Una forma simple de entender el machine learning versus deep learning

Comprender los últimos avances en inteligencia artificial puede parecer abrumador, pero si está aprendiendo lo básico que le interesa, puede reducir muchas innovaciones de inteligencia artificial a dos conceptos: machine learning y deep learning. Estos términos a menudo parecen ser palabras de moda intercambiables, por lo tanto, es importante saber las diferencias.

Y esas diferencias deben ser conocidas: ejemplos de machine learning y deep learning están en todas partes. Es cómo Netflix sabe qué programa querrás ver a continuación, cómo Facebook sabe qué rostro está en una foto, qué hace que los autos sin conductor sean una realidad y cómo un representante de servicio al cliente sabrá si estás satisfecho con su ayuda incluso antes de realizar una encuesta de satisfacción del cliente.

Entonces, ¿cuáles son estos conceptos que dominan las conversaciones sobre inteligencia artificial y en qué se diferencian exactamente?

¿Qué es el machine learning?

Aquí hay una definición básica:

“Algoritmos que analizan datos, aprenden de esos datos y luego aplican lo que han aprendido para tomar decisiones informadas”

Un ejemplo sencillo de un algoritmo de machine learning es un servicio de transmisión de música a pedido. 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 un gusto musical similar. Esta técnica, que a menudo se promociona simplemente como IA, se utiliza en muchos servicios que ofrecen recomendaciones automatizadas.

El machine learning alimenta todo tipo de tareas automatizadas que abarcan múltiples industrias, desde empresas de seguridad de datos que persiguen malware hasta profesionales financieros que desean alertas para intercambios favorables. Los algoritmos de IA están programados para estar constantemente aprendiendo de una manera que simula como un asistente personal virtual, algo que hacen bastante bien.

El machine learning implica una gran cantidad de matemáticas y codificaciones complejas que, al final del día, cumplen una función mecánica de la misma manera que una linterna, un automóvil o una pantalla de computadora. Cuando decimos que algo es machine learning, significa que es algo que realiza una función con los datos que se le proporcionan y mejora progresivamente con el tiempo. Es como si tuvieras una linterna encendida cada vez que dijeras “está oscuro” , por lo que reconocería diferentes frases que contienen la palabra “oscuro” .

Ahora, la forma en que las máquinas pueden aprender nuevos trucos se vuelve realmente interesante (y emocionante) cuando comenzamos a hablar sobre el deep learning y las redes neuronales.

machine learning vs deep learning

En términos prácticos, el deep learning es solo un subconjunto del machine learning. De hecho, el deep learning técnicamente es machine learning 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 machine learning se vuelven progresivamente mejores en cualquiera que sea su función, pero aún necesitan algo de orientación. Si un algoritmo de IA devuelve una predicción inexacta, entonces un ingeniero debe intervenir y hacer ajustes. Con un modelo de deep learning, un algoritmo puede determinar por sí solo si una predicción es precisa o no a través de su propia red neuronal.

Volvamos al ejemplo de la linterna: podría programarse para encenderse cuando reconoce la señal audible de alguien que dice la palabra “oscuro” . A medida que continúa aprendiendo, podría encenderse con cualquier frase que contenga esa palabra. Ahora, si la linterna tenía un modelo de deep learning, podría descubrir que debería encenderse con las señales “No puedo ver” o “el interruptor de la luz no funciona” , tal vez en conjunto con un sensor de luz. Un modelo de deep learning puede aprender a través de su propio método de computación, una técnica que hace que parezca que tiene su propio cerebro.

¿Cómo funciona el deep learning?

Un modelo de deep learning está diseñado para analizar continuamente datos con una estructura lógica similar a como un humano sacaría conclusiones. Para lograr esto, las aplicaciones de deep learning utilizan una estructura en capas de algoritmos llamada red neuronal artificial (artificial neural network). El diseño de una red neuronal artificial está inspirado en la red neuronal biológica del cerebro humano, lo que lleva a un proceso de aprendizaje que es mucho más capaz que el de los modelos estándar de aprendizaje automático.

Es una perspectiva difícil asegurar que un modelo de deep learning no saque conclusiones incorrectas, como otros ejemplos de IA, requiere mucha capacitación para que los procesos de aprendizaje sean correctos. Pero cuando funciona como está previsto, el deep learning funcional a menudo se recibe como una maravilla científica que muchos consideran la columna vertebral de la verdadera inteligencia artificial.

Un gran ejemplo de deep learning es AlphaGo de Google. Google creó un programa de computadora con su propia red neuronal que aprendió a jugar el juego de tablero abstracto llamado Go, que es conocido por requerir un intelecto e intuición agudos. Al jugar contra jugadores profesionales de Go, el modelo de deep learning de AlphaGo aprendió a jugar a un nivel nunca antes visto en inteligencia artificial, y lo hizo sin que le dijeran cuándo debería hacer un movimiento específico (como requeriría un modelo de aprendizaje automático estándar). Causó un gran revuelo cuando AlphaGo derrotó a múltiples “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.

Para recapitular las diferencias entre los dos:

El machine learning utiliza algoritmos para analizar datos, aprender de esos datos y tomar decisiones informadas basadas en lo que ha aprendido.

El deep learning estructura algoritmos en capas para crear una “red neuronal artificial” que puede aprender y tomar decisiones inteligentes por sí mismo.

El deep learning es un subcampo del machine learning. Si bien ambos caen dentro de la amplia categoría de inteligencia artificial, el deep learning es lo que impulsa la inteligencia artificial más humana.

Una explicación simple
Lo entendemos, todo esto aún puede parecer complicado. La conclusión más fácil para comprender la diferencia entre el aprendizaje automático y el aprendizaje profundo es saber 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.

Los datos como combustible del futuro

Con la gran cantidad de datos producidos por la actual “Era de Big Data”, estamos obligados a ver innovaciones que ni siquiera podemos comprender, y potencialmente tan pronto como en los próximos diez años. Según los expertos, algunos de estos probablemente serán aplicaciones de aprendizaje profundo.

Andrew Ng, el científico jefe del principal motor de búsqueda de China, Baidu, y uno de los líderes del Proyecto Google Brain, compartió una gran analogía para el deep learning con Wired: “Creo que la IA es similar a construir un cohete. Necesitas un gran motor y mucho combustible. Si tiene un motor grande y una pequeña cantidad de combustible, no llegará a la órbita. Si tiene un motor pequeño y una tonelada de combustible, ni siquiera puede despegar. Para construir un cohete necesitas un gran motor y mucho combustible ”.

“La analogía con el deep learning es que el motor de cohete son los modelos de aprendizaje profundo y el combustible son las enormes cantidades de datos que podemos alimentar a estos algoritmos”.

Entonces, ¿qué significan el machine learning y el deep learning para el servicio al cliente?

Muchas de las aplicaciones actuales de IA en el servicio al cliente utilizan algoritmos de aprendizaje automático. Se utilizan para impulsar el autoservicio, aumentar la productividad del agente y hacer que los flujos de trabajo sean más confiables.

Los datos introducidos en esos algoritmos provienen de un flujo constante de consultas entrantes de clientes, que incluye un contexto relevante en los problemas que enfrentan los clientes. Agregar ese contexto 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 las aplicaciones más prácticas de IA relacionada con los negocios serán para el servicio al cliente.

Y a medida que el deep learning se vuelve más refinado, veremos aplicaciones de inteligencia artificial aún más avanzadas en el mundo.