Inteligencia artificial frente a aprendizaje automático frente a aprendizaje profundo | La diferencia

Los términos inteligencia artificial (IA), aprendizaje automático (ML) y aprendizaje profundo (DL) se han vuelto muy comunes en estos días. A menudo se usan indistintamente, especialmente cuando se trata de Big Data, análisis y búsqueda e indexación. Aunque estos tres términos están muy relacionados, no son lo mismo.

En la historia de hoy, le explicaremos qué es exactamente AI, ML y DL, y en qué se diferencian entre sí. No te preocupes; no usaremos ningún término científico complicado; lo haremos breve y lo más simple posible.

Inteligencia artificial

AI es la subdivisión de las ciencias de la computación, acuñada por primera vez en 1956 por John McCarthy. La computadora suele realizar las tareas que nosotros mandamos. Sin embargo, la IA es una forma de construir una máquina o software que puede pensar de manera inteligente y funcionar por sí mismo, al igual que los humanos. Esto incluye cosas como comprender el lenguaje, reconocer sonidos y elementos visuales, aprender, planificar y resolver problemas.

Por ejemplo, un programa convencional solo puede responder preguntas específicas, pero el programa de IA puede responder preguntas genéricas.

Hay cuatro tipos de IA:

1. Completamente reactivo: Tipo básico, no puedo sacar conclusiones. Ejemplo:AlphaGo de Google, DeepBlue de IBM
2. Memoria limitada: Puede tomar decisiones adecuadas y emprender acciones. Ejemplo:chatbots, vehículos autónomos
3. Teoría de la mente: Puede comprender pensamientos, emociones e interactuar socialmente. - Aún no construido *
4. Autoconocimiento: Pueden formar representaciones sobre sí mismos, son conscientes del estado del yo y pueden predecir los sentimientos de los demás. –Todavía no construido *

* Aunque el tercer y cuarto tipo de máquina no existe realmente, se muestran en películas de ciencia ficción, como R2D2 (tipo 3) de Star Wars y Eva (tipo 4) de Ex Machina.

Aprendizaje automático

ML es un subconjunto de la IA que proporciona al sistema la capacidad de aprender, actuar y mejorar a partir de la experiencia sin estar programado explícitamente. Entonces, en lugar de escribir explícitamente todos los métodos con instrucciones específicas para lograr una tarea en particular, ML es una técnica de entrenamiento de un programa para que pueda aprender de experiencias pasadas. Aquí, el entrenamiento se refiere a alimentar una gran cantidad de datos al programa y permitir que el programa se configure y mejore.

Por ejemplo, si proporciona miles de imágenes de gatos al algoritmo ML, comenzará a reconocer cómo se ve un gato:su altura, color, forma de la cara, etc. Con el tiempo, puede identificar y etiquetar automáticamente a los gatos en las imágenes. Una vez que el nivel de precisión es lo suficientemente alto, el algoritmo puede decir con precisión cómo es un gato.

Tipos de aprendizaje automático:

1. Supervisado: Hace que la máquina aprenda explícitamente a través de datos con salidas definidas.
2. Sin supervisión: La máquina comprende los datos (patrón / estructura) y extrae inferencias a partir de conjuntos de datos.
3. Refuerzo: Un enfoque de la IA, aprenda de los refuerzos positivos y negativos y recompense los resultados positivos.

Aprendizaje profundo

El aprendizaje profundo es un subcampo del aprendizaje automático que se ocupa de algoritmos inspirados en la estructura y función del cerebro humano, o la interconexión de muchas neuronas. Estos algoritmos se conocen como redes neuronales artificiales (ANN) que imitan la estructura biológica del cerebro.

Las neuronas tienen capas discretas y conexiones con otras neuronas. Uno puede visualizar estas capas como una jerarquía anidada de conceptos relacionados o árboles de decisión. Cada capa es capaz de seleccionar una característica particular para aprender o seguir un camino específico. La profundidad está construida por múltiples capas:cuanta más capa tiene una red, más profunda / compleja es.

Para estar bien capacitado, las redes de aprendizaje profundo requieren grandes cantidades de elementos. En lugar de escribir código para cada borde que define elementos, el sistema aprende de la exposición a millones de puntos de datos.

El cerebro de Google es un ejemplo perfecto de aprendizaje profundo para reconocer gatos después de tomar más de diez millones de muestras de imágenes. Estas redes no necesitan codificarse con criterios específicos que definen elementos; pueden identificar los bordes después de estar expuestos a una gran cantidad de muestras.

En octubre de 2017, el jefe de Google Brain, Jeff Dean, dijo en VB Summit, Berkeley:

Hoy en día, los sistemas de reconocimiento de imágenes desarrollados en el aprendizaje profundo son mejores que los humanos; esto va desde el reconocimiento de gatos hasta la identificación de indicadores de cáncer de sangre y tumores en las imágenes por resonancia magnética.

Google AlphaGo se entrenó en el juego de Go (mucho más complicado que el ajedrez) y avanzó su red neuronal jugando contra sí mismo una y otra vez. En marzo de 2016, se convirtió en el primer programa informático en derrotar a un jugador de Go humano profesional.

Leer:18 mejores motores de ajedrez según sus calificaciones

Visualización de AI ML y DL

Crédito de la imagen:Nvidia

La forma más sencilla de pensar en la relación AI, ML y DL es visualizarlos como círculos concéntricos, en los que la inteligencia artificial viene primero, luego el aprendizaje automático y, finalmente, el aprendizaje profundo que está impulsando la explosión actual de la inteligencia artificial.

De busto a boom

La inteligencia artificial ha sido parte de la imaginación humana y se ha estado cocinando a fuego lento en los laboratorios de investigación desde 1956. Hemos avanzado más en 7 años desde 2012 que en los 25 años anteriores en numerosos problemas clave de IA, como la subestimación del texto, el procesamiento de señales, la voz y la imagen. reconocimiento (un trabajo duro).

La razón principal de la explosión de la IA en los últimos años es la amplia disponibilidad de GPU que hacen que el procesamiento en paralelo sea aún más rápido y económico. También tiene que ver con el almacenamiento prácticamente infinito y todo el movimiento de Big Data:texto, imagen, transacciones, lo que sea.

Hoy en día, todas las empresas gigantes de la tecnología están invirtiendo fuertemente en proyectos de inteligencia artificial, y miles de millones de personas interactúan con el software de inteligencia artificial a diario a través de motores de búsqueda web, redes sociales y plataformas de comercio electrónico. Y uno de los tipos (o se puede decir el único tipo) de IA con el que más interactuamos es el aprendizaje automático.
Según statista, los ingresos globales del mercado de IA superarían los 59 billones de dólares en 2025.

Leer:18 datos más interesantes sobre las computadoras cuánticas

La IA es el futuro gracias al aprendizaje profundo

El aprendizaje profundo ha permitido varias aplicaciones prácticas del aprendizaje automático, al desglosar las tareas de maneras que hacen que todo tipo de ayudas a las máquinas parezcan posibles. Mejores recomendaciones de productos y sugerencias de historias, mejor atención médica preventiva, vehículos sin conductor:hoy, todo esto es posible. Con la ayuda de Deep Learning, la IA puede incluso llegar a ese estado de ciencia ficción que los humanos han imaginado durante mucho tiempo.