Irene Yu. @Skiplevel.co mayo de 2024 del boletín Skiplevel: Tech for Product Managers
Retrocedamos a marzo de 2016, cuando AlphaGo, una IA desarrollada por DeepMind, derrotó al campeón mundial de Go, Lee Sedol. Este fue un hito bastante significativo teniendo en cuenta que Go es un juego de mesa sumamente complejo, mucho más intrincado que el ajedrez, con más movimientos posibles que átomos en el universo. ¡Guau!
La victoria de AlphaGo fue un gran momento para la IA y recibió una considerable atención de los medios. Palabras de moda como IA, aprendizaje automático y aprendizaje profundo se utilizaron para describir cómo AlphaGo logró su hazaña. La mayoría de nosotros no entendíamos esas palabras en ese momento y, seamos honestos, la mayoría de nosotros tampoco las entendemos ahora.
Desde la victoria de AlphaGo y, sobre todo, desde el lanzamiento de ChatGPT en noviembre de 2022, la IA se ha convertido en parte de muchas de nuestras vidas diarias. De hecho, es probable que la IA desempeñe un papel aún más importante en nuestro futuro. Esto hace que sea aún más importante utilizar las palabras de moda correctamente.
Para empezar, debemos diferenciar entre IA, aprendizaje automático y aprendizaje profundo. Se pueden visualizar los tres como subconjuntos entre sí: el aprendizaje profundo es un subconjunto del aprendizaje automático, que a su vez es un subconjunto de la IA.
Una buena analogía es imaginar la IA como un medio de transporte que abarca todos los métodos de traslado de personas (por ejemplo, automóviles, trenes, bicicletas). El aprendizaje automático sería como los automóviles y el aprendizaje profundo, como los automóviles eléctricos.
La inteligencia artificial como concepto más amplio
IA, abreviatura de inteligencia artificial, es un término general para todas las tecnologías que tienen la capacidad de simular o imitar tareas cognitivas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento de voz, la toma de decisiones y la traducción de idiomas.
Por ejemplo, la traducción de idiomas tradicionalmente requiere traductores humanos capacitados capaces de comprender el contexto y los matices del idioma de origen, pero ahora puede realizarse de manera eficiente mediante inteligencia artificial como Google Translate.
El concepto de IA existe desde hace décadas, y las primeras teorías y experimentos se remontan a mediados del siglo XX. Desde el comienzo de la informática, todos los ordenadores son artificialmente inteligentes en algún nivel, capaces de realizar cálculos simples, como matemáticas, que antes solo podían realizar los humanos. Sin embargo, la velocidad, las capacidades y el rendimiento de los ordenadores han dado un salto cuántico en las últimas décadas, capaces de realizar tareas cognitivas avanzadas con el potencial de transformar varios aspectos de la sociedad actual.
TL;DR: Aprendizaje automático
ML, abreviatura de aprendizaje automático, es un subconjunto de la inteligencia artificial que desarrolla programas capaces de identificar datos y patrones a través del aprendizaje de un gran conjunto de datos estructurados o etiquetados; el caso de uso más popular es el reconocimiento de imágenes.
Por ejemplo, los modelos de aprendizaje automático pueden entrenarse para identificar si en una imagen aparece un perro. Estos modelos aprenden al recibir millones de imágenes etiquetadas como que contienen perros. Con el tiempo, los modelos comienzan a reconocer patrones e identifican si una imagen contiene un perro.
Aprendizaje automático (ML) frente a aprendizaje profundo (DL)
Tanto ML como DL se centran en el desarrollo de programas capaces de identificar datos y patrones, pero difieren en cómo procesan los datos y cómo extraen e identifican características.
En el aprendizaje automático tradicional, una persona identifica manualmente las características y etiqueta los datos antes de introducirlos en el modelo de aprendizaje automático . A partir de ahí, los modelos de aprendizaje automático se basan en algoritmos sencillos, como árboles de decisión, para aprender a identificar patrones. Los modelos de aprendizaje profundo son diferentes porque están diseñados para imitar la forma en que el cerebro humano procesa la información mediante redes neuronales artificiales conocidas como «redes neuronales profundas» que no requieren de un ser humano para la extracción manual de características.
Tomemos nuestro ejemplo anterior de identificación de la presencia de un perro en una imagen. Los humanos que entrenan un modelo de ML lo alimentarían con imágenes etiquetadas como «tiene perro» y «no tiene perro» y le darían características de identificación del automóvil como color, bordes, formas, etc. en un proceso conocido como «extracción de características». En un modelo de aprendizaje profundo, aún se requiere un gran conjunto de datos de imágenes etiquetadas, pero el proceso de extracción de características lo manejan automáticamente las redes neuronales profundas.
Algoritmo
- Aprendizaje automático: árboles de decisión, máquinas de vectores de soporte, k vecinos más cercanos
- Aprendizaje profundo: redes neuronales profundas
Extracción de características
- Aprendizaje automático: realizado manualmente por un humano
- Aprendizaje profundo: realizado mediante algoritmos
Conjuntos de datos y recursos computacionales
- Aprendizaje automático: requiere menos conjuntos de datos y recursos computacionales
- Aprendizaje profundo: la complejidad de las redes neuronales requiere más conjuntos de datos y mayores recursos computacionales
Aplicaciones en el mundo real
1. Aplicaciones del aprendizaje automático (ML)
- Filtrado de correo no deseado (por ejemplo, detección y filtrado automático de correos no deseados mediante algoritmos entrenados con datos etiquetados)
- Chatbots de atención al cliente (por ejemplo, que brindan respuestas automáticas a las consultas de los clientes según patrones aprendidos)
- Reconocimiento de voz (por ejemplo, transcripción del lenguaje hablado a texto en aplicaciones como Google Voice)
- Calificación crediticia (por ejemplo, evaluación de la solvencia de los solicitantes de préstamos mediante modelos predictivos)
2. Aplicaciones de aprendizaje profundo (DL)
- Reconocimiento de imágenes (por ejemplo, identificación de objetos, rostros y escenas en fotografías y vídeos)
- Procesamiento del lenguaje natural (PLN) (por ejemplo, Google Translate)
- Conducción autónoma (p. ej. Tesla, Cruise)
- Asistentes de voz (por ejemplo, Alexa, Siri)
3. Aplicaciones de la Inteligencia Artificial (IA)
Abarca todas las aplicaciones de ML y DL mencionadas anteriormente y cualquier otra que realice tareas que antes requerían inteligencia humana, incluidas:
- Chatbots basados en reglas: chatbots de IA simples que operan según reglas predefinidas y árboles de decisiones, en lugar de aprender de los datos.
- Sistemas de toma de decisiones automatizada: sistemas de IA utilizados en entornos legales o administrativos para aplicar reglas y regulaciones sin aprender de los datos (por ejemplo, software de preparación de impuestos).
- IA del juego: IA sin aprendizaje utilizada en videojuegos para controlar personajes no jugadores (NPC) mediante comportamientos programados y reglas predefinidas.
¡Vuélvase más técnico en solo 5 semanas, sin aprender a codificar! ¡También capacitamos a equipos! Obtenga más información en skiplevel.co/teams y programe una llamada conmigo para comenzar.
Skiplevel es un programa que ayuda a los gerentes de producto y a los equipos a volverse más técnicos sin tener que aprender a codificar.
