Explicaciones simples de la Inteligencia Artificial, Machine Learning, Deep Learning y cómo son diferentes. Además, como la IA y IoT están íntimamente conectadas.
Todos estamos familiarizados con el término “Inteligencia Artificial”. Después de todo, ha tenido un enfoque popular en películas como The Terminator, The Matrix y Ex Machina (mi favorita). Pero, puede que hayas escuchado otros términos como “Machine Learning” y “Deep Learning” (Aprendizaje Profundo) y algunas veces estos términos son indistintamente usados con inteligencia artificial. Como resultado, la diferencia entre inteligencia artificial, machine learning y deep learning pueden ser poco claras.
Empezaré dando una explicación rápida de qué es la Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL), lo que cada uno significa y cómo son distintos. Luego, compartiré como la IA y el Internet de las Cosas (Internet of Things) están íntimamente interconectados, con grandes ventajas tecnológicas que convergen a la vez para sentar las bases para una explosión de la IA y el IdC.
¿Así que, cuál es la diferencia entre IA, ML y DL?
El término fue acuñado por primera vez en 1956 por John McCarthy, la IA envuelve máquinas pueden hacer tareas que tienen características propias de la inteligencia humana. Esto es generalizado pero incluye cosas como: planear, entender el lenguaje, reconocer objetos y sonidos, aprender y resolver problemas.
Podemos poner la IA en dos categorías: general y estrecha. La IA General tendría todas las características de la inteligencia humana, incluyendo las capacidades mencionadas anteriormente. La IA Estrecha exhibe algun(as) faceta(s) de la inteligencia humana y puede hacer esa faceta muy bien, pero le falta en otras áreas. Una máquina que es muy buena sólo para reconocer imágenes pero nada más, sería un ejemplo de IA Estrecha.
En esencia, machine learning simplemente es una forma de lograr la IA.
Arthur Samuel acuñó la frase poco después de IA, en 1959, definiéndola como: “la habilidad de aprender sin que necesariamente sea explícitamente programado”. Verás, puedes tener IA sin la necesidad de usar machine learning, pero esto requerirá construir millones de líneas de código con reglas y árboles de decisiones complejas.
En vez de hacer rutinas de un hard codeo del software con instrucciones específicas para lograr una tarea en particular, la machine learning es una forma de “entregar” a un algoritmo para que pueda aprender a cómo hacerlo. El “entrenamiento” conlleva alimentar grandes cantidades de datos al algoritmo y permitirle al algoritmo que se ajuste a sí mismo y mejore.
Para dar un ejemplo, la machine learning ha sido usada para hacer cambios drásticos a la mejora de la visión de la computadora (la habilidad de una máquina para reconocer un objeto en una imagen o video). Recolectas cientos de miles e incluso millones de imágenes y luego tienes a humanos que la etiquetan. Por ejemplo, los humanos puede que etiqueten imágenes que tienen gatos en ellas versus los que no. Entonces, el algoritmo intenta construir un modelo que pueda etiquetar acertadamente una imagen que contiene un gato o no, como los humanos. Una vez que los niveles de certeza son suficientemente altos, la máquina ahora ha “aprendido” cómo se ve un gato.
Deep learning es una de las muchas formas de hacer machine learning. Otras maneras incluyen el aprendizaje del árbol de decisiones, la programación de la lógica inductiva, clustering, aprendizaje de refuerzo y las redes Bayesian, entre otras.
El Deep Learning fue inspirado por la estructura y función del cerebro, es decir, la interconectividad de muchas neuronas. Las Redes Neuronales Artificiales (Artificial Neural Networks, ANNs) son algoritmos que imitan la estructura biológica del cerebro.
En las ANNs, hay “neuronas” las cuales tienen capas y conexiones discretas a otras “neuronas”. Cada capa elige una característica a aprender, cómo las curvas/puntas en el reconocimiento de imágenes. Es esta estratificación que le da el nombre a deep learning, la profundidad se crea usando múltiples capas en oposición a una sola capa.
IA e IdC Inextricablemente Entrelazadas
Pienso que la relación entre IA e IdC es similar a la relación entre el cerebro y cuerpo humano.
Nuestros cuerpos recogen entradas sensoriales como la vista, el sonido y la vista. Nuestros cebro toman esos datos y hace que tengan sentido, haciendo que la luz se vuelva objetos reconocibles o tomando sonidos y volviéndolos en discursos entendibles. Nuestros cerebros entonces toman decisiones, enviando señales a nuestro cuerpo para que realice movimientos como tomar un objeto o hablar.
Todos los sensores conectados que hacen que el Internet de las Cosas sean como nuestros cuerpos, proveen datos brutos de qué es lo que sucede en el mundo. La Inteligencia Artificial es como nuestro cerebro, haciendo que los datos tengan sentido y decidiendo qué acciones realizar. Y los equipos conectados al IdC son, de nuevo, como nuestros cuerpos, haciendo las acciones físicas o comunicándose con otros.
Desatando el Potencial del Otro
El valor y las promesas de ambos, la IA e Idc, se logran gracias al otro.
La machine learning y el deep learning han llevado a grandes saltos para la IA en los últimos años. Como mencioné, la machine learning y el deep learning requieren grandes cantidades de datos para que funcione y todos estos datos son coleccionados por los millardos de sensores que siguen en línea en el Internet de las Cosas. El IdC hace que la IA sea mejor.
Desde el lado industrial, la IA puede usarse para predecir cuándo las máquinas necesitarán mantenimiento o analizar los procesos de manufactura para hacer ganancias eficientes, salvando millones de dólares.
Desde el lado del consumidor, en vez de tener que adaptarse a la tecnología, la tecnología se adapta a nosotros. En vez de hacer click, escribir y buscar, podemos pedirle a una máquina lo que necesitamos. Puede que pidamos información como el clima o una acción como preparar la casa para la hora de dormir (apagando el termostato, cerrando las puertas, apagando las luces, etc).
Avances de la Tecnología Convergente que hace que esto sea posible
La minimización de los chips de la computadora y la mejora de las técnicas de manufacturación conlleva a sensores más baratos y poderosos.
Mejorar rápidamente la tecnología de las baterías quiere decir que estos sensores pueden durar por años sin la necesidad de conectarlos a una fuente de poder.
La conectividad wireless, impulsada por la llegada de los teléfonos inteligentes, quiere decir que los datos pueden enviarse en grandes volúmenes a precios bajos, permitiendo que todos esos sensores envíen los datos a la nube.
Y el nacimiento de la nube ha permitido el almacenamiento virtualmente ilimitado de esos datos y la habilidad computacional virtualmente infinita para procesarlos.
Por su puesto, hay una o dos preocupaciones sobre la IA en nuestra sociedad y el nuestro futuro. Pero mientras las mejoras y la adopción de la IA y el IdC siguen acelerándose, una cosa es certera: el impacto va a ser profundo.
Este artículo es una traducción de Calum McClelland, hecha por Héctor Botero. Puedes encontrar el artículo original aquí.
Sería genial escucharte en nuestro Discord, puedes contarnos tus ideas, comentarios, sugerencias y dejarnos saber lo que necesitas.
Si prefieres puedes escribirnos a @web3dev_es en Twitter.
Discussion (0)