Esta es la conclusión más sencilla para comprender la diferencia entre el deep learning y el Machine learning: todo el aprendizaje profundo es aprendizaje automático, pero no todo el aprendizaje automático es aprendizaje profundo.
Comprender los últimos avances en inteligencia artificial (IA) puede parecer abrumador, pero si lo que le interesa es aprender los conceptos básicos, puede resumir muchas innovaciones de IA en dos conceptos: aprendizaje automático y aprendizaje profundo.
Los ejemplos de aprendizaje automático y aprendizaje profundo están en todas partes. Es lo que hace que los autos sin conductor sean una realidad, cómo Netflix sabe qué programa querrás ver a continuación y cómo Facebook reconoce de quién es la cara en una foto.
El aprendizaje automático y el aprendizaje profundo a menudo parecen palabras de moda intercambiables, pero existen diferencias entre ellos. Entonces, ¿cuáles son exactamente estos dos conceptos que dominan las conversaciones sobre IA y en qué se diferencian? Siga leyendo para averiguarlo.
Aprendizaje profundo versus aprendizaje automático
El primer paso para comprender la diferencia entre el aprendizaje automático y el aprendizaje profundo es reconocer que el aprendizaje profundo es aprendizaje automático.
Más específicamente, el aprendizaje profundo se considera una evolución del aprendizaje automático. Utiliza una red neuronal programable que permite a las máquinas tomar decisiones precisas sin la ayuda de humanos.
Pero para empezar, primero definamos el aprendizaje automático.
¿Qué es el aprendizaje automático?
Definición de aprendizaje automático: una aplicación de inteligencia artificial que incluye algoritmos que analizan datos, aprenden de esos datos y luego aplican lo que han aprendido para tomar decisiones informadas.
¿Cómo funciona el aprendizaje automático?
Un ejemplo sencillo de un algoritmo de aprendizaje automático es un servicio de transmisión de música bajo demanda. Para que el servicio tome una decisión sobre qué nuevas canciones o artistas recomendar a un oyente, los algoritmos de aprendizaje automático asocian las preferencias del oyente con otros oyentes que tienen gustos musicales similares. Esta técnica, que a menudo se promociona simplemente como IA, se utiliza en muchos servicios que ofrecen recomendaciones automatizadas.
El aprendizaje automático implica una gran cantidad de matemáticas y codificación complejas que, al final del día, cumplen la misma función mecánica que una linterna, un automóvil o una pantalla de computadora. Cuando decimos que algo es capaz de "aprendizaje automático", significa que realiza una función con los datos que se le proporcionan y mejora progresivamente con el tiempo. Es como si tuvieras una linterna que se enciende cada vez que dices: “Está oscuro”; reconocería diferentes frases que contienen la palabra "oscuro".
 |
| Inteligencia Artificial. |
El aprendizaje automático alimenta todo tipo de tareas automatizadas que abarcan múltiples industrias, desde empresas de seguridad de datos que buscan malware hasta profesionales financieros que desean alertas para transacciones favorables. Los algoritmos de IA están programados para aprender constantemente de una manera que simula un asistente personal virtual, algo que hacen bastante bien.
La forma en que las máquinas pueden aprender nuevos trucos se vuelve realmente interesante (y emocionante) cuando empezamos a hablar sobre el aprendizaje profundo y las redes neuronales profundas.
¿Qué es el aprendizaje profundo?
Definición de aprendizaje profundo: un subcampo del aprendizaje automático que estructura los algoritmos en capas para crear una "red neuronal artificial" que puede aprender y tomar decisiones inteligentes por sí misma.
¿Cómo funciona el aprendizaje profundo?
Un modelo de aprendizaje profundo está diseñado para analizar continuamente los datos con una estructura lógica similar a la forma en que un humano sacaría conclusiones. Para completar este análisis, las aplicaciones de aprendizaje profundo utilizan una estructura en capas de algoritmos llamada red neuronal artificial. El diseño de una red neuronal artificial está inspirado en la red biológica de neuronas en el cerebro humano, lo que lleva a un sistema de aprendizaje que es mucho más capaz que los modelos estándar de aprendizaje automático.
Es una perspectiva complicada asegurarse de que un modelo de aprendizaje profundo no saque conclusiones incorrectas; al igual que otros ejemplos de IA, requiere mucha capacitación para que los procesos de aprendizaje sean correctos. Pero cuando funciona según lo previsto, el aprendizaje profundo funcional a menudo se recibe como una maravilla científica que muchos consideran la columna vertebral de la verdadera inteligencia artificial.
Un buen ejemplo de aprendizaje profundo es AlphaGo de Google. Google creó un programa de computadora con su propia red neuronal que aprendió a jugar el juego de mesa abstracto Go, que es conocido por requerir intelecto e intuición agudos. Al jugar contra jugadores profesionales de Go, el modelo de aprendizaje profundo de AlphaGo aprendió a jugar a un nivel nunca antes visto en IA y lo hizo sin que se le dijera cuándo debía realizar un movimiento específico (como lo requeriría un modelo estándar de aprendizaje automático).
Causó un gran revuelo cuando AlphaGo derrotó a varios "maestros" del juego de renombre mundial: una máquina no solo podía comprender las técnicas complejas y los aspectos abstractos del juego, sino que también se estaba convirtiendo en uno de los mejores jugadores. Fue una batalla de inteligencia humana e inteligencia artificial, y esta última salió victoriosa.
Para casos de uso más prácticos, imagine una aplicación de reconocimiento de imágenes que pueda identificar un tipo de flor o una especie de ave basándose en una foto. Esa clasificación de imágenes está impulsada por una red neuronal profunda. El aprendizaje profundo también guía el reconocimiento y la traducción del habla y, literalmente, conduce automóviles autónomos.
La diferencia entre el aprendizaje automático y el aprendizaje profundo
En términos prácticos, el aprendizaje profundo es solo un subconjunto del aprendizaje automático. De hecho, el aprendizaje profundo es aprendizaje automático y funciona de manera similar (de ahí que los términos a veces se intercambien libremente). Sin embargo, sus capacidades son diferentes.
Si bien los modelos básicos de aprendizaje automático mejoran progresivamente en el desempeño de sus funciones específicas a medida que incorporan nuevos datos, todavía necesitan alguna intervención humana. Si un algoritmo de IA arroja una predicción inexacta, entonces un ingeniero debe intervenir y hacer ajustes. Con un modelo de aprendizaje profundo, un algoritmo puede determinar si una predicción es precisa o no a través de su propia red neuronal, sin necesidad de ayuda humana.
Volvamos al ejemplo de la linterna: podría programarse para que se encienda cuando reconozca la señal audible de alguien que dice la palabra "oscuro". A medida que continúa aprendiendo, eventualmente podría realizar esa tarea cuando escuche cualquier frase que contenga esa palabra en particular. Pero si la linterna tuviera un modelo de aprendizaje profundo, podría darse cuenta de que debería encenderse con las señales "No puedo ver" o "El interruptor de la luz no funciona", quizás junto con un sensor de luz.
 |
| Machine learning, Deep learning, IA. |
Un modelo de aprendizaje profundo puede aprender a través de su propio método informático, una técnica que hace que parezca que tiene su propio cerebro.
Los datos como combustible del futuro
Con la enorme cantidad de datos nuevos producidos por la actual "Era de Big Data", estamos obligados a ver innovaciones que ni siquiera podemos imaginar todavía. Según los expertos en ciencia de datos, algunos de estos avances probablemente serán aplicaciones de aprendizaje profundo.
Andrew Ng, ex científico jefe del principal motor de búsqueda de China, Baidu, y uno de los líderes del Google Brain Project, compartió una gran analogía para los modelos de aprendizaje profundo con Wired:
“Creo que la IA es similar a construir un cohete: se necesita un motor enorme y mucho combustible”, le dijo al periodista de Wired Caleb Garling. “Si tienes un motor grande y una pequeña cantidad de combustible, no llegarás a la órbita. Si tienes un motor diminuto y una tonelada de combustible, ni siquiera puedes despegar. Para construir un cohete, necesitas un motor enorme y mucho combustible. La analogía con el aprendizaje profundo es que el motor del cohete son los modelos de aprendizaje profundo y el combustible son las enormes cantidades de datos que podemos alimentar a estos algoritmos”.
Qué significan el aprendizaje automático y el aprendizaje profundo para el servicio al cliente
Muchas de las aplicaciones de inteligencia artificial actuales en el servicio al cliente utilizan algoritmos de aprendizaje automático. Se utilizan para impulsar el autoservicio, aumentar la productividad de los agentes y hacer que los flujos de trabajo sean más confiables.
Los datos que se introducen en esos algoritmos provienen de un flujo constante de consultas entrantes de los clientes, incluido el contexto relevante de los problemas que enfrentan los compradores. Agregar toda esa información en una aplicación de IA, a su vez, conduce a predicciones más rápidas y precisas. Esto ha hecho que la inteligencia artificial sea una perspectiva emocionante para muchas empresas, y los líderes de la industria especulan que los casos de uso más prácticos para la IA relacionada con los negocios serán para el servicio al cliente.
Por ejemplo, el aprendizaje automático y el aprendizaje profundo se utilizan para potenciar el procesamiento del lenguaje natural (NLP), una rama de la informática que permite a las computadoras comprender texto y voz. En el mundo de CX, Amazon Alexa y Siri de Apple son dos buenos ejemplos de "agentes virtuales" que pueden utilizar el reconocimiento de voz para responder a las preguntas de un consumidor.
Los chatbots de servicio al cliente impulsados por IA también utilizan los mismos métodos de aprendizaje para responder al texto escrito. Un gran ejemplo del mundo real es el chatbot de IA de Zendesk, Answer Bot, que incorpora un modelo de aprendizaje profundo para comprender el contexto de un ticket de soporte y saber qué artículos de ayuda debe sugerir a un cliente.
En resumen, las diferencias clave entre el aprendizaje automático y el aprendizaje profundo son:
- El aprendizaje automático utiliza algoritmos para analizar datos, aprender de esos datos y tomar decisiones informadas basadas en lo que ha aprendido.
- El aprendizaje profundo estructura los algoritmos en capas para crear una "red neuronal artificial" que puede aprender y tomar decisiones inteligentes por sí misma.
- El aprendizaje profundo es un subconjunto del aprendizaje automático. Si bien ambos se incluyen en la amplia categoría de inteligencia artificial, el aprendizaje profundo es lo que impulsa la IA más humana.
