IA, Aprendizaje Automático y Aprendizaje Profundo: Diferencias Clave y Funcionamiento

IA, Aprendizaje Automático y Aprendizaje Profundo: Diferencias Clave y Funcionamiento

Los términos Inteligencia Artificial (IA), Aprendizaje Automático (AA) y Aprendizaje Profundo (AP) se han vuelto muy comunes hoy en día. A menudo se usan indistintamente, especialmente al tratar con Big Data, análisis y búsqueda e indexación. Aunque estos tres términos están muy relacionados, no son lo mismo.

En el artículo de hoy, te explicaremos exactamente qué es IA, AA y AP, y en qué se diferencian entre sí. No te preocupes; no usaremos términos científicos complicados —lo mantendremos corto y lo más simple posible.

Inteligencia Artificial

La IA es la subdivisión de la informática, acuñada por primera vez en 1956 por John McCarthy. La computadora normalmente realiza tareas que le ordenamos. Sin embargo, la IA es una forma de construir una máquina o software que pueda pensar inteligentemente y actuar por sí misma, al igual que los humanos. Esto incluye cosas como entender el lenguaje, reconocer sonidos y 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.

Existen Cuatro Tipos de IA:

1. Completamente Reactiva: Tipo básico, no puede sacar conclusiones. Ejemplo: AlphaGo de Google, DeepBlue de IBM
2. Memoria Limitada: Puede tomar decisiones adecuadas y actuar. Ejemplo: Chatbots, Vehículos autónomos
3. Teoría de la Mente: Puede entender pensamientos, emociones e interactuar socialmente. — Aún no construida*
4. Autoconsciente: Puede formarse representaciones sobre sí misma, ser consciente de su estado y predecir sentimientos de otros. — Aún no construida*

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

Aprendizaje Automático

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

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

Tipos de Aprendizaje Automático:

1. Supervisado: Hace que la máquina aprenda explícitamente a través de datos con salidas definidas.
2. No Supervisado: La máquina entiende los datos (patrón/estructura) e infiere conclusiones de los conjuntos de datos.
3. Refuerzo: Un enfoque de IA, aprende de refuerzo positivo y negativo, y premia los resultados positivos.

Aprendizaje Profundo

El Aprendizaje Profundo es un subcampo del aprendizaje automático que trata con algoritmos inspirados en la estructura y función del cerebro humano, o la interconexión de muchas neuronas. Estos algoritmos se conocen como Redes Neuronales Artificiales (RNA) que imitan la estructura biológica del cerebro.

Las neuronas tienen capas discretas y conexiones con otras neuronas. Se pueden 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 se construye mediante múltiples capas: cuantas más capas tiene una red, más profunda/compleja es.

Para estar bien entrenadas, 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.

Google Brain 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 ser codificadas con criterios específicos que definan elementos; pueden identificar bordes después de ser expuestas a un gran número de muestras.

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

Hoy, los sistemas de reconocimiento de imagen desarrollados con aprendizaje profundo son mejores que los humanos: esto va desde reconocer gatos hasta identificar indicadores de cáncer de sangre y tumores en resonancias magnéticas.

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 profesional humano de Go.

Leer: 18 Mejores Motores de Ajedrez Basados en sus Ratings

Visualizando IA, AA y AP

Crédito de imagen: Nvidia

La forma más simple de pensar en la relación entre IA, AA y AP 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 actual explosión de la IA.

De la Crisis al Auge

La inteligencia artificial ha sido parte de la imaginación humana y ha estado hirviendo en 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 comprensión de texto, procesamiento de señales, reconocimiento de voz e imagen (un trabajo difícil).

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

Hoy, todas las grandes empresas tecnológicas están invirtiendo fuertemente en proyectos de IA, y miles de millones de personas interactúan con software de IA 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 interactuamos más es el Aprendizaje Automático. Según Statista, los ingresos globales del mercado de IA superarían los $59 billones para 2025.

Leer: 18 Datos Más Interesantes Sobre Computadoras Cuánticas

La IA es el Futuro, Gracias al Aprendizaje Profundo

El Aprendizaje Profundo ha permitido varias aplicaciones prácticas del Aprendizaje Automático, desglosando tareas de manera que hacen que todo tipo de asistencias de máquina parezcan posibles. Mejores recomendaciones de productos y sugerencias de historias, mejor atención médica preventiva, vehículos autónomos —hoy, todas estas cosas son posibles. Con la ayuda del Aprendizaje Profundo, la IA puede incluso llegar a ese estado de ciencia ficción que los humanos han imaginado durante mucho tiempo.