Diferencias entre Artificial Intelligence Machine Learning y Deep Learning

Inteligencia Artificial vs. Aprendizaje Automático vs. Aprendizaje Profundo

Aprenda la diferencia entre las palabras de moda más populares en la tecnología actual.

Evolución de la Inteligencia Artificial

En este artículo, vamos a discutir la diferencia entre Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo. Además, abordaremos la cuestión de por qué el Aprendizaje Profundo como un campo joven emergente es muy superior al Aprendizaje Automático tradicional.

Publicado originalmente en https://www.deeplearning-academy.com.

La Inteligencia Artificial, el Aprendizaje Automático y el Aprendizaje Profundo son palabras de moda que todo el mundo parece utilizar hoy en día. Pero aún así, existe un gran error de concepto entre muchas personas sobre el significado de estos términos.

En el peor de los casos, se puede pensar que estos términos describen lo mismo, lo cual es simplemente falso.

Un gran número de empresas afirman hoy en día incorporar algún tipo de "Inteligencia Artificial" (IA) en sus aplicaciones o servicios. Pero la inteligencia artificial es sólo un término más amplio que describe las aplicaciones cuando una máquina imita las funciones "cognitivas" que los humanos asocian con otras mentes humanas, como el "aprendizaje" y la "resolución de problemas".

En un nivel inferior, una IA puede ser sólo una regla programada que determina que la máquina se comporte de cierta manera en determinadas situaciones. Así que, básicamente, la Inteligencia Artificial no puede ser nada más que un montón de afirmaciones de "si no es así".

En cambio, cuando se habla de Inteligencia Artificial sólo vale la pena considerar dos enfoques diferentes: Aprendizaje automático y aprendizaje profundo. Ambos son subcampos de la Inteligencia Artificial

Aprendizaje automático vs. Aprendizaje profundo

Ahora que entendemos mejor lo que significa la Inteligencia Artificial, podemos mirar más de cerca el Aprendizaje Automático y el Aprendizaje Profundo y hacer una distinción más clara entre estos dos.

El Aprendizaje Automático incorpora algoritmos "clásicos" para varios tipos de tareas como la agrupación, la regresión o la clasificación. Los algoritmos de Aprendizaje Automático deben ser entrenados en los datos. Cuantos más datos proporcione a su algoritmo, mejor será.

La parte de "entrenamiento" de un modelo de Aprendizaje Automático significa que este modelo trata de optimizar a lo largo de una determinada dimensión. En otras palabras, los modelos de Aprendizaje Automático tratan de minimizar el error entre sus predicciones y los valores reales de la verdad del terreno.

Para ello debemos definir una llamada función de error, también llamada función de pérdida o función objetivo... porque después de todo el modelo tiene un objetivo. Este objetivo podría ser, por ejemplo, la clasificación de los datos en diferentes categorías (por ejemplo, fotos de gatos y perros) o la predicción del precio esperado de una acción en un futuro próximo.

Cuando alguien dice que está trabajando con un algoritmo de aprendizaje automático, se puede llegar a la esencia de su valor preguntando: ¿Cuál es la función objetivo?
En este punto, usted puede preguntar: ¿Cómo minimizamos el error?

Una forma sería comparar la predicción del modelo con el valor de la verdad del terreno y ajustar los parámetros del modelo de manera que la próxima vez, el error entre estos dos valores sea menor. Esto se repite una y otra vez.

Miles y millones de veces, hasta que los parámetros del modelo que determinan las predicciones son tan buenos, que la diferencia entre las predicciones del modelo y los valores de verdad de la tierra son tan pequeños como sea posible.

En resumen, los modelos de aprendizaje de máquina son algoritmos de optimización. Si se ajustan correctamente, minimizan su error adivinando y adivinando y adivinando de nuevo.

La definición básica del aprendizaje automático es:

Algoritmos que analizan datos, aprenden de ellos y toman decisiones informadas basadas en los conocimientos adquiridos.
El aprendizaje automático conduce a una variedad de tareas automatizadas. Afecta prácticamente a todos los sectores: desde la búsqueda de malware de seguridad informática, pasando por la previsión meteorológica, hasta los corredores de bolsa que buscan operaciones baratas. El aprendizaje automático requiere matemáticas complejas y mucha codificación para obtener finalmente las funciones y resultados deseados.

Los algoritmos de aprendizaje automático necesitan ser entrenados en grandes cantidades de datos.

Cuantos más datos proporcione para su algoritmo, mejor será.

El aprendizaje automático es un campo bastante antiguo e incorpora métodos y algoritmos que existen desde hace docenas de años, algunos de ellos desde los años sesenta.

Estos algoritmos clásicos incluyen algoritmos como el llamado Clasificador Bayes Ingenuo y las Máquinas Vectoriales de Soporte. Ambos se utilizan a menudo en la clasificación de datos.

Además de la clasificación, también hay algoritmos de análisis de clústeres como el conocido K-Means y el clustering basado en árboles. Para reducir la dimensionalidad de los datos y obtener una mayor comprensión de su naturaleza, el aprendizaje automático utiliza métodos como el análisis de componentes principales y el tSNE.

Aprendizaje profundo

Ahora centrémonos en lo esencial que está en juego aquí. En el aprendizaje profundo.

El Aprendizaje Profundo es un campo muy joven de la inteligencia artificial basado en redes neuronales artificiales. Se puede considerar de nuevo como un subcampo del aprendizaje automático, ya que los algoritmos de aprendizaje profundo también requieren datos para aprender a resolver tareas. Por lo tanto, los términos de aprendizaje automático y aprendizaje profundo se tratan a menudo como el mismo. Sin embargo, estos sistemas tienen diferentes capacidades.

El Aprendizaje Profundo utiliza una estructura de algoritmos de varias capas llamada la red neural:

Red neuronal

Red neuronal, Fuente: www.deeplearning-academy.com/ai-wiki

Las redes neuronales artificiales tienen capacidades únicas que permiten a los modelos de Aprendizaje Profundo resolver tareas que los modelos de Aprendizaje Automático nunca podrían resolver.

Todos los avances recientes en inteligencia se deben al Aprendizaje Profundo. Sin el Aprendizaje Profundo no tendríamos coches auto-conductores, chatbots o asistentes personales como Alexa y Siri. La aplicación Google Translate seguiría siendo primitiva y Netflix no tendría ni idea de qué películas o series de televisión nos gustan o no.

Incluso podemos llegar a decir que la nueva revolución industrial está impulsada por las redes neuronales artificiales y el Aprendizaje Profundo. Este es el mejor y más cercano acercamiento a la verdadera inteligencia de la máquina que tenemos hasta ahora. La razón es que el Aprendizaje Profundo tiene dos ventajas importantes sobre el Aprendizaje Automático.

¿Por qué el Aprendizaje Profundo es mejor que el Aprendizaje Automático?

La primera ventaja del aprendizaje profundo sobre el aprendizaje automático es la innecesidad de la llamada extracción de características. Mucho antes de que se utilizara el aprendizaje profundo, los métodos tradicionales de aprendizaje automático eran populares, como los árboles de decisión, SVM, el clasificador bayesiano ingenuo y la regresión logística. Estos algoritmos también se llaman "algoritmos planos".

Plano significa aquí que estos algoritmos normalmente no pueden ser aplicados directamente a los datos en bruto (como .csv, imágenes, texto, etc.). Requerimos un paso de preprocesamiento llamado Extracción de Objetos.

El resultado de la extracción de características es una representación abstracta de los datos en bruto dados que ahora pueden ser utilizados por estos algoritmos clásicos de aprendizaje automático para realizar una tarea. Por ejemplo, la clasificación de los datos en varias categorías o clases.

La Extracción de Objetos es normalmente bastante complicada y requiere un conocimiento detallado del dominio del problema. Este paso debe ser adaptado, probado y refinado a lo largo de varias iteraciones para obtener resultados óptimos.

Los modelos de Aprendizaje Profundo no necesitan la Extracción de Características

En el otro lado están las redes neuronales artificiales. Estas no requieren el paso de extracción de características. Las capas son capaces de aprender una representación implícita de los datos en bruto directamente por sí mismas.

Aquí se produce una representación cada vez más abstracta y comprimida de los datos brutos sobre varias capas de una red neuronal artificial. Esta representación comprimida de los datos de entrada se utiliza para producir el resultado. El resultado puede ser, por ejemplo, la clasificación de los datos de entrada en diferentes clases.

En otras palabras, también podemos decir que el paso de extracción de características es ya una parte del proceso que tiene lugar en una red neuronal artificial. Durante el proceso de entrenamiento, este paso también es optimizado por la red neuronal para obtener la mejor representación abstracta posible de los datos de entrada. Esto significa que los modelos de aprendizaje profundo requieren por lo tanto poco o ningún esfuerzo manual para realizar y optimizar el proceso de extracción de características.
Por ejemplo, si se quiere utilizar un modelo de aprendizaje automático para determinar si una imagen particular muestra un coche o no, los humanos necesitamos primero identificar las características únicas de un coche (forma, tamaño, ventanas, ruedas, etc.), extraer estas características y darlas al algoritmo como datos de entrada. De esta manera, el algoritmo de aprendizaje de la máquina realizaría una clasificación de la imagen. Es decir, en el aprendizaje automático, un programador debe intervenir directamente en el proceso de clasificación.

En el caso de un modelo de aprendizaje profundo, el paso de extracción de características es completamente innecesario. El modelo reconocería estas características únicas de un coche y haría predicciones correctas, completamente sin la ayuda de un humano.

De hecho, esto se aplica a todas las demás tareas que se hagan con las redes neuronales.
Ellos sólo dan los datos en bruto a la red neuronal, el resto lo hace el modelo.

La era de los grandes datos...

La segunda gran ventaja del Aprendizaje Profundo y una parte clave para entender por qué se está volviendo tan popular es que se alimenta de cantidades masivas de datos. La "Gran Era de los Datos" de la tecnología proporcionará enormes cantidades de oportunidades para nuevas innovaciones en el aprendizaje profundo. Para citar a Andrew Ng, el científico jefe del principal motor de búsqueda de China, Baidu, y uno de los líderes del Proyecto Cerebro de Google:

“ La analogía con el aprendizaje profundo es que el motor de los cohetes son los modelos de aprendizaje profundo y el combustible son las enormes cantidades de datos que podemos alimentar a estos algoritmos. “

Los modelos de Aprendizaje Profundo tienden a aumentar su precisión con la creciente cantidad de datos de entrenamiento, donde los modelos tradicionales de aprendizaje de la máquina como SVM y el clasificador Bayes Ingenuo dejan de mejorar después de un punto de saturación.