Si vamos a iniciar un viaje a las entrañas del campo de la Inteligencia Artificial, antes
debemos conocer bien el terreno por el que nos estamos moviendo.
Y para eso necesitamos un mapa.
No me refiero a un mapa físico, sino a un mapa conceptual.
Tener claro en nuestra cabeza exactamente a qué nos referimos cuando hablamos de Inteligencia
Artificial, Machine Learning, Redes Neuronales, Big Data o Deep Learning.
Los conceptos que normalmente se solapan o se interpretan de manera diferente y que
al final acaban siendo utilizados con mucha confusión.
Vamos a verlos.
En realidad, intentar dar una definición exacta de lo que es la Inteligencia Artificial
es una tarea muy complicada.
Sobre todo porque es un concepto que depende de la propia definición de inteligencia,
que a día de hoy sigue teniendo múltiples interpretaciones.
Por esto mismo, sucede que cuando queremos intentar definir lo que es la Inteligencia
Artificial, nos encontramos también con muchos autores que la definen a su manera.
Si tomamos todas estas definiciones y extraemos una idea común, tenemos que la Inteligencia
Artificial es la subdisciplina del campo de la informática que busca la creación de
máquinas que puedan imitar comportamientos inteligentes.
Estos comportamientos pueden ser muy diversos, conducir, analizar patrones, reconocer voces
o ganar a juegos.
Hay muchas las formas en las que una máquina puede simular un comportamiento inteligente
y cada vez tenemos más ejemplos de cómo en ciertas áreas logran alcanzar un rendimiento
mayor al humano.
Pero eso las convierte más capaces que nosotros?
Bueno, no exactamente.
Coja cualquiera de estas guías que sobresalen en un dominio muy específico e intenta que
realice otra tarea.
Ya verás que el resultado que obtienes es desastroso.
Esta capacidad de poder realizar múltiples tareas es la que nos permite al mismo tiempo
pensar, ver, andar y hablar cuando por ejemplo vamos charlando por la calle con un amigo,
y es una característica muy codiciada que a día de hoy se sigue investigando en todos
los departamentos de Inteligencia Artificial.
Esto nos lleva a una primera clasificación de los tipos de guías, débiles y fuertes.
Hablamos de que una Inteligencia Artificial es débil para referirnos a aquellos sistemas
que únicamente pueden cumplir con un conjunto muy limitado de tareas.
Por ejemplo, por mucho que hayas enseñado tu robot a caminar, como intentes hacer algo
diferente como chutar una pelota, puede que no obtengas el resultado esperado.
Por el contrario, las fuertes hacen referencia a aquellas guías que son capaces de aplicarse
a una gran variedad de problemas y dominios diferentes.
Tienes que saber que a día de hoy todas nuestras guías todavía se clasifican en el primer
grupo, por mucho que Hollywood haya llegado al segundo hace ya muchos años.
Volvamos de nuevo a la definición de antes.
Es importante remarcar lo de imitar comportamientos inteligentes, porque es la clave para entender
el resto de conceptos que vamos a tratar.
Fíjate que imitar no significa que dicho comportamiento sea en esencia un comportamiento cognitivo,
es decir, yo puedo programar de manera clásica los movimientos de un brazo robótico para
que siempre realicen un mismo movimiento.
Eso en principio no parece muy inteligente ya que la lógica del movimiento la he programado
yo, pero sin embargo, esto encaja dentro de la definición que he motado ya que en apariencia
la máquina realiza un comportamiento inteligente.
Visto así, dentro del campo de la inteligencia artificial podemos encontrarnos diferentes
subcategorías que responden a diferentes comportamientos inteligentes.
Por ejemplo, como acabamos de mencionar, si nos fijamos en la capacidad de moverse y adaptarse
al entorno, tratamos con el campo de la robótica, o si nos referimos a la capacidad de entender
el lenguaje, tenemos el campo del Natural Language Processing, o la capacidad de poder
hablar, un campo en el que se estudia tanto la conversión de voz a texto, o la conversión
de texto a voz.
Todas estas capacidades conforman campos de estudios propios dentro del mundo de la inteligencia
artificial, pero sin embargo, si hay una capacidad que de verdad no define como agentes inteligentes,
es la capacidad de aprender, es decir, el Machine Learning.
El Machine Learning, o aprendizaje automático, es la rama de la inteligencia artificial que
estudia cómo dotar a las máquinas de capacidad de aprendizaje, entendido este como la generalización
del conocimiento a partir de un conjunto de experiencias.
Aprendizaje, como ya expliqué en un video anterior, puede dividirse entre grupos diferentes,
aprendizaje supervisado, no supervisado y reforzado.
Por tanto, ya tenemos claro que el Machine Learning es una disciplina dentro del campo
de la inteligencia artificial, pero no es una disciplina cualquiera, es un componente nuclear
que de hecho se relaciona y conecta con el resto de categorías.
¿Por qué?
Porque obviamente, todas las otras capacidades pueden ser imitadas ya sea porque alguien
las haya programado o mucho más interesante porque el propio sistema haya aprendido a
realizarlas.
¿Lo vas pillando?
Una cosa es programar una máquina para que pueda moverse, y otra muy diferente es programarla
para que aprenda a moverse.
Igualmente no es lo mismo programar qué elementos conforman una cara que automáticamente aprender
qué es una cara.
Este cambio de paradigma es lo que hace interesante al Machine Learning, y por ello es muy común
confundir la parte por el todo y decir que la inteligencia artificial y el Machine Learning
es la misma cosa.
Cuanto suerte, tú ya sabes la diferencia.
Dentro del Machine Learning nos encontramos con un nuevo mundo, donde existen diferentes
técnicas que sirven para cubrir diferentes tipos de aplicaciones.
Por ejemplo, tenemos técnicas como los árboles de decisión, modelos de regresión, modelos
de clasificación, técnicas de clasterización y muchísimas otras más.
Sin embargo, si una de estas técnicas ha dado fama al campo del Machine Learning durante
la última década, esta ha sido las redes neuronales.
Lo interesante de las redes neuronales es que son capaces de aprender de forma jerarquizada.
Es decir, la información se aprende por niveles, donde en las primeras capas se aprenden conceptos
muy concretos, como por ejemplo, que es un tornillo, un espejo, una rueda, y en las capas
posteriores se usa la información aprendida previamente para aprender conceptos más abstractos,
por ejemplo un coche, un camión, una moto.
Esto hace que a medida que añadimos más capas, la información que se aprende es cada vez
más abstracta e interesante.
¿Y cuántas capas podemos poner?
Pues no hay límite.
Y la tendencia es que cada vez estos algoritmos añadan más y más capas, convirtiéndose
en algoritmos cada vez más complejos.
Este incremento en el número de capas y en la complejidad es lo que hace que estos algoritmos
sean conocidos como algoritmos de Deep Learning.
Seguro que esto del Deep Learning, o Aprendizaje Profundo, ya los he escuchado antes, y es
que es un concepto que se ha puesto muy de moda en los últimos años.
Pero ¿en realidad necesitamos estas técnicas tan complejas?
Pues la realidad es que sí.
Piensa que estas técnicas se entrenan y aprenden a partir de los datos, y actualmente nos encontramos
inmersos en la era de la información.
Con la llegada de la digitalización, el abaratamiento de los dispositivos de almacenamiento y un
cambio de mentalidad a la hora de apreciar el valor de los datos, hemos entrado en una
tendencia de acumular más y más datos, lo que se ha denominado Big Data.
Por tanto y para resumir, tenemos que el Big Data hace referencia al fenómeno de acumular
grandes cantidades de datos, aunque también se suele utilizar para referirse al proceso
de análisis de todos estos datos desde el momento en el que los capturas hasta que los
transformas en conocimiento.
Para esto, se requieren de potentes y complejas técnicas, como por ejemplo, técnicas de
Deep Learning.
Estas no son más que una versión vitaminada de las redes neuronales, una familia de algoritmos
de aprendizaje automático que han dado un nuevo resurgir al campo del Machine Learning,
y por tanto, al campo de la Inteligencia Artificial.
Ahora ya está claro.