Ocho nodos de colores conectados a un núcleo central, ilustración de los subcampos de la inteligencia artificial
Inicio » Blog » Subcampos de la inteligencia artificial: mapa de áreas

Subcampos de la inteligencia artificial: mapa de áreas

Rate this post

La inteligencia artificial no es una sola tecnología, sino un conjunto de áreas con problemas, métodos y aplicaciones distintos. Esta guía las ordena en un mapa de ocho subcampos, apoyado en dos referencias estándar: el índice del manual universitario Artificial Intelligence: A Modern Approach, de Russell y Norvig, y la clasificación ACM de la informática. No existe un recuento único y oficial de subcampos: según el criterio de clasificación, salen más o menos.

Si buscas la definición básica, empieza por qué es la inteligencia artificial. Si te interesa la clasificación por capacidad (estrecha, general), mira los tipos de inteligencia artificial. Aquí el criterio es otro: el tipo de problema que resuelve cada área.

¿Cuántos subcampos tiene la inteligencia artificial?

Depende de quién cuente. El manual de Russell y Norvig, en su cuarta edición, organiza el campo en siete partes: fundamentos y agentes, resolución de problemas, conocimiento, razonamiento y planificación, conocimiento incierto, aprendizaje automático, comunicación, percepción y acción, y conclusiones.

La clasificación ACM agrupa dentro de la inteligencia artificial áreas como procesamiento del lenguaje natural, representación del conocimiento y razonamiento, planificación, métodos de búsqueda, control, fundamentos teóricos, inteligencia artificial distribuida y visión por computador. El aprendizaje automático aparece como una rama propia de primer nivel.

Ambas fuentes coinciden en lo esencial, aunque agrupan de forma distinta. Por eso aquí se usan ocho áreas prácticas, que no son una norma sino una forma útil de orientarse.

Subcampo, técnica y aplicación: tres cosas distintas

Mucha confusión viene de mezclar niveles. Conviene separarlos:

  • Subcampo: el tipo de problema general, como entender lenguaje o interpretar imágenes.
  • Técnica: el método con el que se aborda, como las redes neuronales, la lógica o la búsqueda.
  • Aplicación: el producto concreto, como un traductor, un coche autónomo o un detector de defectos en una fábrica.

El aprendizaje profundo, por ejemplo, es una técnica. Se usa en lenguaje, visión y robótica, pero no es un subcampo más al mismo nivel que ellos.

Mapa de los ocho subcampos

1. Aprendizaje automático

Sistemas que mejoran a partir de datos en lugar de seguir reglas escritas a mano. Incluye el aprendizaje supervisado (aprender de ejemplos etiquetados), el no supervisado (encontrar estructura en datos sin etiquetar) y el aprendizaje por refuerzo (aprender por ensayo y error con recompensas). El aprendizaje profundo, basado en redes neuronales con muchas capas, es una técnica dentro de esta área y hoy sostiene buena parte de las demás. Para ver cómo se conecta con el resto, lee cómo funciona la inteligencia artificial.

2. Procesamiento del lenguaje natural

Se ocupa de que las máquinas entiendan y produzcan lenguaje humano: traducción automática, reconocimiento de voz, extracción de información, diálogo y generación de texto. Los asistentes conversacionales actuales pertenecen a esta área. Su dificultad principal es la ambigüedad: una misma frase puede significar cosas distintas según el contexto.

3. Visión por computador

Interpreta imágenes y vídeo: reconocer objetos, detectar defectos, leer escenas o seguir movimientos. Tiene un uso industrial muy extendido, por ejemplo en la inspección visual con IA. Es también la base de la percepción en vehículos y robots.

4. Robótica

Lleva la inteligencia al mundo físico: percepción, planificación del movimiento y control. En el manual de Russell y Norvig, la robótica y la visión forman parte del bloque de comunicar, percibir y actuar. Su reto distintivo es que el entorno real es incierto y los errores tienen consecuencias físicas. Un ejemplo cercano son los niveles de conducción autónoma.

5. Representación del conocimiento y razonamiento

Estudia cómo guardar hechos y reglas de forma que un sistema pueda deducir cosas nuevas: lógica, ontologías, razonamiento con incertidumbre. Es la herencia de los sistemas expertos y sigue vigente en motores de reglas y grafos de conocimiento. A diferencia del aprendizaje automático, aquí el conocimiento se escribe de forma explícita y se puede inspeccionar.

6. Planificación y búsqueda

Encuentra secuencias de acciones para alcanzar un objetivo: rutas, horarios, juegos, asignación de recursos. La búsqueda es una de las técnicas más antiguas del campo y aparece en el primer bloque de ambas referencias. Cuando un navegador calcula la mejor ruta, está resolviendo un problema de este tipo.

7. Sistemas multiagente e inteligencia artificial distribuida

Estudia cómo varios agentes autónomos cooperan, compiten o se coordinan. Se aplica en logística, simulación y mercados automatizados. El interés está en lo que emerge de la interacción, no en un único sistema aislado.

8. Fundamentos, ética y seguridad

Incluye las bases teóricas y las preguntas sobre riesgos, equidad y control. El manual de Russell y Norvig dedica su parte final a la filosofía, la ética y la seguridad de la IA. En Europa este terreno tiene ya una dimensión legal; un ejemplo concreto está en el uso de la IA en los conciertos, donde aplica el artículo 50 del Reglamento de IA.

Cómo se combinan en un producto real

Casi ninguna aplicación usa un solo subcampo. Un coche autónomo combina visión, planificación, control y aprendizaje. Un asistente de voz une reconocimiento de voz, lenguaje y razonamiento. Un robot de almacén suma percepción, planificación de rutas y coordinación con otros robots.

Para ver ejemplos por sector, consulta las tecnologías que usan inteligencia artificial, y para la ejecución en el propio dispositivo, Edge AI.

Errores frecuentes al hablar de subcampos

  • Tratar «IA» y «aprendizaje automático» como sinónimos: el aprendizaje automático es solo una parte del campo.
  • Pensar que la IA generativa es un subcampo aparte: se apoya sobre todo en aprendizaje profundo y lenguaje.
  • Dar por hecho que hay una lista oficial de subcampos: las clasificaciones difieren según quién las haga.
  • Confundir los subcampos con los tipos de IA por capacidad, que responden a otra pregunta.

Por dónde empezar según tu objetivo

Si quieres usar IA en tu empresa, conviene entender primero el aprendizaje automático y el procesamiento del lenguaje. Si te atrae lo físico, mira robótica y visión. Si buscas formación reglada, revisa el máster en inteligencia artificial en España o los cursos gratuitos sobre IA. Para una visión general del tema, vuelve a la guía de inteligencia artificial.

Preguntas frecuentes

¿Es el aprendizaje profundo un subcampo distinto?

Es una técnica dentro del aprendizaje automático, que a su vez es un área de la IA. Se cita aparte porque es el método dominante en lenguaje y visión.

¿Cuántas inteligencias artificiales hay?

No hay un número cerrado. Puede hablarse de unos ocho subcampos prácticos, de tres niveles de capacidad o de cientos de aplicaciones concretas. Depende del criterio con el que se cuente.

¿Qué subcampo es el más usado hoy?

El aprendizaje automático, y dentro de él el aprendizaje profundo, es la base de la mayoría de aplicaciones actuales de lenguaje y visión. Aun así, la planificación, el razonamiento y la búsqueda siguen presentes en muchos sistemas.

Fuentes

  • Russell, S. y Norvig, P. Artificial Intelligence: A Modern Approach, 4.ª edición. Índice en aima.cs.berkeley.edu.
  • ACM Computing Classification System, categoría de inteligencia artificial (reproducida en aima.cs.berkeley.edu/topics.html).

Publicaciones Similares