Diferencias entre Inteligencia Artificial y Machine Learning

• Por Fatima Syed, Technical Project Consultant de Makeen Technologies.

Cuando éramos niños, creíamos en la magia, en superpoderes imaginados y en una fantasía en la que los robots algún día seguirían nuestros comandos, emprenderían nuestras tareas más escasas e incluso ayudarían con nuestra tarea con solo presionar un botón. Pero lamentablemente, siempre parecía que estas creencias, junto con la idea de los autos aerodinámicos y las mochilas propulsoras autónomas, pertenecían a un futuro más allá de nuestra imaginación o en una ciencia ficción de Hollywood. ¿Alguna vez podríamos experimentar el futuro en nuestra vida?

Pero entonces llegó! La Inteligencia Artificial, también conocida como AI, hizo su debut en la vida real y se convirtió en la palabra de moda del siglo XXI, brindándonos nuevas ideas para explorar y posibilidades increíbles. Y justo cuando nos estábamos acostumbrando a la AI, nos presentaron el Aprendizaje futurista, el Aprendizaje profundo,
el Procesamiento del Lenguaje Natural (NLP) y otro término que a menudo confundimos con AI: Machine Learning o Aprendizaje automático (ML). ¡Uf!

De repente, el futuro está bien y verdaderamente aquí, y es difícil mantenerse al día con el avance de estas tecnologías, lo que significa cada término y cómo se relacionan entre sí, particularmente cuando se trata de AI y ML, que a menudo se perciben como intercambiables.

Pero aunque AI y ML caen en el mismo dominio, son significativamente diferentes, ya que cada uno tiene una aplicación y un resultado específicos. Y a medida que más y más empresas comienzan a cuestionarse si estas herramientas pueden beneficiarlos, pensamos que era hora de llegar al fondo de lo que los hace diferentes.

Todo comienza con la AI

Según John McCarthy, uno de los Padrinos de la AI, “la AI es la ciencia y la ingeniería de hacer máquinas inteligentes”. Primero vimos la AI en la práctica a mediados del siglo pasado con la Prueba de Turing, un experimento de ajedrez diseñado por el matemático Alan Turing que se convirtió en la primera vez que una computadora desafiaba la inteligencia humana al derrotar a un jugador humano en el juego.

Cuando observamos cómo ML encaja con AI, AI es el superconjunto mientras que ML es su subconjunto. Este último se usa de manera más dominante en áreas con grandes conjuntos de datos que abarcan las “3 V” de Big Data: volumen, velocidad y variedad. AI, por otro lado, cubre no solo ML, sino también otras ramas, incluido el procesamiento del lenguaje natural, el aprendizaje profundo, la visión por computadora y el reconocimiento de voz. Sin embargo, tanto AI como ML tienen un objetivo común: lograr inteligencia en una escala que derrote la inteligencia humana natural.

Todo lo que tiene un sistema inteligente y toma decisiones basadas en datos ingresados puede considerarse una máquina impulsada por AI, ya sea un automóvil, una cerradura de la puerta o incluso un refrigerador. Cada vez que una máquina puede completar “inteligentemente” un conjunto de tareas basadas en algunos algoritmos sin intervención humana, se denomina inteligencia artificial, por ejemplo, identificar una serie de pasos para ganar un juego o responder una pregunta genérica establecida por sí misma. Las máquinas de AI generalmente se clasifican en tres grupos: Narrow, General y Super:

1. La Inteligencia Artificial Narrow o la AI débil son todas las tareas inteligentes de máquinas que están programadas para realizar una sola tarea, como un juego de ajedrez o incluso Siri, el Asistente de Google y otras herramientas de procesamiento de NLP.
2. La Inteligencia Artificial General o AI fuerte son máquinas que imitan la inteligencia humana en su núcleo, tomando decisiones y realizando tareas intelectuales impulsadas por sentimientos, emociones y conciencia general del entorno.
3. La Inteligencia Artificial Super supera a la inteligencia humana en abstracción, creatividad y sabiduría.

Esto nos lleva al hecho de que necesitamos más recursos informáticos para manejar el corpus de datos que desafortunadamente es limitado. Por lo tanto, necesitamos trabajar a través de una programación basada en reglas, de ahí el cambio de AI a ML.

El auge de las máquinas

Un subconjunto de AI, ML se refiere a máquinas que aprenden debido a algún tipo de conocimiento previo, por lo que las hace más inteligentes y más propensas a dar resultados cercanos a la inteligencia humana. Los sistemas ML capacitan a una máquina para aprender y aplicar la toma de decisiones cuando se encuentran con nuevas situaciones y están diseñados para ser más inteligentes con el tiempo. Lo que comenzó como AI ahora está llevando a los principales dispositivos a adoptar ML debido a su probabilidad de obtener mejores resultados, y con la aparición de Big Data, ML ha ganado velocidad y ahora es utilizado por algunas de las compañías tecnológicas más poderosas del mundo, incluidas Google, IBM, Baidu, Microsoft y Apple.

Tom M. Mitchell, un científico de la computación y pionero del aprendizaje automático, ha definido el aprendizaje automático como: “El estudio de algoritmos informáticos que permiten que los programas informáticos mejoren automáticamente a través de la experiencia”. Se enfoca en hacer que una máquina o computadora “aprenda” al proporcionarle un conjunto de datos y algunas predicciones. Los datos son el combustible para el aprendizaje automático y para ML lo que el código es para la informática tradicional.

La capacitación de un modelo ML requiere dar a los algoritmos una gran cantidad de Big Data y uno de los muchos modelos de aprendizaje para extraer información procesada y significativa, lo que automatiza el proceso. Funciona para dominios específicos donde estamos creando modelos para detectar o separar elementos, por ejemplo, una fruta de un conjunto de frutas dado. Otro ejemplo de su uso es en la fabricación, por lo que si usted proporciona información a un programa de ML con un gran conjunto de datos de imágenes de defectos, junto con su descripción, debería tener la capacidad de automatizar el análisis de datos de imágenes en un momento posterior. El modelo puede encontrar patrones similares, en imágenes con indicadores de dónde podría estar el defecto, analizando los diversos conjuntos de datos.

El ML se puede dividir en tres tipos: aprendizaje supervisado, no supervisado y refuerzo:

1. El aprendizaje supervisado encuentra la relación entre la salida y la entrada pronosticadas para que podamos predecir las salidas para las entradas más nuevas en función de nuestros conjuntos de datos anteriores. Un ejemplo sería predecir el momento en que los clientes suelen comprar en una tienda en línea.
2. El aprendizaje no supervisado no tiene una etiqueta en el resultado o los datos, lo que significa que no está claro el resultado del modelo; puede ser una suposición descabellada. Por ejemplo, un robot que sirve como ama de llaves está entrenado para limpiar el polvo en cualquier lugar donde lo encuentre. Encuentra polvo debajo del sofá con más frecuencia que en otros lugares y, por lo tanto, se entrena para limpiar debajo de él con confianza.
3. El aprendizaje por refuerzo adopta un enfoque similar a su nombre e ingresa los resultados como un modelo de capacitación en el sistema para mejorarlo. Tomando el mismo ejemplo de robot ama de llaves, el robot toma polvo debajo del sofá como su entrada para mejorar el sistema.

Pensamientos finales

Hoy vemos que la AI se aplica a muchas áreas de nuestra vida diaria, pero no es tan obvio “ver” ML. ¿Con qué frecuencia accedes a Google Home, Siri o Alexa? Estas son interacciones de AI entre humanos y máquinas, ¡pero lo que hay detrás de estas interacciones es realmente interesante! Se basan en modelos de entrenamiento y sistemas de predicción de ML utilizados por Netflix, YouTube, Facebook y Amazon.

Ciertamente, ML ha sido aprovechado por los especialistas en marketing debido a las oportunidades que ofrece la posibilidad de comprender al público a un nivel micro, pero también es un término mal utilizado más de lo que debería, con la suposición de que cada sistema de AI también es ML. Si compara AI y ML, puede llegar claramente a la conclusión de que todo lo que utiliza la inteligencia humana como una herramienta para imitar comportamientos inteligentes por parte de las máquinas puede denominarse AI. Pero para que esa operación también sea una herramienta de ML, es necesario utilizar técnicas de modelado y un conjunto de Big Data para aplicar estas técnicas.

Al comprender las diferencias clave entre AI y ML y las diferentes oportunidades que ofrece cada una, las empresas tendrán una mejor comprensión de cómo, si es que lo hacen, estas herramientas se pueden aplicar en sus operaciones.