Índice del artículo
Mucha gente las usa sin distinciones, pero con estas 7 preguntas aprenderás a diferenciar Machine Learning de Inteligencia artificial
¿QUÉ TANTO SABES de una y otra? Machine learning (o aprendizaje automático) es apenas uno de los tantos campos en los que experimentamos inteligencia artificial. Sin embargo, en muchos casos la población general que habla y expone sobre la innovación no se da cuenta del contraste entre AI y ML.
Por ello, recopilamos información de especialistas que ayudará a entender de mejor manera una y otra y evitar confusiones en el futuro.
¿Cuál es la diferencia entre la IA y el aprendizaje automático (Machine learning)?
Parmy Olson, periodista especialista en tecnología para Forbes, lo explica de la siguiente manera: “Piensa en ello como la diferencia entre economía y contabilidad. La economía es un campo de estudio, pero no contratarías a un economista para declarar tus impuestos”.
Del mismo modo, la inteligencia artificial es el campo de la ciencia que estudia la forma en cómo las computadoras pueden tomar decisiones como los humanos. El aprendizaje automático es la técnica para crear software que aprende de los datos.
Luego es capaz de examinar y comparar esos datos para encontrar patrones comunes y explorar matices.
Estas diferencias son estratégicas cuando llevas ambos términos al campo de los negocios. Pocos inversionistas le apuestan a la inteligencia artificial porque está llena de exageraciones y clichés.
La diferencia cobra importancia cuando el dinero está en juego. Los inversionistas de capital de riesgo a menudo descartan la inteligencia artificial porque está llena de exageraciones. Así que “prefieren empresas nuevas que hacen software de aprendizaje automático con una aplicación comercial clara, como una plataforma que puede filtrar los correos electrónicos de la compañía con procesamiento en lenguaje natural o rastrear a los clientes en una tienda con reconocimiento facial”. Es decir, prefieren negocios reales.
Roberto Iriondo, ingeniero de Front End e ingeniero de Mercadotecnia Digital en el Departamento de Machine Learning en la Universidad Carnegie Mellon, asegura que las empresas han intentado alejarse del término IA, pues es sinónimo de publicidad no demostrada.
Entonces, ¿por qué la gente usa IA y ML como sinónimos?
De acuerdo con Roberto Iriondo, la industria de IA ha pasado por muchas fluctuaciones. En las primeras décadas, hubo un gran despliegue publicitario en torno a la industria, y muchos científicos coincidieron en que la IA a nivel humano estaba a la vuelta de la esquina. Pero no se cumplió y eso decepcionó al público en general, lo que llevó a falta de financiamiento en el campo.
Posteriormente, las organizaciones intentaron alejarse del término IA, y utilizaron diferentes términos para referirse a su trabajo. Durante este periodo, una variedad de otros términos como big data, análisis predictivo y aprendizaje automático comenzaron a ganar popularidad. En 2012, el aprendizaje automático, el aprendizaje profundo y las redes neuronales dieron grandes pasos y comenzaron a utilizarse en un número creciente de campos. Las organizaciones de repente comenzaron a utilizar los términos aprendizaje automático y aprendizaje profundo para anunciar sus productos.
El aprendizaje profundo comenzó a realizar tareas que eran imposibles de hacer con la programación clásica basada en reglas. Los campos como el reconocimiento del habla y el rostro, la clasificación de imágenes y el procesamiento del lenguaje natural, que se encontraban en las etapas iniciales, dieron repentinamente grandes saltos.Para aquellos que habían estado acostumbrados a los límites del software anticuado, los efectos del aprendizaje profundo casi parecían “mágicos”, especialmente porque una fracción de los campos en los que entraban las redes neuronales y el aprendizaje profundo se consideraban fuera de los límites para ordenadores.
¿Por qué el término “aprendizaje” (por ejemplo, aprendizaje profundo o deep learning) surge en todas partes?
Porque la aplicación más avanzada en el campo de la IA brinda a las computadoras la capacidad de “aprender” cómo realizar una tarea a partir de datos sin estar programadas para realizar esa tarea.La terminología es confusa porque implica una mezcla de diferentes técnicas, muchas de las cuales también tienen la palabra “aprendizaje” en sus nombres. Hay, por ejemplo, tres tipos básicos de aprendizaje automático, que pueden llevarse a cabo de diferentes maneras: sin supervisión, supervisados y reforzados, y también pueden usarse con aprendizaje automático estadístico, aprendizaje automático Baeysean o aprendizaje automático simbólico. Aunque las aplicaciones más populares utilizan una red neuronal.
¿Qué es una red neuronal?
Es un sistema informático vagamente inspirado en el cerebro humano que ha estado entrando y saliendo de la moda durante más de 70 años.
¿Qué es el aprendizaje profundo?
Ese es un enfoque específico para usar una red neuronal. Si quieres entenderlo de forma práctica, piensa en servicios como el reconocimiento de voz en los teléfonos inteligentes y la traducción automática de Google. En la práctica, cada capa puede representar características cada vez más abstractas. Piensa en el reconocimiento facial a través de una red neuronal: Una de las primeras capas describe los bordes oscuros alrededor de la cabeza de alguien, otra describe los bordes de la nariz y la boca, y otra describe las manchas de sombra. Las capas se vuelven cada vez más abstractas, pero juntas pueden representar una cara completa.
¿Cómo se ve una red neuronal en una pantalla?
Básicamente, como código. Los especialistas en la materia generalmente escriben casi todo su código en Python, un lenguaje de programación lanzado utilizado para desarrollar programas básicos y complejos.
¿Las redes neuronales son el enfoque más prometedor?
Hoy en día, sí, pero todo eso podría cambiar en cinco años.