Comencemos simplemente diciendo que los dos no son mutuamente excluyentes. Algoritmo es un término general y la IA, cuando todo está dicho y hecho, sigue siendo un programa de computadora que utiliza algoritmos, algunos tradicionales, otros diseñados específicamente para lograr características de IA (por ejemplo, la capacidad de aprender y retener).
Ahora, para ver dos enfoques comunes a la IA:
- Nuestro enfoque actual (redes neuronales profundas) para la IA puede clasificarse libremente como un problema de optimización y los problemas de optimización definitivamente se clasifican en Algoritmos.
En dicho enfoque, el modelo opera en alguna entrada [matemática] x [/ matemática] para obtener alguna [matemática] \ hat {y} = g (x) [/ matemática]. Luego, finalmente evalúa una función de pérdida [matemática] l (\ hat {y}, y) [/ matemática] que es básicamente, pero no exactamente , la diferencia entre la salida del modelo y la salida deseada, y la optimiza mediante el descenso de gradiente o variantes
- ¿Cómo se puede resolver el problema 'Unos y ceros' en SPOJ usando BFS?
- ¿Qué tipo de algoritmo de Machine Learning usarías para segmentar a tus clientes en múltiples grupos?
- ¿Qué modelo / algoritmo de ML utilizo para mi proyecto?
- ¿Dejarías que los algoritmos se intercambiaran por ti cuando estés en el trabajo?
- ¿Qué es el algoritmo em, cómo se hace paso a paso?
En un sentido mucho más general, lo que está haciendo es descubrir qué tan buena es una aproximación de la salida requerida que ya tiene y luego intenta hacerlo mejor ajustando sus entradas para tender a un mínimo.
- El enfoque de aprendizaje de refuerzo mucho más antiguo sigue un concepto de “recompensa”. Esto se ve a menudo en las IA del juego porque el mundo del juego es en gran medida determinista.
Al agente, el sistema de IA, se le da algún objetivo y en cada paso hacia (o lejos de) este objetivo, se lo recompensa o penaliza sujeto a alguna heurística, lo que refuerza la tendencia a tomar mejores decisiones, en algún entorno conocido. El agente debe aprender a maximizar la recompensa acumulativa para llegar a la meta.
Esto no es muy diferente de sus algoritmos de exploración y búsqueda de rutas basados en heurística, pero por supuesto las cosas son un poco más complicadas aquí.
A través de la ficción, hemos logrado romantizar la IA como una especie de raza metahumana con un comportamiento complejo y multidimensional, pero estamos muy lejos de ese objetivo. La IA de hoy sigue siendo bastante “lineal”, por así decirlo, y no puede pensar exactamente de forma independiente; e incluso cuando pueda, seguirá utilizando algoritmos, posiblemente muchos de su propio diseño.
