¿Cuál es la diferencia entre AI, Machine Learning, PNL y Deep Learning?

Inteligencia Artificial (IA)

Un campo de estudio con el objetivo de crear máquinas que exhiban inteligencia.

Aprendizaje automático (ML)

Un subcampo de IA, cuyo enfoque es utilizar datos para entrenar algoritmos informáticos para realizar tareas que normalmente no se pueden hacer (o muy difíciles de lograr) a través del cableado duro de la lógica en un programa, porque nadie está muy seguro de cuáles son las reglas son. Reconocer objetos en imágenes es una de esas tareas donde las reglas no están claras. Por ejemplo, ¿cómo podría codificar la descripción de un rostro humano a un algoritmo informático?

Tenga en cuenta que AI, a diferencia de ML, no necesita requerir el uso de datos. Mientras pueda convencer al usuario de que su sistema exhibe inteligencia, todo vale. Desde la década de 1980 hasta principios de la década de 1990, las personas que trabajan en IA a menudo codifican manualmente las reglas de “inteligencia” en sistemas “basados ​​en reglas” en un intento de hacer que el sistema parezca inteligente. Sin embargo, como se describió anteriormente, las reglas son a menudo frágiles (debido a excepciones). También puede no estar claro cuáles son las reglas. E incluso si podemos codificar manualmente las reglas, es un gran dolor tener que diseñarlas para diferentes dominios y aplicaciones, de ahí el gran cambio hacia el uso de algoritmos ML para resolver tareas de IA.

Procesamiento de lenguaje natural (PNL)

Un subcampo de IA en el que los algoritmos de ML se usan mucho para dar sentido a los lenguajes naturales, por ejemplo, para averiguar el tema de una oración o para traducir oraciones de un idioma a otro.

Aunque un lenguaje típico viene con reglas, es decir, gramática, los diferentes idiomas tienen una gramática diferente, y cada uno de ellos a menudo tiene excepciones a las reglas. Además, las oraciones a menudo pueden ser ambiguas si no se tiene en cuenta el contexto en el que se escribió o si no se tiene conocimiento de algún conocimiento previo necesario para comprender la oración. Por lo tanto, las reglas de gramática de cableado rígido en un programa a menudo son insuficientes para realizar una tarea de PNL, como la traducción automática.

Aprendizaje profundo

Una clase de algoritmos de aprendizaje automático que están (muy) poco inspirados biológicamente. Por ejemplo, la red neuronal convolucional (CNN), la red de memoria a largo plazo (LSTM), son algoritmos de aprendizaje profundo. Los entrena utilizando datos, como lo haría con cualquier algoritmo de aprendizaje automático. Los CNN se usan típicamente en tareas de visión por computadora, como el reconocimiento o detección de objetos, y los LSTM se usan comúnmente para realizar tareas de PNL como el análisis de sentimientos, la traducción automática o el etiquetado de parte del discurso.

Resumen

La IA es un amplio campo de estudio. ML es un subcampo particular de IA que se ocupa del uso de datos para entrenar algoritmos para realizar tareas desafiantes donde las “reglas” no son claras o difíciles de especificar por completo. PNL es un subcampo de IA que estudia el uso de algoritmos para comprender el lenguaje natural. ML se usa mucho en PNL. Deep Learning es una clase de algoritmos de aprendizaje automático.

La Inteligencia Artificial (IA) es un campo amplio con fronteras vagamente definidas y no sin controversias (ver Filosofía de la inteligencia artificial – Wikipedia). Se podría decir que la idea se remonta (si no más) con el Mechanical Turk , una máquina de ajedrez falsa. Parecía ser inteligente porque podía jugar ajedrez y vencer a la mayoría de los jugadores. Parecía ser artificial porque en demostraciones públicas, se demostró que estaba hecho de engranajes giratorios dentro de la caja . De hecho, fue una ilusión inteligente . Los engranajes escondieron a un hombre pequeño dentro de la caja. Hizo todos los movimientos. Para más información sobre esta notable historia, ver: Mechanical Turk: The True Story of the Chess Playing Machine que engañó al mundo: Tom Standage: 9780140299199: Amazon.com: Libros

En la era temprana de las computadoras electrónicas (1940-1950), las máquinas eran relativamente simples, pequeñas y lentas (en comparación con las actuales). Fueron programados (se les dieron instrucciones como recetas) para realizar tareas aritméticas simples pero aburridas pero directas, como calcular trayectorias de cohetes, cheques de nómina, etc.

Hacer estos cálculos fue mucho más rápido y preciso que lo que un humano podría hacer. Sin embargo, las máquinas no se consideraban inteligentes . Es decir, algunas personas ven las computadoras como una calculadora sobre glorificada. Incluso los “errores informáticos” (errores) fueron causados ​​por humanos. Se pensaba que las computadoras eran demasiado “tontas” para incluso cometer sus propios errores .

Los juegos simples, como el tic-tac-toe, donde el juego se resolvió por completo, se podían programar, pero no mucho más.

La IA real fue concebida por John McCarthy (John McCarthy (informático) – Wikipedia), uno de los primeros investigadores informáticos con otros en la famosa Conferencia de Dartmouth en 1956 (taller de Dartmouth – Wikipedia). También inventó el lenguaje Lisp (las variantes incluyen Scheme, Clojure, Racket, etc.) para manipular Listas de símbolos , en lugar de solo números.

Inteligencia es una palabra mal definida. Es difícil de medir de manera significativa en un ser humano, y mucho menos en una computadora. Sin embargo, se consideró que algunas tareas requerían algo más.

• Jugar juegos complejos:

• Deep Blue (computadora de ajedrez) – Wikipedia
• AlphaGo – Wikipedia – (juega el juego Go)

Algunos consideraron que estas tareas eran posibles de lograr porque podían verse como basadas en algoritmos (un conjunto de recetas). Otros consideraron que estas tareas no representan la “verdadera inteligencia”.

Alan Turing (Alan Turing: El enigma: el libro que inspiró la película “El juego de imitación”: Andrew Hodges, Douglas Hofstadter: 9780691164724: Amazon.com: Libros) propuso “La prueba de Turing” (a la que llamó “El juego de imitación” ), como un método para determinar si una máquina era “inteligente”.) Sin embargo, se puede argumentar que esta prueba solo muestra el comportamiento de la inteligencia y no la inteligencia misma . ¿Una distinción sin diferencia?

El procesamiento del lenguaje natural (PNL) es un subconjunto de IA. Nuevamente, es difícil decir qué es “inteligencia”. Mediante la manipulación simple y superficial de oraciones (convirtiendo una oración en una pregunta), es posible dar la ilusión de que uno se está comunicando con un psicoterapeuta rogeriano. Esto se hizo en el programa ELIZA (ELIZA – Wikipedia). De hecho, no se está haciendo nada “inteligente” y la cantidad de PNL es insignificante: cualquier estudiante universitario competente podría realizar dicho programa. El creador (Joseph Weizenbaum – Wikipedia) de ELIZA no estaba tratando de hacer una IA, sino más bien mostrar la superficialidad de algunos aspectos de la comunicación. Sin embargo, algunas personas realmente sintieron que se estaban comunicando con una inteligencia. El Watson de IBM (Watson (computadora) – Wikipedia) puede verse como una marca de nivel superior en esta área, ya que puede ingerir texto de muchas fuentes, construir una estructura de conocimiento y luego poder consultar esa estructura de conocimiento para obtener una respuesta ( o en el caso del juego Jeopardy, una pregunta).

El aprendizaje automático (ML) se considera más correctamente como aprendizaje automático estadístico . Es una metodología de tomar grandes cantidades de datos y encontrar una solución matemática razonablemente “óptima” que pueda usarse para predecir resultados dados datos futuros. Esto probablemente no se vea como una IA “adecuada”, ya que es más una técnica / algoritmo matemático / estadístico. Por otro lado, la técnica hace cosas notables basadas en el “aprendizaje” de los datos de entrenamiento.

Deep Learning (DL) es una de las muchas técnicas de ML y actualmente es un campo activo dentro de ML. Utiliza las llamadas ” Redes Neuronales Artificiales ” (ANN) en un sistema masivamente paralelo. Si bien ANN suena sospechosamente como un cerebro artificial (por lo tanto, tal vez una IA “verdadera”), es más que la neurona es una inspiración sobre cómo representar el “conocimiento”.

Es posible que tenga una aplicación de aprendizaje automático que tome todas las formas en que las personas hablan sobre informática e inteligencia artificial y presente una definición de búsqueda de objetivos de los términos que evolucionan con el tiempo.

Si interactuó con ese sistema a través de idiomas distintos de los lenguajes de computadora altamente formales, necesitaría el procesamiento del lenguaje natural. De lo contrario, necesitaría “hablar” un idioma que las computadoras entiendan. Comprender no es la palabra correcta aquí. Es una analogía. O metáfora Usamos esos. Es parte del lenguaje natural.

Mi punto es este: las definiciones no son finitas. No hay un significado exacto para los términos matemática, física, química o historia. ¿Por qué entonces otros términos tienen significados exactos?

Alguien escribe un libro de texto. Las instituciones usan ese libro. Eso se convierte en un estándar. ¿Eso es definitivo? Posiblemente. Probablemente no. Si el campo es interesante, un texto estará desactualizado antes de que pueda publicarse.

El lenguaje no coincide exactamente con ninguna realidad que sea independiente. No existe un lugar perfecto donde el orden sea continuo y respete las reglas, ni siquiera las matemáticas.

Los filósofos discuten estas cosas. Son turbios, problemáticos y poco claros. Superalo. Lamentamos que no todo esté configurado, por lo que puede sentir que está ordenado antes de acostarse, pero no lo está.

Eso es el TRABAJO. El trabajo es el proceso de dar sentido a los desordenes. Está limpiando el garaje de términos y espacios de términos y luego colocando cosas en lugares donde pueden usarse para resolver problemas, un proceso que llamamos ingeniería. Nada de eso está limpio. Las herramientas se quedan en los lugares equivocados. La gente llama cojinetes de empuje a esas “cositas” y todo está muy confuso, a veces enojado y disputado.

Nunca será un jardín perfecto donde todos podamos ser copos de nieve especiales. Por lo tanto, no espere que alguien pueda exponerlo todo por usted y que dicho pedido sea valioso y consistente; es (en el mejor de los casos) un garaje temporalmente enderezado. Trate el taller con respeto y pueden pasar cosas buenas. Trátelo mal y la gente saldrá lastimada.

Algunas personas son hacedores naturales. Entran en el “garaje” y tienen un don para entrar en el juego. Otros hacen preguntas. Ambas son necesarias.

Inteligencia artificial : se dice que un sistema es artificialmente inteligente si hace cosas “inteligentes”, que generalmente están asociadas con los humanos. La informática convencional consistía en crear algoritmos que pudieran resolver problemas de manera inequívoca, paso a paso, como ordenar una lista. En IA, las tareas no suelen admitir una solución paso a paso, como el reconocimiento facial, los automóviles sin conductor, etc.

Aprendizaje automático : esto implica algoritmos de inteligencia artificial que aprenden patrones de los datos para realizar inferencias sobre nuevos datos. Por ejemplo, dada una gran cantidad de fotografías etiquetadas como de la persona A o no de la persona A, el aprendizaje automático implica el desarrollo de algoritmos que, cuando se les da una nueva foto, pueden identificar si es de la persona A o no.

Todos los algoritmos de IA pueden no usar el aprendizaje automático; pueden basarse en reglas. Por ejemplo, para identificar nombres en el texto, un algoritmo basado en reglas podría usar mayúsculas.

Procesamiento del lenguaje natural : este es un subcampo de IA, donde las cosas “inteligentes” están relacionadas con la comunicación humana, como comprender texto, responder preguntas, resumir texto, describir una imagen / película, etc. Una vez más, esto podría usar el aprendizaje automático si aprende de los datos o usa métodos basados ​​en reglas.

Otro campo relacionado es la visión por computadora:

Visión por computadora : este es un subcampo de IA, donde las cosas “inteligentes” implican imitar la visión humana, como la comprensión de la imagen, la comprensión del video, etc. Una vez más, esto podría usar el aprendizaje automático si aprende de los datos o utiliza métodos basados ​​en reglas.

Aprendizaje profundo / Redes neuronales : el aprendizaje automático, a alto nivel, implica buscar una clase de funciones [matemática] \ matemática {F} [/ matemática] para encontrar una función [matemática] f [/ matemática] que “se ajuste bien a los datos” . Dependiendo de cómo defina la clase de funciones y la noción de ajustar los datos, obtendrá diferentes modelos de aprendizaje automático. Uno de esos modelos se llama redes neuronales. La unidad básica de una red neuronal es la neurona, o perceptrón, que toma entradas [matemáticas] x_ {i} [/ matemáticas] y salidas [matemáticas] g (w ^ Tx + b) [/ matemáticas], donde [matemáticas] w [/ math] y [math] b [/ math] son ​​parámetros a aprender, y [math] g [/ math] es una función no lineal. Estas neuronas se apilan horizontal y verticalmente, de modo que las salidas de una capa de neuronas se alimentan en la siguiente capa de neuronas, creando así una clase de funciones muy compleja. Más sobre esto aquí: ¿Qué es un algoritmo de aprendizaje profundo, simplemente explicado?

En su artículo en Chatbots Journal, Glenn Miller explica de la manera más simple, la diferencia entre IA, Machine Learning, PNL y Deep Learning.

La IA es la capacidad de una máquina para imitar el comportamiento humano inteligente – diccionario Merriam-Webster

Según Glenn, la IA ya no es solo una teoría . Las máquinas ahora son capaces de imitar el comportamiento humano inteligente. Naturalmente e imitando a sus creadores, la IA actual está diseñada para evolucionar. En última instancia, el hombre busca capacitar a las computadoras para abordar el razonamiento (para resolver problemas) y conquistar todo en la vida, tal como lo hacemos los humanos.

Sobre Machine Learning, dice:

¿De dónde viene la inteligencia de Bots (o IA) (procesamiento del pensamiento), cómo aprende una máquina? El hombre programa esto en la arquitectura en forma de una gran variedad de algoritmos para automatizar iterativamente el proceso de aprendizaje. La computadora usa los algoritmos para evaluar las acciones tomadas y las decisiones tomadas y su impacto a lo largo del tiempo y, a su vez, la máquina aprende.

Wikipedia dice lo siguiente sobre el aprendizaje automático: “ El aprendizaje automático es un subcampo de la informática que evolucionó a partir del estudio del reconocimiento de patrones y la teoría del aprendizaje computacional en inteligencia artificial. En 1959, Arthur Samuel definió el aprendizaje automático como un “campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programado explícitamente”.

Según él, PNL – Procesamiento del lenguaje natural es el componente que cierra la brecha entre la conversación humana y la comprensión programada por computadora (independientemente de qué humano está hablando, qué idioma se habla y la forma en que, tal vez gramaticalmente, están hablando). El componente de PNL permite que la computadora interprete el lenguaje humano vasto y complicado, entienda lo que se dice, procese todo, refleje lo que se requiere de él y efectivamente ‘responda’, igual que los humanos.

Además, agrega, el aprendizaje profundo es un nivel más profundo y un subconjunto del aprendizaje automático mediante el cual una máquina usa grandes cantidades de datos y algoritmos altamente complejos para ‘aprender’ y simular la toma de decisiones similar a la humana. El área de aprendizaje dentro de una IA está en desarrollo y crecimiento masivo actualmente acuñando el término aprendizaje profundo.

El aprendizaje profundo es la parte más profunda del cerebro de la IA y el conducto hacia la PNL que le permite a la máquina aprender de todo y mejorar sobre sí misma para la próxima vez, tal como lo harían los humanos.

Lea el artículo completo aquí, para comprender la diferencia básica entre estos conceptos en detalles junto con excelentes ejemplos.

Visite también el sitio web de Glenn Miller y no dude en conectarse con él.

El aprendizaje automático es la base de la mayoría de los conceptos que mencionó. Se trata de hacer que un programa de computadora aprenda cosas y vea patrones que los humanos no pueden ver fácilmente. El aprendizaje automático puede ser supervisado o no supervisado, y en mi opinión, es lo mismo que la IA.

La IA en el pasado solía ser millones de líneas de código, y en realidad no era inteligente, era solo un gran programa. Con los algoritmos de aprendizaje automático, no es necesario que le diga implícitamente a la computadora lo que debe hacer, sino que puede hacerlo aprender y evitar la codificación tediosa y monótona (¡y horas perdidas, sí!)

El aprendizaje supervisado significa que está alimentando el programa con datos específicos para digerir y aprender de él, los datos deben etiquetarse previamente a través de otro algoritmo o de entrada humana.

El aprendizaje no supervisado significaría que el programa encuentre cosas por su cuenta, sin decirle implícitamente que lo haga. Por ejemplo, el algoritmo K-Means, utilizado en Data Science, puede separar una gran cantidad de datos en diferentes “grupos”, que luego pueden ser analizados fácilmente por los humanos para detectar ciertos patrones en los datos. No necesita etiquetar ningún dato.

PNL (procesamiento del lenguaje natural), es una faceta del aprendizaje automático que se especializa en la comprensión del lenguaje.

Hay muchos tipos de algoritmos de PNL, por ejemplo, cuando google dice “Quiso decir” y lo corrige, utiliza algo llamado Estadística de PNL, en realidad no obtiene información de una gran base de datos de diccionarios o algo así. En su lugar, busca consultas similares a las que usted hizo, y si hay una consulta similar con más búsquedas que la suya, enviará el “quiso decir”.

Si fuera lo suficientemente valiente, no llamaría Inteligencia Artificial como un campo de estudio, sino más bien como un concepto. Un concepto que predice que las computadoras y las máquinas pueden replicar parte del trabajo que hacen los humanos. Es un concepto basado en el cual innumerables películas de ciencia ficción han sido y siguen siendo realizadas. En su apogeo, la Inteligencia Artificial puede replicar los cerebros humanos. Sí, robots que se apoderan del mundo.

Si bien el concepto existía mucho antes del siglo XIX, recientemente otro término de aprendizaje automático se ha intercambiado con la inteligencia artificial.

El aprendizaje automático como campo surgió de la búsqueda de la inteligencia artificial . Neural Networks , un segmento de aplicaciones de aprendizaje automático, no es más que un intento de replicar el funcionamiento de nuestro cerebro y sistemas nerviosos. Algunos dirían que el aprendizaje automático es un paso hacia la inteligencia artificial, sin embargo, el objetivo más amplio del aprendizaje automático en la actualidad es la resolución de problemas mediante el uso de modelos probabilísticos y estadísticos. Esto ha provocado que el aprendizaje automático se aleje de la inteligencia artificial y coquetee con el análisis de datos.

Como se mencionó anteriormente, Neural Network fue quizás el único modelo de Machine Learning que tenía como objetivo replicar cómo funciona nuestro sistema neuronal. Tuvo una ruptura con Machine Learning y continuó progresando en el camino de la IA. Pronto llegó a ser conocido como Deep Learning. Un caso especializado de redes neuronales que se aplican para construir sistemas de reconocimiento. El aprendizaje profundo se utiliza en campos como el reconocimiento de caracteres (muy antiguo), el reconocimiento del habla y el patrón lingüístico.

PNL o procesamiento del lenguaje natural se centra en la comprensión de la computadora del lenguaje humano (natural). Esto le permite procesar fructíferamente una gran base de datos textuales, conocida como corpus y realizar tareas o extraer datos significativos. NLP es una aplicación de Machine Learning y utiliza muchos algoritmos de machine learning. Un ejemplo popular sería la agrupación de palabras vectorizadas de modo que las palabras similares (ya sea contextualmente o léxicamente) se agrupen juntas.

Hagámoslo claro y simple.

Inteligencia artificial : el estudio de agentes inteligentes (un dispositivo o un programa que percibe su entorno y toma medidas que maximizan sus posibilidades de éxito en algún objetivo).

Aprendizaje automático : un campo de la informática que estudia formas de dar a las computadoras la capacidad de aprender sin ser programado explícitamente. El aprendizaje automático es una respuesta a la inteligencia artificial.

Aprendizaje profundo : un subcampo del aprendizaje automático en el que, en lugar de utilizar algoritmos de aprendizaje específicos de la tarea, se utilizan representaciones de aprendizaje inspiradas en el sistema nervioso biológico llamado redes neuronales artificiales.

Ahora pasemos al procesamiento del lenguaje natural.

Procesamiento del lenguaje natural : como su nombre indica, es un campo que se ocupa de las interacciones entre las computadoras y los lenguajes humanos (naturales). Como se ve en el diagrama anterior, la mayor parte de la PNL se basa en el aprendizaje profundo, el aprendizaje automático clásico y algunas otras técnicas de IA menos conocidas. Más allá de la IA, el campo también se inspira en la lingüística computacional.

@bofinbabu

• La Inteligencia Artificial es el concepto más amplio de máquinas capaces de realizar tareas de una manera que consideramos “inteligente”
• Y, Machine Learning es una aplicación actual de IA basada en la idea de que realmente deberíamos ser capaces de dar acceso a las máquinas a los datos y dejar que aprendan por sí mismos.
• PNL es una rama que consiste en analizar, comprender y derivar información de los datos de texto de manera eficiente.
• Las aplicaciones de PNL intentan comprender la comunicación humana natural, ya sea escrita o hablada, y comunicarse a cambio con nosotros utilizando un lenguaje natural similar. ML se usa aquí para ayudar a las máquinas a comprender los vastos matices del lenguaje humano y para aprender a responder de una manera que es probable que un público en particular comprenda.
• El aprendizaje profundo es un campo especializado de Máquina inclinada
• Para las tareas de visión por computadora, se utiliza una arquitectura especial de Deep Learning y se denomina Red neuronal convolucional.
• Representación-

¡Esta se ha convertido en una de las preguntas más frecuentes hoy en día! Permítanme intentar aclarar todo esto lo mejor que pueda.

Inteligencia Artificial (IA)

Bueno, en primer lugar, el término tenía la intención de describir el objetivo de que las máquinas puedan tener humanos como inteligencia en el futuro (sí, no lo tienen hasta ahora, lo sé). Se invirtió mucho dinero para alcanzar este objetivo, pero no pudimos lograrlo. Más tarde, creamos un nuevo tipo de IA (digamos IA débil o la IA aplicada que tenemos hoy) que se enfoca en hacer máquinas o sistemas que MIREN o PARECAN ser inteligentes (pero que no lo son). Algunos de ustedes pueden estar confundidos. Bueno, básicamente hay dos tipos de IA: IA débil e IA fuerte (también se puede decir IA aplicada y IA general). Hasta ahora, la llamada IA ​​en todas partes que ves en las máquinas o escuchas es una IA débil. Los sistemas de IA fuertes tendrán su conciencia, sensibilidad, etc. (digamos que tienen cerebros como los de los humanos). Algunas personas también consideran que la IA débil no es la verdadera IA y las compañías en aras de mejores promociones de sus productos y un mejor mercado trajeron la palabra IA débil (eso no es inteligencia según algunos tipos, y las empresas lo usan como IA solo porque la palabra AI suena muy elegante). Entonces, la IA se trata solo de crear máquinas inteligentes (que se logre de todos modos) me refiero a hacer máquinas o sistemas que parezcan inteligentes como nosotros (o como nosotros).

Aprendizaje automático (ML)

El aprendizaje automático no sería un subconjunto de IA completamente si hubiéramos logrado una IA fuerte (porque solo tenemos una IA débil en el mundo real. ML es un subconjunto de IA … en realidad ML es un subconjunto de IA débil). Déjame aclarar esto. Lo que hace que el aprendizaje automático sea diferente del aprendizaje normal. El aprendizaje automático es un método mejor para entrenar máquinas que los viejos métodos tradicionales (sé que incluso ML es bastante antiguo ahora, pero lo comparo con los métodos incluso antes de su origen). Déjame dar un ejemplo. Tienes que hacer un software para el comercio de bitcoins. Usted conoce el algoritmo exacto que puede generar resultados deseados, por lo que crea ese algoritmo e ingresa todos los valores requeridos y genera resultados. Este es el aprendizaje normal. Ahora la realidad es que conoce factores que pueden influir en los movimientos de bitcoin, como indicadores como RSI, CSI, MACD (muchos indicadores); historia gráfica (comparación de movimientos históricos), compra y venta de muros y mucho más. No puedes encontrar la manera de hacer una operación matemática adecuada para esto (en realidad, tú mismo no estás seguro de eso, solo conoces los PARÁMETROS que influyen en su movimiento). Bueno, entonces haces un programa que combina aleatoriamente todo esto (con diferentes valores de entrada) y sigue trabajando duro e intenta hacer una fórmula matemática en sí misma (un enfoque direccional de golpear e intentar). Sigue dándole más y más datos de bitcoin (también otras criptomonedas que puede dar aquí en este caso) para que pueda seguir probando cosas y descubrir una fórmula que le brinde una buena precisión (es posible que usted mismo no entienda qué demonios es esto el programa está haciendo bcz se vuelve tan complicado, todo lo que haces es seguir proporcionándole datos y solo quieres una buena precisión). Esto es aprendizaje automático, por ejemplo, una máquina que no aprende porque seguimos actualizando su algoritmo … aprende de su experiencia (la experiencia para las máquinas es la entrada de datos frente a la precisión del resultado) … se sigue modificando para mejorar la precisión del resultado. A veces ni siquiera está seguro de los parámetros exactos y agrega todos los parámetros que podrían ser posibles y deja todo eso en su máquina para resolver las cosas.

Ahora puede ver que el aprendizaje automático es algo completamente diferente de la IA, pero en el mundo real usamos el aprendizaje automático como un enfoque para lograr la IA. Dejame explicar. Supongamos que hacemos máquinas que son exactamente como nosotros en todos los aspectos (IA fuerte). muestra una computadora portátil a la máquina y cada vez que le muestra a otro perro lo más probable es que descubra que es una computadora portátil. Pero lo que las máquinas reales de hoy necesitan es el procesamiento de millones de fotos de computadoras portátiles para alcanzar una buena precisión donde puedan descubrir las computadoras portátiles. Lo que quiero decir es que simplemente usamos el aprendizaje automático para hacer estas máquinas de IA débiles (quiero decir, si hubiéramos construido una IA fuerte, no usaríamos este tipo de enfoque …). Puede que la creciente nanotecnología y otros desarrollos nos ayuden a alcanzar una IA fuerte, pero hasta entonces tenemos una IA débil y ML es claramente un subconjunto de ella.

Nuevamente les recuerdo que ML es un subconjunto de IA. déjame darte un mejor ejemplo. Has visto autos automáticos que las compañías afirman que son autos basados ​​en IA. Hay dos tipos de autos: basados ​​en reglas establecidas y basados ​​en ML. Estos dos tipos de compañías de automóviles llaman automóviles basados ​​en inteligencia artificial (porque para un tipo normal parecen ser inteligentes y conducen igual que nosotros, los humanos). En los autos con reglas establecidas, tenemos que cambiar a algo para seguir haciendo cambios que, en el caso de ML, siguen mejorando también con la experiencia que obtienen. Entonces, la IA se puede lograr por muchos métodos, uno de los cuales es ML. Debido a que la mayoría de la IA hoy en día logra la IA usando ML, encontrarás personas que intercambian estas palabras a menudo (y eso difícilmente marcaría la diferencia).

Procesamiento de lenguaje natural (PNL)

Este es un subconjunto de IA que utiliza algoritmos de ML para procesar nuestros lenguajes naturales como hindi, inglés, etc. (no lenguajes de computadora como C, JAVA, etc.). Lo que quiero decir es que cada vez que dices una oración para descubrir su significado (la misma palabra puede tener muchos significados), la gramática, el sujeto u objeto de la oración, etc., se logra a través de la PNL. Los diferentes idiomas tienen una gramática diferente y difieren mucho en muchos aspectos. La PNL también se usa para traducir de un idioma a otro.

Aprendizaje profundo

Este es un subconjunto de ML inspirado en el cerebro humano (si hablo en términos simples). Tratamos de entender el funcionamiento biológico de nuestro cerebro y tratamos de descubrir las cosas que conducen al aprendizaje profundo. Hacemos modelos que son muy complicados con varios bloques pequeños donde incluso un ligero cambio de cualquier bloque puede resultar en la alteración del resultado. Deep Learning es lo que se encuentra en el fondo de la mayoría de los sistemas de ML (y también indirectamente en la mayoría de los sistemas de IA). Aprendizaje profundo es el nombre que usamos para ” redes neuronales apiladas”; es decir, redes compuestas de varias capas. Si conoce bien las redes neuronales, haga otra consulta sobre Deep Learning y lo ayudaré allí (invíteme allí).

En una publicación en LinkedIn recientemente, sugerí que se consideraran una definición general de AI, ML y Deep Learning.

1. Inteligencia artificial: la ciencia de identificar y diseñar problemas inteligentes para que se resuelvan con la ayuda de agentes inteligentes. ¿Qué es lo común entre un vendedor ambulante, jugar al ajedrez o un rompecabezas de tres en raya? Todos son problemas de búsqueda. Una vez que conozca su problema como un problema de búsqueda, puede definir su definición de problema en consecuencia y aplicar cualquier solución que resuelva mejor su clase de problemas. Este modelado hace que su aplicación sea propicia para una implementación más limpia y una capacidad de mantenimiento más larga.
2. Aprendizaje automático : métodos basados ​​en datos que ayudan a resolver mejor un problema inteligente al encontrar continuamente nuevas ideas sobre los datos. La explicabilidad de la solución no es importante. Pero, la mejora de la predicción de resultados, sujeta a ciclos adicionales de entrenamiento es importante.
3. Aprendizaje profundo : una clase de técnicas de aprendizaje automático que se basan principalmente en modelos de redes neuronales que brindan soluciones para una gran clase de problemas de aprendizaje.

En resumen, la Inteligencia Artificial lo ayuda a definir su problema de conocimiento de manera efectiva, y Machine Learning proporciona el marco de solución subyacente para resolver esos problemas mejor.

Escritura completa en: https://www.linkedin.com/pulse/d …

El objetivo de la IA es ayudar a las máquinas a tomar decisiones inteligentes .

Machine Learning (ML) es un medio para lograr la Inteligencia Artificial (AI).

El procesamiento del lenguaje natural (PNL) es una forma de lograr un tipo particular de IA donde las máquinas pueden entender el lenguaje natural tal como se habla y escribe siguiendo las reglas de la gramática. Para lograr este tipo de IA, se pueden usar ciertos tipos de modelos basados ​​en ML, es decir, los modelos para PNL pueden basarse en modelos ML.

Deep Learning (DL) es un subcampo de ML en el que los modelos aprendidos intentan capturar automáticamente varios niveles de abstracciones (por ejemplo, formas, entidades, etc. en datos visuales) para comprender el mundo. Los modelos DL se pueden usar para resolver problemas de PNL y otros problemas de IA.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo se han convertido en parte integral de muchas empresas. Pero, los términos a menudo se usan indistintamente. Aquí se explica cómo distinguirlos.

Inteligencia Artificial (IA)

La inteligencia artificial es la forma más amplia de pensar en inteligencia informática avanzada. En 1956, en la Conferencia de Inteligencia Artificial de Dartmouth, la tecnología se describió como tal: “En principio, cada aspecto del aprendizaje o cualquier otra característica de la inteligencia se puede describir con tanta precisión que se puede hacer que una máquina simule”.

Aprendizaje automático (ML)

El aprendizaje automático es un subcampo de la IA. El principio central aquí es que las máquinas toman datos y “aprenden” por sí mismos. Actualmente es la herramienta más prometedora en el kit de IA para empresas. Los sistemas ML pueden aplicar rápidamente el conocimiento y la capacitación de grandes conjuntos de datos para sobresalir en reconocimiento facial, reconocimiento de voz, reconocimiento de objetos, traducción y muchas otras tareas. A diferencia de la codificación manual de un programa de software con instrucciones específicas para completar una tarea, ML permite que un sistema aprenda a reconocer patrones por sí mismo y a hacer predicciones.

Aprendizaje profundo

El aprendizaje profundo es un subconjunto de ML. Utiliza algunas técnicas de ML para resolver problemas del mundo real aprovechando las redes neuronales que simulan la toma de decisiones humanas. El aprendizaje profundo puede ser costoso y requiere conjuntos de datos masivos para entrenarse. Esto se debe a que hay un gran número de parámetros que deben ser entendidos por un algoritmo de aprendizaje, que inicialmente puede producir muchos falsos positivos. Por ejemplo, un algoritmo de aprendizaje profundo podría recibir instrucciones de “aprender” cómo se ve un gato. Se necesitaría un conjunto de imágenes de datos muy masivo para comprender los detalles muy pequeños que distinguen a un gato de, por ejemplo, un guepardo, una pantera o un zorro.

La IA (inteligencia artificial) es un subcampo de la ciencia de la computación que se creó en la década de 1960, y se ocupó de resolver tareas que son fáciles para los humanos pero difíciles para las computadoras. En particular, una llamada IA ​​fuerte sería un sistema que puede hacer cualquier cosa que un humano pueda hacer (quizás sin cosas puramente físicas). Esto es bastante genérico e incluye todo tipo de tareas, como planificar, moverse por el mundo, reconocer objetos y sonidos, hablar, traducir, realizar transacciones sociales o comerciales, trabajo creativo (hacer arte o poesía), etc.

El PNL (procesamiento del lenguaje natural) es simplemente la parte de la IA que tiene que ver con el lenguaje (generalmente escrito).

El aprendizaje automático tiene que ver con un aspecto de esto: dado un problema de IA que puede describirse en términos discretos (por ejemplo, a partir de un conjunto particular de acciones, cuál es el correcto), y dada una gran cantidad de información sobre el mundo, figura averiguar cuál es la acción “correcta”, sin que el programador la programe. Normalmente, se necesita algún proceso externo para juzgar si la acción fue correcta o no. En términos matemáticos, es una función: introduce algo de entrada y desea que produzca la salida correcta, por lo que todo el problema es simplemente construir un modelo de esta función matemática de alguna manera automática. Para hacer una distinción con AI, si puedo escribir un programa muy inteligente que tenga un comportamiento humano, puede ser AI, pero a menos que sus parámetros se aprendan automáticamente de los datos, no es aprendizaje automático.

El aprendizaje profundo es un tipo de aprendizaje automático que es muy popular ahora. Se trata de un tipo particular de modelo matemático que puede considerarse como una composición de bloques simples (composición de funciones) de cierto tipo, y donde algunos de estos bloques se pueden ajustar para predecir mejor el resultado final.

Lee mas..

INTELIGENCIA ARTIFICIAL

AI es el término más amplio, que se aplica a cualquier técnica que permita a las computadoras imitar la inteligencia humana, utilizando la lógica, las reglas si-entonces, los árboles de decisión y el aprendizaje automático.

APRENDIZAJE AUTOMÁTICO

El subconjunto de IA que incluye técnicas estadísticas abstrusas que permiten a las máquinas mejorar en tareas con experiencia. La categoría incluye aprendizaje profundo.

APRENDIZAJE PROFUNDO

El subconjunto de aprendizaje automático compuesto por algoritmos que permiten que el software se capacite a sí mismo para realizar tareas, como el reconocimiento de voz y de imagen, al exponer redes neuronales de varias capas a grandes cantidades de datos.

Esta explicación está escrita en Por qué el aprendizaje profundo está cambiando repentinamente su vida. Esta definición proporciona una comprensión clara entre IA, aprendizaje profundo y aprendizaje automático.

¿Cuál es el objetivo de la inteligencia artificial?

Dar a una máquina la capacidad de pensar, razonar, aprender, etc.

¿Cuál es el objetivo del aprendizaje automático?

Dando a una máquina la capacidad de aprender.

¿Qué haces realmente cuando dices que estás haciendo PNL?

Le da a una máquina la capacidad de comprender el lenguaje humano (llamado lenguaje natural).

¿Qué es el aprendizaje profundo?

El aprendizaje profundo permite que las máquinas aprendan rápidamente. Puede dar a las máquinas la capacidad de aprender mediante diversos enfoques. El aprendizaje profundo es uno de ellos.

bueno, si quieres entenderlo como un niño de 5 años, entonces piensa en la película “Wall-E”

te encantaba el lindo robot na …… ahora la forma en que vivía en la nave espacial, administrando recursos e incluso haciendo amigos, todo eso era su capacidad de pensar, pero como los robots no tienen cerebro como los humanos, lo que sea que codifiquemos en ellos y hagamos ellos aprenden y por eso lo que procesan es “Inteligencia Artificial”

El proceso mediante el cual hacemos que una máquina entienda varias cosas es “Machine Learning”

El proceso mediante el cual el asistente de su teléfono inteligente puede entender lo que dice y responder de manera efectiva es el “Procesamiento del lenguaje natural”

El “aprendizaje profundo” puede relacionarse con un ejemplo: los padres le dicen a un niño de 5 años que no toque la estufa de gas, ya que hace calor. Lo que enseñan es no tocar la estufa de gas, pero lo que el niño aprende es no tocar nada caliente, es decir, proporcionar un conocimiento profundo bajo una capa diferente de conocimiento.

La Inteligencia Artificial es una forma de hacer que una computadora, un robot controlado por computadora o un software piensen de manera inteligente, de la misma manera que piensan los humanos inteligentes.

La IA se logra al estudiar cómo piensa el cerebro humano y cómo los humanos aprenden, deciden y trabajan mientras intentan resolver un problema, y ​​luego usan los resultados de este estudio como base para desarrollar software y sistemas inteligentes.

Machine Learning es un subcampo de la ciencia de datos que se enfoca en diseñar algoritmos que puedan aprender y hacer predicciones sobre los datos. El aprendizaje automático incluye los métodos de Aprendizaje supervisado y Aprendizaje no supervisado. … Está claro entonces que el aprendizaje automático se puede utilizar para la minería de datos.

Deep Learning es un subcampo del aprendizaje automático relacionado con algoritmos inspirados en la estructura y función del cerebro llamadas redes neuronales artificiales …

AI es un término general que incluye tanto el aprendizaje automático como el aprendizaje profundo, y el aprendizaje profundo es un tipo de aprendizaje automático basado en redes neuronales artificiales. PNL, o procesamiento de lenguaje natural, es una aplicación, al igual que la visión por computadora. Utiliza el aprendizaje automático o el aprendizaje profundo para procesar texto y documentos frente a imágenes y videos.