¿Cuáles son algunos otros temas de investigación en inteligencia artificial además de la máquina / aprendizaje profundo?

El aprendizaje automático es un término general enorme, por lo que está cubriendo muchos subcampos bastante diferentes de IA que podrían llamarse “aprendizaje automático”. Dicho esto, hay otros subcampos que realmente no llamaría aprendizaje automático Eso es importante.

La otra área más importante, la OMI, es la planificación, que es determinar cómo elegir acciones dado un modelo de cómo funciona el mundo. Por “modelo del mundo” quiero decir algo que le permite predecir cómo cambiará el mundo en cualquier estado para cualquier acción. Al igual que ML, la planificación también es un término general bastante amplio, que abarca muchos problemas y limitaciones para la toma de decisiones.

A menudo, la planificación funciona de la mano con ML. Por ejemplo, tal vez el modelo no se da pero se aprende, y luego el agente planea elegir la acción usando este modelo (este enfoque a menudo se llama “aprendizaje de refuerzo basado en el modelo”, porque el modelo se aprende, pero se planea en el modelo se usa para tomar decisiones). Sin embargo, cómo planificar de manera eficiente y para diferentes problemas de toma de decisiones es un problema increíblemente importante y tener un modelo le permite emplear técnicas que no puede emplear sin una (por ejemplo, considerando los efectos de diferentes acciones del mismo estado).

Para dar un ejemplo de planificación en IA, considere AlphaGo de DeepMind. Aunque AlphaGo a menudo se defiende como un éxito de aprendizaje, también es un éxito de planificación. AlphaGo utiliza un algoritmo de planificación que pertenece a la clase de algoritmos de planificación de “Búsqueda de árbol de Monte Carlo”, en el que un agente simula múltiples decisiones de muchos pasos del estado actual del mundo, “asomando” de manera efectiva para ver sus consecuencias, antes de decidir qué que hacer.

Otro subcampo importante, que también se comparte en matemáticas y economía, es la teoría de juegos, que implica cómo tomar decisiones cuando hay múltiples agentes. Hay muchos problemas abiertos, y problemas de complejidad en la teoría de juegos, que deben resolverse independientemente del papel de ML en sistemas de múltiples agentes. Eso incluye preguntas aparentemente tan básicas como “¿qué significa tomar una buena decisión en un sistema de múltiples agentes?” Tal vez un equilibrio de Nash es lo que deberíamos considerar. O tal vez el equilibrio correlacionado. O tal vez algo más. Y al igual que el problema de planificación, cómo podemos calcular las respuestas de manera manejable es un problema desafiante, y mucho menos aprenderlas de la interacción en un entorno parcialmente observable.

Clásicamente, la IA también se ha centrado en muchas otras áreas que ahora son menos populares que antes. Por ejemplo, durante mucho tiempo se estudiaron sistemas de razonamiento lógico y sistemas de lógica y conocimiento en IA. Aunque ML es una especie de devorador donde se utilizaron estos enfoques, es probable que los veas encontrar una nueva vida como parte de los algoritmos de aprendizaje automático a medida que las personas sesgan sus sistemas de ML para aprender conocimiento en ese tipo de forma.

Espero que eso te dé una idea de otros temas importantes.

Bueno, si tengo que ser sincero, el aprendizaje automático se ha comido la IA, no queda mucho en la IA, excepto el aprendizaje automático, y muchos investigadores respetados como Yann LeCun creen que ML es la única parte importante de la IA.

Y dentro de ML, el aprendizaje profundo es donde está el futuro con toda honestidad.

AI no solo significa aprendizaje automático. Hay varias otras facetas como PNL, juegos donde se han creado aplicaciones de IA que no necesariamente involucran aprendizaje automático