Hay varias formas de IA. La IA fuerte intenta imitar el funcionamiento de un cerebro, de alguna manera. Tal vez no imitando las células cerebrales, luego al menos imitando las actividades que se desarrollan en el cerebro. La IA fuerte no ha tenido mucho éxito, aunque algunas personas aún la prueban.
La IA débil, por otro lado, intenta producir software que haga algo que consideraríamos inteligente. Como tal, puede incorporar muchas técnicas de otros campos. Por lo tanto, encontrará que ciertas técnicas han sido estadísticas de marca, IA, descubrimiento de conocimiento en bases de datos (KDD) y aprendizaje automático, dependiendo de en qué parte de la historia esté buscando.
Por ejemplo, las redes neuronales se inspiraron en las neuronas reales, pero en realidad puedes describirlas en formalismos matemáticos. Muchas técnicas de “aprendizaje automático” son matemáticas puras y no se corresponden con nada de lo que ocurre en su cerebro; por ejemplo Support Vector Machines. Muchos algoritmos de clasificación se remontan a la literatura estadística anterior.
- ¿Por qué todos los robots de inteligencia artificial como Siri, Google Now y la mayoría de los sistemas GPS utilizan voces femeninas? ¿Por qué no voces en off masculinas? ¿Tiene que ver con la psicología humana?
- ¿Cómo pueden los robots tomar mejor los comandos verbales humanos?
- Si se produce una IA consciente, ¿cómo sabemos que es realmente consciente, no solo actuando que es consciente?
- ¿Qué diferencia exactamente una red neuronal recurrente de una red de alimentación directa con una ventana de tiempo limitado?
- Quiero construir una herramienta para reconocer cierto objeto de una sola instancia como datos de entrenamiento. ¿Qué bibliotecas me pueden ayudar?
Para mí, el aprendizaje automático es solo la enésima generación de una creciente bolsa de algoritmos de caracterización. La única diferencia entre ML y análisis antiguos es que ML es más reciente y, por lo tanto, tiene una gama más amplia de métodos. Pero todo lo antiguo es completamente parte de ML.
La razón por la que la regresión lineal no se considera AI es porque no imita ningún comportamiento inteligente. Sin embargo, es parte de la caja de herramientas de aprendizaje automático: resuelve el problema ortogonal a SVM, busca tendencias comunes en lugar de encontrar diferencias de caracterización.