IA frente al aprendizaje automático

La inteligencia artificial (IA) y el aprendizaje automático (ML) son dos tipos de soluciones de software inteligentes que afectan a cómo la tecnología pasada, actual y futura está diseñada para imitar cualidades más humanas.

Básicamente, la inteligencia artificial es una solución tecnológica, un sistema o una máquina cuyo objetivo es imitar la inteligencia humana para realizar tareas mientras mejora iterativamente en función de la información que recopila.

El aprendizaje automático es un subgrupo de IA que se centra en la creación de un sistema de software que puede aprender o mejorar el rendimiento en función de los datos que consume. Esto significa que cada solución de aprendizaje automático es una solución de IA, pero no todas las soluciones de IA son soluciones de aprendizaje automático.

Inteligencia artificial frente a aprendizaje automático frente a aprendizaje profundo

Inteligencia artificial. Aprendizaje automático (ML). Aprendizaje profundo. Aunque estos términos son cada vez más comunes, para muchas personas todavía se sienten como el tema de una película de ciencia ficción. Simplifiquemos las cosas y probemos la definición de una línea de cada término:

• Inteligencia artificial (IA): acciones informáticas que imitan la toma de decisiones humanas basadas en experiencias y datos aprendidos.
• Aprendizaje automático (ML): procesos que permiten a los ordenadores extraer conclusiones de los datos. El aprendizaje automático es un subconjunto de la IA que permite que las computadoras aprendan fuera de su programación.
• Aprendizaje profundo: procesos que impulsan a las computadoras a resolver problemas muy complejos. El aprendizaje profundo es un subjuego del aprendizaje automático que hace factibles los cálculos en redes neuronales de varias capas.

Historia de la IA

La idea misma de la inteligencia artificial se remonta a la década de 1950 con la llegada de técnicas y capacidades computacionales en máquinas. El objetivo era simple: ir más allá de usar un ordenador como medio de cálculo y en realidad impulsar la toma de decisiones.

Esto significaba que los ordenadores necesitaban ir más allá del cálculo de decisiones basadas en datos existentes; necesitaban avanzar con una mayor mirada a varias opciones para un razonamiento deductivo más calculado. Sin embargo, la forma en que esto se logra prácticamente ha requerido décadas de investigación e innovación. Una forma simple de inteligencia artificial es crear sistemas basados en reglas o expertos. Sin embargo, la llegada del aumento de la potencia informática a partir de la década de 1980 significó que el aprendizaje automático cambiaría las posibilidades de la IA.

La evolución del aprendizaje automático

Las decisiones basadas en reglas funcionaron para situaciones más sencillas con variables claras. Incluso el ajedrez simulado por computadora se basa en una serie de decisiones basadas en reglas que incorporan variables como las piezas que están en el tablero, las posiciones en las que están y su turno. El problema es que todas estas situaciones requirieron un cierto nivel de control. En cierto momento, la capacidad de tomar decisiones basadas simplemente en variables y si/entonces las reglas no funcionaban.

El truco, entonces, era imitar CÓMO los seres humanos aprendieron.

El aprendizaje automático se presentó en la década de 1980 con la idea de que un algoritmo podría procesar grandes volúmenes de datos y, a continuación, comenzar a determinar conclusiones basadas en los resultados que estaba obteniendo. Por ejemplo, si un algoritmo de aprendizaje automático recibe un gran volumen de transacciones con tarjeta de crédito con reglas if/then para marcar fraudes, podría entonces empezar a identificar factores secundarios que crearon un patrón, como cuando una cuenta compra algo a horas inusuales o en tiendas en una ubicación geográfica diferente.

Tal proceso requería grandes conjuntos de datos para comenzar a identificar patrones. Pero aunque los conjuntos de datos que implican caracteres alfanuméricos claros, formatos de datos y sintaxis podrían ayudar al algoritmo involucrado, otras tareas menos tangibles como la identificación de caras en una imagen crearon problemas.

En la década de 2000, la tecnología dio otro paso adelante y la solución a esto era crear una metodología de aprendizaje que imitara el cerebro humano.

Aprendizaje profundo frente a aprendizaje automático

El aprendizaje profundo funciona desglosando la información en relaciones interconectadas, haciendo esencialmente deducciones basadas en una serie de observaciones. Al gestionar los datos y los patrones deducidos por el aprendizaje automático, el aprendizaje profundo crea una serie de referencias que se utilizarán para la toma de decisiones. Como ocurre con el aprendizaje automático estándar, cuanto mayor sea el conjunto de datos para el aprendizaje, más refinados serán los resultados del aprendizaje profundo.

Una forma sencilla de explicar el aprendizaje profundo es que permite tomar pistas de contexto inesperadas en el proceso de toma de decisiones. Considera cómo un niño pequeño aprende a leer. Si ven una frase que dice "Los gatos van rápido", pueden reconocer las palabras "coches" y "ir" pero no "rápido". Sin embargo, con algún pensamiento, pueden deducir toda la oración debido a pistas de contexto. "Fast" es una palabra que probablemente habrán escuchado en relación con los coches antes, la ilustración puede mostrar líneas para indicar velocidad, y pueden saber cómo las letras F y A trabajan juntas. Estos son cada uno de los elementos individuales, como "¿Reconozco esa carta y sé cómo suena?" Pero cuando se juntan, el cerebro del niño es capaz de tomar una decisión sobre cómo funciona y leer la sentencia. Y a su vez, esto reforzará cómo decir la palabra "rápida" la próxima vez que la vean.

Así es como funciona el aprendizaje profundo, rompiendo varios elementos para tomar decisiones de aprendizaje automático sobre ellos y luego examinando cómo están interconectados para deducir un resultado final.

Software de inteligencia artificial

El software de inteligencia artificial puede utilizar la toma de decisiones y la automatización impulsados por el aprendizaje automático y el aprendizaje profundo para aumentar la eficiencia de una organización. Desde el modelado predictivo hasta la generación de informes hasta la automatización de procesos, la inteligencia artificial puede transformar el funcionamiento de una organización, lo que crea mejoras en la eficiencia y la precisión. Oracle Cloud Infrastructure (OCI) proporciona la base para la gestión de datos basada en la nube basada en inteligencia artificial y aprendizaje automático.