IA Simbólica o Convencional

Idea central

• La inteligencia se representa mediante símbolos, reglas lógicas y conocimiento explícito.
• El razonamiento es similar al pensamiento humano formal.

Ventajas

• Alta explicabilidad
• Fácil auditoría y control
• Ideal cuando las reglas son claras

Métodos y técnicas

• Sistemas expertos
• Reglas IF–THEN
• Lógica proposicional
• Lógica de predicados
• Ontologías
• Árboles de decisión

Limitaciones

• Poco flexible
• No aprende de los datos
• Difícil de escalar en problemas complejos

Ejemplos históricos o actuales

• Sistemas expertos médicos (años 70–80)
• Motores de reglas en banca y seguros
• Sistemas de diagnóstico basados en conocimiento

Relación con otras escuelas

• Contrasta con la IA conexionista (reglas vs aprendizaje).
• Base lógica usada en IA híbrida.
• Complementa a modelos estadísticos para explicar decisiones.

IA Conexionista o Subsimbólica

Idea central

• La inteligencia emerge del aprendizaje automático a partir de datos, sin reglas explícitas.

Ventajas

• Aprende patrones complejos
• Alto rendimiento en tareas perceptivas
• Adaptable a nuevos datos

Métodos y técnicas

• Redes neuronales artificiales
• Deep Learning
• Redes convolucionales (CNN)
• Redes recurrentes (RNN, LSTM)
• Transformers

Limitaciones

• Difícil de interpretar (caja negra)
• Requiere grandes volúmenes de datos
• Alto costo computacional

Ejemplos históricos o actuales

• Reconocimiento facial
• Traducción automática
• Asistentes virtuales
• Visión por computadora

Relación con otras escuelas

• Usa fundamentos de la IA estadística.
• Complementa a la IA simbólica en modelos híbridos.
• Puede integrarse con agentes basados en comportamiento.

IA Estadística / Probabilística

Idea central

• La inteligencia se modela como toma de decisiones bajo incertidumbre, usando probabilidad y estadística.

Ventajas

• Manejo formal de la incertidumbre
• Resultados cuantificables
• Mayor interpretabilidad que redes profundas

Métodos y técnicas

• Machine Learning clásico
• Regresión lineal y logística
• Naive Bayes
• Modelos probabilísticos
• Inferencia estadística

Limitaciones

• Dependencia de supuestos estadísticos
• Sensible a la calidad de los datos
• Limitada en tareas altamente no lineales

Ejemplos históricos o actuales

• Sistemas de recomendación
• Detección de fraude
• Modelos de riesgo financiero
• Predicción de comportamiento del cliente

Relación con otras escuelas

• Base matemática del Machine Learning.
• Alimenta a la IA conexionista.
• Complementa a la IA simbólica con análisis cuantitativo.

IA Basada en Comportamiento

Idea central

• La inteligencia surge de la interacción directa con el entorno, sin razonamiento simbólico complejo.

Ventajas

• Respuesta rápida
• Arquitectura simple
• Eficiente en tiempo real

Métodos y técnicas

• Agentes reactivos
• Arquitecturas estímulo–respuesta
• Sistemas multiagente
• Robótica reactiva

Limitaciones

• Poco razonamiento abstracto
• No planifica a largo plazo
• Difícil de escalar

Ejemplos históricos o actuales

• Robots autónomos básicos
• Drones reactivos
• Sistemas de navegación simple

Relación con otras escuelas

• Puede combinarse con aprendizaje automático.
• Complementa sistemas híbridos con acción en tiempo real.
• Se diferencia de la IA simbólica por ausencia de reglas.