Diferencia entre BigData, Inteligencia Artificial,

Machine Learning y Deep Learning

Amy Rashell Sánchez Cárdenas
Departamento de Ciencias de la Computación
Ingeniería en Tecnologías de la Información
Sangolquí, Ecuador
[email protected]

Abstract— En la actualidad, la convergencia de Big Data, datos es capaz de almacenarlos o procesarlos de manera
Inteligencia Artificial (IA), Machine Learning (ML) y Deep eficiente. [12]
Learning (DL) está dando forma a la revolución tecnológica.
Cada uno de estos conceptos desempeña un papel crucial en el Otra definición de Big Data se puede caracterizar también
procesamiento y aprovechamiento de la información a escala por las cuatro V, las cuales denotan el extenso Volumen de
masiva. De manera comparativa, el Big Data proporciona el datos a manejar, la Velocidad con la cual puede procesar esta
entorno para la gestión de datos, la Inteligencia Artificial información, así como la Variedad de formas que esos datos
representa el objetivo general, y el Machine Learning y Deep pueden adoptar. Es crucial destacar el propósito del Big Data
Learning son las herramientas específicas para lograr ese al agregar una cuarta V, la del Valor que se deriva de la
objetivo. La interconexión de estas disciplinas ha llevado a información extraída de los datos. [10]
avances notables en diversas áreas, como la salud (diagnóstico
médico asistido por máquinas), el comercio (recomendación B. Inteligencia Artificial
personalizada), y la investigación (análisis predictivo). En La Inteligencia Artificial es un campo de la informática
conjunto, estos elementos forman un ecosistema tecnológico que busca desarrollar sistemas capaces de realizar tareas que
integral que impulsa la innovación y redefine la forma en que normalmente requieren inteligencia humana. Estas tareas
interactuamos con la información en el siglo XXI.
incluyen el aprendizaje, el razonamiento, la percepción, el
Keywords— Big Data, Inteligencia Artificial (IA), Machine reconocimiento de voz, el procesamiento de lenguaje natural,
Learning (ML) y Deep Learning (DL) entre otros. [7]

I. INTRODUCTION (HEADING 1)
IBM [8] define a la Inteligencia Artificial como un modelo
Las tecnologías están en constante evolución, ofreciendo que aprovecha computadoras y máquinas para imitar las
nuevas posibilidades y desafíos a medida que las capacidades de resolución de problemas y toma de decisiones
organizaciones exploran formas innovadoras de aprovechar el de la mente humana.
poder de los datos para impulsar el progreso y la eficiencia en
diversas áreas. Un ejemplo de ello es la convergencia del Big La IA puede ser aplicada de manera estrecha, donde se
Data, Inteligencia Artificial, Machine Learning y Deep enfoca en tareas específicas, o de manera general, buscando
Learning, ya que ha llevado a avances significativos en la emular la inteligencia humana en una amplia gama de
automatización, toma de decisiones basada en datos y actividades.
capacidades cognitivas de las máquinas. C. Machine Learning (ML)
En la era digital actual, términos como Big Data, El Machine Learning es una rama de la IA que se centra
Inteligencia Artificial (IA), Machine Learning (ML) y Deep en el desarrollo de algoritmos y modelos que permiten a las
Learning (DL) son frecuentemente utilizados, pero es común computadoras aprender patrones y realizar tareas sin estar
que se malinterpreten o se utilicen de manera intercambiable. explícitamente programadas. [9]
Cada uno de estos conceptos representa aspectos distintos
pero interrelacionados con las tecnología de la información. El también conocido como aprendizaje automático, se
En la presente investigación se pretende explorar brevemente fundamenta en disciplinas como la ciencia de la computación,
las diferencias entre Big Data, Inteligencia Artificial, Machine
la ciencia de datos y la estadística. [13] Dentro de este ámbito
Learning y Deep Learning, definiéndolas, comparándolas y
emplea datos provenientes de observaciones del mundo real,
abordando casos de uso para entender mejor sus roles y
contribuciones en el mundo de la tecnología. posibilitando a las computadoras, o más específicamente a un
algoritmo, identificar patrones a partir de dicha información.
II. DEFINICIÓN
De esta manera, el Machine Learning posibilita la
A. Big Data generalización del comportamiento de las instancias u
El término Big Data se refiere al manejo y análisis de observaciones del mundo real, permitiendo la extrapolación
conjuntos de datos extremadamente grandes, complejos y de conclusiones a situaciones nunca antes encontradas.
diversos que superan la capacidad de las herramientas de
procesamiento de datos tradicionales.
En pocas palabras, es un conjunto de datos tan grande y
complejo que ninguna de las herramientas tradicionales de
D. Deep Learning (DL) El sistema permite un almacenamiento ilimitado de
El Deep Learning o también conocido como aprendizaje datos para su utilización cuando sea necesario, abarcando
profundo, replica el proceso mediante el cual los seres información relacionada con datos no estructurados, como
humanos adquieren ciertos tipos de conocimientos. [6] texto, imágenes y videos, entre otros.

Los modelos de aprendizaje profundo pueden ser e) Costos mínimos:

instruidos para llevar a cabo funciones de clasificación y para Cabe destacar que la estructura de código abierto es
identificar patrones presentes en una variedad de datos, como esencialmente gratuita, ya que utiliza hardware comercial
imágenes, texto, audio y otros. para el almacenamiento de grandes volúmenes de datos.

Es una aproximación al aprendizaje automático no f) Economía de escala:

supervisado, lo que significa que requiere datos de
Esta característica está ligada a la capacidad de
entrenamiento, pero no es necesario que estos estén almacenamiento de los datos. Si la empresa incorpora más
etiquetados. [15] En este contexto, se establecen áreas o nodos para el procesamiento de datos, aumenta la capacidad
conjuntos de neuronas especializadas en tipos particulares de
del sistema para procesar a mayor velocidad y volumen.
percepciones o tareas específicas, como la detección de
bordes de objetos o la inclinación, imitando así la
organización especializada del cerebro humano. B. Inteligencia Artificial
Se distingue por varias características que definen su
naturaleza tecnológica de manera destacada. La IA puede ser
clasificada en IA débil (realiza tareas específicas sin
comprensión ni conciencia) y IA fuerte (posee inteligencia
III. CARACTERISTICAS
comparable a la humana). Frente a estos conceptos, [5] la
Para caracterizar estos conceptos es importante conocer clasificación de la inteligencia artificial en IA débil y IA
que a menudo se combinan en proyectos tecnológicos fuerte agrega una dimensión adicional a su comprensión:
complejos para abordar desafíos diversos. A continuación, se
detallarán brevemente las características distintivas de cada
uno: a) Imitación de la cognición humana:
La IA se destaca por replicar el pensamiento humano,
A. Big Data utilizando la computación cognitiva para inspirarse en el
Big Data se caracteriza por las "3V": volumen (gran reconocimiento de patrones, la minería de datos y el
cantidad de datos), variedad (diversidad en tipos y formatos procesamiento del lenguaje natural, simulando así el
de datos) y velocidad (rapidez en la generación y funcionamiento del cerebro humano.
procesamiento de datos).[3] Estos tres elementos hacen
posibles que las empresas puedan acceder a la información b) Automatización de procesos:
para sus procesos productivos y de negocios, a continuación,
se nombrarán algunas: La capacidad de automatizar tareas es una
característica clave de la inteligencia artificial. Esta
a) Amplia capacidad de almacenamiento y tecnología posibilita que máquinas o programas realicen
procesamiento de diversos tipos de datos: actividades repetitivas y extenuantes en lugar de los
Este atributo se convierte en un recurso invaluable para individuos, dando lugar a la llamada “automatización
las empresas, especialmente debido a la gran cantidad y inteligente” cuando se combina con la automatización
diversidad de datos generados constantemente por las redes robótica de procesos (RPA).
sociales y el Internet de las Cosas (IoT).
c) Funcionamiento ininterrumpido:
b) Potencia de cómputo: La inteligencia artificial opera de manera continua,
La estructura de esta herramienta posibilita que el Big las 24 horas del día, los 365 días del año. Esta capacidad
Data procese información esencial a una velocidad permite que los programas competentes avancen sin pausas,
considerable. Esta capacidad está directamente relacionada lo cual es crucial en ocupaciones que demandan actividad
con la cantidad de Nodos de Cómputo disponibles en la constante y un rendimiento óptimo.
empresa, que determinan la capacidad de procesamiento.
d) Precisión:
c) Seguridad en la preservación de datos ante posibles La IA se caracteriza por su alta fiabilidad y precisión
fallos: en la ejecución de tareas. La probabilidad de errores en estos
El sistema subyacente garantiza la protección de los programas es mínima, y su nivel de precisión depende del
datos en situaciones de fallo. Si se produce una falla en uno diseño del programa, el cual tiende a optimizarse
de los nodos, la información se transfiere de inmediato a otro continuamente aprendiendo de los errores.
para continuar con el procesamiento de los datos. Además, el
sistema realiza automáticamente copias de seguridad de todos e) Gestión de grandes cantidades de datos:
los datos. La capacidad para procesar volúmenes masivos de
información es otra característica esencial de la inteligencia
d) Flexibilidad: artificial. En este contexto, la IA utiliza herramientas
especializadas para acceder y gestionar eficientemente la a) Redes Neuronales Profundas:
vasta cantidad de datos, siendo el complemento ideal para el El Deep Learning se caracteriza por el uso de redes
Big Data, que proporciona la materia prima para su neuronales profundas, compuestas por múltiples capas de
funcionamiento. nodos interconectados.
C. Machine Learning (ML) Estas capas permiten la extracción de características
complejas y la creación de representaciones jerárquicas de los
Las máquinas pueden predecir escenarios futuros o tomar datos.
acciones de forma automatizada.[1] A continuación se
caracterizará el término por la manera en que las maquinas
realizan su entrenamiento de manera autónoma por el b) Aprendizaje Jerárquico de Representaciones:
sistema: El Deep Learning aprende automáticamente a representar los
datos de manera jerárquica, desde características simples a
a) Operación mediante potencia computacional:
abstractas.
El Machine Learning aprovecha la capacidad de Esta capacidad de aprendizaje jerárquico es esencial para
procesamiento computacional para analizar información en abordar problemas complejos.
períodos relativamente breves.
Realiza cálculos complejos que estiman resultados futuros.
c) Capacidad de Autoaprendizaje:
El Deep Learning tiene la capacidad de aprender
b) Iteración de datos para extracción de patrones:
automáticamente características relevantes a partir de
A través de la iteración de datos, el Machine Learning extrae grandes conjuntos de datos, sin requerir una programación
patrones, tendencias y regularidades. manual específica para cada tarea.
Estos aprendizajes se utilizan como parámetros para tomar
decisiones en el futuro.
d) Adaptabilidad a Diversos Tipos de Datos:
Puede procesar y analizar una amplia gama de tipos de
c) Base estadística:
datos, incluyendo imágenes, texto, audio y video.
La estadística es fundamental en el Machine Learning, La versatilidad del Deep Learning lo hace aplicable en
ya que se utilizan datos para crear algoritmos que calculan los diferentes dominios, desde reconocimiento de voz hasta
mejores resultados en cuestión de minutos u horas, en reconocimiento de objetos en imágenes.
comparación con el tiempo previo, que podía llevar días o
semanas.
e) Rendimiento en Grandes Conjuntos de Datos:
El Deep Learning muestra su potencial especialmente
d) Factores a considerar
en conjuntos de datos masivos, donde puede identificar
• Cantidad de datos: A mayor cantidad de datos, las patrones y relaciones complejas que podrían pasar
predicciones son más confiables y precisas. desapercibidos con enfoques tradicionales.
• Proceso de entrenamiento: Requiere un proceso de
entrenamiento antes de generar predicciones.
f) Requiere Grandes Cantidades de Datos:
• Generación de modelos predictivos: Se basa en la
Para alcanzar su máximo potencial, el Deep
generación de modelos como resultado de la detección de
Learning a menudo requiere grandes cantidades de datos de
patrones.
entrenamiento, lo que puede limitar su aplicabilidad en casos
• Versatilidad en tipos de información: Puede procesar
donde los datos son escasos.
diversos tipos de datos, como imágenes, textos, sonidos o
valores numéricos.
• Dependencia de la capacidad del computador: La g) Hardware Especializado:
capacidad del computador influye en las acciones que se La implementación eficiente del Deep Learning a menudo se
pueden llevar a cabo con el Machine Learning. beneficia de hardware especializado, como unidades de
procesamiento gráfico (GPU) o unidades de procesamiento
e) Margen de error y toma de decisiones: tensorial (TPU), para acelerar los cálculos intensivos.
Alto Consumo Computacional:
Siempre existe un margen de error en la toma de
decisiones de los sistemas de Machine Learning, pero El entrenamiento de modelos de Deep Learning puede ser
generalmente es mucho menor que el de la toma de decisiones computacionalmente costoso y requiere recursos
humana. significativos en términos de potencia de procesamiento y
memoria.
D. Deep Learning (DL)
Las siguientes características distintivas lo diferencian de h) Aplicaciones en Tareas Complejas:
otras formas de aprendizaje automático y han llevado a El Deep Learning ha demostrado excelentes resultados
avances significativos en campos como el reconocimiento de en tareas complejas como reconocimiento facial, traducción
patrones, el procesamiento del lenguaje natural y la visión por automática, procesamiento del lenguaje natural y juegos,
computadora. [15] A continuación, se exploran las entre otros.
características clave que definen el Deep Learning: i) Persistente Desafío de Interpretabilidad:
 A pesar de su éxito, la interpretabilidad de los modelos La sinergia entre estas cuatro tecnologías, respalda la
de Deep Learning sigue siendo un desafío, ya que la relación capacidad de las empresas para innovar en todas sus
entre las características de entrada y las decisiones del estructuras. Esta integración no solo potencia la eficiencia
modelo puede ser compleja y difícil de comprender. operativa, sino que también abre la puerta a la personalización
y adaptabilidad en los servicios ofrecidos al cliente.[4]
En última instancia, la combinación de estas herramientas
IV. COMPARACIÓN GENERAL
permite no solo comprender mejor el entorno empresarial,
sino también brindar experiencias personalizadas y a medida,
Mientras que Big Data se enfoca en la gestión de datos a elevando el estándar de servicio y marcando un hito en la era
gran escala, la IA abarca un conjunto más amplio de técnicas de la tecnología avanzada. En la siguiente “Fig. 2”, se
para lograr inteligencia. ML y DL son enfoques específicos visualiza de forma estructural los tópicos antes vistos.
de aprendizaje automático, siendo DL una forma más
avanzada que utiliza redes neuronales profundas.

Estas tecnologías se integran en casos de uso prácticos,

como asistentes virtuales y análisis predictivo en empresas,
aprovechando sus fortalezas individuales para abordar
desafíos complejos de manera conjunta. En la siguiente “Fig.
1”, se tratará de realizar una comparación general de los
términos vistos.

TABLE I. COMPARACIÓN GENERAL

Concept Inteligencia Machine
Big Data
os Artificial (IA) Learning (ML)
Gestionar grandes
volúmenes de
Busca desarrollar
datos.
sistemas
Aplicación: Fig. 2. Analítica de datos, Inteligencia Artificial y Big Data en la banca
Enfoque: inteligentes.
Almacenamiento, Fuente: [4].
Aplicación:
procesamiento y
Amplio espectro
análisis de datos a
de tareas que
gran escala.
requieren
Inteligen A continuación, exploraremos casos de uso emblemáticos
inteligencia
cia
humana. que ilustran cómo estas tecnologías están siendo aplicadas en
Artificial
(IA) la práctica, redefiniendo paradigmas y generando impactos
Desarrollar significativos en diversos campos. Desde la optimización de
algoritmos que procesos empresariales hasta el desarrollo de aplicaciones
aprendan de inclusivas, estos casos de uso ejemplifican el potencial
Utilizar datos para
datos. transformador de las tecnologías emergentes en la sociedad
Machine lograr inteligencia
Aplicación:
Learning y toma de
Modelos más
actual.
(ML) decisiones. Métodos
simples, a) Caso de uso del Big data en el Análisis y Modelos
Aplicación: específicos dentro
adecuados para
Implementan del campo de la de Riesgo:
tareas
soluciones IA.
basadas en datos Aplicación:
específicas. Las empresas financieras y entidades crediticias emplean
Utiliza redes tecnologías de Big Data junto con Data Warehouses para
para obtener Utilizan datos para
neuronales realizar análisis detallados de grandes volúmenes de datos
información aprender patrones
profundas.
valiosa. y realizar tareas transaccionales. Este enfoque les permite evaluar el riesgo y
Aplicación:
Deep específicas. la exposición de los activos financieros, utilizando escenarios
Tareas
Learning
(DL)
complejas como "qué pasaría si" basados en simulaciones de mercado para
reconocimiento anticipar desafíos y oportunidades. [11]
de voz, visión
por El objetivo principal es calificar el riesgo de clientes
computadora. potenciales que solicitan préstamos. Al analizar patrones en
Fig. 1. Cuadro comparativo diferenciador. los datos financieros, estas instituciones identifican
tendencias, prevén comportamientos y mejoran la precisión en
la evaluación del riesgo crediticio. Esto no solo mitiga
pérdidas potenciales, sino que también respalda decisiones
informadas en el ámbito financiero. La capacidad de procesar
V. CASOS DE USO grandes cantidades de datos en tiempo real permite reacciones
Estas tecnologías emergentes están transformando ágiles a las fluctuaciones del mercado y cambios económicos,
radicalmente la manera en que las organizaciones abordan sus siendo crucial para optimizar la gestión financiera y garantizar
desafíos y aprovechan nuevas oportunidades. Estas una evaluación más precisa y eficiente del riesgo crediticio.
herramientas ofrecen soluciones innovadoras en diversos
sectores, impulsando la eficiencia, la personalización y la
toma de decisiones inteligentes.
 b) Caso de Uso de la Inteligencia Artificial en Artificial es un campo más amplio que busca dotar a las
Asistentes de Voz, Chatbots e IA Conversacional: máquinas de capacidades inteligentes, abarcando tanto
Las herramientas de Inteligencia Artificial (IA) Machine Learning como Deep Learning.
conversacional, como chatbots y asistentes de voz, están
siendo ampliamente adoptadas debido a su accesibilidad y Además, el Machine Learning representa una etapa
capacidad para brindar soporte eficiente a los clientes. específica dentro de la IA, focalizándose en el desarrollo de
Ejemplos destacados incluyen el uso de un asistente de algoritmos que aprenden de datos para realizar tareas
maquillaje con voz por parte de Estée Lauder, diseñado para específicas. Mientras tanto, Deep Learning, una rama más
ayudar a personas con discapacidad visual a aplicarse avanzada del ML, se distingue por el uso de redes neuronales
maquillaje. profundas para abordar problemas complejos como
Por otro lado, empresas como Pentagon Credit Union reconocimiento de patrones y procesamiento de datos no
(PenFed) emplean chatbots e IA conversacional para estructurados.
proporcionar respuestas rápidas a preguntas comunes,
aliviando la carga de los representantes de servicio al cliente En el entorno tecnológico actual, estos conceptos no
y mejorando la eficiencia en la atención al cliente. [16] Este operan de manera aislada, sino que se complementan en casos
caso ilustra cómo la IA conversacional beneficia tanto a la de uso integrados. Por ejemplo, en la creación de asistentes
accesibilidad como a la eficiencia en diversas aplicaciones, virtuales, el Big Data administra grandes conjuntos de datos,
desde la asistencia personalizada hasta la atención al cliente la IA proporciona inteligencia general, y ML/DL permiten el
ágil. aprendizaje y la mejora continua de las respuestas.

c) Caso de Uso de Machine Learning en la Fácil En comparación, Big Data, Inteligencia Artificial
identificación de actividades fraudulentas en línea: (IA), Machine Learning (ML) y Deep Learning (DL) son
elementos interconectados que, aunque comparten ciertos
La identificación de actividades fraudulentas en línea
aspectos, se distinguen por sus enfoques y aplicaciones
es un problema global que resulta en pérdidas significativas
específicas en el ámbito tecnológico.
de dinero. [2] Las aplicaciones tradicionales de seguridad en
En la práctica, estas tecnologías colaboran de
línea a menudo no pueden seguir el ritmo de las tácticas
manera sinérgica. Por ejemplo, en el despliegue de sistemas
cambiantes de los agentes maliciosos.
de asistentes virtuales, el Big Data administra grandes
conjuntos de datos, la IA proporciona inteligencia general
La detección de fraudes mediante Machine Learning
para entender las consultas, y ML/DL permiten el aprendizaje
[14] se destaca en este contexto por tres razones clave:
y la mejora continua de las respuestas. Esta colaboración
aprovecha conjuntos de datos ricos en información, logra
estratégica resalta cómo estas herramientas no compiten, sino
resultados difíciles de obtener solo con recursos humanos y
que se complementan, permitiendo avances significativos en
ofrece resultados fácilmente cuantificables en términos
la eficiencia y la capacidad de análisis en diversos escenarios.
financieros, lo que facilita la aprobación ejecutiva para la
implementación de Machine Learning en toda la
organización.
En última instancia, esta combinación estratégica de
Big Data, IA, Machine Learning y Deep Learning impulsa
d) Caso de Uso de Deep Learning en Mejora de avances significativos en diversas aplicaciones, desde la toma
Diagnósticos Médicos basados en Imágenes: de decisiones empresariales hasta el desarrollo de tecnologías
El Deep Learning ha revolucionado la mejora de innovadoras.
diagnósticos médicos, especialmente en el ámbito de
imágenes médicas. [15] En este caso de uso, al implementar
redes neuronales profundas, se logra un avance significativo
en la precisión y rapidez de los diagnósticos. REFERENCES

En el ámbito de la salud no solo mejora la precisión de [1] Apd, R. (2023, 6 julio). ¿Qué es machine learning y para qué sirve?
los diagnósticos basados en imágenes, sino que también APD España. https://www.apd.es/que-es-machine-learning/
transforma la forma en que se abordan y tratan las [2] AWS. (2021). Seis casos de uso principales de Machine Learning
[Digital]. AWS Machine Learning, 1. https://d1.awsstatic.com/psc-
enfermedades, generando un impacto positivo en la atención digital/2021/gc-400/3-leading-machine-learning-use-
médica. cases/AWS_Leading_Machine_Learning_Use_Cases_eBook_ESXL.
pdf
[3] Bustamante, M. (2023, 29 marzo). Big Data: definición, características
VI. CONCLUSIONES y tecnologías | 2023. Maestrías y MBA Online.
https://posgradosadistancia.com.ar/big-data-definicion-caracteristicas-
y-tecnologias-
En conclusión, Big Data, Inteligencia Artificial principales/#Caracteristicas_Principales_de_los_grandes_volumenes_
(IA), Machine Learning (ML) y Deep Learning (DL) son de_datos_o_BigData
elementos cruciales en el panorama tecnológico actual, cada [4] Castaño, J. P. (2018, 14 agosto). Analítica de datos, inteligencia
artificial y Big data en la banca | OpenMind. OpenMind.
uno con roles distintos y contribuciones específicas. Big Data https://www.bbvaopenmind.com/economia/finanzas/analitica-de-
se destaca por su capacidad para gestionar y procesar grandes datos-inteligencia-artificial-y-big-data-en-la-banca/
volúmenes de datos, proporcionando la base necesaria para [5] Gil, S. A. C., & Ecardenasg. (2023, 25 marzo). La inteligencia
extraer información valiosa. Por otro lado, la Inteligencia artificial: definición, características y aplicaciones. Portal de noticias
 de tecnología, Realidad Virtual, Aumentada y Mixta, Videojuegos. [12] Macanudo, A. (2023, 12 marzo). ¿Qué es el big data y cuáles son sus
https://niixer.com/index.php/2023/03/19/la-inteligencia-artificial-sus- beneficios? Escuela de Postgrado de la Universidad Católica San
diferentes-caracteristicas-funcionalidades-y-sus-aplicaciones-mas- Pablo. https://postgrado.ucsp.edu.pe/articulos/que-es-big-
reconocidas/ data/#Definicion_de_big_data
[6] Gillis, A. S., Burns, E., & Brush, K. (2023, 27 julio). Deep learning. [13] Orellana Alvear, J. (2022). ¿Qué es machine learning y por qué es tan
Enterprise AI. popular?
https://www.techtarget.com/searchenterpriseai/definition/deep- https://www2.ucuenca.edu.ec/component/content/article/233-
learning-deep-neural-network espanol/investigacion/blog-de-ciencia/1222-machine-
[7] Google Cloud. (s. f.). ¿Qué es la inteligencia artificial o IA? learning?Itemid=437
https://cloud.google.com/learn/what-is-artificial-intelligence?hl=es- [14] SAP. (s. f.). ¿Qué es Machine Learning? SAP| Definición, tipos y
419 ejemplos. https://www.sap.com/latinamerica/products/artificial-
[8] IBM. (s. f.-a). ¿Qué es la inteligencia artificial (IA)? intelligence/what-is-machine-learning.html
https://www.ibm.com/mx-es/topics/artificial-intelligence [15] UNIR. (2021, 19 octubre). Deep learning: en qué consiste, ejemplos y
[9] IBM. (s. f.-b). ¿Qué es machine learning? https://www.ibm.com/es- aplicaciones. UNIR REVISTA | INGENIERÍA Y TECNOLOGÍA.
es/topics/machine-learning https://www.unir.net/ingenieria/revista/deep-learning/
[10] Instituto de Ingeniería del Conocimiento. (2021, 14 julio). Big Data - [16] White, S. K. (2023, 20 septiembre). Los casos de uso e
expertos en IIC. https://www.iic.uam.es/big-data/ implementaciones de IA más populares en la empresa hoy en día. IDG
Communications S.A.U. https://www.ciospain.es/liderazgo--gestion-
[11] Kelly, J. (2023, 21 septiembre). Hadoop, Business Analytics and ti/los-casos-de-uso-e-implementaciones-de-ia-mas-populares-en-la-
Beyond; Big Data. https://www.evaluandosoftware.com/cloud- empresa-hoy-en-dia
computing/casos-uso-del-big-data/