¿En qué se diferencian la Inteligencia Artificial, el Aprendizaje automático y el Aprendizaje profundo?

Las diferencias son tan diferentes como los conceptos.

Este texto fue escrito por Calum McClelland, director de Proyectos Leverege, y traducido por Pousta.

Todos estamos familiarizados con el término “Inteligencia Artificial”. Después de todo, ha sido un enfoque popular en películas como The Terminator, The Matrix y Ex Machina. Pero es posible que recientemente hayas escuchado sobre otros términos como “Aprendizaje automático” y “Aprendizaje profundo”, que a veces se usan como sinónimos de inteligencia artificial. Como resultado, la diferencia entre la inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DPL) puede ser muy poco clara.

¿Cuál es la diferencia entre AI, ML y DL?

Inteligencia artificial

Creada por primera vez en 1956 por John McCarthy, AI implica máquinas que pueden realizar tareas que son características de la inteligencia humana. Si bien esto es bastante general, incluye cosas como la planificación, la comprensión del lenguaje, el reconocimiento de objetos y sonidos, el aprendizaje y la resolución de problemas.

Podemos poner a AI en dos categorías, general y estrecha.

El AI general tendría todas las características de la inteligencia humana, incluidas las capacidades mencionadas anteriormente. Narrow AI exhibe algunas facetas de la inteligencia humana, y puede hacer esa faceta extremadamente bien, pero falta en otras áreas.

Una máquina que sea excelente para reconocer imágenes, pero nada más, sería un ejemplo de IA estrecha.

Aprendizaje automático

En esencia, el aprendizaje automático es simplemente una forma de lograr IA. Arthur Samuel acuñó la frase no mucho después de AI, en 1959, definiéndola como “La capacidad de aprender sin estar explícitamente programada”. Puedes obtener AI sin usar el aprendizaje automático, pero esto requeriría construir millones de líneas de códigos con reglas complejas y árboles de decisión.

Por lo tanto, en lugar de rutinas de software de codificación rigurosa con instrucciones específicas para realizar una tarea en particular, el aprendizaje automático es una forma de “entrenar” un algoritmo para que pueda aprender cómo hacerlo .

“Entrenamiento” implica alimentar grandes cantidades de datos al algoritmo y permitir que el algoritmo se ajuste y mejore.

Por ejemplo, el aprendizaje automático se ha utilizado para realizar mejoras drásticas en la visión por computadora (la capacidad de una máquina para reconocer un objeto en una imagen o video). Reúne cientos de miles o incluso millones de imágenes y luego los humanos las etiquetan.

Los humanos pueden etiquetar imágenes que tienen un gato en comparación con aquellas que no lo tienen. Luego, el algoritmo intenta construir un modelo que pueda etiquetar con precisión una imagen que contenga un gato o no tan bien como un humano. Una vez que el nivel de precisión es lo suficientemente alto, la máquina ahora “aprendió” cómo es un gato.

Aprendizaje profundo

El aprendizaje profundo es uno de los muchos enfoques del aprendizaje automático . Otros enfoques incluyen el aprendizaje del árbol de decisiones, la programación de la lógica inductiva, la agrupación, el aprendizaje de refuerzo y las redes bayesianas, entre otros.

El aprendizaje profundo se inspiró en la estructura y función del cerebro, es decir, la interconexión de muchas neuronas. Las Redes Neuronales Artificiales (ANN) son algoritmos que imitan la estructura biológica del cerebro.

En las RNA, hay “neuronas” que tienen capas y conexiones discretas con otras “neuronas”. Cada capa selecciona una característica específica para aprender, como curvas / aristas en el reconocimiento de imágenes. Es esta estratificación la que le da su nombre al aprendizaje profundo; la profundidad se crea mediante el uso de varias capas en lugar de una sola capa.

AI e IoT están intrincadamente entrelazados

AI e IoT se relacionan de manera similar a cómo el cerebro y el cuerpo humano trabajan en conjunto.

Nuestros cuerpos recopilan información sensorial, como la vista, el sonido y el tacto. Nuestros cerebros toman esa información y le da sentido, convirtiendo la luz en objetos reconocibles y convirtiendo los sonidos en un habla comprensible. Nuestros cerebros luego toman decisiones y envían señales al cuerpo para controlar movimientos como levantar un objeto o hablar.

Todos los sensores conectados que componen Internet of Things son como nuestros cuerpos, brindan los datos sin procesar de lo que está sucediendo en el mundo. La inteligencia artificial es como nuestro cerebro, da sentido a esos datos y decide qué acciones realizar. Y los dispositivos conectados de IoT son de nuevo como nuestros cuerpos, llevando a cabo acciones físicas o comunicándose a otros.

Liberando el potencial de cada uno

El valor y las promesas tanto de AI como de IoT se están realizando gracias al otro. El aprendizaje automático y el aprendizaje profundo han dado lugar a grandes avances para la IA en los últimos años. Como se mencionó anteriormente, el aprendizaje automático y el aprendizaje en profundidad requieren grandes cantidades de datos para funcionar, y esta información está siendo recolectada por los miles de millones de sensores que continúan apareciendo en Internet of Things. IoT hace una mejor IA.

La mejora de la IA también impulsará la adopción de Internet of Things, creando un ciclo virtuoso en el que ambas áreas se acelerarán drásticamente. Eso es porque AI hace que IoT sea útil.

En lugar de hacer clic, escribir y buscar, podemos simplemente pedirle a una máquina lo que necesitamos.

En el aspecto industrial, la IA se puede aplicar para predecir cuándo las máquinas necesitarán mantenimiento o analizar los procesos de fabricación para obtener grandes ganancias de eficiencia, ahorrando millones de dólares.

Del lado del consumidor, en lugar de tener que adaptarse a la tecnología, la tecnología puede adaptarse a nosotros. En lugar de hacer clic, escribir y buscar, podemos simplemente pedirle a una máquina lo que necesitamos. Podríamos pedir información como el clima o una acción como preparar la casa para la hora de acostarse (bajar el termostato, cerrar las puertas, apagar las luces, etc.).

Los adelantos tecnológicos convergentes lo han hecho posible

La reducción de los chips de la computadora y las técnicas de fabricación mejoradas significan sensores más económicos y potentes.

La mejora rápida de la tecnología de la batería significa que esos sensores pueden durar años sin necesidad de estar conectados a una fuente de alimentación.

La conectividad inalámbrica, impulsada por el advenimiento de los teléfonos inteligentes, significa que los datos pueden enviarse en grandes volúmenes a precios económicos, permitiendo que todos esos sensores envíen datos a la nube.

Y el nacimiento de la nube ha permitido el almacenamiento virtualmente ilimitado de esa información y una capacidad computacional prácticamente infinita para procesarla.

Por supuesto, hay una o dos preocupaciones sobre el impacto de la IA en nuestra sociedad y nuestro futuro. Pero a medida que los avances y la adopción tanto de IA como de IoT continúan acelerándose, una cosa es cierta; el impacto va a ser profundo.

Total
0
Shares
Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *