Inteligencia Artificial, Machine Learning, y Deep Learning: las claves para distinguirlos

Las palabras inteligencia artificial (IA) y machine learning (ML) se utilizan con demasiada frecuencia y tienden a malinterpretarse, usándose indistintamente cuando no deberían. Aún existe mucha confusión por parte del público y los medios de comunicación con respecto a qué es realmente la inteligencia artificial y qué es el Machine Learning. A menudo, estos términos se utilizan como sinónimos. Sin embargo, han existido el tiempo suficiente como para tener un significado propio.

Se considera que un algoritmo es cualquier forma de instrucción automatizada y su complejidad dependerá de cuan complejo sea cada paso individual, así como de la gran cantidad de pasos que el algoritmo necesite ejecutar.

Por otra parte, tenemos que señalar que no existe una separación clara entre IA y ML, ya que Machine Learning es, de hecho, parte de la Inteligencia Artificial. Sin embargo, definimos la Inteligencia Artificial como un conjunto de algoritmos capaz de hacer frente a circunstancias imprevistas. Se diferencia del Machine Learning en que puede alimentarse con datos no estructurados y seguir funcionando. 

Una de las razones por las que la IA se usa a menudo de manera intercambiable con ML es porque no siempre es sencillo saber si los datos subyacentes están o no estructurados.  No se trata tanto del aprendizaje supervisado y no supervisado, sino de la forma en que el dato está formateado y presentado al algoritmo de IA.

A diferencia del Machine Learning, la IA es un objetivo en movimiento y su definición cambia a medida que los avances tecnológicos relacionados se desarrollan aún más.

Un ejemplo de inteligencia artificial podría ser el robot Atlas de Boston Dynamic, que puede navegar físicamente por el mundo evitando obstáculos. No sabe lo que puede encontrar, pero funciona correctamente, sin datos estructurados. Los datos aquí son mucho más complejos que en una solución de detección de fraude, porque las variables son desconocidas. Aún así, cada vez que el algoritmo se activa y se encuentra con una situación completamente nueva, hace lo que debería hacer sin ninguna interferencia humana.  La IA también incluye una cantidad considerable de avances tecnológicos que conocemos, Machine Learning es solo uno de ellos.

 

Machine Learning

Es una rama de la inteligencia artificial y, como lo define el científico informático Tom M. Mitchell: “es el estudio de algoritmos informáticos que permiten que los programas mejoren automáticamente a través de la experiencia". Es, por lo tanto, una de las formas en que esperamos lograr la Inteligencia Artificial. Se basa en trabajar con conjuntos de datos (pequeños o grandes), examinándolos y comparándolos para encontrar patrones comunes y explorar matices. La definición de Machine Learning está muy relacionada con los avances y nuevos usos de la IA.

Un algoritmo de detección de fraudes con tarjetas de crédito es un buen ejemplo de Machine Learning: quizás alguna vez, gracias al mismo, haya recibido un mensaje preguntando si su tarjeta de crédito se usó en un determinado país por una cierta cantidad. Los datos que recibe este algoritmo en particular están estructurados. Los bancos almacenan datos en un formato fijo, donde cada transacción tiene una fecha, ubicación, monto, etc. Entonces, si el valor de la variable de ubicación se desvía repentinamente de lo que normalmente recibe el algoritmo, lo alertará y detendrá la transacción. Es este tipo de datos estructurados los que definimos como Machine Learning o aprendizaje automático.

 

Deep Learning

Siguiendo el proceso evolutivo, de la Inteligencia Artificial pasamos al Machine Learning y de allí al Deep Learning o aprendizaje profundo. Éste implica un nuevo paso en los procesos y la evolución de los sistemas de Inteligencia Artificial. Se acerca cada vez más al reto de lograr sistemas informáticos que, de forma autónoma y casi sin intervención humana, sean capaces de imitar comportamientos y razonamientos propios del ser humano

El Deep Learning es el conjunto de algoritmos que, como las redes neuronales del cerebro humano, son capaces de generar respuestas y actuar en función de las conclusiones a las que se llega por su combinación, yuxtaposición o contradicción, a partir de un sistema de capas que se ordenan en función de una jerarquía. Estamos hablando de un nuevo nivel en el desarrollo de los sistemas de Inteligencia Artificial y Machine Learningque, por el momento, es lo más parecido al pensamiento humano que puede encontrarse. De hecho, estas redes neuronales son capaces de generar procesos que incluyen el pensamiento abstracto (lenguaje propio y razonado) o, en un futuro no muy lejano según expertos, de la capacidad de crear.

Interacción entre Inteligencia artificial, Machine Learning y Deep learning