Inteligencia Artificial / Machine Learning / Deep Learning
Mucho se habla hoy en día de la Inteligencia Artificial, el Machine Learning y el Deep Learning, pero ¿qué sabemos de estos términso? ¿tenemos claro cuáles son sus aplicaciones reales? ¿es algo futurístico a lo que tendremos que esperar o podemos ya implementarlos en nuestras plantas de producción?
Artificial Intelligence < Machine Learning < Deep Learning
Empecemos por la parte más grande del pastel, la Inteligencia Artificial.
La Inteligencia Artificial es la tecnología que se dedica a imitar acciones del comportamiento humano.
La IA no se centra solamente en tareas simples de movimiento, como ya conseguiría la robótica, sino que incorpora también procesos cognitivos de toma de decisiones, entendimiento del lenguaje y del entorno, identificación de relaciones, etc…
Para que exista IA es primordial disponer de datos. Estos son la base de todo modelo, ya que nos permitirán extraer conocimiento, analizarlo y finalmente arrojar unos resultados acordes al algoritmo que esté desarrollado.
La IA pues, abarca gran cantidad de campos y tiene tantas aplicaciones como podamos pensar. Desde reconocimiento facial, hasta la conducción autónoma, pasando por bots de conversación.
Como se ha mencionado, la base de todo se centra en los datos, por ello se requiere de una base de datos, lo más amplia posible, ya que, a mayor tamaño, mayores posibilidades de éxito conseguiremos. El desarrollo del “big data” ha llevado a que la inteligencia artificial, junto con “data analitics” o “data visualization”
Dentro de la IA, se encuentra un campo en continua expansión llamado Machine Learning.
El Machine Learning se basa en el uso de herramientas estadísticas que permitan a las máquinas ser capaz de mejorar por sí solas.
Un ejemplo para entender cómo una máquina puede mejorar: el autocompletar.
Cuando escribimos el inicio de una palabra, la base de datos del ordenador/móvil incluye como posibilidades todas las palabras que empezarían con las letras que hemos marcado. Demasiadas posibilidades… ¿Cuál sugerir? El algoritmo tomará como base las palabras usadas con mayor frecuencia como primera aproximación, pero si una persona no usa la palabra sugerida, sino que utiliza otra, puede ser porque esta persona tiene mayor predilección por utilizar esa palabra. En consecuencia, el algoritmo ponderará positivamente palabras escritas en futuras sugerencias, mientras que ponderará negativamente las palabras que siendo sugeridas no se utilizaron.
Existen tres tipos de Machine Learning dependiendo de qué es lo que queramos conseguir con el algoritmo.
Supervisado → se basa en predicciones. De una base de datos inicial, se va a intentar saber qué valores presentaría un nuevo dato desconocido. Existen tres modelos: Linear regression / Random forest / Support vector machine
No supervisado → no existe un dato de salida o predicción. Sirven para entender el comportamiento de los datos y buscar asociaciones o patrones. Se buscan datos que actúen de forma semejante para categorizarlos y entender cómo funcionan, pudiendo tomar ventaja de este conocimiento. Existen tres modelos: Apriori Algo / K-Means Algo / Hierarchical clustering
Por Refuerzo → nuestra máquina no analiza datos directamente, sino que observándolos intenta tomar una decisión en base a un algoritmo. Una vez se comprueba si el algoritmo a dado un resultado correcto o no, el algoritmo se refuerza y se ponderan los pesos asignados a cada dato, para ajustar un modelo que justifique el nuevo dato.
Dentro del Machine Learning por refuerzo, existe un tipo de algoritmo, que destaca por encima de todos, el llamado Deep Learning.
El Deep Learning se basa en las redes neuronales
Estas redes neuronales son niveles de abstracción que permiten sacar conclusiones difíciles de obtener por otros métodos. Este modelo se basa en un proceso simplificado de comprobación de partes más pequeñas, que una vez unidas nos dan un resultado, que en un modelo entrenado, es el correcto.
La ventaja de este método es que nos permite dar solución a problemas en los que no es sencillo encontrar un algoritmo lógico para dar una respuesta. El ejemplo más típico es la “Image recognition” dónde en base a fotos de perros, podemos distinguir si una foto nueva es de un perro o no, ¡sin haber visto la foto del perro antes!
Este método es, aunque no entendible desde el punto de vista de qué está haciendo realmente el algoritmo, uno de los más potentes que existen, ya que cuando los datos de los que disponemos son muy cuantiosos, aumentan en rendimiento (a diferencia de otros métodos). El problema estriba en la necesidad de una gran cantidad de tiempo computacional y recursos de muy alto precio, todavía no disponibles para todas las empresas.
No obstante, debido al crecimiento exponencial de la capacidad de procesamiento, es cuestión de tiempo que este tipo de Machine Learning inunde todo lo que nos rodea.
