[Link]
com/blog/whats-difference-artificial-intelligence-machine-learning-
deep-learning-ai/
¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático y
aprendizaje profundo?
julio 29, 2016 por Michael Copeland
Esta es la primera de una serie de varias partes que explican los fundamentos del
aprendizaje profundo por el veterano periodista de tecnología Michael Copeland.
La inteligencia artificial es el futuro. La inteligencia artificial es ciencia ficción. La
inteligencia artificial ya forma parte de nuestro día a día. Todas esas afirmaciones son
ciertas, solo depende del tipo de IA al que se refiera.
Por ejemplo, cuando el programa AlphaGo de Google DeepMind derrotó al maestro
surcoreano Lee Se-dol en el juego de mesa Go a principios de este año, los términos IA,
aprendizaje automático y aprendizaje profundo se utilizaron en los medios de
comunicación para describir cómo ganó DeepMind. Y los tres son parte de la razón por la
que AlphaGo derrotó a Lee Se-Dol. Pero no son lo mismo.
La forma más fácil de pensar en su relación es visualizarlos como círculos concéntricos
con la IA, la idea que surgió primero, la más grande, luego el aprendizaje automático, que
floreció más tarde, y finalmente el aprendizaje profundo, que está impulsando la explosión
actual de la IA, encajando dentro de ambos.
De la quiebra al boom
La IA ha formado parte de nuestra imaginación y se ha cocinado a fuego lento en los
laboratorios de investigación desde que un puñado de informáticos se unieron en torno al
término en las Conferencias de Dartmouth en 1956 y dieron origen al campo de la IA. En las
décadas transcurridas desde entonces, la IA ha sido anunciada alternativamente como la
clave para el futuro más brillante de nuestra civilización, y arrojada a la basura de la
tecnología como una noción descabellada de hélices que se extralimitan. Francamente,
hasta 2012, era un poco de ambas cosas.
[Link]
deep-learning-ai/
En los últimos años, la IA se ha disparado, y especialmente desde 2015. Gran parte de eso
tiene que ver con la amplia disponibilidad de GPU que hacen que el procesamiento paralelo
sea cada vez más rápido, barato y potente. También tiene que ver con el doble golpe
simultáneo de almacenamiento prácticamente infinito y una avalancha de datos de todo
tipo (todo ese movimiento de Big Data): imágenes, texto, transacciones, datos de mapeo,
lo que sea.
Repasemos cómo los informáticos han pasado de ser una especie de fracaso, hasta 2012,
a un auge que ha desatado aplicaciones utilizadas por cientos de millones de personas
todos los días.
Inteligencia artificial: inteligencia humana exhibida por las máquinas
Los programas informáticos que jugaban a las damas fueron algunos de los primeros
ejemplos de inteligencia artificial, lo que provocó una primera ola de entusiasmo en la
década de 1950.
En aquella conferencia del verano de 1956, el sueño de aquellos pioneros de la IA era
construir máquinas complejas, habilitadas por ordenadores emergentes, que poseyeran
las mismas características de la inteligencia humana. Este es el concepto que
consideramos como "IA general": máquinas fabulosas que tienen todos nuestros sentidos
(tal vez incluso más), toda nuestra razón y piensan igual que nosotros. Has visto estas
máquinas sin cesar en las películas como amigo (C-3PO) y enemigo (Terminator). Las
máquinas de IA general han permanecido en las películas y novelas de ciencia ficción por
una buena razón; No podemos lograrlo, al menos no todavía.
Lo que podemos hacer entra dentro del concepto de "IA estrecha". Tecnologías que son
capaces de realizar tareas específicas tan bien o mejor que los humanos. Ejemplos de IA
limitada son cosas como la clasificación de imágenes en un servicio como Pinterest y el
reconocimiento facial en Facebook.
[Link]
deep-learning-ai/
Esos son ejemplos de IA estrecha en la práctica. Estas tecnologías exhiben algunas facetas
de la inteligencia humana. ¿Pero cómo? ¿De dónde viene esa inteligencia? Eso nos lleva al
siguiente círculo, el aprendizaje automático.
Aprendizaje automático: un enfoque para lograr la inteligencia artificial
Dieta libre de spam: el aprendizaje automático ayuda a mantener tu bandeja de entrada
(relativamente) libre de spam.
El aprendizaje automático en su forma más básica es la práctica de usar algoritmos para
analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo
en el mundo. Por lo tanto, en lugar de codificar a mano rutinas de software con un conjunto
específico de instrucciones para realizar una tarea en particular, la máquina se "entrena"
utilizando grandes cantidades de datos y algoritmos que le dan la capacidad de aprender a
realizar la tarea.
El aprendizaje automático provino directamente de las mentes de los primeros grupos de
IA, y los enfoques algorítmicos a lo largo de los años incluyeron el aprendizaje del árbol de
decisiones y la programación lógica inductiva. clustering, reinforcement learning y redes
bayesianas, entre otros. Como sabemos, ninguno logró el objetivo final de la IA general, e
incluso la IA estrecha estaba en su mayoría fuera del alcance con los primeros enfoques de
aprendizaje automático.
Para obtener más información sobre el aprendizaje profundo, escucha el episodio 113
de nuestro podcast de IA con Will Ramey de NVIDIA
El podcast de IA · Desmitificando la IA con Will Ramey de NVIDIA – Ep. 113
Resultó que una de las mejores áreas de aplicación para el aprendizaje automático durante
muchos años fue la visión por computadora, aunque todavía requería una gran cantidad de
codificación manual para hacer el trabajo. La gente entraba y escribía clasificadores
codificados a mano, como filtros de detección de bordes, para que el programa pudiera
identificar dónde comenzaba y se detenía un objeto; detección de forma para determinar
si tenía ocho lados; un clasificador para reconocer las letras "S-T-O-P". A partir de todos
[Link]
deep-learning-ai/
esos clasificadores codificados a mano, desarrollarían algoritmos para dar sentido a la
imagen y "aprender" a determinar si se trataba de una señal de alto.
Bueno, pero no alucinantemente genial. Especialmente en un día de niebla cuando el
letrero no es perfectamente visible o un árbol oscurece parte de él. Hay una razón por la
que la visión por computadora y la detección de imágenes no se acercaron a rivalizar con
los humanos hasta hace muy poco, eran demasiado frágiles y demasiado propensas a
errores.
El tiempo y los algoritmos de aprendizaje adecuados marcaron la diferencia.
Deep Learning: una técnica para implementar el aprendizaje automático
Pastoreo de gatos: Seleccionar imágenes de gatos de videos de YouTube fue una de las
primeras demostraciones innovadoras de aprendizaje profundo.
Otro enfoque algorítmico de los primeros grupos de aprendizaje automático, las redes
neuronales artificiales, llegó y desapareció en su mayoría a lo largo de las décadas. Las
redes neuronales se inspiran en nuestra comprensión de la biología de nuestros cerebros,
es decir, en todas las interconexiones entre las neuronas. Pero, a diferencia de un cerebro
biológico donde cualquier neurona puede conectarse a cualquier otra neurona dentro de
una cierta distancia física, estas redes neuronales artificiales tienen capas, conexiones y
direcciones discretas de propagación de datos.
Podría, por ejemplo, tomar una imagen, cortarla en un montón de mosaicos que se
introducen en la primera capa de la red neuronal. En la primera capa, neuronas
individuales, luego pasa los datos a una segunda capa. La segunda capa de neuronas hace
su tarea, y así sucesivamente, hasta que se produce la capa final y la salida final.
Cada neurona asigna una ponderación a su entrada, es decir, qué tan correcta o incorrecta
es en relación con la tarea que se está realizando. A continuación, el resultado final se
[Link]
deep-learning-ai/
determina mediante el total de esas ponderaciones. Así que piensa en nuestro ejemplo de
la señal de stop. Los atributos de una imagen de señal de stop son cortados y "examinados"
por las neuronas: su forma octogonal, su color rojo de camión de bomberos, sus letras
distintivas, su tamaño de señal de tráfico y su movimiento o falta de él. La tarea de la red
neuronal es concluir si se trata de una señal de stop o no. Se le ocurre un "vector de
probabilidad", en realidad una suposición altamente educada, basada en la ponderación.
En nuestro ejemplo, el sistema podría estar 86% seguro de que la imagen es una señal de
alto, 7% seguro de que es una señal de límite de velocidad y 5% es una cometa atascada
en un árbol, y así sucesivamente, y la arquitectura de red le dice a la red neuronal si es
correcta o no.
Incluso este ejemplo se está adelantando, porque hasta hace poco las redes neuronales
eran prácticamente rechazadas por la comunidad de investigación de IA. Habían existido
desde los primeros días de la IA y habían producido muy poco en cuanto a "inteligencia". El
problema era que incluso las redes neuronales más básicas eran muy intensivas
computacionalmente, simplemente no era un enfoque práctico. Aun así, un pequeño grupo
de investigación herética dirigido por Geoffrey Hinton de la Universidad de Toronto siguió
adelante, finalmente paralelizando los algoritmos para que las supercomputadoras
funcionaran y probando el concepto, pero no fue hasta que se desplegaron las GPU en el
esfuerzo que la promesa se hizo realidad.
Si volvemos a nuestro ejemplo de la señal de stop, es muy probable que a medida que la
red se sintoniza o se "entrena", obtenga respuestas incorrectas, y mucho. Lo que necesita
es formación. Necesita ver cientos de miles, incluso millones de imágenes, hasta que las
ponderaciones de las entradas de las neuronas se ajusten con tanta precisión que obtenga
la respuesta correcta prácticamente siempre, con niebla o sin niebla, sol o lluvia. Es en ese
momento cuando la red neuronal se ha enseñado a sí misma cómo es una señal de stop; o
la cara de tu madre en el caso de Facebook; o un gato, que es lo que hizo Andrew Ng en
2012 en Google.
El avance de Ng fue tomar estas redes neuronales, y esencialmente hacerlas enormes,
aumentar las capas y las neuronas, y luego ejecutar cantidades masivas de datos a través
del sistema para entrenarlo. En el caso de Ng, fueron imágenes de 10 millones de videos de
YouTube. Ng puso el "profundo" en el aprendizaje profundo, que describe todas las capas
de estas redes neuronales.
Hoy en día, el reconocimiento de imágenes por parte de máquinas entrenadas a través del
aprendizaje profundo en algunos escenarios es mejor que el de los humanos, y eso abarca
desde los gatos hasta la identificación de indicadores de cáncer en la sangre y tumores en
las resonancias magnéticas. AlphaGo, de Google, aprendió el juego y se entrenó para su
partido de Go, ajustó su red neuronal, jugando contra sí mismo una y otra vez.
Gracias al aprendizaje profundo, la IA tiene un futuro brillante
El aprendizaje profundo ha permitido muchas aplicaciones prácticas del aprendizaje
automático y, por extensión, el campo general de la IA. El aprendizaje profundo divide las
tareas de manera que hace que todo tipo de asistencias de máquinas parezcan posibles,
incluso probables. Autos sin conductor, mejor atención médica preventiva, incluso
mejores recomendaciones de películas, todo está aquí hoy o en el horizonte. La IA es el
presente y el futuro. Con la ayuda del aprendizaje profundo, la IA puede incluso llegar a ese
[Link]
deep-learning-ai/
estado de ciencia ficción que hemos imaginado durante tanto tiempo. Tienes un C-3PO,
me lo llevo. Puedes quedarte con tu Terminator.
