Los términos generalmente se acuñan en un contexto diferente con diferencias de significado. Sin embargo, en general, estos términos tienen el siguiente significado:
1. Inteligencia artificial: este tema trata sobre lógica, razonamiento, recorrido de gráficos / minería, etc. Trata sobre formas automáticas de razonamiento y llegar a una conclusión por parte de las computadoras. Algunos de los algoritmos de este dominio son BFS, DFS, A *, Djikstra, Best First, Backtracking, etc.
La búsqueda y la optimización son dos grandes casos de uso de IA. Un ejemplo podría ser Google Maps. Le muestra el camino más corto para llegar a su destino. La IA es una forma de lograr eso.
- ¿Qué productos de IA existen hoy para optimizar y agilizar los procesos comerciales?
- ¿Qué especialización de M.Tech (CS) en la Universidad de Hyderabad tiene las mejores ubicaciones, informática, inteligencia artificial o TI?
- ¿Cómo puedo crear IA?
- ¿Qué es la ingeniería de características y el aprendizaje automático supervisado?
- ¿Merecería la pena buscar un Sistema de Información de Gestión (MIS) y un doble de estadísticas?
Navegación de robots, sistema automático de decisión clínica, representación del conocimiento en PNL son algunas otras aplicaciones.
2. Aprendizaje automático: esto a veces se incluye en el tema de IA. Sin embargo, en mi experiencia, estos profesionales de IA no siempre tienen experiencia en ML y viceversa. Este tema trata de convertir los datos en información y tomar decisiones basadas en eso.
Algunos algoritmos son Clasificación (Red neuronal, SVM, CART, Bosque aleatorio, Aumento de gradiente, Regresión logística), Agrupación ( Agrupación de medios K, Agrupación jerárquica, ABRICH), Regresión ( Regresión lineal / polinómica, Ajuste de curvas), Selección de características (PCA , ICA, RFE), Pronósticos (ARIMA, ANOVA ..), Filtrado colaborativo / Sistemas de recomendación, etc.
Muchos sistemas de decisión y aprendizaje basados en datos se desarrollan utilizando estas técnicas en áreas de finanzas, salud, comercio minorista y comercio electrónico. Uno de los ejemplos es el sistema de recomendación de productos de Amazon. Previsión de carga de energía en la industria energética, previsión de ventas en la industria minorista, etc.
3. Minería de datos: este campo se ocupa principalmente de extraer información de una gran cantidad de datos. La Búsqueda de Google es un ejemplo de dicho sistema. No es exactamente un tema técnico, sino la aplicación de diferentes algoritmos relacionados con PNL, Machine Learning e IA. Todas las aplicaciones de búsqueda, resumen de texto, sistemas de respuesta a preguntas (SIRI), etc. son ejemplos de esto.
Otro ejemplo es la Minería de reglas de asociación / Minería de patrones que se aplica en la industria minorista para extraer el comportamiento de compra de los consumidores de una gran cantidad de comportamiento de compra histórico.
4. Inteligencia empresarial: este campo se centra aún más en los objetivos comerciales que la minería de datos. No existe un algoritmo para esto, sino que es una habilidad para convertir datos en bruto en información útil para el negocio. Las fuentes de datos pueden ser búsquedas en Internet, fuentes comerciales internas, datos de clics web, datos de comentarios de clientes, etc.
Google Analytics es un ejemplo destacado de dicho sistema. La mayoría de los tableros de negocios, informes, análisis FODA se incluyen en Business Intelligence. Las habilidades requeridas para este campo son Business Domain Knowledge, MS Excel / PowerPoint, Google Search, Visualization / Dashboard, etc.
Es posible que estos tipos no sean ingenieros en comparación con los profesionales de inteligencia artificial, aprendizaje automático y minería de datos.