IA, machine learning y aprendizaje profundo

La inteligencia artificial, el machine learning y el aprendizaje profundo están relacionados entre sí, pero se construyen a partir de capas de abstracciones distintas. Un aspecto que tienen en común es que todas estas aplicaciones (como los coches de conducción autónoma o los programas informáticos que ayudan a los médicos a determinar la posibilidad de que un paciente sufra un infarto) necesitan volúmenes cada vez mayores de big data y de potencia computacional para arrojar resultados contundentes.

Watch Fundamentals of Machine Learning now.
Watch Now

Inteligencia artificial

La inteligencia artificial (IA) se refiere a la teoría y el desarrollo de máquinas que emulan la inteligencia humana para llevar a cabo una serie de tareas. La IA pretende replicar una parte o toda la inteligencia humana en una aplicación, sistema o proceso. Algunos ejemplos de sistemas de IA son el reconocimiento de voz, la percepción visual o la traducción lingüística. El machine learning y el aprendizaje profundo son subconjuntos de la inteligencia artificial.

Machine learning y aprendizaje profundo

El machine learning (ML) es un subcampo de la IA que emplea redes neuronales artificiales (RNA) para imitar la forma en la que los humanos tomamos decisiones. El machine learning facilita que los ordenadores aprendan (por su cuenta, sin ser programados) a partir de grandes conjuntos de datos. Se utiliza para identificar tendencias en grandes volúmenes de datos y modelado estadístico.

Si nos adentramos un estrato más encontramos el aprendizaje profundo (AP), uno de varios enfoques utilizados en el machine learning. El aprendizaje profundo emplea redes neuronales profundas para aprender de cantidades ingentes de datos. Las redes neuronales son conjuntos de algoritmos modelados a imagen de la estructura biológica del cerebro humano y cada uno de ellos se centra en una capa específica de la tarea que debe aprender. Algunos ejemplos son el sistema de recomendación de Netflix o el algoritmo del MIT que es capaz de predecir muy rápidamente comportamientos futuros.

Una forma sencilla de entender la diferencia entre ellos es visualizar el problema de cómo entrenar a un ordenador para que reconozca la imagen de un gato:

  • La inteligencia artificial exigiría la presencia de un programador que debería escribir todo el código necesario para que el ordenador reconozca el gato.
  • El machine learning necesitaría que unos programadores enseñaran al sistema cómo aprender el aspecto de un gato proporcionándole imágenes y corrigiendo su análisis hasta que el ordenador ganara precisión.
  • El aprendizaje profundo dividiría la tarea de reconocer un gato en distintos estratos: una capa del algoritmo aprende a reconocer los ojos, otra la forma general, etc. A continuación, las capas conectadas producen la capacidad de aprendizaje de la máquina (machine learning).

El machine learning y el aprendizaje profundo aportan inteligencia y accesibilidad a la IA.

IA, ML y AP en la cloud

Los avances en la tecnología cloud están aportando más accesibilidad a la IA, el ML y el AP. Los proveedores de servicios de IA en cloud, como Amazon Machine Learning, Microsoft Azure o Google Cloud AI, proporcionan recursos compartidos (red, computación, memoria, disco) que son rentables, fáciles de usar y escalables.

Las plataformas tecnológicas integradas en cloud (IaaS, PaaS, SaaS e iPaaS) permiten aprovechar la potencia del almacenamiento de big data y la analítica incluso a las pymes. Las API de IA, los algoritmos de ML, el aprendizaje profundo, el reconocimiento facial, la visualización de datos, la visión artificial y las técnicas de procesamiento del lenguaje natural se integran en el servicio y los cómputos se efectúan remotamente desde el centro de datos. No es necesaria ninguna formación especializada en ciencia de datos.

Estas soluciones y plataformas mejoradas para la integración de big data siguen acelerando el desarrollo de la IA, el ML y el AP.

La inteligencia artificial y Talend

Las contundentes aplicaciones comerciales de IA que existen actualmente dependen de la existencia de datos relevantes, fiables y de calidad. No se puede lograr lo uno sin lo otro. A medida que aumentan los volúmenes de big data y la potencia de cálculo y las tecnologías avanzan, adquirimos mayor conciencia de que la plena conciencia autónoma de la IA está cada vez más cerca.

Para obtener más información sobre la inteligencia artificial, el machine learning o el aprendizaje profundo, así como el uso de los componentes de machine learning de Spark en Talend, no se pierda el webinar a demanda Fundamentos del machine learning.

| Last Updated: enero 30th, 2019