Las bases de la Inteligencia Artificial y el Machine Learning

Durante los últimos años, los términos Inteligencia Artificial y Machine Learning han comenzado a aparecer con frecuencia en las noticias de tecnología y sitios web.

A menudo, los dos se usan como sinónimos, pero muchos expertos sostienen que tienen diferencias entre sí, sutiles pero reales.

Y por supuesto, los expertos a veces no están de acuerdo sobre cuáles son esas diferencias, en términos generales.
 
Sin embargo, hay dos cosas que sí parecen estar claras:
 

1. El término inteligencia artificial (IA) es más antiguo que el término machine learning (ML).
2. La mayoría de expertos consideran que el machine learning es un subconjunto de la inteligencia artificial.

[hr] Sepa los excelentes beneficios de los sistemas basados en la nube [hr]

 

Inteligencia Artificial vs Machine Learning

Aunque la IA se define de muchas maneras, la definición más aceptada hasta ahora es:

«Es el campo de la informática que se dedica a resolver problemas cognitivos comúnmente asociados con la inteligencia humana, como el aprendizaje, la resolución de problemas y el reconocimiento de patrones».

En esencia, esa es la idea.

Que las máquinas también pueden poseer inteligencia propia.

El corazón de un sistema basado en inteligencia artificial es llamado: modelo.

Un modelo no es más que un programa que va auto-alimentando su conocimiento a través de un proceso de aprendizaje, al hacer observaciones sobre su entorno.

 

Este tipo de software basado en el aprendizaje se agrupa bajo el concepto de Aprendizaje Supervisado.

Hay otros programas que entran en la categoría de modelos de aprendizaje sin supervisión.

La frase «machine learning«, también se remonta a mediados del siglo pasado.

En 1959, Arthur Samuel definió el ML como: «la capacidad de aprender sin ser programado explícitamente«.

Luego, él mismo creó una aplicación que verificaba los computadores.

Este fue uno de los primeros programas que hizo después de varios errores y que logró mejorar su rendimiento con el tiempo.
 

Esta investigación tuvo un tiempo de calma, pues el publico interesado en el tema, fue perdiendo el entusiasmo.

Pero volvió a ser popular cuando el concepto de minería de datos comenzó a despegar alrededor de la década de 1990.

La minería de datos utiliza algoritmos para buscar patrones en un conjunto determinado de información.

El ML hace lo mismo, pero luego va un paso más allá: cambia el comportamiento de su programa según lo que aprende.

Una forma muy popular de aplicar el aprendizaje automático y que se utiliza recientemente, es en el reconocimiento de imágenes.
 

Para que estos programas de software funcionen correctamente para el ojo humano, primero debe ser entrenada la persona.

En otras palabras, los seres humanos tienen que mirar un montón de imágenes y decirle al sistema lo que hay en la imagen.

Después de miles y miles de repeticiones, el software aprende qué patrones de píxeles se asocian generalmente con caballos, perros, gatos, flores, árboles, casas, etc.

Todo esto puede hacer una buena suposición sobre el contenido de las imágenes.

Muchas empresas basadas en la web también utilizan inteligencia artificial para impulsar sus motores de recomendación.

Por ejemplo:
 

• Cuando Facebook decide qué mostrar en su muro de noticias.
• También cuando Amazon resalta los productos que le pueden interesar.
• O cuando Netflix le sugiere películas que cree que usted prefiere ver.

 

Todas esas recomendaciones se basan en las predicciones basadas en patrones que se encuentran en datos existentes.
 

La inteligencia artificial y sus fronteras con machine learning

Aprendizaje profundo, redes neuronales y computación cognitiva

Por supuesto, «ML» y «AI» no son los únicos términos asociados con este campo de la informática.

IBM utiliza con frecuencia el término computación cognitiva, que es más o menos sinónimo de IA.

Sin embargo, algunos términos tienen significados muy únicos.

Por ejemplo, una red neuronal.

Es un sistema que ha sido diseñado para procesar información de manera similar a la forma en que funcionan los cerebros biológicos.

Las cosas pueden volverse confusas porque las redes neuronales tienden a ser particularmente buenas en el aprendizaje autónomo, por lo que esos dos términos a veces se mezclan.

Además, las redes neuronales proporcionan la base para el aprendizaje profundo, que es un tipo particular de machine learning.

 

El aprendizaje profundo utiliza un determinado conjunto de algoritmos de aprendizaje intuitivo, que se ejecutan de varias formas.

Esto es posible, en parte, por los sistemas que utilizan GPU para procesar una gran cantidad de datos a la vez.

Si se está confundiendo por todos estos términos diferentes, no es el único en estarlo.

Los informáticos continúan debatiendo sus definiciones exactas y probablemente lo harán por mucho tiempo.

Y, a medida que las compañías continúan invirtiendo dinero en inteligencia artificial y en otras investigaciones automatizadas, es probable que sigan surgiendo términos de cierta complejidad, pero que con una buena explicación, pueden ser entendibles con facilidad.

Por Mohamed Yunus A Vanathode

 

Aquí, unos: Consejos prácticos para el mantenimiento de su computador