lo que lo distingue Inteligencia artificial de otros programas de ordenador es que no necesita ser programado específicamente para cada escenario. Podemos enseñarte cosas (aprendizaje automático), aprendizaje automático), pero también puede aprender por sí mismo (aprendizaje profundo). Aunque hay varias variantes de cada uno, se pueden definir ampliamente de la siguiente manera:
- IA (Inteligencia Artificial): una máquina que es capaz de imitar el razonamiento humano.
- ML (aprendizaje automático): un subconjunto de inteligencia artificial en el que las personas «entrenan» automóviles para reconocer patrones basados en datos y hacer predicciones.
- DL (aprendizaje profundo): un subconjunto de ML en el que la máquina puede razonar y sacar sus propias conclusiones, aprendiendo por sí misma.
A continuación veremos las diferentes categorías de algoritmos relacionados con la inteligencia artificial.
IA (Inteligencia Artificial)
Hablamos de Inteligencia Artificial cuando un sistema informático es capaz de sacar conclusiones a partir de un conjunto de datos y no ejecutar un simple algoritmo. Siendo estas conclusiones lo que comenté antes de un nuevo algoritmo.
Cuando hablamos de inteligencia artificial, pensamos en realidades distópicas como las que se presentan en Terminator, The Matrix y otras películas e historias populares de ciencia ficción. AI hoy todavía está bastante lejos de eso; Por ejemplo, Alexa puede ser una buena mayordoma, pero no puede pasar la famosa prueba de Turing. Actualmente tenemos una forma bastante limitada de inteligencia artificial. En cuanto a nosotros, porque estamos lejos de la rebelión de las máquinas que traman esas historias.
De hecho, la inteligencia artificial es un término tan amplio que, de hecho, es un superconjunto que contiene demasiadas ideas, por lo que es mucho mejor reducirlo para comprender qué hay en el hardware actual.
ML (aprendizaje automático)
Toda la inteligencia debe aprenderse, por lo que necesita datos para sacar conclusiones. De la misma forma que el pensamiento lógico se basa en premisas para obtener información, y es que nuestros sistemas informáticos se basan en la lógica pura y dura. Lo que hace un programa normal es ejecutarlo, pero un algoritmo de inteligencia artificial está diseñado para aprender, y eso significa corregir errores.
En otras palabras, esta innovación le da a las computadoras el poder de resolver cosas sin que estén explícitamente programadas. Como ejemplo de aprendizaje automático, suponga que desea que un programa pueda identificar gatos en imágenes:
- Dale a tu inteligencia un conjunto de características sobre el aspecto de un gato para que sepa reconocerlo. Colores, formas, etc
- Muéstrale imágenes (si algunas tienen la etiqueta «gato», la IA podrá identificarlas más fácilmente).
- Una vez que el programa haya visto suficientes gatos, debería poder identificarlos en otras imágenes: «Si la imagen contiene ciertas características, entonces hay un 95% de posibilidades de que sea un gato».
Puede parecer complicado, pero tenemos un ejemplo de la capacidad de aprender en una serie de utilidades, porque gracias a ella, cosas cotidianas como el filtro de spam o las recomendaciones de Netflix u otros servicios similares hacen para cada uno de nosotros. posiblemente todo debido a los datos que el sistema ha recopilado.
Es por eso que hoy en día, con todo el mundo conectado a la red de redes y compartiendo sus datos, el Machine Learning se ha vuelto tan importante porque ayuda a diferentes empresas a tener perfiles de consumo de los usuarios. Aunque no es la única aplicación, pero es la más fácil de entender y la más accesible para todos.
DL (aprendizaje profundo)
Desde 2018, este es el pináculo de la inteligencia artificial. Piense en ello como un aprendizaje automático con «redes neuronales» profundas Procesan los datos de forma similar al cerebro humano. La diferencia clave con su predecesor es que las personas no tienen que aprender cómo se ven los gatos; solo dale suficientes fotos de gatos y podrá resolverlo por sí mismo:
- Dale muchas fotos de gatos.
- El algoritmo inspeccionará las fotos para ver qué tienen en común (pista: son gatos).
- Cada foto se deconstruirá en varios niveles de detalle, desde formas generales grandes hasta líneas pequeñas. Si una forma se repite mucho, el algoritmo la etiquetará como una característica importante.
- Después de analizar suficientes fotos, el algoritmo ya sabrá reconocer los patrones que definen qué es un gato y podrá identificarlo en cualquier otro escenario.
En resumen: Deep Learning es aprendizaje automático, en el que el ordenador es capaz de aprender por sí solo (aunque supera con creces a los gatos, claro, porque ahora los coches ya son capaces de captar muchos más parámetros en las fotos, como un paisaje, ejemplo) .
Deep Learning requiere muchos más datos iniciales y poder de cómputo que Machine Learning, sí, pero empresas como Facebook o Amazon ya están comenzando a implementarlo.
