Member preview

Diferencias Entre la Inteligencia Artificial y el Machine Learning (Aprendizaje Automático) | Por Qué es tan Importante el Saberlo

Desafortunadamente, algunas organizaciones tecnológicas están engañando a sus clientes al proclamar el uso de IA en sus tecnologías sin tener en cuenta los límites de sus productos.

7 de Noviembre del 2018, por Roberto Iriondo

Créditos de imagen: IoT World Today

La semana pasada, mientras exploraba la prensa más reciente sobre inteligencia artificial, me topé con una organización que profesaba utilizar “IA y machine learning (aprendizaje automatico)” para recopilar y examinar los datos de miles de usuarios, con el fin de mejorar la experiencia del usuario en aplicaciones móviles versátiles. Al mismo tiempo, leí acerca de otra organización que anticipó el comportamiento del cliente utilizando “una combinación de machine learning y IA” junto con “análisis de pronóstico impulsados ​​por IA”.

(Me abstendré de nombrar a las organizaciones para no deshonrarlas, ya que de alguna manera “confío” en que sus servicios resuelven problemas reales, independientemente de si están publicitando sus productos de manera fraudulenta).

Hay mucha confusión entre el machine learning y la IA. Basándome en algunos artículos que he estado leyendo, muchas personas todavía se refieren a la IA y al machine learning como palabras equivalentes y las utilizan recíprocamente, mientras que otras las utilizan como avances paralelos y discretos. Sin embargo, en muchos casos la población general que habla y expone sobre la innovación, no se da cuenta de las diferencias entre IA y machine learning. En otros, deliberadamente pasan por alto esas distinciones para crear hiper-entusiasmo con fines publicitarios y de ventas.

A continuación veremos algunas de las principales diferencias entre la IA y el machine learning.

¿Qué es el machine learning (aprendizaje automático)?

Machine learning es el estudio de algoritmos informáticos que se desarrollan automáticamente a través de la experiencia | Tom M. Mitchell, Machine Learning, McGraw Hill, 1991

El machine learning es una rama de la inteligencia artificial, puesto simplemente por el Profesor y Ex-Presidente del Departamento de Machine Learning de la Universidad Carnegie Mellon, Tom M. Mitchell: “El aprendizaje automático es el estudio de algoritmos informáticos que mejoran automáticamente a través de la experiencia”. [1] — Machine learning es una de las formas en que esperamos alcanzar la IA. El machine learning se basa en trabajar con grandes conjuntos de datos, a lo largo de examinar y comparar estos para encontrar patrones comunes y explorar matices.

Por ejemplo, si proporciona un programa de machine learning con muchas imágenes de rayos X, junto con sus síntomas correspondientes, podrá ayudar (o posiblemente automatizar) el análisis de las imágenes de rayos X en el futuro. La aplicación de machine learning comparará todas esas imágenes diferentes y encontrará cuáles son los patrones comunes en las imágenes que han sido etiquetadas con síntomas similares. Además, cuando le proporcione nuevas imágenes, comparará su contenido con los patrones que ha recogido y le dirá qué tan probable es que las imágenes contengan alguno de los síntomas que ha estudiado anteriormente.

En un ejemplo simple, si carga un programa de aprendizaje automático con un considerable conjunto de datos de imágenes de rayos X a lo largo de su descripción (síntomas, elementos a considerar, etc.), tendrá la capacidad de ayudar (o quizás automatizar) el análisis de los datos de las imágenes de rayos X en un futuro. El modelo de machine learning examinará cada una de las imágenes en los diversos conjuntos de datos y encontrará patrones comunes que se encuentran en las imágenes que han sido etiquetadas con indicaciones comparables. Además, (suponiendo que usemos un buen algoritmo de aprendizaje automático para las imágenes) cuando cargue el modelo con nuevas imágenes, comparará sus parámetros con los ejemplos que ha recopilado anteriormente para revelarle la probabilidad de que las imágenes contengan alguna de las indicaciones. las cuales fueron analizadas previamente.

Aprendizaje Supervisado (Supervised Learning) Clasificación / Regresión | Aprendizaje no supervisado (Unsupervised Learning) Agrupación | Créditos: Western Digital [13]

El tipo de machine learning de nuestro ejemplo anterior se denomina “aprendizaje supervisado”, donde los algoritmos de aprendizaje supervisado intentan modelar la relación y las dependencias entre la salida de predicción objetiva, a lo largo de las características de entrada, de manera que podemos predecir los valores de salida para los nuevos datos basados ​​en esas relaciones, que ha aprendido de conjuntos de datos anteriormente [15] alimentados.

El aprendizaje no supervisado, otro tipo de machine learning es la familia de algoritmos de aprendizaje automático, que se utilizan principalmente en la detección de patrones y el modelado descriptivo. Estos algoritmos no tienen categorías de salida o etiquetas en los datos (el modelo está entrenado con datos sin etiquetar).

Aprendizaje de refuerzo (Reinforcement Learning) | Créditos: tipos de algoritmos de ML que debes conocer por David Fumo [2]

El aprendizaje por refuerzo, el tercer tipo popular de machine learning, tiene como objetivo utilizar las observaciones recopiladas de la interacción con su entorno para tomar medidas que maximicen la recompensa o minimicen el riesgo. En este caso, el algoritmo de aprendizaje de refuerzo (llamado agente) aprende continuamente de su entorno mediante la iteración. Un gran ejemplo de aprendizaje por refuerzo son las computadoras que alcanzan el estado sobrehumano y ganan a los humanos en los juegos de computadora [3] .

El machine learning es increíblemente interesante; particularmente sus sub-ramas avanzadas, es decir, el aprendizaje profundo (deep learning) y los diversos tipos de redes neuronales. En cualquier caso, es “mágico”, independientemente de si el público a veces tiene problemas para observar su funcionamiento interno. De hecho, mientras que algunos tienden a comparar el aprendizaje profundo y las redes neuronales con la forma en que funciona el cerebro humano, existen diferencias importantes entre los dos [4] .

Nota sobre machine learning: Sabemos qué es el machine learning (aprendizaje automático), también sabemos que es una rama de la inteligencia artificial, además de saber lo que puede y no puede hacer [5] .

¿Qué es la inteligencia artificial (IA)?

El IA ​​Stack, explicado por el Profesor y Decano de la Facultad de Ciencias de la Computación, Carnegie Mellon University, Andrew Moore | Youtube [14]

Por otro lado, el término “inteligencia artificial” tiene un alcance excepcionalmente amplio. Según Andrew Moore [6], decano de la Facultad de Ciencias de la Computación de la Universidad Carnegie Mellon , “la inteligencia artificial es la ciencia y la ingeniería para hacer que las computadoras se comporten de manera que, hasta hace poco, pensábamos que era necesaria la inteligencia humana”.

Esta es una excelente manera de definir IA en una sola oración; sin embargo, todavía muestra cuán amplio y vago es el campo. Hace varias décadas, una calculadora de bolsillo se consideraba una forma de IA, ya que el cálculo matemático era algo que solo el cerebro humano podía realizar. Hoy en día, la calculadora es una de las aplicaciones más comunes que encontrará en el sistema operativo de cada computadora, por lo tanto, “hasta hace poco” es algo que progresa con el tiempo.

Zachary Lipton, profesor asistente e investigador en CMU, aclara en su publicación “Aproximately Correct” [7] , el término IA “es aspiracional, un objetivo en movimiento basado en las capacidades que poseen los humanos pero que las máquinas no”.

IA también incluye una cantidad considerable de avances tecnológicos que conocemos. El machine learning es solo uno de ellos. Trabajos previos de IA utilizaron diferentes técnicas, por ejemplo, Deep Blue, la IA que derrotó al campeón mundial de ajedrez en 1997, utilizó un método llamado algoritmos de búsqueda de árboles [8] para evaluar millones de movimientos en cada turno.

Ejemplo de resolución del rompecabezas de Ocho Reinas utilizando la búsqueda en profundidad | Introducción a la Inteligencia Artificial | Cómo2Ejemplos

IA como lo conocemos hoy en día está simbolizado con los dispositivos de interacción Humano-IA de Google Home, Siri y Alexa, por los sistemas de predicción de vídeo por aprendizaje automático que funcionan con Netflix, Amazon y YouTube, por los algoritmos que los fondos de cobertura utilizan para realizar micro-empresas que Rake en millones de dólares cada año. Estos avances tecnológicos son cada vez más importantes en nuestra vida diaria. De hecho, son asistentes inteligentes que mejoran nuestras habilidades y nos hacen más productivos.

Nota sobre la IA: En contraste con el aprendizaje automático, la IA es un objetivo en movimiento, y su definición cambia a medida que los avances tecnológicos relacionados se desarrollan aún más. Lo que es y no es IA puede, sin mucho esfuerzo, ser desafiado, haciendo que el aprendizaje automático sea muy claro en su definición. Posiblemente, dentro de unas pocas décadas, los avances de IA innovadores de hoy se considerarán tan aburridos como las calculadoras son para nosotros en este momento.

¿Por qué las empresas de tecnología tienden a usar IA y ML intercalada-mente?

Impactos del Aprendizaje Automático, la IA y el Aprendizaje Profundo en los Negocios | Créditos: TechRepublic

El término “inteligencia artificial” llegó a su origen en 1956 por un grupo de investigadores que incluía a Allen Newell y Herbert A. Simon [9] , la industria de IA ha pasado por muchas fluctuaciones. En las primeras décadas, hubo un gran despliegue publicitario en torno a la industria, y muchos científicos coincidieron en que la IA a nivel humano estaba a la vuelta de la esquina. Sin embargo, las afirmaciones no entregadas causaron un desencanto general con la industria a través del público y condujeron al invierno de AI , un período en el que la financiación y el interés en el campo disminuyeron considerablemente.

Posteriormente, las organizaciones intentaron separarse con el término IA, que se había convertido en sinónimo de exageración no demostrada, y utilizaron diferentes términos para referirse a su trabajo. Por ejemplo, IBM describió Deep Blue como una super-computadora y declaró explícitamente que no utilizó inteligencia artificial [10] , mientras que en realidad sí lo hacia.

Durante este período, una variedad de otros términos tales como big data, análisis predictivo y machine learning (aprendizaje automático) comenzaron a ganar popularidad y fama. En 2012, el machine learning, el aprendizaje profundo y las redes neuronales dieron grandes pasos y comenzaron a utilizarse en un número creciente de campos. Las organizaciones de repente comenzaron a utilizar los términos machine learning y aprendizaje profundo para publicitar sus productos.

El aprendizaje profundo comenzó a realizar tareas que eran imposibles de hacer con la programación clásica basada en reglas. Campos como el reconocimiento del habla y la cara, la clasificación de imágenes y el procesamiento del lenguaje natural, que se encontraban en las primeras etapas, de repente dieron grandes saltos.

Por lo tanto, al impulso, estamos viendo un cambio de marcha de regreso a la IA. Para aquellos que habían estado acostumbrados a los límites del software anticuado, los efectos del aprendizaje profundo (deep learning) casi parecían “mágicos”, especialmente porque una fracción de los campos en los que entraban las redes neuronales y el aprendizaje profundo se consideraban fuera de los límites de las computadoras. Los ingenieros de machine learning y de aprendizaje profundo están ganando salarios increíblemente elevados [11] , incluso cuando trabajan en organizaciones sin fines de lucro, lo que habla de cuán importante y famoso es el campo.

Todos estos elementos han ayudado a reavivar la emoción y la exageración que rodea a la inteligencia artificial. Por lo tanto, a muchas organizaciones les resulta más rentable utilizar el vago término IA, que tiene mucho equipaje y exuda un aura mística, en lugar de ser más específico sobre qué tipo de tecnologías emplean. Esto les ayuda a exagerar, re-diseñar o volver a comercializar las capacidades de sus productos sin tener en cuenta sus límites.

Mientras tanto, la “inteligencia artificial avanzada” que estas organizaciones afirman utilizar, suele ser una variante de machine learning (aprendizaje automático) o alguna otro de sus sub-ramos.

Lamentablemente, esto es algo que las publicaciones técnicas a menudo informan sin un análisis profundo, y con frecuencia van a lo largo de artículos de IA con imágenes de bolas de cristal y otras representaciones sobrenaturales. Tal engaño ayuda a esas compañías a generar exageración alrededor de sus ofertas. Sin embargo, en el futuro, ya que no cumplen con las expectativas, estas organizaciones se ven obligadas a contratar personas para compensar las deficiencias de su llamada IA [12] . Al final, podrían terminar generando desconfianza en el campo y provocar otro invierno de IA por el bien de sus ganancias a corto plazo.

Puedes encontrarme en: Medium , Instagram , Twitter , Facebook o LinkedIn .

No te olvides de leer:

Referencias:

[1] La disciplina del aprendizaje automático | Tom M. Mitchell |http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf

[2] Tipos de algoritmos de aprendizaje automático que debe conocer | David fumo | Hacia la ciencia de datos | https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861

[3] Mira cómo juega nuestro sistema AI contra cinco de los mejores profesionales de Dota 2 del mundo | AI abierto | https://openai.com/five/

[4] Diferencias entre redes neuronales y aprendizaje profundo | Quora |https://www.quora.com/What-is-the-difference-between-Neural-Networks-and-Deep-Learning

[5] Lo que el aprendizaje automático puede y no puede hacer | WSJ |https://blogs.wsj.com/cio/2018/07/27/what-machine-learning-can-and-cannot-do/

[6] Carnegie Mellon Dean de Ciencias de la computación sobre el futuro de la IA | Forbes |https://www.forbes.com/sites/peterhigh/2017/10/30/carnegie-mellon-dean-of-computer-science-on-the-future-of-ai

[7] De AI a Ml a AI: sobre la nomenclatura giratoria y el pensamiento confuso | Zachary C. Lipton | Aproximadamente correcto |http://approximatelycorrect.com/2018/06/05/ai-ml-ai-swirling-nomenclature-slurried-thought/

[8] Algoritmos de búsqueda de árboles | Introducción a la IA |http://how2examples.com/artificial-intelligence/tree-search

[9] Reinventar la educación basada en datos y en lo que funciona, desde 1955 | Universidad Carnegie Mellon | https://www.cmu.edu/simon/what-is-simon/history.html

[10] ¿Deep-Blue usa IA? | Richard E. Korf | Universidad de california |https://www.aaai.org/Papers/Workshops/1997/WS-97-04/WS97-04-001.pdf

[11] Inteligencia artificial: sueldos hacia el cielo | Stacy Stanford | Memorias de aprendizaje automático | https://medium.com/mlmemoirs/artificial-intelligence-salaries-heading-skyward-e41b2a7bba7d

[12] El auge de la ‘pseudo-IA’: cómo las empresas de tecnología utilizan silenciosamente a los humanos para hacer el trabajo de los robots | El guardián |https://www.theguardian.com/technology/2018/jul/06/artificial-intelligence-ai-humans-bots-tech-companies

[13] Simplifique el análisis de tuberías de aprendizaje automático con almacenamiento de objetos | Western Digital |https://blog.westerndigital.com/machine-learning-pipeline-object-storage/

[14] Dr. Andrew Moore Discurso de apertura | Iniciativa de Inteligencia Artificial y Seguridad Global | https://youtu.be/r-zXI-DltT8

[15] Los 50 mejores conjuntos de datos públicos para el aprendizaje automático | Stacy Stanford | https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279