Yo diría que si bien el “aprendizaje automático” (ML) y las “redes neuronales” (NN) parecen estar en el campo de la “inteligencia artificial” (IA), en realidad no lo son.
ML y NN son metodologías estadísticas para crear un modelo que toma entradas y genera salidas. De alguna manera, ML y NN pueden considerarse un enfoque numérico de fuerza bruta , aunque se utilizan técnicas inteligentes para reducir el espacio de búsqueda.
La IA tiende a ser más una metodología que usa símbolos . Una de las grandes fortalezas de Lisp es poder manejar símbolos y listas . Entonces, problemas como la demostración de teoremas es un problema que involucra símbolos que ML no podría resolver.
- ¿La IA podrá pensar más allá de nuestra comprensión del universo?
- ¿Cuáles son algunos trabajos no repetitivos que pueden ser reemplazados por robots?
- ¿Hay AI haciendo preguntas y escribiendo respuestas en Quora?
- ¿Hay AI que pueda analizar JSON para un nombre de campo anidado particular?
- ¿Qué plataforma de chatbot surgirá como el ganador?
Ahora, hay problemas que se consideraron AI pero que eran demasiado difíciles de resolver, pero ahora son accesibles usando ML. Algunos ejemplos:
- Traducción de idiomas. El viejo concepto era que era posible crear algún tipo de representación simbólica intermedia en la que un lenguaje pudiera transformarse dentro y fuera. Ahora, se hace con el uso de fuerza bruta de muchos datos y trucos de alineación.
- Visión por computador. El viejo enfoque era tratar de encontrar entidades (como segmentos de línea) en la imagen. El nuevo enfoque es lanzar muchas imágenes que consisten en datos de píxeles en NN.
- Sistemas basados en reglas. El viejo enfoque era crear de alguna manera reglas (a menudo de expertos en dominios) para predecir algo. El nuevo enfoque es dejar que ML encuentre las correlaciones estadísticas. A menudo, el resultado de ML no se puede interpretar fácilmente (como un conjunto de reglas).
La conclusión: ML ha demostrado ser una solución práctica para muchos problemas, mientras que la IA tuvo un éxito práctico limitado.