Diferencias entre IA, conocimiento automático y conocimiento profundo 

IA, Investigación de mercado y las 3 E´s: ¿Cómo la IA está ayudando a los investigadores de mercado?
2 de enero de 2019
Comunidad interna: ¿Qué es y cuáles son sus ventajas?
22 de enero de 2019
Ver todo

Diferencias entre IA, conocimiento automático y conocimiento profundo 

Este artículo es una adaptación, el original puede ser encontrado aquí 

 

Se dice mucho acerca de la inteligencia artificial (IA), el aprendizaje automático (aprendizaje automático) y el aprendizaje profundo, todos son términos complementarios que forman parte de un todo y ayudan cada vez más a la investigación de mercado para obtener información. Al presentar funciones complementarias, sus definiciones a menudo no se conocen de una manera diferente. 

La inteligencia artificial se refiere a la habilidad de una máquina para imitar el comportamiento de la inteligencia humana, como hacer chats, jugar al ajedrez o incluso realizar un diagnóstico médico. Un concepto a tener en cuenta es la famosa prueba de Turing de Alan Turing: el “juego de imitación”. 

 Una máquina y un ser humano están preparados para una interrogación, si el interrogador (C) no puede distinguir la máquina y el humano durante el proceso de interacción, la máquina se comporta de manera inteligente y, por lo tanto, está aprobada en la prueba de Turing. 

El aprendizaje automático es un subconjunto de la inteligencia artificial 

 AI demuestra inteligencia produciendo respuestas apropiadas al medio ambiente, como lo hacen los humanos. Por ejemplo, la capacidad de un automóvil autodirigido para detectar a un peatón que cruza la carretera y reducir la velocidad en lugar de avanzar sobre ella. 

 Para hacer tales respuestas inteligentes, la máquina debe aprender a percibir el entorno y hacer el juicio apropiado. Y el proceso de aprendizaje es aprendizaje automático. 

¿Por qué es importante la capacidad de aprender sin la necesidad de una programación explícita? 

 Antes del aprendizaje automático, las computadoras solo seguían instrucciones escritas en un código, todo lo que se mencionaba y formaba parte del código permitía que la computadora reaccionara. Pero si había algo que discutir que no tenía el código, la computadora perdió la capacidad de discusión sin saber qué hacer, ya que no había instrucciones que pudieran seguirse. 

 Volvamos al ejemplo de la dirección automática, antes de tener el aprendizaje automático, necesitábamos escribir las instrucciones para que la computadora distinguiera a los peatones. ¿Cómo podríamos describir a los peatones? ¿Qué tan delgada / grasa podría ser? Cada peatón que encontraba el automóvil sería diferente, haciendo imposible una completa lista de los peatones.  

El aprendizaje automático ofrece un enfoque diferente, podemos construir un modelo, proporcionando algunas situaciones donde el peatón camina y desaceleramos. Y hablar con la computadora “Mira, aquí están los datos. Debes de aprender el concepto de peatón”. Y la computadora aprenderá por sí misma. 

Esto es de importancia crucial porque el mundo es tan complejo que resulta imposible enumerar todas las posibilidades de las máquinas. El aprendizaje automático resuelve este problema dando a las máquinas la capacidad de captar. 

 

El aprendizaje profundo es el mejor método actual para el aprendizaje automático  

Nuestra máquina cognitiva más avanzada es el cerebro humano, y el cerebro es esencialmente una red de neuronas que se disparan juntas. El aprendizaje profundo imita la forma en que funciona nuestra red neuronal. 

 El aprendizaje profundo se llama así porque actúa en muchas capas simultáneas, es el aprendizaje estructurado profundo de conjuntos de datos complejos y / o de gran escala. En resumen, el aprendizaje profundo es una subcategoría del aprendizaje automático que se relaciona con las oportunidades de aprendizaje con el uso de redes neuronales, como el reconocimiento de voz, la visión por computadora y el procesamiento natural del lenguaje. 

 El aprendizaje profundo es responsable de la producción de un “entrenamiento” de un modelo computacional capaz de descifrar el lenguaje natural. El modelo relaciona términos y palabras para inferir en el significado desde que se alimenta con grandes cantidades de datos. 

 Como se vio anteriormente, las máquinas ya se “enseñaron” a leer los documentos y pueden responder preguntas sobre su contenido, pero sus bases de conocimiento generalmente están limitadas por el tamaño de los documentos. A medida que la cantidad de algoritmos en línea no deja de crecer, el enfoque de aprendizaje profundo llega a hacer que los sistemas puedan utilizar una mayor cantidad de lenguaje natural, lo que le brinda una comprensión más profunda de los temas universales.