La diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning

“La Inteligencia Artificial es el futuro”. “La Inteligencia Artificial es ciencia ficción”. “La Inteligencia Artificial ya es parte de nuestra vida cotidiana”. Todas esas afirmaciones son ciertas, solo depende del tipo de IA a la que se refiera.

Cuando el programa AlphaGo de Google DeepMind derrotó al maestro surcoreano Lee Se-dol en el juego de mesa Go a principios del 2016, los términos Inteligencia Artificial, Machine Learning y Deep Learning se usaron en los medios para describir cómo ganó DeepMind. Y los tres son parte de la razón por la cual AlphaGo derrotó a Lee Se-Dol. Pero no son las mismas cosas.

-

La manera más fácil de pensar en su relación es visualizándola como círculos concéntricos con Inteligencia Artifical, la idea que vino primero, la más grande, luego el Machine Learning, que floreció más tarde, y finalmente el Deep Learning, que está impulsando la explosión de IA de hoy en día, dentro de ambos.

La Inteligencia Artificial ha formado parte de nuestra imaginación y ha estado latente en los laboratorios de investigación desde que unos científicos de la informática se reunieron alrededor del término en las Conferencias de Dartmouth en 1956 y dieron a luz el campo de la IA.

En las décadas transcurridas desde entonces, la IA había sido proclamado alternativamente como la clave del futuro más brillante de nuestra civilización, pero luego se había arrojado en el montón de “basura de la tecnología” por ser percibido con una noción arriesgada.

En los últimos años, la Inteligencia Artificial ha explotado, especialmente desde 2015. Gran parte de eso tiene que ver con la amplia disponibilidad de GPU que hacen que el procesamiento paralelo sea más rápido, más económico y más potente. También tiene que ver con el almacenamiento prácticamente infinito y una avalancha de datos (todo el movimiento Big Data): imágenes, texto, transacciones, datos de mapeo, etc…

Analizaremos cómo los científicos de la computación se han movido de una especie de decaída de la Inteligencia Artificial, a un auge que ha desatado aplicaciones utilizadas por cientos de millones de personas todos los días.

INTELIGENCIA ARTIFICIAL:

Inteligencia humana expuesta por máquinas

En aquel verano de la conferencia del 56, el sueño de aquellos pioneros de la IA era construir máquinas complejas, habilitadas por computadoras emergentes, que poseían las mismas características de inteligencia humana. Este es el concepto que consideramos “Inteligencia Artificial general”: máquinas fabulosas que tienen todos nuestros sentidos (tal vez incluso más), toda nuestra razón, y piensan igual que nosotros. Se han visto estas máquinas sin parar en las películas cómo un amigo (C-3PO) y enemigo (The Terminator). Las máquinas generales de IA se han quedado en las películas y novelas de ciencia ficción por una buena razón: no podemos llevarlo a cabo, al menos no todavía.

Lo que podemos hacer cae en el concepto de “Inteligencia Artificial estrecha” (Narrow Artificial Intelligence). Las tecnologías actuales pueden realizar tareas específicas tan bien o mejor que nosotros. Los ejemplos de IA estrecha son cosas como la clasificación de imágenes en un servicio como Pinterest y el reconocimiento facial en Facebook.

Esos son ejemplos de IA estrecha en la práctica. Estas tecnologías exhiben algunas facetas de la inteligencia humana. ¿Pero cómo? ¿De dónde viene esa inteligencia? Eso nos lleva al siguiente círculo, Machine Learning.

MACHINE LEARNING:

Un enfoque para lograr la Inteligencia Artificial

El Machine Learning en su forma más básica es la práctica de usar algoritmos para analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo en el mundo. Por lo tanto, en lugar de rutinas de software de codificación manual con un conjunto específico de instrucciones para realizar una tarea en particular, la máquina está “entrenada” utilizando grandes cantidades de datos y algoritmos que le dan la capacidad de aprender a realizar la tarea.

El Machine Learning vino directamente de las mentes de las primeras comunidades de IA, y los enfoques algorítmicos a lo largo de los años incluyeron el aprendizaje del árbol de decisiones, la programación de la lógica inductiva, agrupamiento, aprendizaje reforzado y redes bayesianas, entre otros. Como sabemos, ninguno logró el objetivo final de la IA general, e incluso la IA estrecha estuvo fuera de su alcance con los primeros enfoques de Machine Learning.

Resultó que una de las mejores áreas de aplicación para el Machine Learning durante muchos años fue la Visión Computacional (Computer Vision), aunque todavía requería una gran cantidad de codificación manual para hacer el trabajo. La gente entraba y escribía clasificadores codificados a mano como filtros de detección de bordes para que el programa identificara dónde se inició y se detuvo un objeto; detecctores de forma; un clasificador para reconocer las letras “S-T-O-P”, etc. todos los clasificadores codificados a mano, desarrollaron algoritmos para dar sentido a la imagen y “aprender” a determinar, por ejemplo, si había una señal de alto en una foto.

Las predicciones del detector de señales de STOP eran buenas, pero no alucinantemente precisas. Especialmente al haber un día con niebla o poca luz y el cartel no es perfectamente visible.

Hay una razón por la que la Visión Computacional y la detección de imágenes no se acercaban a compararse con los humanos hasta hace muy poco, era demasiado frágil y demasiado propenso al error. El tiempo, los algoritmos de aprendizaje correctos y el Deep Learning marcaron la diferencia.

DEEP LEARNING:

Una técnica para implementar el Machine Learning

Resultado de imagen para convolutional neural network
Imaen de: https://cdn.edureka.co/blog/wp-content/uploads/2017/05/Deep-Neural-Network-What-is-Deep-Learning-Edureka.png

Otro acercamiento algorítmico de los primeros especialistas en Machine Learning fueron las Redes Neuronales Artificiales llegaron para quedarse a través de las décadas. Las redes neuronales se inspiran en nuestra comprensión de la biología de nuestros cerebros, todas esas interconexiones entre las neuronas. Pero, a diferencia de un cerebro biológico donde cualquier neurona se puede conectar a cualquier otra neurona dentro de una cierta distancia física, estas redes neuronales artificiales tienen capas discretas, conexiones y direcciones de propagación de datos.

Se podría, por ejemplo, tomar una imagen, cortarla en un grupo que se ingresan en la primera capa de la red neuronal. En la primera capa, las neuronas individuales pasan los datos a una segunda capa. La segunda capa de neuronas hace su tarea, y así sucesivamente, hasta que se produce la capa final y la producción final.

Cada neurona asigna una ponderación a su entrada: qué tan correcta o incorrecta es en relación con la tarea que se realiza. El resultado final se determina luego por el total de esas ponderaciones. En el ejemplo de reconocimiento de una señal de STOP. Los atributos de una imagen de señal de STOP son cortados y “examinados” por las neuronas: su forma octogonal, la tonalidad de su color rojo, sus letras distintivas, la altura, entre otros. La tarea de la red neuronal es concluir si esto es una señal de STOP o no. Se trata de un “vector de probabilidad”, realmente una suposición altamente educada, basada en la ponderación. En nuestro ejemplo, el sistema puede tener un 86% de confianza de que la imagen es una señal de alto, un 7% de confianza es un signo de límite de velocidad y un 5% es una cometa atrapada en un árbol, y así sucesivamente, y la arquitectura de red le dice a la red neuronal si es correcto o no

Detector de señal de STOP

Incluso este ejemplo se está adelantando a sí mismo, porque hasta hace poco las redes neuronales eran casi rechazadas por la comunidad de investigación de IA. Habían existido desde los primeros días de la IA, y habían producido muy poco en el camino de la “inteligencia”. El problema era que incluso las redes neuronales más básicas eran muy computacionalmente intensivas, simplemente no era un enfoque práctico. Aún así, un pequeño grupo de investigación herético liderado por Geoffrey Hinton en la Universidad de Toronto lo siguió, finalmente paralelizando los algoritmos para supercomputadoras para ejecutar y probar el concepto, pero no fue hasta que las GPU fueron desplegadas como un esfuerzo para hacer realidad el concepto.

Nuevamente en el ejemplo de señal de STOP, es muy probable que a medida que la red esté siendo ajustada o “entrenada” surjan respuestas incorrectas. Lo que la neurona necesita es entrenamiento. Necesita ver cientos de miles, incluso millones de imágenes, hasta que la ponderación de las entradas de las neuronas se sintonice de manera tan precisa que tenga la respuesta correcta prácticamente siempre, halla niebla o ausencia de niebla, sol o lluvia. Es en ese punto que la red neuronal se ha enseñado a sí misma cómo se ve una señal de STOP, o la cara de tus amigos en el caso de Facebook; o un gato, que es lo que Andrew Ng hizo en 2012 en Google.

El avance de Ng fue tomar estas redes neuronales, y esencialmente hacerlas enormes, aumentar las capas y las neuronas, y luego ejecutar grandes cantidades de datos a través del sistema para entrenarlo. En el caso de Ng, se trataba de imágenes de 10 millones de videos de YouTube. Ng puso la palabra “deep” en el Deep Learning, que describe todas las capas en estas redes neuronales.

Hoy en día, el reconocimiento de imágenes por máquinas entrenadas a través del Deep Learning en algunos escenarios es mejor que el de los humanos, y eso va desde identificar gatos hasta la identificación de indicadores de cáncer en sangre y tumores en las imágenes por resonancia magnética. El AlphaGo de Google aprendió el juego y se entrenó para su partido de Go, sintonizó su red neuronal jugando contra sí mismo una y otra y otra vez.

l

Gracias a Deep Learning, la Inteligencia Artificial tiene un futuro brillante

Deep Learning ha permitido muchas aplicaciones prácticas de Machine Learning y, por extensión, el campo general de IA. El Deep Learning desglosa las tareas de manera que hace que todo tipo de asistencia en máquinas parezca posible, incluso probable.

Los automóviles sin conductor, una mejor atención médica preventiva, incluso mejores recomendaciones de películas, están todos aquí hoy o en el horizonte. La Inteligencia Artificial es el presente y el futuro. Con la ayuda del Machine Learnin y Deep Learning, puede llegar a ese estado de ciencia ficción que tanto tiempo hemos imaginado.


Síguenos en: LinkedIn / Facebook/ Web