Diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo

Cuando el programa AlphaGo de Google DeepMind derrotó al maestro surcoreano Lee Se-dol en el juego de mesa Go a principios del año 2016, los términos inteligencia artificial (IA), aprendizaje automático (ML, del inglés Machine Learning) y aprendizaje profundo (DL, del inglés Deep Learning) se utilizaron en los medios de comunicación para describir cómo ganó. Los tres son parte de la razón por la que AlphaGo derrotó a Lee, pero no son lo mismo.

La IA ha formado parte de nuestra imaginación y se ha desarrollado a fuego lento en los laboratorios de investigación, desde que científicos en computación se reunieran alrededor del término en las Conferencias de Dartmouth en 1956 y dieran a luz al campo de la IA.

En los últimos años la IA ha explotado, y especialmente desde 2015. Gran parte de ello tiene que ver con la amplia disponibilidad de las GPUs, que hacen que el procesamiento de datos en paralelo sea cada vez más rápido, barato y potente.

A continuación, daremos un paseo sobre cómo los científicos en computación han pasado de algo así como un fracaso -hasta 2012- a un éxito sin precedentes que ha desatado aplicaciones usadas por millones de personas cada día.

Inteligencia artificial

En la conferencia de 1956, el sueño de los pioneros de la IA era construir máquinas complejas que poseyeran las mismas características que la inteligencia humana. Este es el concepto descrito como “IA General”. Las máquinas de “IA general” han permanecido en las películas y en las novelas de ciencia ficción por una buena razón; no podemos conseguirlo, al menos no todavía.

Lo que podemos hacer cae dentro del concepto de “IA estrecha” (“Narrow AI”), tecnologías que son capaces de realizar tareas específicas como nosotros o incluso mejor. Ejemplos de “IA estrecha” serían tareas como la clasificación de imágenes en un servicio como Pinterest o el reconocimiento facial en Facebook. Estas tecnologías exhiben algunas facetas de la inteligencia humana. ¿Pero cómo? ¿De dónde viene esa inteligencia? Eso nos lleva al siguiente punto, el aprendizaje automático.

Aprendizaje automático

El aprendizaje automático en su forma más básica es la práctica de utilizar algoritmos para analizar los datos, aprender de ellos, y luego hacer una determinación o predicción sobre algo. Así que en lugar de rutinas de software de codificación manual con un conjunto específico de instrucciones para realizar una tarea en particular, la máquina está “entrenada” utilizando grandes cantidades de datos y algoritmos que le dan la capacidad de aprender a realizar la tarea.

Los enfoques algorítmicos a lo largo de los años incluyeron el aprendizaje de árbol de decisión, la programación de lógica inductiva, las redes bayesianas, la formación de clústeres y el aprendizaje por refuerzo, entre otras. Como sabemos, ninguno de ellos logró el objetivo final de la “IA general”, e incluso la “IA estrecha” estaba fuera del alcance de los primeros enfoques de aprendizaje automático.

Coche autónomo, de NVIDIA Corporation. Fuente: https://www.flickr.com

Aprendizaje profundo

Otro enfoque algorítmico de las primeras aproximaciones de aprendizaje automático, Red Neuronal Artificial (RNA), se extendió a lo largo del tiempo. La RNA se inspira en nuestra comprensión de la biología de nuestros cerebros. Pero, a diferencia de un cerebro biológico donde cualquier neurona puede conectarse a cualquier otra, esta RNA tiene capas discretas, conexiones y direcciones de propagación de datos.

Hasta hace poco tiempo las redes neuronales eran rechazadas por la comunidad investigadora de IA. El problema era que las RNAs más básicas eran muy intensivas en computación, por eso no era práctico. Sin embargo, un pequeño grupo de investigación de la Universidad de Toronto se mantuvo al tanto, y finalmente paralelizó los algoritmos para que los supercomputadores ejecutaran y probaran el concepto, pero no fue hasta que las GPUs se extendieron, momento en el cuál se pudo cumplir la promesa.

El gran avance en este concepto fue tomar estas RNAs, y esencialmente hacerlas enormes, aumentar las capas y las neuronas, y luego correr cantidades masivas de datos a través del sistema para entrenarlo. Se puso lo “profundo” en el aprendizaje profundo.

El aprendizaje profundo ha permitido muchas aplicaciones prácticas del aprendizaje automático y por extensión el campo general de la IA. Por eso ya existen coches sin conductor, mejores recomendaciones de películas, etc. La IA es el presente y el futuro. Con la ayuda del aprendizaje profundo, la IA podría llegar a ese estado de ciencia ficción que tanto tiempo hemos imaginado.

Finalmente y como conclusión, podemos afirmar que la IA es la madre del aprendizaje automático, y el aprendizaje profundo es el hijo del aprendizaje automático. La siguiente figura muestra las relaciones entre las tres:

Jerarquía de conceptos. Fuente: elaboración propia.