Comprender la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo

La inteligencia artificial (AI) y sus subconjuntos Machine Learning (ML) y Deep Learning (DL) están desempeñando un papel importante en la ciencia de datos. La ciencia de datos es un proceso integral que implica preprocesamiento, análisis, visualización y predicción. Profundicemos en la IA y sus subconjuntos.

Inteligencia Artificial (IA) es una rama de la informática que se ocupa de la construcción de máquinas inteligentes capaces de realizar tareas que normalmente requieren inteligencia humana. AI se divide principalmente en tres categorías como se muestra a continuación

  • Inteligencia Artificial Estrecha (ANI)

  • Inteligencia Artificial General (AGI)

  • Súper Inteligencia Artificial (ASI).

La IA estrecha, a veces denominada ‘IA débil’, realiza una sola tarea de una manera particular en su mejor momento. Por ejemplo, una máquina de café automática roba que realiza una secuencia bien definida de acciones para hacer café. Mientras que AGI, también conocida como ‘IA fuerte’, realiza una amplia gama de tareas que implican pensar y razonar como un ser humano. Algunos ejemplos son Google Assist, Alexa, Chatbots que utilizan procesamiento de lenguaje natural (NPL). La Súper Inteligencia Artificial (ASI) es la versión avanzada que supera las capacidades humanas. Puede realizar actividades creativas como el arte, la toma de decisiones y las relaciones afectivas.

Ahora echemos un vistazo a Aprendizaje automático (ML). Es un subconjunto de IA que involucra el modelado de algoritmos que ayudan a hacer predicciones basadas en el reconocimiento de patrones y conjuntos de datos complejos. El aprendizaje automático se centra en permitir que los algoritmos aprendan de los datos proporcionados, recopilen información y hagan predicciones sobre datos no analizados previamente utilizando la información recopilada. Los diferentes métodos de aprendizaje automático son

  • aprendizaje supervisado (IA débil – impulsada por tareas)

  • aprendizaje no supervisado (Strong AI – Data Driven)

  • Aprendizaje semisupervisado (IA fuerte – rentable)

  • Aprendizaje automático reforzado. (IA fuerte: aprende de los errores)

El aprendizaje automático supervisado utiliza datos históricos para comprender el comportamiento y formular pronósticos futuros. Aquí el sistema consta de un conjunto de datos designado. Está etiquetado con parámetros para la entrada y la salida. Y a medida que llegan los nuevos datos, el algoritmo ML analiza los nuevos datos y proporciona el resultado exacto sobre la base de los parámetros fijos. El aprendizaje supervisado puede realizar tareas de clasificación o regresión. Ejemplos de tareas de clasificación son la clasificación de imágenes, el reconocimiento facial, la clasificación de spam de correo electrónico, la detección de fraudes identificados, etc. y para las tareas de regresión son el pronóstico del tiempo, la predicción del crecimiento de la población, etc.

El aprendizaje automático no supervisado no utiliza ningún parámetro clasificado o etiquetado. Se enfoca en descubrir estructuras ocultas a partir de datos no etiquetados para ayudar a los sistemas a inferir una función correctamente. Utilizan técnicas como el agrupamiento o la reducción de dimensionalidad. La agrupación implica agrupar puntos de datos con métricas similares. Está basado en datos y algunos ejemplos de agrupamiento son recomendaciones de películas para usuarios en Netflix, segmentación de clientes, hábitos de compra, etc. Algunos ejemplos de reducción de dimensionalidad son obtención de funciones, visualización de big data.

El aprendizaje automático semisupervisado funciona mediante el uso de datos etiquetados y no etiquetados para mejorar la precisión del aprendizaje. El aprendizaje semisupervisado puede ser una solución rentable cuando el etiquetado de datos resulta costoso.

El aprendizaje por refuerzo es bastante diferente en comparación con el aprendizaje supervisado y no supervisado. Se puede definir como un proceso de prueba y error que finalmente entrega resultados. Se logra mediante el principio del ciclo de mejora iterativo (aprender de los errores del pasado). El aprendizaje por refuerzo también se ha utilizado para enseñar a los agentes la conducción autónoma en entornos simulados. Q-learning es un ejemplo de algoritmos de aprendizaje por refuerzo.

Avanzando hacia Aprendizaje Profundo (DL), es un subconjunto del aprendizaje automático en el que crea algoritmos que siguen una arquitectura en capas. DL utiliza múltiples capas para extraer progresivamente características de nivel superior de la entrada sin procesar. Por ejemplo, en el procesamiento de imágenes, las capas inferiores pueden identificar los bordes, mientras que las capas superiores pueden identificar los conceptos relevantes para un ser humano, como dígitos, letras o rostros. DL generalmente se refiere a una red neuronal artificial profunda y estos son los conjuntos de algoritmos que son extremadamente precisos para problemas como el reconocimiento de sonido, el reconocimiento de imágenes, el procesamiento del lenguaje natural, etc.

Para resumir, la ciencia de datos cubre la IA, que incluye el aprendizaje automático. Sin embargo, el aprendizaje automático en sí cubre otra subtecnología, que es el aprendizaje profundo. Gracias a la IA, ya que es capaz de resolver problemas cada vez más difíciles (como detectar el cáncer mejor que los oncólogos) mejor que los humanos.

¿Que te ha parecido?

Deja un comentario