Inteligencia artificial: la inteligencia artificial es básicamente el mecanismo para incorporar la inteligencia humana en las máquinas a través de un conjunto de reglas (algoritmo). AI es una combinación de dos palabras: «Artificial» que significa algo hecho por humanos o cosas no naturales e «Inteligencia» que significa la capacidad de comprender o pensar en consecuencia. Otra definición podría ser que «IA es básicamente el estudio de entrenar su máquina (computadoras) para imitar un cerebro humano y sus capacidades de pensamiento» . La IA se centra en 3 aspectos principales (habilidades): aprendizaje, razonamiento y autocorrección para obtener la máxima eficiencia posible.
Aprendizaje automático: el aprendizaje automático es básicamente el estudio/proceso que proporciona al sistema (computadora) aprender automáticamente por sí mismo a través de las experiencias que tuvo y mejorar en consecuencia sin ser programado explícitamente. ML es una aplicación o subconjunto de AI. ML se enfoca en el desarrollo de programas para que pueda acceder a los datos para usarlos por sí mismos. Todo el proceso hace observaciones sobre los datos para identificar los posibles patrones que se están formando y tomar mejores decisiones futuras según los ejemplos que se les proporcionan. El objetivo principal de ML es permitir que los sistemas aprendan por sí mismos a través de la experiencia sin ningún tipo de intervención o asistencia humana.
Aprendizaje profundo: el aprendizaje profundo es básicamente una subparte de la familia más amplia de aprendizaje automático que utiliza redes neuronales (similares a las neuronas que funcionan en nuestro cerebro) para imitar el comportamiento similar al del cerebro humano. Los algoritmos de DL se enfocan en el mecanismo de patrones de procesamiento de información para posiblemente identificar los patrones tal como lo hace nuestro cerebro humano y clasificar la información en consecuencia. DL funciona en conjuntos de datos más grandes en comparación con ML y el mecanismo de predicción es autoadministrado por máquinas .
A continuación se muestra una tabla de diferencias entre Inteligencia Artificial, Machine Learning y Deep Learning:
Inteligencia artificial | Aprendizaje automático | Aprendizaje profundo |
---|---|---|
AI significa Inteligencia Artificial, y es básicamente el estudio/proceso que permite a las máquinas imitar el comportamiento humano a través de un algoritmo particular. | ML significa Machine Learning, y es el estudio que utiliza métodos estadísticos que permiten a las máquinas mejorar con la experiencia. | DL significa Aprendizaje Profundo, y es el estudio que hace uso de Redes Neuronales (similares a las neuronas presentes en el cerebro humano) para imitar la funcionalidad como un cerebro humano. |
AI es la familia más amplia que consta de ML y DL como sus componentes. | ML es el subconjunto de AI. | DL es el subconjunto de ML. |
La IA es un algoritmo informático que exhibe inteligencia a través de la toma de decisiones. | ML es un algoritmo de IA que permite que el sistema aprenda de los datos. | DL es un algoritmo ML que utiliza redes neuronales profundas (más de una capa) para analizar datos y proporcionar resultados en consecuencia. |
Los árboles de búsqueda y muchas matemáticas complejas están involucradas en la IA. | Si tiene una idea clara sobre la lógica (matemática) involucrada detrás y puede visualizar las funcionalidades complejas como K-Mean, Support Vector Machines, etc., entonces define el aspecto ML. | Si tiene claras las matemáticas involucradas pero no tiene idea de las funciones, por lo que divide las funcionalidades complejas en funciones lineales / de menor dimensión agregando más capas, entonces define el aspecto DL. |
El objetivo es básicamente aumentar las posibilidades de éxito y no de precisión. | El objetivo es aumentar la precisión sin preocuparse mucho por la tasa de éxito. | Alcanza el rango más alto en términos de precisión cuando se entrena con una gran cantidad de datos. |
Tres amplias categorías/tipos de IA son: Inteligencia Artificial Estrecha (ANI), Inteligencia Artificial General (AGI) y Súper Inteligencia Artificial (ASI) | Tres amplias categorías/tipos de ML son: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo | DL se puede considerar como redes neuronales con una gran cantidad de capas de parámetros que se encuentran en una de las cuatro arquitecturas de red fundamentales: redes preentrenadas no supervisadas, redes neuronales convolucionales, redes neuronales recurrentes y redes neuronales recursivas. |
La eficiencia de AI es básicamente la eficiencia proporcionada por ML y DL respectivamente. | Menos eficiente que DL, ya que no puede funcionar para dimensiones más largas o una mayor cantidad de datos. | Más potente que ML, ya que puede funcionar fácilmente para conjuntos de datos más grandes. |
Los ejemplos de aplicaciones de IA incluyen: predicciones impulsadas por IA de Google, aplicaciones de viajes compartidos como Uber y Lyft, vuelos comerciales que utilizan un piloto automático de IA, etc. | Ejemplos de aplicaciones ML incluyen: Asistentes personales virtuales: Siri, Alexa, Google, etc., Spam de correo electrónico y filtrado de malware. | Ejemplos de aplicaciones DL incluyen: agregación de noticias basadas en sentimientos, análisis de imágenes y generación de subtítulos, etc. |
Publicación traducida automáticamente
Artículo escrito por maansi_gupta y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA