Aprendizaje automático frente al aprendizaje profundo: ¿Cuál es la diferencia?

Noticia de Gizmodo

Foto: Login (Shutterstock)

La inteligencia artificial está en todas partes hoy en día, pero los fundamentos de cómo funciona esta nueva e influyente tecnología pueden ser confusos. Dos de los más importantes Los campos del desarrollo de la IA son el “aprendizaje automático” y su subcampo, el “aprendizaje profundo”. Aquí hay una explicación rápida de estos dos importantes Qué son las disciplinas y cómo están contribuyendo a la evolución de la automatización.

Primero, ¿Qué es la IA?

Vale la pena recordar qué es realmente la IA. Los defensores de la inteligencia artificial dicen que esperan poder hacerlo algún día crear una máquina que pueda “pensar” por sí mismo. El cerebro humano es un magnífico instrumento, capaz de realizar cálculos que superan con creces la capacidad de cualquier máquina actualmente existente. Los ingenieros de software involucrados en el desarrollo de la IA esperan eventualmente crear una máquina que pueda hacer todo lo que un ser humano puede hacer intelectualmente, pero que también puede superarlo. Actualmente, las aplicaciones de la IA en los negocios y el gobierno en gran medida cantidad a algoritmos predictivos, el tipo que sugiere tu próxima canción en Spotify o intentar venderte un producto similar al que comprado en Amazon la semana pasada. Sin embargo, los evangelistas de la IA creen que la tecnología, eventualmente, podrá razonar y tomar decisiones que sean mucho más complicadas. es donde entran en juego ML y DL.

Aprendizaje automático, explicado

El aprendizaje automático (o ML) es una categoría amplia de inteligencia artificial que se refiere al proceso mediante el cual se “enseña” a los programas de software cómo hacer predicciones o “decisiones”. Un ingeniero de IBM, Jeff Crume, explica El aprendizaje automático es una “forma muy sofisticada de análisis estadístico”. Según Crume, este análisis permite a las máquinas hacer “predicciones o decisiones”. basado en datos”. Cuanta más información se introduzca en el sistema, más capaz será de darnos predicciones precisas. dice.

A diferencia de la programación general donde una máquina está diseñado para completar una tarea muy específica, el aprendizaje automático gira en torno al entrenamiento de un algoritmo para identificar patrones en los datos por sí mismo. Como se indicó anteriormente, el aprendizaje automático abarca una amplia variedad de actividades.

Aprendizaje profundo, explicado

Aprendizaje profundo es aprendizaje automático. Es una de esas subcategorías de aprendizaje automático mencionadas anteriormente que, como otras formas de ML, se centra en la enseñanza IA para “pensar”. A diferencia de otras formas de aprendizaje automático, DL busca permitir que los algoritmos hagan gran parte de su trabajo. DL está impulsado por modelos matemáticos conocidos como redes neuronales artificiales (RNA). Estas redes buscan emular los procesos que ocurren naturalmente dentro del ser humano. cerebro: cosas como la toma de decisiones y la identificación de patrones.

La diferencia clave entre ML y DL

Una de las mayores diferencias entre el aprendizaje profundo y otras formas de aprendizaje automático es el nivel de “supervisión” que se proporciona a una máquina. En formas menos complicadas de aprendizaje automático, es probable que la computadora participe en aprendizaje supervisado—un proceso mediante el cual un ser humano ayuda a la máquina a reconocer patrones en datos estructurados y etiquetados y, por lo tanto, a mejorar su capacidad para realizar análisis predictivos.

El aprendizaje automático se basa en enormes cantidades de “datos de entrenamiento”. Dichos datos a menudo son compilados por humanos a través del etiquetado de datos (muchos de esos humanos no les pagan muy bien). A través de este proceso, se construye un conjunto de datos de entrenamiento, que luego puede introducirse en el algoritmo de IA y usarse para enseñarle a identificar patrones. Por ejemplo, si una empresa estuviera entrenando un algoritmo para reconocer una marca específica de automóvil en fotos, alimentaría el algoritmo con enormes tramos de fotos de ese modelo de automóvil que había sido etiquetado manualmente por personal humano. “un conjunto de datos” también se crea para medir la precisión de los poderes predictivos de la máquina, una vez que se ha entrenado.

Mientras tanto, cuando se trata de DL, una máquina participa en un proceso llamado “aprendizaje no supervisado”.” El aprendizaje no supervisado implica que una máquina utilice su red neuronal para identificar patrones en lo que se llama datos no estructurados o “sin procesar”—que son datos que aún no han sido etiquetados u organizados en una base de datos. Las empresas pueden utilizar algoritmos automatizados para examinar franjas de datos no organizados y, por lo tanto, evitar grandes cantidades de trabajo humano.

Cómo funcionan las redes neuronales

Las RNA están formadas por lo que se denominan “nodos”. Según el MIT, una RNA puede tener “miles o incluso millones” de nodos. Estos nodos pueden ser un poco complicados, pero la explicación abreviada es que, al igual que los nodos del cerebro humano, transmiten y procesan información. En una red neuronal, los nodos están dispuestos de forma organizada Esto se conoce como “capas”. Por lo tanto, las redes de aprendizaje “profundo” involucran múltiples capas de nodos. La información se mueve a través de la red y interactúa con sus diversos entornos, lo que contribuye al proceso de toma de decisiones de la máquina cuando se somete a una indicación humana.

Otro concepto clave en las RNA es el “peso”, que un comentarista compara a las sinapsis en un cerebro humano. Los pesos, que son sólo valores numéricos, se distribuyen a través de la red neural de una IA y ayudan a determinar el resultado final de la salida final de ese sistema de IA. Los pesos son entradas de información que ayudan a calibrar una red neuronal para que pueda tomar decisiones . La inmersión profunda del MIT en redes neuronales lo explica así:

A cada una de sus conexiones entrantes, un nodo le asignará un número conocido como “peso”. Cuando la red está activa, el nodo recibe un elemento de datos diferente, un número diferente, sobre cada una de sus conexiones y lo multiplica por el peso asociado. Luego suma los productos resultantes, lo que produce un único número. Si ese número está por debajo de un valor umbral, el nodo no pasa ningún dato al siguiente capa. Si el número excede el valor umbral, el nodo se “dispara”, lo que en las redes neuronales actuales generalmente significa enviar el número — la suma de las entradas ponderadas — a lo largo de todas sus conexiones de salida.

En resumen: las redes neuronales están estructuradas para ayudar a un algoritmo a llegar a sus propias conclusiones sobre los datos que se le han suministrado. En su programación, el algoritmo puede identificar conexiones útiles en grandes tramos de datos, ayudando a los humanos a sacar sus propias conclusiones basadas en su análisis.

¿Por qué es importante el aprendizaje automático para el desarrollo de la IA?

El aprendizaje automático y profundo ayuda a entrenar máquinas para llevar a cabo actividades predictivas e interpretativas que antes eran solo dominio de los humanos. Esto puede tener Muchas ventajas, pero la desventaja obvia es que estas máquinas pueden (y, seamos honestos, se usarán) inevitablemente para cosas nefastas, no sólo útiles, como sistemas de vigilancia gubernamentales y privados, y la continua automatización de las actividades militares y de defensa. Obviamente, también son útiles para las sugerencias de los consumidores o para la codificación y, en el mejor de los casos, para la investigación médica y de salud. Como cualquier otra herramienta, ya sea La inteligencia artificial tiene un impacto bueno o malo en el mundo depende en gran medida de quién la esté usando.