II. Enfoque conexionista o IA fuerte: Redes neuronales, Aprendizaje Automático, Minería de Datos y Data Analytics
Como alternativa al enfoque simbólico surge el sistema bottom-up (de abajo a arriba) o sistema conexionista o neuronal. Postula que previamente a implantar el desarrollo de sistemas cognitivos debe crearse hardware que procese datos de modo similar a como lo haría un cerebro humano, imitando a las neuronas y sus conexiones. Con ello se crea un primer objetivo científico: la creación de la neurona artificial y la conexión con otras muchas generando redes neuronales.
Su representante doctrinal fue Rosenblatt para quien la estructura del cerebro humano es esencial para que emerja la función inteligente. Para ello debe crearse hardware que imite la biología cerebral.
El enfoque consiste en analizar los elementos de más bajo nivel en los procesos cognitivos que produzcan comportamiento inteligente. Para alcanzar este fin avanzaron en el desarrollo de la neurona artificial que en esencia es un algoritmo muy básico que solo aborda escuetas operaciones aritméticas y una comparación.
La programación de esos elementos se conoce como proceso de entrenamiento o aprendizaje. La interrelación entre las distintas neuronas se denomina conexiones sinápticas. Organizadas en grupos forman una red neuronal artificial. Este tipo de IA se encuentra muy unido al Aprendizaje Automático (o Machine Learning), que consiste en extraer conocimiento sobre datos disponibles utilizando algoritmos para clasificar, agrupar o predecir.
El conocimiento se obtiene mediante inducción. Se alcanza de lo particular a lo general; es propio del pensamiento científico. Se imitan pequeños comportamientos inteligentes logrando conductas cada vez más complejas.
De modo paralelo, se desarrollaron por los investigadores metodologías para procesar conocimiento en las bases de datos o KDD que demostraron estructuras y conexiones entre datos.
Esta tecnología se llama Minería de Datos y comparte muchas características con el Aprendizaje Automático. Aunque suelen emplearse homónimamente concurren pequeñas diferencias. Ambos buscan en los datos patrones, pero mientras la Minería de Datos arroja resultados para ser comprendidos por personas o empresas, el Aprendizaje Automático aplica las conexiones encontradas al algoritmo que optimiza así su funcionamiento.
Surgen así dos vías para procesar esos datos: Cuando se aplican técnicas estadísticas se denomina Data Analytics; cuando se aplican técnicas inductivas de Aprendizaje Automático recibe el nombre de Datos Masivos.