesamiento de lenguajes naturales
El procesamiento del lenguaje natural permite a las máquinas leer y comprender el lenguaje humano.
Un sistema de procesamiento de lenguaje natural suficientemente eficaz permitiría interfaces de usuario de lenguaje natural y la adquisición de conocimiento directamente de fuentes escritas por humanos, como los textos de noticias.
Algunas aplicaciones sencillas del procesamiento del lenguaje natural incluyen la recuperación de información, la minería de textos, la respuesta a preguntas y la traducción automática.
Muchos enfoques utilizan las frecuencias de palabras para construir representaciones sintácticas de texto.
Las estrategias de búsqueda de «detección de palabras clave» son populares y escalables, pero poco óptimas.
Una consulta de búsqueda para «perro» solo puede coincidir con documentos que contengan la palabra literal «perro» y perder un documento con la palabra «caniche».
Los enfoques estadísticos de procesamiento de lenguaje pueden combinar todas estas estrategias, así como otras, y a menudo logran una precisión aceptable a nivel de página o párrafo.
Más allá del procesamiento de la semántica, el objetivo final de este es incorporar una comprensión completa del razonamiento de sentido común.
En 2019, las arquitecturas de aprendizaje profundo basadas en transformadores podían generar texto coherente
Percepción
La percepción de la máquina es la capacidad de utilizar la entrada de sensores (como cámaras de espectro visible o infrarrojo, micrófonos, señales inalámbricas y lidar, sonar, radar y sensores táctiles) para deducir aspectos del mundo.
Las aplicaciones incluyen reconocimiento de voz, reconocimiento facial y reconocimiento de objetos.
La visión artificial es la capacidad de analizar la información visual, que suele ser ambigua.
Un peatón gigante de cincuenta metros de altura muy lejos puede producir los mismos píxeles que un peatón de tamaño normal cercano.
Esto requiere que la inteligencia artificial juzgue la probabilidad relativa y la razonabilidad de las diferentes interpretaciones.
Por ejemplo, utilizando su «modelo de objeto» para evaluar que los peatones de cincuenta metros no existen
