Artículo original: Descripción general de la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo
Si estás en tecnología, has estado escuchando muchos rumores sobre inteligencia artificial, aprendizaje automático e incluso aprendizaje profundo. ¿Cuál es la palabra correcta para usar y cuándo? ¿Todos significan lo mismo? Quiero decir, la gente está segura de usarlo indistintamente todo el tiempo.
- ¿La conducción autónoma es un aprendizaje de refuerzo?
- ¿Debería Apple comprar a IBM por su tecnología de inteligencia artificial?
- ¿Debo comprar una computadora portátil para juegos para aprendizaje automático / aprendizaje profundo?
- ¿Qué diferencia hay entre IOT, AI y ML?
- ¿Cómo implementamos el filtrado o el seguimiento del correo no deseado mediante una red neuronal?
La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo son un subconjunto del campo anterior. La inteligencia artificial es la categoría general para el aprendizaje automático. Y Machine Learning es la categoría general para Deep Learning.
Deep Learning es un subconjunto de Machine Learning, y Machine Learning es un subconjunto de Inteligencia Artificial.
La verdadera exageración de los últimos tiempos debería atribuirse a Deep Learning. Este campo particular de Inteligencia Artificial y Aprendizaje Automático es el que ha resuelto una tonelada de problemas interesantes en los últimos años, desde compras automáticas de supermercados hasta autos autónomos.
Inteligencia artificial
Entonces, ¿por qué hemos estado escuchando tanto sobre Inteligencia Artificial? Algunos podrían acreditar a Elon Musk y Sam Altman. Elon Musk ha estado hablando cada vez más sobre el tema de la ética en Inteligencia Artificial. Supongo que está usando la Inteligencia Artificial como jerga familiar utilizada en los medios de ciencia ficción.
La inteligencia artificial es un campo amplio que abarca varios subcampos, técnicas y algoritmos. El campo de la inteligencia artificial se basa en el objetivo de hacer que una máquina sea tan inteligente como un ser humano. Ese es literalmente el objetivo general inicial. En 1956, los investigadores se reunieron en Dartmouth con el objetivo explícito de programar computadoras para que se comporten como humanos. Este fue el nacimiento moderno de la Inteligencia Artificial tal como la conocemos hoy.
Objetivos de IA
Para explicar mejor los objetivos de la Inteligencia Artificial, los investigadores extendieron su objetivo principal a estos seis objetivos principales.
1) Razonamiento lógico . Permita que las computadoras realicen los tipos de tareas mentales sofisticadas que los humanos son capaces de hacer. Ejemplos de resolver estos problemas de razonamiento lógico incluyen jugar al ajedrez y resolver problemas de álgebra.
2) Representación del conocimiento. Habilite las computadoras para describir objetos, personas e idiomas. Ejemplos de esto incluyen lenguajes de programación orientados a objetos, como Smalltalk.
3) Planificación y navegación . Permita que una computadora pase del punto A al punto B. Por ejemplo, el primer robot autónomo se construyó a principios de la década de 1960.
4) Procesamiento de lenguaje natural . Permita que las computadoras comprendan y procesen el lenguaje. Uno de los primeros proyectos relacionados con esto fue intentar traducir del inglés al ruso y viceversa.
5) Percepción . Permita que las computadoras interactúen con el mundo a través de la vista, el oído, el tacto y el olfato.
6) Inteligencia emergente . Es decir, Inteligencia que no está programada explícitamente, pero emerge del resto de las características de IA explícitas. La visión para este objetivo era hacer que las máquinas exhibieran inteligencia emocional, razonamiento moral y más.
Campos de IA
Incluso con estos objetivos principales, esto no clasifica los algoritmos y técnicas específicos de Inteligencia Artificial. Estos son solo seis de los principales algoritmos y técnicas dentro de la Inteligencia Artificial:
1) El aprendizaje automático es el campo de la inteligencia artificial que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente.
2) Búsqueda y optimización . Algoritmos como Gradient Descent para buscar iterativamente máximos o mínimos locales.
3) Satisfacción de restricciones es el proceso de encontrar una solución a un conjunto de restricciones que imponen condiciones que las variables deben satisfacer.
4) Razonamiento lógico . Un ejemplo de razonamiento lógico en inteligencia artificial es un sistema informático experto que emula la capacidad de toma de decisiones de un experto humano.
5) El razonamiento probabilístico es combinar la capacidad de la teoría de la probabilidad para manejar la incertidumbre con la capacidad de la lógica deductiva para explotar la estructura del argumento formal. El resultado es un formalismo más rico y expresivo con una amplia gama de posibles áreas de aplicación.
6) La teoría del control es un enfoque formal para encontrar controladores que tengan propiedades demostrables. Esto generalmente implica un sistema de ecuaciones diferenciales que generalmente describe un sistema físico como un robot o un avión.
El aprendizaje automático es un subconjunto de la inteligencia artificial. Entonces, ¿qué es el aprendizaje automático de todos modos? Si la Inteligencia Artificial tiene como objetivo hacer que las computadoras sean inteligentes. Machine Learning adopta la postura de que debemos proporcionar datos a la computadora y dejar que la computadora aprenda por sí misma. Arthur Samuel adivinó la idea de que las computadoras podrían aprender por sí mismas en 1959.
¿Y qué hace que el aprendizaje automático sea tan importante? Un gran avance condujo a la aparición del aprendizaje automático como la fuerza impulsora detrás de la inteligencia artificial: la invención de Internet. Internet vino con una gran cantidad de información digital que se genera, almacena y pone a disposición para su análisis. Esto es cuando comienzas a escuchar sobre Big Data. Y los algoritmos de Machine Learning han sido los más efectivos para aprovechar todos estos Big Data.
Redes neuronales ⇱
Si hablamos de Machine Learning, vale la pena mencionar un componente popular de los Algoritmos de Machine Learning: las redes neuronales.
Las redes neuronales son una pieza clave para algunos de los algoritmos de aprendizaje automático más exitosos. El desarrollo de redes neuronales ha sido clave para enseñar a las computadoras a pensar y comprender el mundo de la manera en que lo hacen los humanos. Esencialmente, una red neuronal emula el cerebro humano. Las células cerebrales, o neuronas, están conectadas a través de sinapsis. Esto se abstrae como un gráfico de nodos (neuronas) conectados por bordes ponderados (sinapsis). Para obtener más información sobre redes neuronales, no dude en leer nuestra Descripción general de redes neuronales.
Esta red neuronal tiene una capa, tres entradas y una salida. Cualquier red neuronal puede tener cualquier número de capas, entradas o salidas.
Aprendizaje profundo
Los algoritmos de aprendizaje automático han sido la fuerza impulsora detrás de la Inteligencia Artificial. Y el más efectivo de todos los algoritmos de aprendizaje automático ha sido Deep Learning.
El aprendizaje profundo implica varias capas de computación. En este caso, “profundo” se refiere a un número “grande” de capas. El aprendizaje profundo puede ser de 20 capas o 1000 capas, pero al menos más de 2 o 3 capas. Deep Learning ha cobrado impulso recientemente, no solo por la gran cantidad de datos proporcionados por Internet, sino también por el aumento del poder de cómputo en la última década. Específicamente, las GPU han aumentado la potencia de cálculo al permitir cálculos paralelos. Como habrás adivinado, Deep Learning es altamente paralelizable.
Esta red neuronal tiene dos capas, tres entradas y una salida. Cualquier red neuronal puede tener cualquier número de capas, entradas o salidas. Las capas entre las neuronas de entrada y la capa final de las neuronas de salida son capas ocultas de una red neuronal profunda.
El mejor escaparate de Deep Learning es Deep Neural Networks (DNN). Una red neuronal profunda es solo una red neuronal con más de dos o tres capas. Sin embargo, las redes neuronales profundas no son el único tipo de algoritmo de Aprendizaje profundo, es solo el más popular. Otro algoritmo de aprendizaje profundo es una red de creencias profundas (DBN). Una red de creencias profundas tiene conexiones no dirigidas entre algunas capas. Esto significa que la topología de DNN y DBN es diferente por definición. Las capas no dirigidas en un DBN se denominan Máquinas de Boltzmann restringidas.
Conclusión
Entonces, una forma de pensar en estas tres ideas es que el aprendizaje automático es la vanguardia de la inteligencia artificial. Y Deep Learning es la vanguardia de la vanguardia.