Existen diferentes maneras de clasificar la inteligencia artificial y diferentes conceptos que se usan de forma confusa y de forma indistinta (aunque en realidad signifiquen cosas diferentes). Aquí compartiremos diversos intentos de clasificación 🙂
Tabla de contenidos
Diferencia entre Inteligencia Artificial, Machine Learning y Deep Learning
La inteligencia artificial fue definida por la «pandilla de Dartmouth» en 1956, a los que se considera los padres fundadores de la IA (McCarthy, Minsky, Newell y compañía), como la capacidad de construir máquinas que se comporten de manera que, si el mismo comportamiento lo realizara un ser humano, este sería llamado inteligente.
Nace, por tanto, como una «imitación» de la inteligencia humana. Aquí puedes encontrar más definiciones de IA.
Dentro de la IA, se suele hablar de Machine Learning (aprendizaje automático) y de Deep Learning (aprendizaje profundo) de forma indistinta, pero, en realidad, el aprendizaje automático es un subcampo de la IA, y el aprendizaje profundo es un subcampo del aprendizaje automático.
- Aprendizaje Automático es la rama de la inteligencia artificial que tiene como objetivo desarrollar técnicas que permitan que las computadoras aprendan (fuente Wikipedia).
- Aprendizaje Profundo es un conjunto de algoritmos de aprendizaje automático a través de redes de neuronas artificiales formadas por diferentes niveles jerárquicos (capa de neuronas de entrada, capa de salida, y N capas ocultas, lo que determina la profundidad de la red, de ahí lo de «aprendizaje profundo»)
Aquí te lo cuenta Allie Miller de forma muy sencilla:
Y aquí te lo explica fenomenal Carlos Santana:
Distintas formas de clasificar la Inteligencia Artificial
Fuerte y Débil
Podemos distinguir entre inteligencias artificiales fuertes y débiles.
Las débiles son las que ya conoces, las que nos ganan al ajedrez, al Go, calculan con mayor precisión el coste de una vivienda, la probabilidad de un tumor, o tu «intención» al interactuar con cualquier sistema.
Y las fuertes son las de nivel humano o sobrehumano, y, de momento, son solo parte del imaginario colectivo a través del cine y la literatura.
Aunque previsiblemente nos quede un rato para enfrentarnos a IA fuertes, según el consenso de la mayoría de los expertos, podrían ser una realidad a mitad de este siglo (macro-encuesta realizada por Future of Life Institute).
Simbólico o Conexionista
Cuando yo empecé con esto (a long time ago…), o eras «simbólico» o «conexionista».
Los simbólicos se inclinan por el uso de uso de «lenguajes formales», procesos no ambiguos para determinar cuando una sentencia es verdadera o falsa en una determinada situación.
Esto lleva a lógicas proposicionales (símbolos y conectores lógicos) a sistemas lógicos de primer orden (objetos relacionados entre sí a través de la lógica) y a lenguajes como el Prolog, a lo que llaman GOFAI (Good Old-Fashioned AI) y, en última instancia, a los sistemas expertos (que emulan un comportamiento experto sobre una base de razonamiento simbólico).
En resumen, un simbólico transforma la realidad en símbolos, establece y modela relaciones entre ellos, y construye sistemas basados en la lógica proposicional que emulan el razonamiento humano.
El conexionista, en cambio, espera que esas relaciones emerjan, de forma automática, a través de la cooperación de un conjunto mayor o menor de elementos simples que forman parte de una red, y dentro de esta disciplina estarían las redes neuronales (con todas sus infinitas arquitecturas, algoritmos de aprendizaje y funciones de activación) y las redes bayesianas.
Unos operan datos a través de un lenguaje simbólico y los otros infieren el conocimiento a partir de los datos.
Según el enfoque aplicado: búsqueda, conocimiento y lógica, incertidumbre y probabilidad, y basada en ejemplos
De los muchos intentos-infografías-diagramas que he visto para explicar las diferentes aproximaciones de la IA, la de Stuart Russell, que recoge en cuatro anexos en su libro Human Compatible. AI and the Problem of Control, es la más clarificadora que he leído, las resume en:
- Búsqueda de soluciones: Por ejemplo los típicos enfoques de exploración de árboles (look ahead) que se empleaban en teoría de juegos.
- Conocimiento y lógica: Lógica proposicional, lógica de primer orden, lenguajes formales y sistemas expertos.
- Incertidumbre y probabilidad: Lenguajes probabilísticos de primer orden, Redes Bayesianas. Combinación de la teoría de la probabilidad con los lenguajes formales. P. ej. coches autoconducidos.
- Aprendizaje a partir de la experiencia: P. ej. Redes Neuronales (aprendizaje basado en casos)
Otra posible aproximación sería dividir la inteligencia artificial en:
- Simbólica
- Basada en lógica (programación lógica, lógica difusa)
- Basada en conocimiento (sistemas expertos)
- Estadística
- Métodos probabilísticos (Redes Bayesianas)
- Aprendizaje automático
- Supervisado
- No supervisado
- Aprendizaje por refuerzo
- Subsimbólica
- Inteligencia corporizada (sistemas autónomos, robótica y agentes inteligentes)
- Búsqueda y optimización (p. ej. algoritmos genéticos)
Según el sentido que sustituya: visión, lenguaje, movimiento, planificación, etc.
Otras clasificaciones hacen referencia al sentido que la IA sustituye, por ejemplo la Visión (visión artificial, p. ej. reconocimiento de imágenes), el Lenguaje (Procesamiento del Lenguaje Natural, p. ej. clasificación, traducción, preguntas y respuestas, generación del lenguaje), o el Movimiento (Robótica)
Es una clasificación que me gusta menos porque suelen mezclarla con Machine Learning, Sistemas Expertos, etc. y para mí obedecen a categorías distintas.
Taxonomía de la IA publicada por la Comisión Europea
Esta taxonomía es reciente (2020), y me gusta, puedes encontrar el informe completo aquí: AI WATCH. Defining Artificial Intelligence
Me parece interesante la división entre procesos nucleares (razonamiento, planificación, aprendizaje, comunicación y percepción) y transversales (integración e interacción, servicios, ética y filosofía).
Te dejo el cuadro resumen de la taxonomía.
Y esto es todo de momento.
Espero que te haya servido de ayuda para aclarar conceptos.
De todos modos es una clasificación «en construcción», por lo que iré completando esta página con nuevos ejemplos, nuevas definiciones y nuevas formas de clasificar y organizar las diferentes aproximaciones a la Inteligencia Artificial.