INTELIGENCIA ARTIFICIAL (AI) Y MACHINE LEARNING (ML)
Les compartimos dos artículos que hablan de Inteligencia Artificial y Machine Learning ya que a ambas las veremos cada vez más seguido en nuestros trabajos.
================
¿CUÁL ES LA DIFERENCIA ENTRE INTELIGENCIA ARTIFICIAL (AI) Y MACHINE LEARNING (ML)?- by analytics10.com
¿CUÁL ES LA DIFERENCIA ENTRE INTELIGENCIA ARTIFICIAL (AI) Y MACHINE LEARNING (ML)?
machine-learning
25 ENE | ¿CUÁL ES LA DIFERENCIA ENTRE INTELIGENCIA ARTIFICIAL (AI) Y MACHINE LEARNING (ML)?
La Inteligencia Artificial (AI) y Machine Learning (ML) son dos palabras muy de moda en este momento, y a menudo parecen ser usadas indistintamente. No son exactamente lo mismo, pero la percepción de que lo son, puede conducir a una cierta confusión.
Ambos términos surgen con mucha frecuencia cuando el tema es Big Data, analytics y nuevas tendencias del cambio tecnológico en el último tiempo.
En resumen, la mejor respuesta es la siguiente:
Inteligencia Artificial es el concepto más amplio, en donde las máquinas son capaces de llevar a cabo las tareas de una manera considerada “inteligentes”, mientras que Machine Learning es una aplicación actual de la Inteligencia Artificial basada en la idea de que deberíamos ser capaces realmente de dar a las máquinas acceso a los datos y dejarles aprender por sí mismos, es decir, algoritmos que hacen a las máquinas más inteligentes. En resumen:
“El activador de la inteligencia artificial es el aprendizaje automático”
EN LOS INICIOS
La Inteligencia Artificial ha existido durante mucho tiempo, desde los mitos griegos que contienen historias de hombres mecánicos diseñados para imitar nuestro propio comportamiento. Las primeras computadoras europeas fueron concebidas como “máquinas lógicas” y mediante la reproducción de capacidades como la aritmética básica y la memoria, los ingenieros vieron una oportunidad de intentar crear cerebros mecánicos.
A medida que la tecnología y, sobre todo, nuestra comprensión de cómo funcionan nuestras mentes ha progresado, nuestro concepto de lo que constituye la Inteligencia Artificial ha cambiado. En lugar de realizar cálculos cada vez más complejos, el trabajo en el campo de la Inteligencia Artificial se ha concentrado en imitar los procesos en la toma de decisiones de los seres humanos y llevar a cabo las tareas de maneras cada vez más humanas.
Dentro de Inteligencia Artificial podemos clasificar en dos grupos fundamentales: aplicada o general. La aplicada es mucho más común: los sistemas diseñados para negociar inteligentemente acciones o maniobrar un vehículo autónomo caerían en esta categoría. Los generalizados son sistemas o dispositivos que en teoría pueden manejar cualquier tarea, son menos comunes, pero aquí es donde están sucediendo algunos de los avances más emocionantes de hoy. También es el área que ha llevado al desarrollo del Aprendizaje Automático.
EL ASCENSO DEL MACHINE LEARNING (o aprendizaje automático)
Dos importantes avances llevaron a la aparición del Machine Learning (o aprendizaje automático) como el vehículo que está impulsando el desarrollo de Inteligencia Artificial con la velocidad que tiene actualmente. Uno de ellos fue la realización, acreditada a Arthur Samuel en 1959, de que en lugar de enseñar a las computadoras todo lo que necesitan saber sobre el mundo y cómo llevar a cabo las tareas, podría ser posible enseñarles a aprender por sí mismos. El segundo, más recientemente, fue la aparición de Internet, y el enorme aumento en la cantidad de información digital que se genera, almacena y pone a disposición para el análisis.
Una vez que estas innovaciones estaban en su lugar, los ingenieros se dieron cuenta de que en lugar de enseñar a las computadoras y máquinas cómo hacer todo, sería mucho más eficiente enseñarles a pensar como seres humanos, y luego conectarlos a Internet para darles acceso a toda la información en el mundo.
REDES NEURONALES
El desarrollo de redes neuronales ha sido clave para enseñar a las computadoras a pensar y entender el mundo de la manera que lo hacemos, conservando las ventajas innatas que tienen sobre nosotros, como la velocidad, la precisión y la falta de sesgo. Una red neuronal es un sistema informático diseñado para trabajar clasificando la información de la misma manera que un cerebro humano. Se puede enseñar a reconocer, por ejemplo, imágenes, y clasificarlas según los elementos que contienen. Esencialmente trabaja en un sistema de probabilidad, basado en datos alimentados a él, es capaz de hacer declaraciones, decisiones o predicciones con un grado de certeza. La adición de un sistema de retroalimentación permite el “aprendizaje”, detectando si sus decisiones son correctas o incorrectas, lo que modifica el acercamiento que toma en el futuro.
Las aplicaciones de Aprendizaje Automático pueden leer texto y averiguar si la persona que lo escribió está haciendo una queja u ofreciendo felicitaciones. También pueden escuchar una pieza de música, decidir si es probable que haga feliz o triste a alguien, y encontrar otras piezas de música para que coincida con el estado de ánimo. En algunos casos, incluso pueden componer su propia música expresando los mismos temas, o que saben es probable que sea apreciado por los admiradores de la pieza original.
Estas son posibilidades que ofrecen los sistemas basados en Machine Learning (o aprendizaje automático) y redes neuronales. Gracias en gran parte a la ciencia ficción, también ha surgido la idea de que debemos ser capaces de comunicarnos e interactuar con dispositivos electrónicos e información digital, tan naturalmente como lo haríamos con otro ser humano. Con este fin, otro campo de Inteligencia Artificial, Natural Language Processing (NLP) se ha convertido en una fuente de innovación enormemente emocionante en los últimos años, y que depende mucho de Machine Learning (o aprendizaje automático). Las aplicaciones de Procesamiento de Lenguajes naturales (NLP) intentan entender la comunicación humana, ya sea escrita o hablada, y se comunican con nosotros utilizando un lenguaje similar. Machine Learning es utilizado para ayudar a las máquinas a comprender los variados matices del lenguaje humano y aprender a responder de una manera en que la audiencia probablemente comprenda.
Inteligencia Artificial y en particular hoy Machine Learning (o aprendizaje automático), tienen mucho que ofrecer. Con su promesa de automatizar las tareas cotidianas, así como ofrecer una visión creativa, las industrias de todos los sectores están obteniendo beneficios. Por lo tanto, es importante tener en cuenta que hoy son algo más, son productos que se están vendiendo de forma consistente y lucrativa. Sin duda, Machine Learning ha sido aprovechada como una oportunidad por los vendedores. Dado que la Inteligencia Artificial ha estado presente durante tanto tiempo, es posible que empezara a ser visto como un concepto más teórico, incluso antes de alcanzar su máximo potencial. Ha habido algunas falsas salidas a lo largo del camino a la “revolución de la Inteligencia Artificial”, y luego al término “Machine Learning” (o aprendizaje automático). Sin duda para los vendedores es algo nuevo, brillante, basado en el aquí y ahora, para ofrecer a sus clientes.
¿APLICACIÓN ACTUAL?
El hecho de que eventualmente desarrollemos humanos con inteligencia artificial a menudo ha sido tratado como algo de una inevitabilidad por los tecnólogos. Ciertamente, hoy estamos más cerca que nunca y estamos avanzando hacia ese objetivo con una velocidad cada vez mayor. Gran parte de los progresos emocionantes que hemos visto en los últimos años es gracias a los cambios fundamentales en la forma en que prevemos el trabajo de Inteligencia Artificial, que han sido provocados por Machine Learning (o aprendizaje automático).
Una aplicación de esto es Amelia, Robot de inteligencia artificial, quien puede participar en miles de conversaciones a la vez y responder de manera humana. ¿Qué pasará con los Call center? Probablemente disminuyan drásticamente en un futuro cercano.
Fuente:
https://www.analytics10.com/blog/cual-es-la-diferencia-entre-inteligencia-artificial-ai-y-machine-learning-ml/
Tags: Artificial intelligence and machine learning for executives (gz37), ai, inteligencia artificial, machine learning,
=======================
Diferencias entre la Inteligencia Artificial y el Machine Learning – By medium.com
La inversión en inteligencia artificial y machine learning crecerá de los 12.000 millones de dólares de 2017 hasta 57.600 millones en 2021. Aunque estas tecnologías emergentes van de la mano, suelen confundirse con regularidad y utilizarse como sinónimos. Aquí te explicaremos por qué no deben utilizarse indistintamente.
AI ≠ ML: destacando diferencias y similitudes
La inteligencia artificial es un área de la computación fundada oficialmente como una disciplina en 1956, en la Universidad de Dartmouth, en Nuevo Hampshire. A medida que avanza la tecnología y nacen múltiples derivados, los especialistas han hecho un esfuerzo en delimitarla o diferenciarla de sus vertientes. La IA como tecnología — o conjunto de tecnologías y herramientas — tiene por objeto la creación de máquinas inteligentes que funcionan y reaccionan como seres humanos. El reconocimiento de voz y los asistentes virtuales son ejemplos recientes de inteligencia artificial aplicada. McKinsey define a la inteligencia artificial como “la capacidad de una máquina para realizar funciones cognitivas que asociamos a la mente humana, como percibir, razonar, aprender, interactuar con el entorno y resolver problemas o incluso utilizar la creatividad”.
Qubole, Deep Learning: The latest trend in AI and ML
Como se puede ver en este diagrama, la inteligencia artificial es un concepto más amplio y abarcador que el machine learning. Cuando una máquina lleva a cabo tareas de manera “inteligente”, imitando funciones cognitivas de los humanos, se considera IA. El aprendizaje automático o machine learning es en cambio un subconjunto de la disciplina de inteligencia artificial, y se define como la capacidad que tienen las máquinas de recibir un conjunto de datos y aprender por sí mismas, cambiando y ajustando los algoritmos a medida que procesan información y conocen el entorno.
Gracias al big data y a la continua cantidad de información digital que producimos a diario, las máquinas pueden hacer predicciones precisas sin estar específicamente programadas para ello. Estas predicciones permiten, por ejemplo, recomendarnos productos de forma personalizada tras analizar nuestras compras o actividades anteriores en comercios electrónicos.
Machine learning: dos tipos de aprendizaje inteligente
Por su parte, el machine learning está formado por distintos tipos dependiendo de la respuesta o aprendizaje que se vaya a proporcionar. El supervised learning o aprendizaje supervisado se da cuando un algoritmo aprende a raíz de a los datos etiquetados y categorizados que proporcionamos los seres humanos. Posteriormente, las máquinas son capaces de generalizar y clasificar de forma automática, sin nuestra intervención, gracias al etiquetado. Con este tipo de aprendizaje, las máquinas extraen un conjunto de reglas que se “actualizan” y les ayudan a tomar decisiones.
Un ejemplo de aprendizaje supervisado que nos facilita la vida diaria es el filtrado automático que realiza nuestro e-mail, basado en información anterior que le hayamos ofrecido al sistema, que le permite categorizar correos como “bandeja de entrada” o “no deseado”.
Ronald van Loon, Machine Learning explained
En el caso del aprendizaje no supervisado o unsupervised machine learning, la máquina no necesita que los datos estén etiquetados ya que su objetivo es encontrar relaciones por sí misma, sacando conclusiones de los datos no estructurados para agruparlos por categorías. La máquina es así capaz de detectar similitudes, diferencias o anomalías en las variables y en base a esta información crear reglas o categorías.
Quora, What is the difference between supervised and unsupervised learning
Con el aumento de los dispositivos conectados y la expansión de las funcionalidades de la IA en entornos empresariales, tenemos cada vez más acceso a información y, junto a ella, una gran necesidad de administrarla y encontrarle una utilidad en la vida diaria. Herramientas como la inteligencia artificial — en su conjunto — o el machine learning nos ayudan a comprender mejor el mundo y a desarrollar aplicaciones que faciliten nuestra interacción con él. Existen ya tecnologías que permiten a máquinas realizar llamadas telefónicas con voces casi humanas, naturales, que pueden servir para programar citas de trabajo o incluso para asistir a personas con discapacidades en esta tarea. Es evidente: las aplicaciones de la IA son infinitas.
Aunque es pronto para predecir cómo exactamente la inteligencia artificial y el machine learning van a cambiar el mundo, no es arriesgado afirmar que serán parte crucial de nuestras estrategias empresariales y nuestro día a día. Las recomendaciones virtuales en base a nuestras series favoritas, la analítica predictiva en robots industriales, los resultados sugeridos de los motores de búsqueda o el software de reconocimiento de voz son solo unos pocos ejemplos del potencial real de estas tecnologías. Para conocer más casos reales de uso de la IA, indagar en las diferencias entre conceptos relacionados con esta tecnología emergente y descubrir cómo ayuda a construir empresas más inteligentes, en Oracle hemos creado experiencIA. En este programa para mujeres directivas viajaremos al centro de la inteligencia para lograr una sociedad mejor.
Fuente:
Tags: Artificial intelligence and machine learning for executives (gz37)