¿Es Machine Learning el futuro de la IA?

> ¿Qué más es prometedor en IA?
El aprendizaje automático es excelente, pero a menudo no proporciona un buen marco para la representación y el razonamiento del conocimiento. Para lograr eso, la lógica y las ontologías proporcionan herramientas interesantes, aunque están incluidas en GOFAI. Por ejemplo, la lógica difusa tiene muchas aplicaciones.

> La creación es el vértice de la inteligencia y parece que el aprendizaje automático solo puede decirnos cosas que ya existen.
El aprendizaje automático, al optimizar, puede crear nuevas estructuras que se adaptan mejor al problema. Por ejemplo, echa un vistazo a la computación evolutiva (aunque podría considerarse como en inteligencia computacional y fuera del campo de aprendizaje automático).

Video clásico que muestra que la optimización puede conducir a la creación:

Criaturas virtuales evolucionadas; 1994; Este video muestra los resultados de un proyecto de investigación que involucra evoluciones darwinianas simuladas de criaturas de bloques virtuales. Se crea una población de varios cientos de criaturas dentro de una supercomputadora, y cada criatura se evalúa por su capacidad para realizar una tarea determinada, como la capacidad de nadar en un entorno acuático simulado. Los que tienen más éxito sobreviven, y sus genes virtuales que contienen instrucciones codificadas para su crecimiento, se copian, combinan y mutan para crear descendencia para una nueva población. Las nuevas criaturas se prueban nuevamente, y algunas pueden ser mejoras en sus padres. A medida que este ciclo de variación y selección continúa, pueden surgir criaturas con comportamientos cada vez más exitosos. Las criaturas que se muestran son el resultado de muchas simulaciones independientes en las que fueron seleccionadas para nadar, caminar, saltar, seguir y competir por el control de un cubo verde.

El aprendizaje automático ha sido un componente básico de la inteligencia artificial desde hace bastante tiempo. Incluso podríamos decir que el salto en la tecnología de IA que vemos hoy se debe a la integración de algoritmos de aprendizaje automático en IA. El aprendizaje automático ha tenido una mano muy vital en el levantamiento de la IA en el mundo de hoy, pero el futuro probablemente será mucho más diferente.

El aprendizaje automático podría ser reemplazado por otros conceptos como huellas digitales semánticas o mapas semánticos. La semántica, fundamentalmente, puede explicarse como el “significado del lenguaje”; Programas lógicos que entienden el contexto del tema. Otra alternativa al aprendizaje automático en uso actualmente es el Aprendizaje Kekule-Archimedean (KAL) que, esencialmente, es el reverso del aprendizaje automático, ya que prioriza los algoritmos primero antes de ingresar a la recopilación de datos.

El aprendizaje automático todavía tiene un largo camino por recorrer. Als puede tener una tasa de desarrollo más rápida si todo el concepto de aprendizaje automático se modifica y se utilizan nuevas técnicas de aprendizaje automático. Con las técnicas más nuevas en el aprendizaje automático, es probable que las IA se desarrollen según lo previsto a largo plazo. Dado que todavía estamos desarrollando sistemas de aprendizaje automático más complejos para las IA que poseemos actualmente, en los próximos 5 a 10 años, las IA habrán mejorado mucho más con el uso del aprendizaje automático y otros conceptos similares.

El aprendizaje automático y otros campos de IA se están volviendo cada vez más populares, principalmente debido a la transformación digital que ofrecen a varias industrias . En la era de la información, Internet de las cosas (IoT) y Big Data han potenciado el desarrollo de Machine Learning y aplicaciones inteligentes, debido a su gran capacidad para generar, procesar y almacenar grandes cantidades de datos.

Significa que Machine Learning permite a las personas mejorar la precisión de sus resultados a través del uso constante del sistema, los datos de la interacción de los usuarios y la información contextual obtenida de múltiples fuentes externas. Al combinar estas fuentes de conocimiento, los sistemas de Machine Learning están creando mejoras significativas en educación, salud, finanzas y varias industrias más.

Esto demuestra que Machine Learning es un campo de IA muy interesante que está creciendo y continuará evolucionando. Podemos encontrar ejemplos u oportunidades para aplicar Machine Learning en casi cualquier campo que aparezca en nuestras mentes. Por ejemplo:

• En medicina, para detectar cáncer o hacer un diagnóstico
• En educación, para personalizar contenidos de aprendizaje adaptados para estudiantes o predecir calificaciones
• En seguridad pública, para predecir crímenes
• En seguridad tecnológica para predecir amenazas

¡Y muchos, muchos otros! ¡Es por eso que el aprendizaje automático es de lo que todos hablan!

Si está dispuesto a seguir leyendo sobre Machine Learning y el futuro de la IA, lea este libro electrónico sobre aplicaciones inteligentes. Da una visión general de esos conceptos y trae muchos ejemplos y hechos interesantes que amplificarán su conocimiento.

Primero, un punto de desacuerdo. Un escultor crea “optimizando” una piedra grande, eliminando material hasta que solo quede la talla “óptima”. Del mismo modo, puede crear un algoritmo de aprendizaje automático suficientemente avanzado en un espacio de hipótesis suficientemente grande: puede tallar una pintura de todas las imágenes posibles, o una novela de todas las posibles secuencias de palabras. Este es un problema increíblemente difícil: posiblemente los humanos más difíciles que se hayan encontrado. Es natural ser escéptico, pensar que debe haber algo más en lo que nadie haya pensado, y que podría haberlo. (De eso se trata algo en lo que nadie ha pensado, si existe, nadie lo ha pensado todavía). Sin embargo, en principio no hay ninguna razón por la cual los métodos estadísticos no puedan construir una entidad inteligente y, de hecho, hay evidencia de que el cerebro humano uso de estadísticas en la adquisición del primer idioma (aprendizaje estadístico en la adquisición del idioma) y (me aseguran mis amigos psicólogos) otras áreas también.

En cuanto a si el aprendizaje automático es el futuro, sí, pero no necesariamente usando los métodos populares hoy en día. Puede pensar que la IA existe en un espectro: en un extremo, tiene soluciones totalmente artesanales para un problema difícil específico, creado por programadores con conocimiento de dominio de nivel experto. En el otro extremo, tiene cantidades masivas de datos etiquetados lanzados en una máquina estadística enorme y genérica (como una red neuronal). El problema con el primer enfoque es que, para muchos problemas, nadie tiene suficiente conocimiento de dominio para crear una solución. El problema con el segundo enfoque es que los datos etiquetados son caros, y que las máquinas estadísticas solo pueden crecer tanto antes de que se vuelvan computablemente intratables. Creo que el futuro se encuentra en algún lugar en el medio de ese espectro, con enfoques débilmente supervisados ​​que incorporan conocimiento de dominio tanto en la representación como en el diseño del modelo, pero que son lo suficientemente robustos como para ser sensibles a las propiedades imprevistas de los datos. El mejor ejemplo existente de cómo se vería un sistema de este tipo es el NELL de Carnegie Mellon ( http://rtw.ml.cmu.edu/rtw/overview ). Realmente merece una mirada completa, pero el resumen de una oración es que ejecuta EM con toda la Internet como fuente de datos y una red creciente de subproblemas conectados como su modelo. Tiene limitaciones, pero a medida que avanza la luna es bastante impresionante.

No es el futuro, sino que nos lleva al futuro. El aprendizaje automático es una buena manera de reconocer patrones previamente irreconocibles. Creo que el reconocimiento de patrones es la base fundamental para el aprendizaje, por lo que no lo veo como una tendencia sobrevalorada, sino más bien como una serie de avances (aprendizaje automático, aprendizaje profundo) para resolver parte del problema de IA.

La parte de la IA que aún no es tan buena es la toma de decisiones de alto nivel; sin embargo, creo que esto se resuelve a través de la “experiencia”, que esencialmente intenta tomar estas decisiones más grandes utilizando la información suficientes veces, hasta que tome decisiones confiables y favorables.

Estamos comenzando a ver esto a través de la interacción de cosas como la visión artificial y la PNL (que describe lo que se ve en las escenas, por ejemplo).

El aprendizaje automático y la inteligencia artificial (IA) están muy relacionados entre sí. Ambos tienen un futuro muy vital, ya que se consideran uno de los términos tecnológicos más populares en el mundo de la tecnología. El aprendizaje automático es una de las partes más importantes de la IA, que proporciona a los dispositivos informáticos la capacidad de aprender sin ser programados explícitamente (como lo menciona Wikipedia). Sigue un algoritmo particular, que utiliza para aprender el patrón particular que se ejecutará y tomar las decisiones apropiadas en consecuencia. El proceso de aprendizaje automático es similar al de la minería de datos, donde detecta patrones particulares y funciona en consecuencia.

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. Sunder Pichai, CEO de Google Inc., mencionó en su reciente visita a la India sobre cómo el aprendizaje automático y la inteligencia artificial desempeñarán un papel muy importante, que seguirán para una mejor innovación. Junto con las tendencias de aprendizaje automático, su Seguridad Cibernética también es muy necesaria para implementar una mejor Inteligencia Artificial. Muy verdaderamente dicho por David Karger en una de sus respuestas, mencionada en el artículo de Forbes sobre el futuro brillante a largo plazo del aprendizaje automático. Por lo tanto, el aprendizaje automático desempeñará un papel muy importante para el mejor alcance futuro de la IA.

Las técnicas de aprendizaje automático anteriores se han utilizado ampliamente para una amplia gama de tareas, incluida la clasificación, la regresión y la estimación de densidad en una variedad de áreas de aplicación, como bioinformática, reconocimiento de voz, detección de spam, visión por computadora, detección de fraude y redes publicitarias. El aprendizaje automático es el método principal entre las aplicaciones computacionales para IoT y hay muchas aplicaciones tanto en investigación como en la industria, incluida la energía, el enrutamiento y la automatización del hogar, etc.

Obtenga más información sobre el aprendizaje artificial y el aprendizaje automático en IoT: The Insight Partners

La misión de la IA es crear máquinas pensando y comportándose como humanos. Para lograr esto, hay diferentes conceptos como Visión por computadora (ver), Procesamiento del lenguaje natural (hablar), Reconocimiento de sonido (audición) y Aprendizaje automático es uno de ellos. Es popular, ya que todas las aplicaciones web y las principales compañías realizan un esfuerzo enorme para utilizar las enormes cantidades de datos de sus usuarios y ganar dinero con esos datos. Por otro lado, Computer Vision es una disciplina de tendencia con todas las aplicaciones de reconocimiento de rostros y procesamiento de imágenes. Por lo tanto, las tendencias están cambiando en el tiempo, pero la misión es la misma para crear una máquina similar al humna.

El problema es que no estoy seguro de lo que realmente significa “Inteligencia Artificial” (IA) …

Machine Learning (ML) para mí son algoritmos de fuerza bruta con trucos inteligentes para hacer que los cálculos sean manejables (al menos con el hardware actualmente disponible). ¿Es eso AI?

Quizás las redes neuronales (NN) son IA real. NN tal vez es algo similar a los cerebros reales que tardan mucho en entrenar.

NN ciertamente ha avanzado el estado del arte para el reconocimiento de la visión y el habla, que había estado casi estancado durante las últimas décadas. Estos problemas han sido vistos como AI.

Así que parece que si ML es parte de la IA, parece que es la parte más candente de la IA, pero no me parece correcto pensar que sí. Solo que no lo se.

Machine Learning solo es aplicable en el área de la que ya tenemos datos. Construimos modelos basados ​​en tendencias y otros procedimientos estadísticos sobre estos datos después de la minería. Este modelo se utiliza para predecir el curso de acción futuro, suponiendo que los problemas futuros serían similares a los ya experimentados; o un problema futuro puede ser similar a la conjunción de múltiples problemas actuales.
Sin embargo, puede existir el requisito de inteligencia en un escenario completamente desconocido ; que no es en ninguna parte (incluso en el nivel básico del suelo) similar a los escenarios “ya experimentados”. La IA fallará por completo esa vez; a menos que alguien versado en el nuevo escenario venga a la ayuda y rediseñe el procedimiento.
Entonces Machine Learning ocupa la mayor parte de la IA; pero no puede garantizar el progreso en cada situación. Nadie puede decir que hemos descubierto, cada tecnología posible, explorado cada escenario posible. El Universo (espacio y tiempo) es enorme y (tal vez) son posibles situaciones infinitas . A menos que rompamos esta barrera del infinito; nuestra IA siempre estará limitada en cualquier instante dado.

Depende completamente del alcance. IMO Machine Learning es mejor para sistemas de tareas individuales como la robótica, por ejemplo, vea Boston Dynamics. En lugar de apostar por el pensamiento extremo, debemos concentrarnos en construir sistemas eficientes que utilicen el aprendizaje automático para funcionar bien como los humanos.