Durante los últimos años, los términos inteligencia artificial y aprendizaje automático han comenzado a aparecer con frecuencia en noticias y sitios web de tecnología. A menudo, los dos se usan como sinónimos, pero muchos expertos sostienen que tienen diferencias sutiles pero reales.
Y, por supuesto, los expertos a veces no están de acuerdo entre ellos sobre cuáles son esas diferencias.
Sin embargo, en general, dos cosas parecen claras: primero, el término inteligencia artificial (IA) es más antiguo que el término aprendizaje automático (ML), y segundo, la mayoría de las personas consideran que el aprendizaje automático es un subconjunto de inteligencia artificial.
Una de las mejores representaciones gráficas de esta relación proviene del blog de Nvidia. Ofrece un buen punto de partida para comprender las diferencias entre la inteligencia artificial y el aprendizaje automático.
Inteligencia artificial versus aprendizaje automático: primero, ¿qué es la IA?
Los científicos informáticos han definido la inteligencia artificial de muchas maneras diferentes, pero en esencia, la IA involucra máquinas que piensan como piensan los humanos. Por supuesto, es muy difícil determinar si una máquina está “pensando” o no, por lo que, a nivel práctico, crear inteligencia artificial implica crear un sistema informático que sea bueno para hacer el tipo de cosas en las que los humanos son buenos.
La idea de crear máquinas que sean tan inteligentes como los humanos se remonta a los antiguos griegos, que tenían mitos sobre los autómatas creados por los dioses. En términos prácticos, sin embargo, la idea realmente no despegó hasta 1950.
En ese año, Alan Turing publicó un documento innovador llamado “Maquinaria de computación e inteligencia” que plantea la cuestión de si las máquinas pueden pensar. Propuso la famosa prueba de Turing, que dice, esencialmente, que se puede decir que una computadora es inteligente si un juez humano no puede decir si está interactuando con un humano o una máquina.
La frase inteligencia artificial fue acuñada en 1956 por John McCarthy, quien organizó una conferencia académica en Dartmouth dedicada al tema. Al final de la conferencia, los asistentes recomendaron un estudio más detallado de “la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede describirse en principio con tanta precisión que se puede hacer una máquina para simularlo. Se intentará descubra cómo hacer que las máquinas usen el lenguaje, formen abstracciones y conceptos, resuelvan problemas que ahora están reservados para los humanos y se mejoren “.
Esta propuesta presagió muchos de los temas que son de preocupación principal en la inteligencia artificial actual, incluido el procesamiento del lenguaje natural, el reconocimiento y la clasificación de imágenes y el aprendizaje automático.
En los años inmediatamente posteriores a esa primera conferencia, floreció la investigación de inteligencia artificial. Sin embargo, en unas pocas décadas, se hizo evidente que la tecnología para crear máquinas que realmente se podía pensar que estaban pensando por sí mismas tenía muchos años de descanso.
Pero en la última década, la inteligencia artificial ha pasado del ámbito de la ciencia ficción al ámbito de los hechos científicos. Las historias acerca de que Watson AI de IBM ganó el juego muestran que Jeopardy y la IA de Google vencieron a los campeones humanos en el juego de Go han devuelto la inteligencia artificial a la vanguardia de la conciencia pública.
Hoy en día, todas las empresas de tecnología más grandes están invirtiendo en proyectos de inteligencia artificial, y la mayoría de nosotros interactuamos con el software de inteligencia artificial todos los días cuando usamos teléfonos inteligentes, redes sociales, motores de búsqueda web o sitios de comercio electrónico. Y uno de los tipos de IA con los que interactuamos con mayor frecuencia es el aprendizaje automático.
Inteligencia artificial versus aprendizaje automático: bueno, entonces ¿qué es el aprendizaje automático?
La frase “aprendizaje automático” también se remonta a mediados del siglo pasado. En 1959, Arthur Samuel definió el aprendizaje automático como “la capacidad de aprender sin ser programado explícitamente”. Y luego creó una aplicación de verificación de computadoras que fue uno de los primeros programas que pudo aprender de sus propios errores y mejorar su rendimiento con el tiempo.
Al igual que la investigación de inteligencia artificial, el aprendizaje automático cayó de moda durante mucho tiempo, pero se volvió popular nuevamente cuando el concepto de minería de datos comenzó a despegar alrededor de la década de 1990. La minería de datos utiliza algoritmos para buscar patrones en un conjunto dado de información. El aprendizaje automático hace lo mismo, pero luego va un paso más allá: cambia el comportamiento de su programa en función de lo que aprende.
Una aplicación de aprendizaje automático que se ha vuelto muy popular recientemente es el reconocimiento de imágenes. Estas aplicaciones primero deben ser entrenadas; en otras palabras, los humanos tienen que mirar un montón de imágenes y decirle al sistema lo que hay en la imagen. Después de miles y miles de repeticiones, el software aprende qué patrones de píxeles generalmente están asociados con caballos, perros, gatos, flores, árboles, casas, etc., y puede hacer una suposición bastante buena sobre el contenido de las imágenes.
Muchas empresas basadas en la web también utilizan el aprendizaje automático para impulsar sus motores de recomendación. Por ejemplo, cuando Facebook decide qué mostrar en su fuente de noticias, cuando Amazon resalta los productos que tal vez quiera comprar y cuando Netflix sugiere películas que tal vez quiera ver, todas esas recomendaciones se basan en predicciones basadas en patrones en sus datos existentes.
Actualmente, muchas empresas están comenzando a utilizar las capacidades de aprendizaje automático para el análisis predictivo. A medida que el análisis de big data se ha vuelto más popular, la tecnología de aprendizaje automático se ha vuelto más común, y es una característica estándar en muchas herramientas de análisis.
De hecho, el aprendizaje automático se ha asociado tanto con las estadísticas, la minería de datos y el análisis predictivo que algunas personas argumentan que debería clasificarse como un campo separado de la inteligencia artificial. Después de todo, los sistemas pueden exhibir características de inteligencia artificial como el procesamiento del lenguaje natural o el razonamiento automatizado sin tener capacidades de aprendizaje automático, y los sistemas de aprendizaje automático no necesariamente necesitan tener otras características de inteligencia artificial.
Otras personas prefieren usar el término “aprendizaje automático” porque piensan que suena más técnico y un poco menos aterrador que “inteligencia artificial”. Un comentarista de Internet incluso dijo que la diferencia entre los dos es que “el aprendizaje automático realmente funciona”.
Sin embargo, el aprendizaje automático ha sido parte de la discusión sobre inteligencia artificial desde el principio, y los dos permanecen estrechamente entrelazados en muchas aplicaciones que llegan al mercado hoy en día. Por ejemplo, los asistentes personales y los bots a menudo tienen muchas características diferentes de IA, incluido ML.
Fronteras de inteligencia artificial y aprendizaje automático: aprendizaje profundo, redes neuronales y computación cognitiva
Por supuesto, “aprendizaje automático” e “inteligencia artificial” no son los únicos términos asociados con este campo de la informática. IBM utiliza con frecuencia el término “computación cognitiva”, que es más o menos sinónimo de IA.
Sin embargo, algunos de los otros términos tienen significados muy únicos. Por ejemplo, una red neuronal artificial o red neuronal es un sistema que ha sido diseñado para procesar información de manera similar a la forma en que funcionan los cerebros biológicos. Las cosas pueden ser confusas porque las redes neuronales tienden a ser particularmente buenas en el aprendizaje automático, por lo que esos dos términos a veces se combinan.
Además, las redes neuronales proporcionan la base para el aprendizaje profundo, que es un tipo particular de aprendizaje automático. El aprendizaje profundo utiliza un cierto conjunto de algoritmos de aprendizaje automático que se ejecutan en varias capas. Es posible, en parte, por sistemas que utilizan GPU para procesar una gran cantidad de datos a la vez.
Si estás confundido por todos estos términos diferentes, no estás solo. Los informáticos continúan debatiendo sus definiciones exactas y probablemente lo harán durante algún tiempo. Y a medida que las empresas continúen invirtiendo dinero en investigación de inteligencia artificial y aprendizaje automático, es probable que surjan algunos términos más para agregar aún más complejidad a los problemas.