Recuperando el Significado de los Términos Asociados con la Inteligencia Artificial

Términos como la inteligencia artificial, machine learning y data science se han convertido en buzzwords utilizados de forma indiscriminada para buscar que empresas y productos sean vistos como innovadores. El propósito de este artículo es explicar el significado de cada uno así como las diferencias entre ellos.

Ciencia de datos

La ciencia de datos es la extracción de información valiosa a partir de datos. Utiliza distintas técnicas de campos diversos como las matemáticas, programación computacional, modelado estadístico, visualización, reconocimiento de patrones, ingeniería de datos, data warehousing, entre otros. La ciencia de datos no necesariamente involucra big data.

Inteligencia artificial

La inteligencia artificial (IA) se refiere a la simulación del funcionamiento del cerebro humano por medio de computadoras. Esto se logra creando una red neuronal artificial que demuestra inteligencia humana. Las funciones principales que realiza una máquina con inteligencia artificial incluyen razonamiento lógico, aprendizaje y autocorrección.

El término inteligencia artificial fue acuñado en 1956 por el profesor John McCarthy, y desde ese entonces se establecieron algunas de las bases teóricas en este campo. Sin embargo, el poder de cómputo disponible en esos tiempos no era suficiente para llevar a cabo las tareas requeridas por los modelos. Gracias a los avances tecnológicos, hoy en día es viable implementar dichos modelos, especialmente si nos apoyamos en la nube; es por ello que en años recientes hemos tenido una explosión en este campo.

La inteligencia artificial se clasifica en dos: general y estrecha. La IA general se refiere a dotar a las máquinas de inteligencia aplicable a un amplio rango de actividades que involucran pensar y razonar. En comparación, la IA estrecha se enfoca en tareas muy específicas. Por ejemplo, una IA capaz de jugar un juego de mesa específico (digamos ajedrez) sería estrecha, mientras que una IA general podría jugar cualquier tipo de juego de mesa.

Es importante aclarar que por el momento solo es viable implementar inteligencia artificial estrecha. Todavía no existe una noción clara de cuándo ni cómo llegaremos a la inteligencia artificial general.

Machine learning

Machine learning se refiere a la habilidad de un sistema computacional para aprender del ambiente y mejorarse a sí mismo a partir de experiencia sin necesidad de programación explícita. Se enfoca en habilitar a los algoritmos para que puedan aprender a partir de datos provistos, generar conocimiento y realizar predicciones. Existen distintas estrategias para realizar machine learning, a continuación menciono algunas de las más conocidas.

El aprendizaje supervisado se refiere a algoritmos que utilizan datos de entrenamiento etiquetados para ayudar a la máquina a reconocer características y aplicarlas a datos futuros. Por ejemplo, si deseamos clasificar imagenes de gatos y perros entonces podemos alimentar algunas imágenes etiquetadas (indicando si corresponde a un gato o un perro) y dejar que la máquina clasifique las imágenes restantes.

Por otro lado, los algoritmos de aprendizaje no supervisado se usan cuando los datos que disponemos no están etiquetados, así que simplemente los alimentamos y dejamos que la máquina entienda sus características y las clasifique. Una técnica común para hacer esto es el clustering, que básicamente consiste en agrupar elementos que tengan características similares.

En el aprendizaje por refuerzo (reinforcement learning), los algoritmos interactúan con el ambiente realizando acciones (experimentos) y evaluando si dichas acciones lo llevan a obtener un castigo o recompensa. Por ejemplo, en un juego la recompensa sería ganar el juego; así que el algoritmo puede jugar contra sí mismo millones de veces para analizar las partidas y aprender de los resultados. En este tipo de juegos, el algoritmo no analiza movimientos individuales, sino el juego como un todo.

Los árboles de decisión son una herramienta que utiliza un grafo para representar todas las decisiones posibles para un dominio específico y las consecuencias asociadas a cada decisión. Son una forma bastante útil de modelar un algoritmo que solo contiene sentencias de control de condición (if/else).

El aprendizaje profundo (deep learning) es un subconjunto de técnicas de machine learning que buscan representar las conexiones no lineales entre neuronas del cerebro humano para reconocer patrones en imágenes, sonidos y otros datos. Es ampliamente utilizado en los campos de visión computacional y procesamiento de lenguaje natural.

Muy bien, después de este breve repaso de términos básicos, estamos listos para aprender más sobre este fascinante campo.