La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos palabras de moda muy populares en este momento, y a menudo parecen usarse indistintamente.
No son exactamente lo mismo, pero la percepción de que lo son a veces puede generar cierta confusión. Entonces pensé que valdría la pena escribir un artículo para explicar la diferencia.
Ambos términos surgen con mucha frecuencia cuando el tema es Big Data, análisis y las olas más amplias de cambio tecnológico que están arrasando nuestro mundo.
- ¿Qué es sobre el aprendizaje neural?
- ¿Qué no admite OpenAI conceptos como TINU (https://tinu.live)?
- Si una IA sería miles de veces más inteligente que nosotros, ¿por qué nos molestaría dañarnos?
- Si se supone que la IA salvará a los humanos al predecir sus acciones futuras, ¿pueden evitar que hagamos ciertas cosas en la vida (por el bien común) y hasta qué punto (Ej: aceptar un no por respuesta, cuando somos tercos y queremos esquiar) en hielo delgado)?
- ¿Puede una IA de computadora vencer al mejor jugador humano de Clash Royale?
El aprendizaje automático es un tipo de inteligencia artificial (IA) que permite que las aplicaciones de software sean más precisas para predecir resultados sin ser programadas explícitamente. La premisa básica del aprendizaje automático es construir algoritmos que puedan recibir datos de entrada y utilizar análisis estadísticos para predecir un valor de salida dentro de un rango aceptable.
Los algoritmos de aprendizaje automático a menudo se clasifican como supervisados o no supervisados. Los algoritmos supervisados requieren que los humanos proporcionen tanto la entrada como la salida deseada, además de proporcionar comentarios sobre la precisión de las predicciones durante el entrenamiento. Una vez que se completa la capacitación, el algoritmo aplicará lo aprendido a los nuevos datos. Los algoritmos no supervisados no necesitan ser entrenados con los datos de resultados deseados. En cambio, utilizan un enfoque iterativo llamado aprendizaje profundo para revisar los datos y llegar a conclusiones. Los algoritmos de aprendizaje no supervisados se utilizan para tareas de procesamiento más complejas que los sistemas de aprendizaje supervisados.