La intel·ligència artificial és la que poden mostrar les màquines. Es diferencia, així, de la intel·ligència natural que és la que tenen els éssers humans. Es considera que la investigació en IA comença pròpiament el 1956 a partir d'una conferència celebrada a la universitat de Darthmouth.
Història
La investigació en intel·ligència artificial ha viscut molts alts i baixos des dels seus inicis. Entre 1956 i 1974 va viure uns anys daurats: els científics van predir que en pocs anys es podria aconseguir un ordinador que tingués la mateixa capacitat cognitiva que un ésser humà i van aconseguir, així, inversions milionàries per investigar. No obstant, les seves estimacions van ser errònies, no es van poder complir les expectatives elevadíssimes i van desaparèixer les inversions. El període entre 1974 i 1980 es considera l'hivern de la intel·ligència artificial. Més enllà dels problemes financers, els projectes s'enfrontaven a una capacitat computacional i d'emmagatzematge de dades molt reduïda que impedia dur a terme els processos i experiments necessaris.
Entre 1980 i finals dels anys 90, el sector de la intel·ligència artificial va patir diversos alts i baixos en popularitat acompanyats per la conseqüent aparició i desaparició d'inversió. A finals de la dècada dels 90 els ordinadors començaven a tenir una capacitat suficient com per dur a terme avenços en aquest camp. De fet, l'ordinador emprat per jugar a escacs el 1997 era 10 milions de vegades més potent que el que s'havia fet servir per al mateix propòsit el 1951.
Canvi de perspectiva
Des de llavors, hi ha hagut un canvi de perspectiva al voltant de la IA. El Big Data i la potència dels ordinadors ha permès grans avanços, encara que s'hagin dut a terme en una direcció diferent de la que es portava fins llavors. S'ha començat a avançar en el camp de l'aprenentatge profund (o deep learning), així com en les xarxes neuronals (neural networks) i l'aprenentatge automàtic (machine learning). Tots són branques de la intel·ligència artificial. Existeixen, a més, altres branques o subbranques, com els anàlisis predictius (predictive analysis), el reconeixement del llenguatge natural (Natural Language Recognition) i el reconeixement facial (Facial Recognition).
Bismart ofereix serveis d'anàlisis predictius, natural language understanding i reconeixement facial i d'objectes:
Anàlisi predictiu
L'anàlisi predictiu forma part de Machine Learning. Es basa en models predictius que exploten els patrons que es troben en les dades històriques i transaccionals per identificar riscos i oportunitats. Amb l'anàlisi predictiu es poden pronosticar amb una elevada precisió esdeveniments futurs, de manera que les organitzacions poden preveure què passarà. Per exemple, l'anàlisi predictiu podria predir una màquina espatllant-se en una cadena de producció. Així, es podria arreglar el problema abans i així evitar o reduir l’aturada de la cadena de producció.
Netflix és una de les moltes empreses que utilitzen l'anàlisi predictiu per millorar els seus serveis, en aquest cas, al motor de recomanacions. El 80% dels usuaris de Netflix consumeixen únicament les pel·lícules i sèries que la plataforma els recomana, la qual cosa ha reduït la taxa de cancel·lació del servei. A més, Netflix utilitza dades sobre el consum, com l'hora del dia i la quantitat de contingut visualitzat per millorar les recomanacions.
Natural language understanding
El natural language understanding (NLU) és una subbranca dins el processament del llenguatge natural. El NLU és un dels problemes més complexos de l'IA, coneguts com AI-hard problems. Aquest camp està guanyant popularitat pel seu ús en l'anàlisi de contingut a gran escala. Mitjançant el natural language understanding és possible la revelació de contingut en format audiovisual, ja provingui de dades estructurades o no estructurades i en grans volums.
Un exemple de l'ús d'aquesta tecnologia són els assistents virtuals com Alexa, Siri o Google Assistant. Siri, l'assistent d'Apple, és capaç de reconèixer ordres a partir de l'entrenament de la seva xarxa neuronal. El sistema realitza càlculs de probabilitat per detectar si el so registrat són les paraules "Escolta, Siri" comparant-lo amb el model original. A partir de cert valor s'activa el sistema.
Reconeixement facial i d'objectes
El reconeixement facial és una aplicació biomètrica de la intel·ligència artificial que és capaç d'identificar la cara d'una persona analitzant les seves formes i textures facials. Els seus usos són molt diversos; des de la seguretat, identificant a persones buscades per la policia, a usos més comercials, com el retargeting. A més, també pot usar-se per saber quant temps inverteixen les persones en un lloc determinat per controlar els temps d'espera i aforaments.
El reconeixement d'objectes funciona de manera similar al reconeixement facial. Pot usar-se, per exemple, en cadenes de producció per detectar peces defectuoses, per saber el nombre de peces fabricades o en la distribució de paquets o altres objectes.
Facebook és un bon exemple de l'ús del reconeixement facial. En les seves biblioteques d'imatges, s'aplica per detectar en quin fotografies apareix una persona partint d'una sola imatge. Facebook crea una mena de plantilla a partir de l'anàlisi de cada píxel de la cara a la imatge. Cada plantilla és única, és gairebé com una empremta dactilar. Cada vegada que es puja una imatge, el sistema compara les cares de la imatge amb les plantilles i quan troba una coincidència suggereix una etiqueta.