¿Qué es Inteligencia Artificial?
Llegar a una definición de Inteligencia Artificial única es prácticamente imposible, no solo por la divergencia entre las opiniones de los distintos expertos respecto a qué abarca, sino también por la controversia que existe en torno al término “inteligencia”, igualmente difícil de delimitar. Sea como sea, se pueden encontrar puntos de coincidencia en la mayoría de definiciones que se escuchan de la Inteligencia Artificial.
Así, podríamos decir que la Inteligencia Artificial es una disciplina dentro de la ciencia informática basada en una combinación de algoritmos cuyo objetivo es que las máquinas, programas o sistemas imiten la inteligencia humana. Con ello, se pretende que sean capaces de tener comportamientos considerados inteligentes pero típicamente humanos, como el aprendizaje y la autocorrección, el razonamiento, el reconocimiento de patrones, la resolución de problemas, la toma de decisiones autónomas o la interpretación de los datos.
La ambición de la Inteligencia Artificial no solo busca hacer a las máquinas “pensar”, sino que el término suele referirse a las máquinas que aprenden de forma autónoma o semiautónoma. Debe ofrecer soluciones o actuar en base a los datos de entrada que reciben (sobre los cuales los algoritmos iteran) y a su experiencia previa, sin necesidad de recibir órdenes expresas para cada situación a la que se vaya a enfrentar.
Hoy en día, Inteligencia Artificial se entiende con un enfoque mucho más amplio y se usa de forma más genérica, abarcando numerosas tecnologías (Machine Learning, PLN, automatización de procesos, etc.).
¿Qué es Machine Learning?
Ante la necesidad de una alternativa para no estar programando reglas continuamente, se busca que las máquinas “aprendan” solas, pudiendo programarse a sí mismas en función de los datos recibidos y de su experiencia previa. Aquí entra en juego el Machine Learning.
El Machine Learning es una rama de la Inteligencia Artificial que busca desarrollar la capacidad de los sistemas para aprender de manera automática y sin necesidad de ser expresamente programados para eso. En este contexto, el aprendizaje se basa principalmente en la posibilidad de revisar grandes cantidades de datos e identificar patrones complejos en ellos siguiendo determinados parámetros. Con ello, se pueden hacer predicciones o realizar determinadas tareas de forma automática.
Esto se consigue a través de máquinas capaces de programarse a sí mismas, con unos algoritmos que se van adaptando y mejorando en función de los datos que van recibiendo y de su experiencia. De esta manera, su funcionamiento se va haciendo más preciso con el tiempo y la experiencia adquirida, pudiendo generarse modelos más acertados en base a los datos.
¿Qué es Deep Learning?
El Deep Learning, también llamado “aprendizaje profundo” por su traducción del inglés, se sitúa dentro de la Inteligencia Artificial y se entiende como un tipo concreto de Machine Learning. Se trata de un método de aprendizaje cuyo principal objetivo es que las máquinas, tras ser entrenadas, sean capaces de realizar tareas y razonamientos tal y como los podría hacer un humano. Con este fin, basa sus algoritmos en el funcionamiento de nuestro sistema nervioso, con la intención de emular el proceso de aprendizaje humano.
Su organización, como ya se ha comentado, busca imitar el cerebro humano. En el encéfalo humano se han identificado áreas especializadas en determinadas tareas (por ejemplo, el lenguaje o la visión). Así, el Deep Learning se compone de redes neuronales artificiales que están jerarquizadas en forma de capas sucesivas, en las que todas las neuronas se conectan con las de la capa siguiente. En este sistema se encuentran tres niveles de capas, que explicamos muy brevemente a continuación:
- Capa de entrada (Intup Layer): se reciben y asimilan los datos de entrada.
- Capa oculta (Hidden Layer): se combina y procesa la información.
- Capa de salida (Output Layer): se aportan los datos de salida y se toman decisiones.
Siguiendo este esquema, la información va transmitiéndose entre las neuronas y se va transformando, añadiendo nuevos datos hasta que se obtiene una respuesta de salida (en la que influyen tanto los datos como el entrenamiento de la máquina y su finalidad).
El Deep Learning se diferencia de otros modelos porque, además de enfocarse en datos aleatorios, abstractos o definidos vagamente, no necesita unas reglas concretas programadas. En su lugar, lo que necesita es un entrenamiento previo (que combina aprendizaje supervisado y no supervisado). La posibilidad de ir modificando sus neuronas en base a la experiencia deriva en un aprendizaje que le permite obtener conclusiones acertadas. Estas serán más fiables si han recibido mayor cantidad de datos. No se enseña al sistema cómo tiene que resolver un problema, sino que se le enseña a encontrar una solución por sí mismo.
Diferencias entre Inteligencia Artifical, Machine Learning y Deep Learning
Una vez vistas las definiciones de los tres términos, es más fácil comprender que Inteligencia Artificial es un concepto más genérico que los otros dos. Así, los programas capaces de realizar tareas o procesos similares a los que haría un humano podrían considerarse Inteligencia Artificial, pero sería necesario que esas máquinas aprendieran por sí mismas para que se pudiera decir que es Machine Learning (y, dependiendo de cómo se diera, podría categorizarse como Deep Learning también).
Sin embargo, es más habitual confundir Machine Learning con Deep Learning, en parte, por la similitud de sus definiciones en muchos aspectos. Recordemos que Deep Learning es considerado un subcampo de Machine Learning y, como tal, todo Deep Learning es Machine Learning, pero no al revés.
Podríamos decir que la principal diferencia es que el Machine Learning se centra en lograr un aprendizaje automático, mientras que el Deep Learning va más allá y se orienta hacia el entendimiento de los datos que va teniendo.
Otra de las diferencias básicas la encontramos en la estructuración y el procesamiento de la información. Mientras que el Machine Learning cuenta con algoritmos de regresión o árboles de decisión, la arquitectura del Deep Learning es bastante más compleja, considerando que se basa en las redes neuronales humanas y que dispone los algoritmos por capas. Esta estructuración deriva en otro de los puntos de divergencia de ambas tecnologías: en el Deep Learning, la intervención humana se reduce al máximo, ya que la máquina aprende de cada dato que recibe e incluso de los propios errores que comete. En Machine Learning, se requiere que los humanos supervisen y corrijan los errores cometidos ajustándolos, además de ir guiando al sistema durante todo el proceso de aprendizaje.
En general, podemos decir que el Deep Learning es más autónomo todavía incluso en el proceso de entrenamiento: Machine Learning necesita que el humano extraiga las características que se deben considerar en los datos que se introducirán en el sistema (esto es, datos estructurados y categorizados), mientras que el Deep Learning procesa datos no estructurados. Así, se encarga automáticamente de identificar esos parámetros y encontrar patrones, aprendiendo de ellos y obteniendo generalizaciones adecuadas.
