AI Métodos y Tecnologías

Las tecnologías más extendidas en el mundo actualmente relativas a la IA son el aprendizaje automático o Machine Learning, y el aprendizaje profundo o Deep Learning. Pero la IA surgió mucho antes que estos dos conceptos, por lo que, ¿Es toda la IA aprendizaje automático? ¿Es todo el aprendizaje profundo aprendizaje automático? ¿Es todo el aprendizaje IA?.

Como podemos ver, la Inteligencia Artificial es un campo muy amplio, que contiene un subconjunto de técnicas denominadas Machine Learning. Dentro de todas las técnicas llamadas Machine Learning, encontramos algunas de ellas que están relacionadas con redes neuronales profundas, y a las que denominamos Deep Learning. Por último, la ciencia de datos o data science tiene entre sus objetivos el Machine Learning y el Deep Learning, por lo que los alimenta.

Dicho de otra forma, la IA que implica grandes cantidades de datos, se llama Machine Learning. La IA que implica grandes cantidades de datos y redes neuronales se llama Deep Learning. Pero ¿dónde queda la IA que no implica data science?, de proyectos. Por ejemplo, a pesar de los enormes avances en el campo del procesamiento del lenguaje natural, hay empresas que actualmente programan chatbots basados en reglas lógicas, como los primeros ELIZA de hace décadas. De hecho, hay un mayor número de bots sin capacidad de aprendizaje en la web que viceversa. y ¿a quién de nosotros nos gusta hablar con Chatbot?.

En definitiva, la GOFAI, o más formalmente la Inteligencia Artificial Simbólica, hace referencia a todas las herramientas desarrolladas para la generación de agentes inteligentes sin el uso de grandes cantidades de datos ni la capacidad de aprender. Estos sistemas están basados en programación lógica (como PROLOG), reglas anidadas, heurísticas, razonamiento formal y representación del conocimiento. Esta tecnología fue la predominante desde el surgimiento de la IA en los años 50 hasta finales de la década de los años 90, con su mayor exponente en los sistemas expertos, los chatbots simbólicos y los agentes de juego “por fuerza bruta” como Deep Blue.

A partir del surgimiento de los desarrollos relativos a sistemas capaces de aprender de datos y, por tanto, en la conjunción de la ciencia de datos con la Inteligencia Artificial, surge el denominado aprendizaje automático o Machine Learning.

El Machine Learning es un subconjunto de la Inteligencia Artificial en el que lo
algoritmos tratan de establecer sus propias reglas mediante el aprendizaje a
partir de grandes cantidades de datos        

En consecuencia, los algoritmos de Machine Learning son aquellos que permiten obtener conclusiones de un cierto conjunto de datos, para posteriormente poder hacer predicciones sobre los mismos o incluso generar datos nuevos. Como veremos más adelante, el Deep Learning es un subconjunto del Machine Learning.

Existen tres tipos de aprendizaje automático
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje por refuerzo:        

El aprendizaje supervisado parte de la premisa de que se cuenta con un conjunto de datos etiquetados del que se espera que el modelo aprenda a responder una serie de preguntas.

Las etiquetas son la respuesta a estas preguntas, conocidas previamente y marcadas por un humano de forma manual, para tratar de que en el futuro el algoritmo sea capaz de hacerlo de forma automática. El algoritmo pasará por estos datos de forma iterativa, tratando de ser capaz de acertar la respuesta para cada ítem mediante el proceso de entrenamiento. Una vez entrenado, será capaz de inferir la respuesta de forma automática.

El aprendizaje no supervisado en inteligencia artificial es un tipo de aprendizaje automático donde el algoritmo es entrenado con datos no etiquetados, es decir, sin la ayuda de una respuesta correcta previamente definida. En este tipo de aprendizaje, el algoritmo tiene la tarea de encontrar patrones o estructuras ocultas en los datos sin ninguna guía específica. Por lo tanto, el algoritmo tiene que trabajar por su cuenta para identificar relaciones y patrones en los datos, y puede generar su propia representación de los datos. El aprendizaje no supervisado es muy útil en casos donde los datos son complejos o no están etiquetados, como en la identificación de patrones en imágenes o en la agrupación de datos similares.

Por otro lado, el aprendizaje por esfuerzo (también conocido como aprendizaje por refuerzo) es un tipo de aprendizaje automático en el que el algoritmo recibe una recompensa o penalización según la calidad de sus acciones, en un entorno específico. El algoritmo tiene como objetivo aprender la mejor manera de tomar decisiones en función de las recompensas y penalizaciones recibidas. A través de la prueba y error, el algoritmo busca maximizar su recompensa total. El aprendizaje por esfuerzo se utiliza a menudo en problemas de toma de decisiones complejos, como en la planificación de rutas de entrega o en la toma de decisiones en juegos como el ajedrez o el Go.

Algunas de las empresas que están desarrollando soluciones en el mercado de AI . (recurso de www.tractica.com)