¿La definición más simple de machine learning? La práctica de enseñarle a una computadora cómo detectar patrones y hacer conexiones mostrándole un volumen masivo de datos. Así, en lugar de programar software para que cumpla una tarea específica, la máquina usa Big Data y algoritmos sofisticados para saber cómo realizar la tarea por sí misma.
El machine learning les permite a las aplicaciones “pensar” y hacer una determinación o proyección de manera independiente –yendo más allá de lo que pueden hacer las analíticas predictivas y las analíticas de Big Data, y en general más allá de lo que pueden hacer los humanos–. Un ejemplo popular de consumidor de machine learning es un motor de recomendaciones en un entorno de venta minorista on-line.
La inteligencia artificial, el machine learning y la capacitación profunda suelen ser intercambiables, pero no son lo mismo. En pocas palabras, la IA es el concepto más amplio de que las máquinas que pueden actuar de manera inteligente. El machine learning y la capacitación profunda son subconjuntos de la IA basados en la idea de que si se les da acceso a grandes volúmenes de datos, las máquinas pueden aprender por sí mismas.
La Capacitación Profunda o Deep Learning, en ocasiones conocida como computación cognitiva, es una forma avanzada de machine learning. Usa redes neurales de varios niveles (también conocidas como profundas) para simular procesos de pensamiento humano. Estas redes están hechas de pequeños nodos informáticos que imitan la sinapsis del cerebro humano. Usando conjuntos de datos y algoritmos sofisticados, las máquinas pueden ayudar a resolver problemas complejos y no lineales. La capacitación profunda es responsable de avances como el reconocimiento de voz de imagen además del procesamiento del lenguaje natural. Algunos ejemplos de capacitación profunda incluyen:
- Software de reconocimiento facial
- Autos que se conducen solos
- Dispositivos inteligentes de automatización de casas
Un ejemplo simple podría ser el siguiente:
Desea crear un programa para diferenciar entre manzanas y naranjas. Tiene datos que dicen que las naranjas pesan entre 150 y 200 g, y las manzanas entre 100 y 130 g. Además, las naranjas son ásperas y las manzanas lisas (que puedes representar como 0 o 1). Si tiene una fruta que pesa 115 g, y es pequeña, su programa puede determinar que probablemente sea una manzana. Viceversa, si la fruta es 175g y áspera, lo más probable es que sea una naranja. Cualquier cosa fuera de estos límites tampoco lo será.
¿Qué pasa ahora si tu fruta es lisa, pero solo 99 g? Probablemente sea una manzana, pero no para tu programa. Por lo tanto, cuantos más datos tenga, más precisos serán sus datos. Incluso podría usar suposiciones pasadas para ampliar sus propios datos. Está aprendiendo por sí mismo lo que es una naranja o una manzana.
Esto es Machine Learning.
La mayoría de las veces AI se refiere a un proceso que puede evaluar y reaccionar inteligentemente a su entorno. Un ajedrez de inteligencia artificial no evolucionará con el tiempo y mejorará. No aprenderá ajedrez desde cero. Se le dará un algoritmo para explorar el juego en busca de posibles movimientos buenos y está programado para poder evaluar el tablero actual, pero no tiene un aprendizaje orgánico. Una vez que inicias la IA, nunca cambiará su habilidad.
El Machine Learning involucra los patrones de aprendizaje de la computadora y el descubrimiento de sus propias soluciones a través de una amplia gama de estrategias y de prueba y error. AI puede hacer eso, pero solo es apto para describir computadoras a las que se les dice el método para encontrar la solución de antemano.
El aprendizaje automático es un subcampo de la investigación en AI. Es una herramienta en una caja de herramientas, pero AI no la necesita para todas las tareas y en algunas tareas es simplemente la herramienta incorrecta.