¿Estás utilizando mal el término 'Inteligencia Artificial'?

Listo, lo dije: no me importa que todo el mundo use "Inteligencia Artificial" (IA) y "Machine Learning" (ML) para referirse a lo mismo. ¿Es esto técnicamente correcto? ¿Es simplista? Pero si nos ponemos quisquillosos, ¿quién está realmente usando el término 'IA' de manera incorrecta?

La "IA" de uso común, técnicamente debería llamarse "Deep Learning" (Aprendizaje Profundo).

Los académicos no consideran intercambiables la inteligencia artificial (IA) y el Machine Learning (ML) (o Aprendizaje Automático, en español), y yo como un ex académico, simpatizo con sus definiciones y acepto que técnicamente la IA es un superconjunto de ML, que es un superconjunto de Deep Learning (Aprendizaje Profundo). El Deep Learning (DL) es ML que usa una clase particular de algoritmos (redes neuronales) y es lo que comúnmente se quiere decir cuando se dice IA. ¿Qué te parece?

Pero también creo que la mayoría de las personas (y las empresas) no se preocupan especialmente por esta distinción y usan el lenguaje de una manera menos formal. El lenguaje evoluciona, nos guste o no. Originalmente utilizado por algunos profesores, el término IA se ha escapado de sus manos y ha llegado al lenguaje común con otro significado.

El lenguaje evoluciona, nos guste o no.

Con el riesgo de ofender a los investigadores, creo que es más útil reconocer la nueva manera en que en las empresas se usa el término, y explicar su actual uso común para los lectores que no están interesados en detalles menores. Está bien dejar que el idioma evolucione mientras podamos seguir su ritmo. Acuñado en 1956, el término IA nunca fue definido tan estrictamente. (¿Cierto, académicos? ¿Recuerdan los días en que la IA era un término vergonzoso para usar en sus solicitudes de becas ... así que simplemente todas las veces lo reemplazaron con Machine Learning?) Con términos mal definidos, no existe realmente tal cosa como usarlos correctamente. Todos podemos estar en lo correcto. Las palabras se acomodan al uso.

Y fíjate, abogados de definiciones: ¿no sería vergonzoso si lo que llamas IA en realidad se llama técnicamente Reinforcement Learning (RL) (o Aprendizaje por Refuerzo, en español) y también estás haciendo un mal uso de tus palabras? No te preocupes, te mando un abrazo y todos podemos ser amigos. Si tu definición depende de una secuencias de acciones, planificación, recopilación de información de distintos entornos, determinación de políticas para trabajar en el futuro - un ejemplo clásico es una computadora que aprende a realizar maniobras de acrobacia con helicópteros de juguete - entonces podrías estar pensando en RL.

La inteligencia de tipo humano (HLI - Human Like Intelligence ) es un mejor término para la versión de ciencia ficción.

Si te sientes ahogado en toda esta sopa de letras de AI, ML, DL, RL, mientras buscas desesperadamente los robot de ciencia ficción, entonces te puede gustar más el término HLI - Human Like Intelligence (Inteligencia Similar a la Humana). Si vas a referirte a una 'IA' de manera que evocas a una persona, es mejor que lo llames 'HLI'. Aquellos que están preocupados por que haya HLI al acecho en cada esquina pueden respirar con alivio. Todas esas aplicaciones empresariales de IA no son HLI y no tratan de construir mentes reales. Todos están muy ocupados usando la IA para resolver problemas de negocio reales que involucran un sólido y poco glamoroso etiquetado.

Vamos a resumir. Tapen tus oídos, profesores. Para todos los demás: cuando escuchen hablar de Inteligencia Artificial y Machine Learning, estos pueden ser sinónimos y tienen poco que ver con HLI.

En la práctica, no tienes que clasificar tu problema como IA o ML antes de empezar.

Aquí hay otra razón por la que una persona práctica como yo puede vivir con esto: desde el punto de vista del proceso aplicado, no es necesario que clasifiques tu problema de negocio como AI / ML / DL antes de comenzar. Solo intenta trabajar con todos los algoritmos que puedas e itera buscando el mejor rendimiento y resultados. Si el enfoque no es DL-ML, te darás cuenta de manera rápida y corregirás el rumbo. Pero, por lo general, es mejor intentar la opción más simple, incluso si tienes dudas sobre qué funcionará y que no. Solo tomate unos minutos. Si puedes ajustar tu modelo a una red neuronal, también puedes intentar poner una línea de código en el. (¿Qué son, 2–5 líneas de código? Incluso si no estás usando un paquete y lo estas implementando desde cero, es fácil hacerlo. Si olvidaste la fórmula de regresión, mis amigos de la escuela de posgrado hicieron una canción pegadiza sobre eso para ti.) Como beneficio adicional, si lo simple funciona bien, eso significa que tienes una solución que será más fácil de mantener en producción. ¡Buena suerte, diviértete y que gane el mejor algoritmo!

Ya que hablamos de este tema, me encantó este diagrama de flujo de Karen Hao.

Traducido por Carlos Secada del original por Cassie Kozyrkov