¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo?

Como se muestra en la imagen: la inteligencia artificial es la más grande, y este concepto se introdujo por primera vez, luego el aprendizaje automático, que apareció un poco más tarde; ; y finalmente, Aprendizaje profundo.

De la marea baja a la prosperidad

Desde que los informáticos confirmaron el término inteligencia artificial en la Conferencia de Dartmouth en 1956, la gente ha tenido muchas ideas absurdas sobre la inteligencia artificial. Los investigadores tampoco han escatimado esfuerzos. para estudiarlo. En las décadas siguientes, la inteligencia artificial fue primero aclamada como la clave para un futuro brillante para la civilización humana, y luego descartada por ser demasiado arrogante y caprichosa.

Sin embargo, la inteligencia artificial se ha desarrollado de manera explosiva en los últimos años, especialmente después de 2015. Gran parte de esto se debe al uso generalizado de unidades de procesamiento de gráficos (GPU), que hacen que el procesamiento paralelo sea más rápido, más barato y más potente. Además, el desarrollo de la inteligencia artificial también se ha beneficiado de la aparición de un espacio de almacenamiento casi ilimitado y de datos masivos (movimiento de big data): imágenes, texto, datos de transacciones, datos de mapas, lo que sea.

Comencemos con el proceso de desarrollo del aprendizaje profundo, el aprendizaje automático y el aprendizaje profundo de la inteligencia artificial.

Cuando los pioneros de la inteligencia artificial se reunieron en Dartmouth, su sueño era construir una máquina compleja equivalente a la inteligencia humana utilizando los entonces emergentes ordenadores. Esto es lo que llamamos "IA general", una máquina mágica que tiene todas las características de un ser humano (y más), la capacidad de razonar y la mentalidad humana. En las películas hemos visto innumerables robots de este tipo, el amigable C-3PO, el Terminator de los enemigos humanos. Hasta ahora, las máquinas de inteligencia artificial general solo han existido en películas y novelas de ciencia ficción, por la sencilla razón de que no hemos podido lograrlas, al menos no todavía.

Lo que podemos hacer es una "IA estrecha": realizar tareas específicas a un nivel equivalente al de los humanos, o incluso más allá de la tecnología humana. En la realidad, hay muchos ejemplos de inteligencia artificial débil. Estas tecnologías tienen un lado de la inteligencia humana. ¿Pero cómo lo hacen? ¿De dónde viene la inteligencia? Esto nos lleva al siguiente círculo concéntrico: el aprendizaje automático.

Aprendizaje automático

El aprendizaje automático es un método para realizar la inteligencia artificial. El concepto de aprendizaje automático proviene de los primeros investigadores de inteligencia artificial, y los algoritmos que se han desarrollado incluyen el aprendizaje de árboles de decisión, la programación lógica inductiva, el aprendizaje por refuerzo y las redes bayesianas. En pocas palabras, el aprendizaje automático es el uso de algoritmos para analizar datos, aprender de ellos y hacer inferencias o predicciones. A diferencia del software tradicional escrito a mano que utiliza un conjunto específico de instrucciones, utilizamos grandes cantidades de datos y algoritmos para "entrenar" la máquina, haciendo que la máquina aprenda cómo completar una tarea.

La visión por computadora ha sido una de las mejores áreas del aprendizaje automático durante muchos años, aunque todavía requiere mucha codificación manual para completar la tarea. Los investigadores escribirán manualmente algunos clasificadores, como filtros de detección de bordes para ayudar al programa a identificar los límites de los objetos; clasificadores de detección de patrones para determinar si un objeto tiene ocho lados y un clasificador para reconocer "S-T-O-P". Basándose en estos clasificadores de escritura a mano, desarrollaron algoritmos que entendían imágenes y aprendían a saber si había una señal de alto.

Sin embargo, debido al retraso en la visión por computadora y la tecnología de detección de imágenes, a menudo es propenso a errores.

Aprendizaje profundo

El aprendizaje profundo es una tecnología que implementa el aprendizaje automático. Los primeros investigadores del aprendizaje automático también desarrollaron un algoritmo llamado red neuronal artificial, pero languideció en la oscuridad durante décadas después de su invención. Las redes neuronales están inspiradas en el cerebro humano: las interconexiones entre neuronas. Sin embargo, las neuronas del cerebro humano pueden conectarse a cualquier neurona dentro de un rango específico, mientras que la propagación de datos en redes neuronales artificiales pasa a través de diferentes capas y se propaga en diferentes direcciones.

Por ejemplo, puedes cortar una imagen en pedazos pequeños y luego ingresarla en la primera capa de la red neuronal. Los cálculos preliminares se realizan en la primera capa y luego las neuronas transfieren los datos a la segunda capa. Las neuronas de la segunda capa realizan la tarea, y así sucesivamente hasta la última capa, y luego generan el resultado final.

Cada neurona asigna un peso a su entrada: qué tan correcta o incorrecta está la neurona en relación con la tarea que realiza. El resultado final está determinado por estos pesos. Entonces, veamos el ejemplo de la señal de alto mencionado anteriormente. Las propiedades de la imagen de la señal de alto se descomponen una por una y luego las neuronas las "comproban": forma, color, carácter, tamaño de la señal y si se mueve. La tarea de la red neuronal es determinar si se trata de una señal de alto.

Le dará un "vector de probabilidad" que en realidad es una suposición basada en los pesos. En este ejemplo, el sistema podría ver la imagen como una señal de alto con un nivel de confianza del 86 %, una señal de límite de velocidad con un nivel de confianza del 7 %, y así sucesivamente. Luego, la arquitectura de la red le dice a la red neuronal si su juicio es correcto.

Pero el problema es que incluso la red neuronal más básica consume enormes recursos informáticos, por lo que no era un método viable en ese momento. Sin embargo, un pequeño grupo de investigadores entusiastas, dirigidos por el profesor Jeffrey Hinton de la Universidad de Toronto, persistieron en este enfoque y finalmente permitieron que las supercomputadoras ejecutaran el algoritmo en paralelo y demostraran que funcionaba. Si volvemos al ejemplo de la señal de stop, es muy probable que la red neuronal se vea afectada por el entrenamiento y muchas veces dé respuestas erróneas. Esto ilustra la necesidad de una formación continua. Se requieren miles de imágenes, o incluso millones de imágenes, para entrenar hasta que los pesos de las entradas de las neuronas se ajusten con tanta precisión que se pueda dar la respuesta correcta casi siempre. Por suerte, Facebook utilizó una red neuronal para recordar el rostro de tu madre. Andrew Ng implementó en Google en 2012 una red neuronal que podía reconocer gatos.

Hoy en día, las máquinas entrenadas con aprendizaje profundo pueden superar a los humanos en el reconocimiento de imágenes en algunos casos, incluida la búsqueda de gatos y la identificación de signos de cáncer en la sangre. AlphaGo de Google aprendió a jugar Go y se entrenó extensamente para el juego: jugar constantemente contra sí mismo.

Resumen

La esencia de la inteligencia artificial radica en la inteligencia, y el aprendizaje automático es el despliegue de métodos informáticos que respaldan la inteligencia artificial. En pocas palabras, la inteligencia artificial es ciencia y el aprendizaje automático es un algoritmo que hace que las máquinas sean más inteligentes. El aprendizaje automático ha logrado la inteligencia artificial hasta cierto punto.

Michael Copeland, ex editor de "Wired", es ahora socio de Andreessen Horowitz, una conocida institución de inversión en Silicon Valley.