Tiempo de lectura: 5 minutos

Inteligencia Artificial vs. Aprendizaje Automático vs. Aprendizaje Profundo

A todos nos gusta pensar que somos un poco más listos de lo que Arthur C. Clarke postuló con su icónica crítica: "Cualquier tecnología suficientemente avanzada es indistinguible de la magia".

Sabemos quién dirige Oz tras el telón, y aún no estamos convencidos de que la IA sea tan peligrosa como las armas nucleares. la IA sea tan peligrosa como las armas nucleares o un "dictador inmortal del que nunca podremos escapar." No son más que Matemáticas Aplicadas y Estadística de nivel universitario llevadas a su conclusión lógica.

Pero, ¿comprendemos realmente la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo? O nos limitamos a repetir como loros la jerga para encajar?

A pesar de que el fundador y CEO de DeepLearning.AI, Andrew Ng, "no te preocupes si no lo entiendes", en realidad necesitamos entenderlo. Tal vez el gran mago empresarial y malvado Mark Cuban lo dijo mejor en la Upfront Summit 2017: "Inteligencia Artificial, aprendizaje profundo, aprendizaje automático - lo que sea que estés haciendo si no lo entiendes - apréndelo. Porque si no, vas a ser un dinosaurio dentro de tres años".

Estos tres términos se utilizan indistintamente, pero no son lo mismo. En absoluto. Son más bien tres capas de una muñeca Matryoshka. El aprendizaje profundo es un tipo específico de aprendizaje automático. Y el aprendizaje automático es un subconjunto de la inteligencia artificial.

Con el aumento de las expectativas sobre la experiencia del consumidor, todas las empresas tienen que empezar a reflexionar sobre su propia relación con estas tecnologías. Todos conocemos los BD (big data), y todos sabemos que necesitamos un plan para interactuar con miles de millones de archivos, líneas de código, imágenes, vídeos, contenidos generados por los usuarios e inteligencia de mercado. Estas tres innovaciones tecnológicas (pero en realidad son una sola) nos permiten aprovechar la potencia de cálculo de las máquinas para ampliar nuestras propias capacidades. Estamos en el proverbial "demasiado cerca para los misiles, cambio a las armas", como suele decirse.

¿Cómo desentrañar estas capas y comprender sus implicaciones? Conversemos juntos sobre el futuro de la tecnología.

Inteligencia artificial

En su definición más básica, la IA es cualquier programa que pueda sentir, razonar, actuar o adaptarse de forma similar a la inteligencia humana. Es hardware de silicio e impulsos eléctricos que imitan la mente humana. No es espeluznante, es útil.

Se trata de una categoría de programación tecnológica amplia y de gran alcance que puede utilizarse para describir casi cualquier máquina o sistema inteligente. Para bien o para mal, hoy en día se aplica ampliamente a casi todas las plataformas u ofertas de SaaS. A estas alturas, todo el mundo tiene IA.

También hay muchos enfoques teóricos diferentes de la IA. Algunas máquinas sólo reaccionan sin utilizar la experiencia pasada para tomar nuevas decisiones. Otras tienen memoria a corto plazo, mientras que otras están diseñadas para intentar captar las emociones humanas y comprender la toma de decisiones. En teoría, la IA puede incluso ser consciente de sí misma, entendiendo no sólo nuestros estados emocionales y respuestas, sino también sus propios sentimientos internos y las interacciones apropiadas implícitas en ellos.

En nuestro mundo, es más útil dividir la IA en categorías discretas que hablen de la finalidad y las capacidades de una aplicación concreta:

Inteligencia Artificial Estrecha (IAN) Los programas completan una tarea específica. El alcance es limitado y los "comportamientos humanos" correspondientes son más básicos (por ejemplo, Identificar a las personas de estas fotos. Predecir el ganador de esta partida de ajedrez. Localizar el archivo exacto que quiero con parámetros de definición limitados). Esencialmente, ANI calcula la probabilidad de que se produzca este resultado, dadas unas entradas específicas. Desde los chatbots y los asistentes virtuales hasta el análisis predictivo en tiempo real y la búsqueda inteligente, esta tecnología infinitamente útil y ampliamente común es a lo que nos referimos cuando hablamos de Inteligencia Artificial hoy en día.

La Inteligencia Artificial General (IAG) es una IA que rinde al mismo nivel que usted y que yo, o incluso que el puñado de mortales más inteligentes que nosotros. Es emocionalmente inteligente, empática y llena de matices. Y todavía no existe. No que sepamos, al menos.

La Superinteligencia Artificial (ASI) es la IA que atormenta nuestros sueños y acecha en los rincones de nuestras pesadillas. Es el tipo de IA que superaría la inteligencia y la capacidad humanas, el tipo de IA que Hollywood proyecta en series distópicas de ciencia ficción (o de ciencia ficción del Oeste) y que nos hace a todos cuestionarnos la relación riesgo/beneficio de la investigación en IA. También es improbable por el momento.

Aprendizaje automático

Es la IA la que se hace más inteligente. Cuantos más datos se exponen al algoritmo, más inteligente es su rendimiento en relación con nuevos datos de un conjunto similar a lo largo del tiempo. A diferencia del aprendizaje profundo, el aprendizaje automático (ML) requiere intervención humana para mejorar.

Esencialmente, el ML es una forma de aprovechar la IA en aplicaciones específicas para acceder a conjuntos de datos increíblemente vastos y predecir el futuro basándose en la historia estadística. Funciona con datos estructurados y no estructurados, lo que lo convierte en un componente crítico de cómo crecemos Panzura CloudFS.

En concreto, el ML es una parte fundamental de la automatización. Utilizando los datos para enseñar a los algoritmos a predecir de forma más inteligente los resultados futuros de los datos, podemos transferir el trabajo predictivo a vías digitales que descarguen nuestras redes neuronales. Ya sea en protocolos predictivos de ciberseguridad o en búsquedas inteligentes o en la previsión y optimización para un sector específico como los servicios financieros o la ingeniería geoespacial, el ML intensifica nuestras propias intuiciones a la hora de leer datos y tomar decisiones.

El ML se alimenta de datos. En la actualidad, se trata en gran medida de conjuntos de datos tradicionales y algoritmos como la agrupación, la clasificación y el análisis de regresión. Cuantos más datos de calidad tenga, mejor funcionará su modelo a lo largo del tiempo. Dado que el ML funciona a partir de la diferencia o la tasa de error entre las "verdades básicas" establecidas y sus predicciones, es un sistema que se autooptimiza y que avanzará en la medida en que la calidad de los datos con los que se alimenta sea la base de sus operaciones.

Dado que el aprendizaje automático sigue siendo una categoría amplia de la IA (a diferencia del aprendizaje profundo), a menudo definimos lo que entendemos por ML por el objetivo que se le ha dado. Empieza por establecer el alcance de un algoritmo de ML. Ahora, entiende su propósito y puede dirigir los datos adecuados para maximizar su valor dentro de su aplicación tecnológica, como funciones de búsqueda inteligente o análisis predictivo en un contexto específico.

Aprendizaje profundo

Ahora hemos profundizado en un subconjunto del aprendizaje automático. El aprendizaje profundo (DL) utiliza capas de redes neuronales para aplicar vastos lagos de datos. La profundidad de la red neuronal define el aprendizaje profundo: un verdadero algoritmo de aprendizaje profundo tiene al menos tres nodos de redes neuronales, incluyendo tanto la entrada como la salida.

Aquí nos acercamos a la ciencia mágica de Arthur C. Clarke. El aprendizaje profundo elimina gran parte de la intervención humana necesaria en el aprendizaje automático. Es un algoritmo autodidacta que utiliza el enorme volumen de datos disponibles para mejorar el rendimiento predictivo, abriendo nuevos niveles de complejidad en lo que puede automatizarse. Se trata de un aprendizaje automático escalable, según el MIT, y es el futuro de los datos no estructurados en particular.

El aprendizaje profundo es donde la inteligencia artificial se asemeja más al cerebro humano. Más allá del mero análisis estadístico avanzado, el aprendizaje profundo puede empezar a ejecutar la toma de decisiones inteligentes de un cerebro no humano.

Las redes neuronales son la columna vertebral del aprendizaje profundo. Una capa de entrada acepta entradas de datos. Una capa oculta identifica las características ocultas en el análisis inicial de los datos. Y una capa de salida proporciona la salida apropiada. Esta estructura multicapa de análisis de datos es lo que separa el aprendizaje profundo del aprendizaje automático. También es lo que permite al aprendizaje profundo resolver tareas en las que los modelos de aprendizaje automático establecidos resultan inadecuados.

Los avances en el aprendizaje profundo son la fuerza impulsora de gran parte de la IA interactiva que experimentamos hoy en día, desde los coches autoconducidos hasta los asistentes virtuales y las capacidades de traducción de idiomas en tiempo real. Dado que el aprendizaje profundo puede manejar sesgos ponderados complejos en las entradas y luego retropropagar las salidas en función del objetivo de reducción de la tasa de error, es intrínsecamente más autooptimizante que el aprendizaje automático.

Quizá lo más prometedor para el futuro de Panzurasea que el aprendizaje profundo amplía la extracción de características más allá de las limitaciones del aprendizaje automático. En lugar de funcionar con algoritmos planos que requieren un preprocesamiento de las características de los datos, el aprendizaje profundo puede tomar datos brutos y ejecutar algoritmos de búsqueda inteligente sin la categorización o clasificación subyacente de los datos. Estos algoritmos comprenden la representación implícita de los datos en bruto sin intervención humana, abriendo el futuro de los datos no estructurados.

Shift the balance of power in the fight against ransomware.

Descargar el Libro Blanco
Panzura-datasheet-Detect-and-rescue-header-min (1)

El auge de las máquinas

Tanto si entiendes los árboles de decisión y la regresión lógica como si te cuesta definir un clasificador Naïve Bayes, necesitas comprender las diferencias entre inteligencia artificial, aprendizaje automático y aprendizaje profundo. Los tres tendrán un impacto en su futuro, el futuro de sus datos y el futuro de su organización.

A medida que nos acerquemos a un equivalente del cerebro humano impulsado por código, seguiremos viendo mejoras en productividad, velocidad, inteligencia y memoria. Tendremos más acceso a más datos que nunca. Ganarán los equipos que aprendan a aprovechar esa información y a utilizarla para mejorar la experiencia del cliente, la estrategia de comercialización y el desarrollo de productos. Todos los demás se preguntarán qué pasó cuando las máquinas les sustituyeron.

No podemos permitirnos no entender estos conceptos. Incluso sin un doctorado en Informática, podemos ver el futuro, y se parece mucho a la inteligencia basada en algoritmos unida a las emociones, la creatividad, el deseo y el impulso de los seres humanos vivos. La chispa humana nunca será sustituida por electrones, pero puede mejorarse enormemente con los datos adecuados.