Trabajé en IA para mis maestros, usé ML en el trabajo y actualmente estoy haciendo mi doctorado en ML. En algún momento en el futuro, tengo la intención de volver a trabajar en IA. En mi perspectiva, ML e IA son complementarios, pero apuntan a objetivos diferentes.
La IA tiene un propósito muy específico de construir un agente inteligente que pueda tomar decisiones racionales en diferentes circunstancias. Por su propia naturaleza, el agente inteligente necesita interactuar con el entorno creado para los humanos y, por lo tanto, debe ser capaz de capacidades similares a las de los humanos, es decir, leer texto en lenguaje natural, comprender el habla, reconocer diferentes objetos, etc. El enfoque de la aplicación es algo así como un robot capaz de identificar y solucionar automáticamente problemas que pueden ocurrir en un reactor nuclear o un robot capaz de auto navegación, experimentación e informes de observaciones “interesantes” durante misiones planetarias adicionales, etc. De esta aplicación, también obtenemos algunos problemas de IA de orden superior. Por ejemplo, un robot que navega por un planeta, necesita planificar y trazar su curso desde el punto A al punto B, o un robot que está tratando de arreglar una fuga en un reactor nuclear necesita identificar el conjunto de tareas a realizar para que el La fuga es fija.
El objetivo de ML es asimilar el conocimiento conocido en una forma abstracta llamada modelos, y poder predecir ciertas incógnitas para las instancias que se verán en el futuro. Por ejemplo, en una tarea de clasificación de correo electrónico no deseado, el objetivo es aprender un modelo a partir de un conjunto conocido de correos electrónicos que han sido etiquetados como correo no deseado y poder predecir si el nuevo correo electrónico que acabamos de recibir es correo no deseado o no . La clasificación es solo una instancia concreta del objetivo de ML. La agrupación puede considerarse como predicción de variables de agrupación para futuras instancias y la regresión puede considerarse como la predicción de valores de función para puntos que no se han observado hasta ahora, etc.
- ¿Cuáles fueron los avances más importantes en la IA de juegos de estrategia en tiempo real en los últimos 15 años?
- Si tuviéramos una computadora con potencia computacional extrema, ¿podría pensar?
- Quiero hacer una IA simple (inteligencia artificial), entonces, ¿qué lenguaje de programación debo aprender para hacer una IA simple?
- ¿Por qué maximizar las expectativas? ¿Por qué distinguir entre variables latentes y parámetros del modelo?
- ¿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?
AI con su enfoque de aplicación muy específico puede usar herramientas integradas en ML para lograr sus objetivos. Sin embargo, ML atiende una clase de problemas mucho más amplia.
Con esto en mente, lo que quiere comenzar es totalmente suya. Por ejemplo, si desea construir robots que naveguen por el planeta, entonces probablemente necesite comenzar desde la IA, aprender sobre los diversos problemas interesantes involucrados en la IA, ver qué tipo de herramientas ML necesitará aprender, venir a ML aprender esas herramientas y vuelve a la IA. Sin embargo, si su interés radica en desarrollar las herramientas de ML que atienden a una clase bastante amplia de problemas, muchos de los cuales son relevantes en el mundo real de hoy [1], entonces es posible que desee comenzar a aprender ML primero.
Tenga en cuenta que, tanto ML como AI son grandes campos con muchas cosas que aprender. Aunque sugiero cambiar de ML a AI e AI a ML, no es tan fácil como podría parecer :-). A menos que sepa lo que quiere aprender y cómo planea usarlo, es posible que esté entrando y aprendiendo cosas sin rumbo, que pueden o no ser relevantes para lo que desea hacer. No es que esté mal, pero, como humanos, tenemos un tiempo muy limitado y necesitamos usarlo de la manera más eficiente posible.
[1] Desde una perspectiva de investigación, investigar en ML puede obtener fondos. Desde la perspectiva del trabajo, muchas personas están contratando personas que tienen un conocimiento razonable en ML y pueden usar varias herramientas como weka, libSVM, etc.