Inteligencia Artificial, Machine learning y Deep learning: ¿conoces las diferencias?
Actualmente, nos encontramos inmersos en una revolución tecnológica que en ocasiones, resulta abrumadora por la rapidez con la que avanza. Sin lugar a dudas, uno de los conceptos más repetidos y con mayor desarrollo desde su aparición es la Inteligencia Artificial (IA). Por ello y en aras de resolver la confusión que existe en torno a su funcionamiento, a lo largo de este artículo conoceremos las diferencias entre algunos conceptos que engloban a la IA, como el Machine Learning o el Deep Learning.
Para entender las disparidades, es necesario establecer en primer lugar qué se entiende por Inteligencia Artificial. Según la RAE, se trata de una disciplina científica que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico. De otro lado, en la Propuesta de Ley de Inteligencia Artificial realizada por el Parlamento Europeo y el Consejo, la IA queda definida como un programa informático desarrollado con una o varias de las técnicas y enfoques (entre ellas se encuentran las estrategias de aprendizaje automático supervisado y no supervisado; estrategias basadas en la lógica y el conocimiento; estrategias estadísticas…) y que puede, para un conjunto dado de objetivos definidos por el ser humano, generar resultados como contenidos, predicciones, recomendaciones o decisiones que influyan en los entornos con los que interactúan.
En base a estas definiciones, y antes de entrar en materia, hay que aclarar que la Inteligencia Artificial se trata del concepto “base” o genérico que abarca tanto al Machine Learning como al Deep Learning que, como explicaremos posteriormente, son subclases que han ido surgiendo a raíz de numerosas investigaciones, inversiones y estudios acerca del funcionamiento y perfeccionamiento de las técnicas asociadas a la Inteligencia Artificial.
En una de las épocas doradas de la investigación sobre la Inteligencia Artificial, que tuvo lugar en la década de los 80, surgió una rama de la IA que a través del uso de algoritmos matemáticos, permitía a las máquinas aprender autónomamente (de ahí el término Machine Learning o Aprendizaje Automático). De forma sencilla, el Machine Learning es un subconjunto de IA que, de forma analítica, permite resolver problemas por medio de la identificación, la clasificación o la predicción, a través del uso de algoritmos que aprenden en base a los datos introducidos y, ulteriormente, extraen conclusiones sobre éstos. El objetivo de este modelo es conseguir que la intervención humana sea mínima y a su vez, ser capaz de dar respuestas a nuestras demandas con la mayor precisión posible. Por aterrizar un ejemplo simple y que todos utilizamos, un modelo de Machine Learning básico sería un servicio de música en streaming que decide que canciones o artistas nuevos recomendarnos en base a algoritmos de aprendizaje automático que asocian las preferencias musicales del usuario con oyentes que comparten gustos musicales similares. Otro ejemplo de Machine Learning sería la posibilidad de entrenar nuestro modelo de IA con imágenes de perros para que sea capaz de decirnos cuando le enseñemos una nueva imagen, si se trata de un perro o no, e incluso clasificar al animal según su raza. Por lo tanto, cuando decimos que una Inteligencia Artificial funciona por medio de Machine Learning, significa que ésta realiza una función sobre los datos que le son introducidos y, a su vez, mejora de forma autónoma y progresiva con el tiempo.
Décadas más tarde del surgimiento del Machine Learning, en concreto 2011, apareció una rama del propio Machine Learning llamada Deep Learning o Aprendizaje Profundo. Técnicamente, el Deep Learning no deja de ser una subclase del Machine Learning puesto que, aunque sus capacidades sean diferentes, funcionan de manera similar. Los modelos de Machine Learning mejoran de forma autónoma y constante para cualquier función a la que se apliquen, si bien en ciertos casos necesitan orientaciones y correcciones humanas. En contraposición a esta problemática, un modelo de Deep Learning no necesitaría la intervención de un ingeniero para solucionar una predicción inexacta, sino que el propio algoritmo podría determinar por sí mismo si una predicción es acertada o no valiéndose de su propia red neuronal. Las redes neuronales, que funcionan de forma similar a las conexiones neuronales de un cerebro humano, están diseñadas para analizar continuamente una gran cantidad de datos con una estructura basada en la lógica que extrae conclusiones similares a las de un ser humano. Un buen ejemplo para entender el Deep Learning sería el caso de AlphaGo de Google. AlphaGo es un programa informático dotado de su propia red neuronal que aprendió a jugar al juego de mesa de origen chino Go, conocido por requerir unos conocimientos intelectuales e intuitivos muy elevados (se dice que su perfeccionamiento es mucho más complicado que el ajedrez). El modelo de aprendizaje de Google se enfrentó a varios jugadores profesionales de Go, lo que le permitió aprender a jugar a un nivel nunca visto. Lo más impresionante es que dicho nivel lo alcanzó sin que se le dijera cuando debía llevar a cabo un movimiento determinado (como sucedía con los primeros modelos de Machine Learning utilizados en el ajedrez), dejando entrever que un modelo basado en Deep Learning no solo entendía las técnicas y aspectos más abstractos del juego, sino que profundizaba y aprendía de forma autónoma, creando patrones que aplicaba en sus partidas sin ningún tipo de intervención humana. Otro ejemplo sería el sector de los vehículos autónomos, que si bien no pueden aprender solos, a raíz del conocimiento y experiencia de personas reales han podido crear patrones y algoritmos precisos que les permiten actuar en las diferentes situaciones que el mundo real presenta.
Por recapitular algunas de las diferencias entre ambos modelos:
-El Machine Learning utiliza algoritmos para analizar los datos, aprender de ellos y tomar decisiones en base a lo que ha aprendido, mientras que el Deep Learning estructura algoritmos para crear una red neuronal que es capaz de aprender, adaptarse y tomar decisiones por sí misma.
-En el proceso de Machine Learning, el input que recibe la Inteligencia Artificial requiere que previamente una persona humana lleve a cabo una extracción de características suficiente para que el modelo entienda y, posteriormente, clasifique este dato para generar una información de salida u output. En contraposición, el proceso Deep Learning es automático y una vez que el modelo recibe un input, en base a una serie de patrones, realiza la propia extracción de características, clasifica el dato y da una información de salida de forma automática, sin intervención humana.
-A pesar de que ambos modelos de aprendizaje son subtipos de la Inteligencia Artificial, el Deep Learning es, a su vez, un subcampo del Machine Learning que busca una inteligencia artificial con mayor proximidad al razonamiento y lógica humana.
-Mientras que los modelos de Machine Learning pueden usar pequeñas cantidades de datos para generar outputs, los modelos de Deep Learning necesitan una gran cantidad de datos para su correcto funcionamiento.
-Si bien los modelos de Machine Learning son más sencillos de desarrollar, existe un importante contrapunto, y es que requieren interacción humana para hacer mejores predicciones (tanto para realizar la extracción de características inicial como para corregir los posibles fallos que puedan surgir cuando el modelo genera un output incorrecto). Por otro lado, los modelos de Deep Learning resultan más costosos y complejos, pero como punto a favor no requieren de intervención humana.
Ambos modelos de lenguaje son algunas de las muchas opciones que nos otorga la IA, por lo que a la hora de elegir entre el desarrollo de un modelo u otro será necesario analizar qué aplicabilidad pretendemos obtener de dicha IA y en base a ello, desarrollar el que se ajuste a nuestras necesidades. El modelo Deep Learning resulta más asombroso y llamativo, en gran parte porque no necesita de intervención humana para su aprendizaje; sin embargo, esto que a priori parece un extraordinario avance (e indudablemente lo es), requiere de una gran responsabilidad por parte de los desarrolladores de IA, que no deben anteponer la evolución tecnológica por encima de la seguridad de los usuarios.
A modo de “disclaimer”, y teniendo en cuenta que la normativa sobre IA se va a aprobar más tarde que pronto, si queremos una industria de IA sólida es necesario reclamar a los desarrolladores de IA que sus modelos sean revisados y supervisados con regularidad, que las técnicas e inputs que sirvan de entrenamiento sean lo más precisas posibles y que a su vez, se enmienden los errores y sesgos adquiridos por los modelos, solo así podremos disfrutar de un entorno seguro y fiable.
Fuentes: DLTLABS, Singapore Computer Science.
Artículo de Alejandro Daga Godoy, Legal Counsel, Legal Army.