2.1 Inteligencia Artificial (AI)

La inteligencia artificial (IA) estudia problemas que son difíciles o impracticables de resolver con enfoques algorítmicos tradicionales. Estos problemas a menudo recuerdan a aquellos que se consideran que requieren inteligencia humana, y las estrategias de solución de IA resultantes típicamente se generalizan sobre clases de problemas. Las técnicas de IA ahora son omnipresentes en la informática, apoyando aplicaciones cotidianas como el correo electrónico, las redes sociales, la fotografía, los mercados financieros y los asistentes virtuales inteligentes (por ejemplo, Siri, Alexa). Estas técnicas también se utilizan en el diseño y análisis de agentes autónomos que perciben su entorno e interactúan racionalmente con él, como vehículos autónomos y otros robots.

Tradicionalmente, la IA ha incluido una mezcla de enfoques simbólicos y subsimbólicos. Las soluciones que proporciona se basan en un amplio conjunto de esquemas de representación del conocimiento generales y especializados, mecanismos de resolución de problemas y técnicas de optimización. Estos enfoques abordan la percepción (por ejemplo, reconocimiento de voz, comprensión del lenguaje natural, visión por computadora), la resolución de problemas (por ejemplo, búsqueda, planificación, optimización), la generación (por ejemplo, narrativa, conversación, imágenes, modelos, recomendaciones), la actuación (por ejemplo, robótica, automatización de tareas, control) y las arquitecturas necesarias para soportarlas (por ejemplo, agentes únicos, sistemas multiagente). El aprendizaje automático puede utilizarse dentro de cada uno de estos aspectos e incluso puede emplearse de extremo a extremo en todos ellos. El estudio de la Inteligencia Artificial prepara a los estudiantes para determinar cuándo un enfoque de IA es apropiado para un problema dado, identificar representaciones y mecanismos de razonamiento apropiados, implementarlos y evaluarlos tanto con respecto al rendimiento como a su impacto social más amplio.

Durante la última década, el término "inteligencia artificial" se ha vuelto común en empresas, artículos de noticias y conversaciones cotidianas, impulsado en gran medida por una serie de aplicaciones de aprendizaje automático de alto impacto. Estos avances fueron posibles gracias a la amplia disponibilidad de grandes conjuntos de datos, el aumento de la potencia computacional y las mejoras algorítmicas. En particular, ha habido un cambio desde representaciones diseñadas manualmente hacia representaciones aprendidas automáticamente a través de la optimización sobre grandes conjuntos de datos. Los avances resultantes han puesto términos como "redes neuronales" y "aprendizaje profundo" en el vocabulario cotidiano. Las empresas ahora anuncian soluciones basadas en IA como valor añadido a sus servicios, de modo que "inteligencia artificial" es ahora tanto un término técnico como una palabra de moda de marketing. Otras disciplinas, como la biología, el arte, la arquitectura y las finanzas, utilizan cada vez más técnicas de IA para resolver problemas dentro de sus disciplinas.

Por primera vez en nuestra historia, la población en general tiene acceso a herramientas sofisticadas impulsadas por IA, incluyendo herramientas para generar ensayos o poemas a partir de un indicador, obras de arte a partir de una descripción, y fotografías o videos falsos que representan personas reales. La tecnología de IA ahora se utiliza ampliamente en el comercio de acciones, la curación de nuestras noticias y feeds de redes sociales, la evaluación automatizada de solicitantes de empleo, la detección de condiciones médicas y la influencia en las sentencias penales a través de la predicción de reincidencia. En consecuencia, la tecnología de IA puede tener impactos sociales significativos y consideraciones éticas que deben entenderse y considerarse al desarrollarla y aplicarla.

KA	Core Tier1	Core Tier2	Electivo
2.1.1 Introducción a la IA: Conceptos y Comportamiento Inteligente			No
2.1.2 Características del Problema y Naturaleza de los Agentes			No
2.1.3 Estado y Búsqueda No Informada			No
2.1.4 Búsqueda Heurística y CSP			No
2.1.5 Búsqueda Adversarial y Optimización Estocástica			No
2.1.6 Representación del Conocimiento y Razonamiento Probabilístico Básico			No
2.1.7 Independencia, Modelos de Markov y Toma de Decisiones			No
2.1.8 Aprendizaje Automático I: Fundamentos			No
2.1.9 Aprendizaje Automático II: Datos, Representaciones y Evaluación			No
2.1.10 Aprendizaje Automático III: Redes Neuronales y Ética			No
2.1.11 Formulación del Aprendizaje Automático y Evaluación			No
2.1.12 Aprendizaje Profundo, RL y Ética			No
2.1.13 Aplicaciones e Impacto Social (Parte I)			No
2.1.14 Aplicaciones e Impacto Social (Parte II)			No
2.1.15 Representación Lógica y Razonamiento			No
2.1.16 Representación Probabilística y Razonamiento			No
2.1.17 Planificación			No
2.1.18 Agentes y Sistemas Cognitivos			No
2.1.19 Procesamiento del Lenguaje Natural			No
2.1.20 Robótica			No
2.1.21 Percepción y Visión por Computadora			No