Muchas personas consideran los términos Inteligencia Artificial (AI), Aprendizaje Automático (ML) y Aprendizaje Profundo (DL) como sinónimos. Esto está bastante lejos de la verdad, y hoy desmitificamos estos conceptos erróneos.
AI, ML y DL son las aplicaciones prácticas de varios modelos de análisis de datos y algoritmos para varios casos de uso en diferentes industrias. Si bien estas herramientas aún no pueden tomar decisiones morales o actuar como máquinas sensibles, tienen el potencial de generar más valor para cualquier negocio.
Esto se hace encontrando patrones previamente invisibles y prediciendo los posibles resultados de ciertas acciones. Esperamos que este artículo proporcione una mejor comprensión de las capacidades de AI, ML y DL. Y se convierta en su punto de partida en un viaje hacia el análisis de datos impulsado por AI.
El primer paso en este sentido se realizó a través de sistemas expertos, que Fue el primer intento de codificar los procesos de análisis de datos. Los expertos explicaron las reglas de algunos expertos en dominios.
Estos se codificaron posteriormente en los motores de reglas y se usaron para responder las preguntas.Sin embargo, esta estructura solo pudo funcionar de acuerdo con estas reglas predefinidas y no pudo mejorar con el tiempo.
Mantener actualizados los motores de reglas a medida que se agregan nuevos datos también es un esfuerzo engorroso y que requiere mucho esfuerzo. Sin embargo, los sistemas expertos todavía están bastante extendidos en salud y finanzas.
El siguiente paso hacia el aprendizaje automático se realizó cuando se introdujo la arquitectura moderna de la CPU de la computadora, seguida por las unidades de procesador gráfico (GPU).
El beneficio principal de las GPU es que permiten el procesamiento de datos en paralelo debido a que albergan miles de núcleos más pequeños. A diferencia del procesamiento en serie en varios núcleos de CPU más grandes. La evolución posterior de esta tecnología y la transición a la nube de todos los proyectos de uso intensivo de datos llevaron a un importante auge en el desarrollo de la IA.
Además, se utilizaron las herramientas de Big Data como Hadoop, Spark, Flink, Map Reduce y Cassandra garantiza que las empresas aprovechen sus capacidades de Big Data al máximo. Anteriormente, los datos se almacenaban en algún lugar y debían ser cargados en otro lugar para procesarlos.
Esto causó que la velocidad de transferencia de datos fuera el cuello de botella y fuera bastante costosa. El enfoque moderno significa almacenar los datos en la nube y dirigir el procesamiento a los datos, y no al revés. Esto es mucho más rentable, sin mencionar que es mucho más rápido.
Qué es la IA: algo grandioso que todavía no funciona
Ya hemos publicado un artículo que explica que la AI no está llegando Forma de robots inteligentes . De hecho, la IA ha sido un término general y una palabra de moda desde la introducción de la prueba de Turing. Los científicos se esforzaban por crear el intelecto en la máquina. Pero esto no debería haber sido una copia del intelecto humano.
La IA es un conjunto de algoritmos que aprenden y evolucionan con el tiempo, mejorando cada vez más su tarea. Pero son incapaces de tomar decisiones morales (no saben lo que es bueno o malo) o entender el valor del arte, o recibir un placer estético de la música.
En realidad, AI ahora es más un nombre clave para una nueva frontera en la mente de hombres. Cada nuevo aspecto de la teoría matemática gana su implementación práctica y deja de ser una IA.
Este fenómeno fue descrito por Ted Dunning, Ph.D., Arquitecto Jefe de Aplicaciones en MapR (proveedor de Hadoop para empresas), quien dijo que “ cuando algo no funciona, lo llamamos AI. Cuando comienza a funcionar correctamente, lo llamamos otra cosa “.
Qué es el Aprendizaje automático: la IA aplicada a Big Data Analytics
El Aprendizaje automático es el subconjunto de la tecnología de la IA que prosperó alrededor de los años ochenta. Su aplicación principal es la calidad y precisión cada vez mayores del análisis de big data.
Los algoritmos de ML encuentran patrones en los datos históricos y los modelos de ML entrenados siguen estos patrones para predecir las ideas valiosas en datos nuevos.
Hay dos subdominios principales del dominio de aprendizaje de ML:
Aprendizaje supervisado y aprendizaje no supervisado.
- Supervisado learning utiliza etiquetas de datos (tanto los ingresos como los datos de salida se proporcionan al algoritmo) creados por los humanos para estructurar los datos. Los modelos de ML en esta categoría incluyen bosques de decisión aleatoria, algoritmos ingenuos de Bayes, SVM y entrenamiento de regresión lineal o logística.
- El aprendizaje no supervisado utiliza datos sin etiqueta y los modelos de ML tienen que entrenarse a su propio ritmo o lo que maximiza las recompensas según la retroalimentación.
El aprendizaje automático se aprovecha principalmente para la clasificación de datos y se usa ampliamente en las industrias financieras y bancarias para combatir el fraude y para la gestión de riesgos.
Hemos descrito los casos de uso del aprendizaje automático en la industria bancaria o cómo varias empresas utilizan el aprendizaje automático para mejorar los servicios financieros .
Aprendizaje profundo: múltiples capas de redes neuronales
Los algoritmos de Aprendizaje Profundo utilizan múltiples capas de nodos con diferentes ponderaciones, las llamadas Redes Neuronales Profundas o DNN. Hay nodos de entrada y salida, y al menos 10 capas entre ellos.
Al ajustar el peso lógico de cada nodo DNN, los científicos de datos pueden influir en el resultado. Capacitando al modelo para alcanzar los resultados requeridos en escala.
Debido al desarrollo del procesamiento masivo de datos en paralelo y el uso de potentes GPU. Los científicos de datos pueden usar hoy en día los DNN con miles de capas.
Cada reajuste del peso lógico da como resultado que el modelo comprenda mejor las características requeridas del objeto. La ventaja de este proceso es que las características no se pueden definir al principio, y el modelo aprenderá a identificar el mejor resultado por sí solo con el tiempo.
Los DNN son los más difundidos pero no los únicos tipos de algoritmos de ML utilizados en Aprendizaje profundo.
Hemos explicado cómo funciona realmente el Aprendizaje profundo así como sobre los múltiples avances del Aprendizaje profundo realizados en 2017 en las áreas como aplicaciones de texto y habla la percepción de la máquina y OCR refuerzan las aplicaciones de aprendizaje y movimiento robótico .
Estas aplicaciones interrumpen y mejoran las industrias de atención médica, financiera y minorista, así como muchas otras áreas de la vida.
Perspectivas de la evolución de la tecnología de IA
De este modo, hubo mejoras significativas en la efectividad de las aplicaciones de AI en la última década. . Aunque Deep Blue derrotó a Garry Kasparov hace más de 20 años.
La próxima victoria sonora de este tipo ocurrió recientemente, cuando AlphaGo de Google DeepMind ganó contra el campeón activo de Go Lee Sedol en 2016 Esto no significa que el desarrollo de la IA se haya estancado, sino que, por el contrario, tuvo un auge significativo.
A partir de la excitación de la ciencia ficción de principios de la década de 1950 y sueños de robots sensibles nos dimos cuenta de que la IA es la mejor se utiliza para automatizar tareas laboriosas y que requieren mucho tiempo a escala, no para imitar las funciones del cerebro humano.
Aún quedan ciertas similitudes entre la inteligencia natural y la artificial, como en Loihi, el chip de autoaprendizaje de Intel . Sin embargo, los avances tecnológicos recientes respaldan la potente tendencia de emplear algoritmos ML para el análisis de datos a gran escala.
Reflexiones finales sobre la IA, el aprendizaje automático y el aprendizaje profundo
Es Aprendizaje profundo la dirección en la que evolucionará la IA ?
Pensamos que no, ya que hay nuevas aplicaciones emocionantes que aparecen constantemente a la vanguardia de la tecnología. Así como las nuevas posibilidades para aplicar ML y DL en industrias previamente no digitalizadas.
A medida que más y más empresas completan su transición a la nube. Se ofrecen cada vez más prospectos para aprovechar los algoritmos de inteligencia artificial en el análisis de Big Data.
Durante la AWS 2018 Summit en Londres el Dr. Werner Vogels de Amazon reveló que AWS concentra su esfuerzo en ofrecer características y servicios basados en AI para su producto para potenciar aún más la entrega de valor para sus clientes.
Esto dio lugar a múltiples lanzamientos, anuncios y características de AI / ML / DL presentados durante la reciente AWS re: Invent 2018 week.
Microsoft hace lo mismo, albergando un departamento de investigación y desarrollo con capacidad para 8,000 personas completamente dedicado a desarrollo de servicios AI y ML para Azure .
Definitivamente, la inteligencia artificial está más caliente que nunca y se volverá más rentable y útil en el futuro.
Publicado originalmente en itsvit.com el 20 de diciembre de 2018.