Con la agitación causada por ChatGPT y similares, la IA está poniendo a las empresas en un estado de agitación. Una oportunidad para volver a lo básico: ¿cuáles son las diferencias entre IA, aprendizaje automático y aprendizaje profundo? ¿Crees que lo sabes todo? Ahora es el momento de poner a prueba tus conocimientos.
Acabo de leer un artículo sobre las proezas de ChatGPT o MidJourney encontrarse con los términos inteligencia artificial, aprendizaje profundo y aprendizaje automático. Sus definiciones y significados son a veces confusos y a menudo se malinterpretan. Sin embargo, se refieren a conceptos muy distintos.
IA, aprendizaje automático, aprendizaje profundo: ¿de qué estamos hablando?
Inteligencia artificial
La inteligencia artificial (IA) es la capacidad de un sistema para simular la inteligencia humana. El pionero estadounidense de la IA, Marvin Minsky, tenía una definición más precisa: la IA es "una ciencia cuyo objetivo es conseguir que una máquina realice tareas que los humanos realizan utilizando su inteligencia."
Esto abarca una amplia gama de sistemas: sistemas expertos, chatbots, aprendizaje automático, procesamiento del lenguaje natural (PLN), visión por ordenador, agentes autónomos, redes neuronales, algoritmos genéticos (un método de optimización inspirado en el proceso de selección natural), etc.
Aprendizaje automático
Le aprendizaje automático (AM), es una rama de la inteligencia artificial que permite a los ordenadores aprender sin haber sido programados explícitamente. Así la definió en 1959 uno de sus pioneros, Arthur Samuel.
El aprendizaje automático se basa en ejemplos. Utiliza algoritmos para analizar estadísticamente los datos e identificar patrones. Estos modelos se utilizan después para predecir resultados, comprender mejor los procesos que generan los datos o tomar decisiones.
Sus usos :
- Clasificación: clasificar archivos según su contenido, detectar anomalías en una línea de producción, detectar spam, etc.
- Regresión: predicción de un valor numérico, útil para saber cómo evoluciona el tiempo o la cotización de una acción.
- Agrupación: agrupación de clientes por persona y hábitos de compra
- Buscadores, motores de recomendación...
- Chatbots...
Aprendizaje profundo
Le aprendizaje profundo (DL), o aprendizaje profundoes un subconjunto del aprendizaje automático. Utiliza redes neuronales artificiales (RNA), algoritmos inspirados en el funcionamiento del cerebro humano, que imitan la forma en que las neuronas se envían señales entre sí. Estas neuronas se organizan en capas interconectadas con un cierto nivel de profundidad (la profundidad del aprendizaje profundo). Cada nivel de profundidad ayuda a optimizar y refinar la precisión de los resultados.
Los algoritmos de aprendizaje profundo son ideales para resolver problemas complejos. Requieren un gran volumen de datos y, en consecuencia, una gran potencia de cálculo para procesarlos.
Sus usos reconocimiento de imágenes (sanidad, industria, etc.), traducción automática (Google Translate, DeepL, etc.), reconocimiento de voz (Siri, Alexa, etc.), servicios financieros (detección de fraudes, análisis predictivo, evaluación de riesgos), coches autoconducidos, robótica (enseñar a los robots a realizar tareas complejas), etc.
Resumámoslo todo con un esquema.
Diferencias entre aprendizaje automático y aprendizaje profundo
Tipos de aprendizaje: supervisado, no supervisado, reforzado
Los algoritmos de aprendizaje automático y aprendizaje profundo necesitan aprender de datos de ejemplo para ajustar sus parámetros, llamados conjuntos de datos de entrenamiento (conjuntos de datos de entrenamiento). Sin entrenamiento, la inteligencia artificial no es nada. La calidad del entrenamiento determina la calidad de los resultados. Existen varios tipos de aprendizaje: supervisado, semisupervisado, no supervisado y de refuerzo.
Aprendizaje supervisado
Aprendizaje supervisado consiste en que uno o varios humanos ayuden al ordenador proporcionándole datos de entrenamiento etiquetados con la respuesta correcta a una pregunta.
Por ejemplo, ¿este correo electrónico es spam o no? Gracias al análisis estadístico, el algoritmo comprende entonces qué características le permiten clasificar estos correos electrónicos. A medida que se le presenten nuevos correos, será capaz de identificarlos y asignarles una puntuación de probabilidad sobre si son spam o no. El humano servirá para corregir sus errores durante el proceso de aprendizaje, de modo que pueda mejorar con el tiempo.
Aprendizaje no supervisado
Aprendizaje no supervisado se aplica cuando las respuestas que buscamos no están disponibles en el conjunto de datos: los datos no están etiquetados. El algoritmo funciona sin intervención humana. Aprende por sí mismo a descubrir información a partir de un conjunto de datos. Sus resultados pueden ser menos precisos que los del aprendizaje supervisado.
El aprendizaje no supervisado se utiliza para :
- operaciones de agrupación de datos basadas en similitudes o diferencias. Por ejemplo, agrupación de clientes bancarios según su perfil.
- operaciones de asociación para identificar relaciones entre variables de un conjunto de datos.
Otros tipos de aprendizaje
Aprendizaje semisupervisado consiste en aprender las etiquetas a partir de un conjunto de datos parcialmente etiquetado. La ventaja es que así se evita tener que etiquetar todo el conjunto de datos de entrenamiento. Esto suele ocurrir cuando se procesa una base de datos de imágenes.
Aprendizaje por refuerzo consiste en dejar que el ordenador aprenda de sus experiencias mediante un sistema de recompensas y penalizaciones si la acción realizada ha sido una buena o mala elección. El objetivo del algoritmo será entonces definir una estrategia que maximice su recompensa. Las principales aplicaciones de este tipo de aprendizaje son los juegos (ajedrez, Go, etc.) y la robótica.
Tipos de datos: estructurados y no estructurados
Otra diferencia importante entre el aprendizaje automático y el aprendizaje profundo es el tipo de datos que se introducen en el conjunto de datos.
Le aprendizaje automático se ocupa de datos estructuradosdatos organizados según un modelo predefinido, que pueden indexarse fácilmente como una tabla o una base de datos, así como datos no estructuradosLos datos no estructurados son aquellos que no siguen un modelo determinado. Los datos no estructurados pueden ser texto, imágenes, vídeo, audio, etc.
Le aprendizaje profundo se utiliza para procesar y analizar datos no estructurados.
Resumámoslo en una tabla
Al final del día
La IA, el aprendizaje automático y el aprendizaje profundo son tres elementos distintos. La IA es la disciplina y, por extensión y metonimia, los productos o servicios basados en la IA: Siri, ChatGPT, la IA de los coches autónomos, laUna IA radiológica que detecta cada vez más cánceres...
El aprendizaje automático y el aprendizaje profundo son dos técnicas de aprendizaje automático utilizadas por la IA. Sin embargo, tienen usos diferentes. Los algoritmos de aprendizaje automático procesan datos cuantitativos y estructurados, mientras que los algoritmos de aprendizaje profundo procesan datos no estructurados como sonido, texto o imágenes.
¿Y qué son las IA generativas como ChatGPT, Bard, DALL-E o MidJourney? Producen texto, imágenes o código, o incluso son multimodales, y se basan en LLM (grandes modelos lingüísticos). Utilizan el aprendizaje profundo y las redes neuronales para procesar miles de millones de textos sin etiquetar.
Si a usted también le gustaría crear sus propios modelos de IA, aprender a trabajar con IA o simplemente saber más sobre esta revolución, le ofrecemos las siguientes opciones unos sesenta seminarios y cursos de formación para adentrarte en este apasionante mundo.
