Inteligencia Artificial, Machine Learning y Deep Learning. Diferencias
Aunque tienen mucho que ver, no significan lo mismo. En este post se explica qué diferencia y qué tienen en común todos estos conceptos.
¿Qué es la Inteligencia Artificial?
A pesar de que la ‘Inteligencia Artificial’ (IA) es un tema de actualidad, especialmente después de la release de modelos como Midjoueny, Dall-e o ChatGPT durante los últimos dos años (ver imagen de Google Trends), sus inicios se remontan a mediados del siglo XX. Por aquél entonces, el matemático Alan Turing ya se preguntaba si las máquinas podían pensar e incluso desarrolló una prueba (llamada Test de Turing) para intentar dar una respuesta.
El término ‘Inteligencia Artificial’ nace en 1956 y se atribuye al profesor John McCarhty de la Dartmouth University (Hanover, New Hampshire), cuando en el verano de ese mismo año decide organizar un proyecto de investigación cuyo objetivo sería ‘crear máquinas que sean capaces de utilizar el lenguaje, crear conceptos y resolver problemas que a día de hoy están reservados para los humanos’. Para muchos, este fue el inicio de la IA moderna, de la que aparte del profesor John McCarthy, se considera que Marvin Minsky y Claude Shannon fueron algunos de sus principales propulsores.
La IA, por tanto, es un campo que lleva en desarrollo varias décadas, aunque no existe una definición generalizada de la misma. Aún así, se podría decir que es la capacidad que tienen las máquinas (o algoritmos) de realizar tareas que requieren de cierta inteligencia humana. Por ejemplo, aprender, resolver problemas, tomar decisiones, reconocer objetos visualmente o mantener una conversación (es decir, comprender el lenguaje humano). No es de extrañar entonces que algunos de los campos más importantes en los que se subdivide la IA sean los siguientes:
- Aprendizaje Automático (Machine Learning):
- Procesamiento de Lenguaje Natural (Natural Language Processing)
- Visión por computador (Computer Vision)
- Robótica
¿Qué es el Machine Learning?
Teniendo en cuenta lo anterior, se puede decir que el Machine Learning es un subcampo de la IA que permite a las máquinas aprender de la experiencia mediante el uso de datos para poder realizar una tarea concreta o tomar una mejor decisión.
En este caso, el programador no le da las instrucciones a la máquina para que pueda tomar cada decisión, sino que el hecho de entrenar al algoritmo con datos del pasado le permite realizar inferencias (suposiciones) de toda la información proporcionada.
Para acabar de comprenderlo, veamos un ejemplo: en los últimos meses están llegando al correo de la empresa una cantidad muy elevada de emails spam, por lo que el equipo de Ciberseguridad quiere crear un algoritmo que sea capaz de filtrarlos. Una opción podría ser pedir al técnico que lea todos los correos spam recibidos y empezase a crear reglas (si contiene las palabras ‘clica’ y ‘millonario’, es spam, si el título contiene las frases ‘tiempo limitado’ o ‘empieza ahora’, es spam, etc.). La segunda sería entrenar un algoritmo que fuera capaz de aprender de todos los correos enviados (spam y no spam) para que cuando reciba uno nuevo sea capaz de distinguirlos (es decir, inferir si el correo es spam o no teniendo en cuenta lo aprendido). Lo más seguro es que varias de las reglas que en el primer caso se hayan encontrado, coincidan, pero el algoritmo será capaz de encontrar más y además de una forma más eficiente. En este caso, el problema que se está solucionando es uno de clasificación (spam o no spam).
Existe otro tipo de problema en Machine Learning que es el de la regresión, donde se intenta predecir un número entre infinitos posibles. Un ejemplo podría ser el de generar un modelo que, a partir de los datos de una vivienda (metros cuadrados, número de habitaciones, si dispone o no de balcón, en qué barrio se ubica, etc.) sea capaz de predecir cuál debería ser su precio de venta.
En función de la naturaleza del problema a resolver (clasificación o regresión) se utilizarán unos algoritmos u otros, por ejemplo la regresión logística para el primero, la regresión lineal para el segundo o incluso un árbol de decisión para ambos.
¿Qué es el Deep Learning?
El Deep Learning es un subcampo del Machine Learning que utiliza redes neuronales artificiales para aprender de los datos. Estas redes intentan simular el funcionamiento del cerebro humano a partir de una capa de entrada (input layer), una de salida (ouput layer) y varias capas intermedias (hidden layers), cada una de ellas con varias neuronas o nodos:
Aparte de poder trabajar con un volumen de datos mucho más elevado, el cuadro siguiente resume el resto de ventajas de utilizar redes neuronales en lugar de otros algoritmos de Machine Learning:
| Machine Learning | Deep Learning |
|---|---|
| Subcampo de la IA | Subcampo del ML |
| Entrenan con datasets más pequeños | Necesitan un volumen de datos muy elevados |
| Requiere una configuración más directa | Es capaz de aprender por sí mismo |
| Consume menos recursos pero es menos exacto | Consume más recursos pero es más exacto |
| Las relaciones que encuentra entre las variables son más simples (o lineales) | Capaz de encontrar relaciones más complejas entre las variables |
| No requiere hardware especializado | Requiere de hardware especializado (GPUs) |
Conclusiones
Todos los ejemplos anteriores permiten comprender que los campos de la Inteligencia Artificial, el Machine Learning y el Deep Learning están estrechamente relacionados, pero no significan lo mismo. Como se ha podido ver, la Inteligencia Artificial está dividida en muchos campos, siendo el Machine Learning uno de ellos. Después, de todos los algoritmos posibles de Machine Learning que se pueden utilizar (regresión lineal, árboles de decisión, etc.), si se utilizan Redes Neuronales entonces se está aplicando Deep Learning. La siguiente imagen resume esta idea:
Fuentes
https://www.coursera.org/articles/ai-vs-deep-learning-vs-machine-learning-beginners-guide
https://inteligencia-artificial44.webnode.es/historia/
Últimas entradas
- Dashboard para analizar las compañías del S&P500
Dashboard con estados financieros y ratios clave de las compañías del S&P500 para poder analizarlas rápidamente - Modelo de IA para encontrar las mejores viviendas donde invertir
¿Es posible crear un modelo que permita predecir el precio de alquiler ideal de una vivienda para encontrar buenas oportunidades de inversión? - Predicción del churn rate de clientes de una Telco
El coste de adquirir un cliente es más de 5 veces superior al de mantenerlo. ¿Es posible predecir si un cliente dejará de serlo? - Cost Function, Loss function y Gradient Descent. La base para entenderlo todo
Conociendo estos tres conceptos se entiende cómo se entrena cualquier algoritmo de Machine Learning. - Inteligencia Artificial, Machine Learning y Deep Learning. Diferencias
Aunque tienen mucho que ver, no significan lo mismo. En este post se explica qué diferencia y qué tienen en común todos estos conceptos.