Cuando una aplicación te asegura que funciona con "inteligencia artificial", parece por un momento que estás en el futuro. Pero, ¿qué significa esto realmente? Estamos lanzando grandes palabras de moda: inteligencia artificial, aprendizaje automático, redes neuronales, pero ¿qué significan realmente y realmente ayudan a mejorar las aplicaciones?
Más recientemente, Google y Microsoft han agregado capacitación en redes neuronales a sus aplicaciones de traducción. Google afirma utilizar el aprendizaje automático para ofrecer listas de reproducción. Todoist dice que usa IA para adivinar cuándo debes terminar una tarea. Any.do afirma que su inteligencia artificial puede hacer algunas tareas por ti. Y todo fue la semana pasada. Algunos de los trucos de marketing suenan impresionantes y siguen siendo trucos, pero a veces los cambios son innegablemente beneficiosos. "Inteligencia artificial", "aprendizaje automático" y "redes neuronales" describen las formas en que las computadoras utilizan para realizar tareas más serias y aprender en el proceso. Y si bien es posible que haya escuchado que los desarrolladores de aplicaciones adoptan los sistemas de otros, en la práctica son muy diferentes.
Las redes neuronales analizan datos complejos para imitar el cerebro humano
norte
Las redes neuronales artificiales (ANN, o simplemente "redes neuronales") se refieren a un tipo específico de modelo de aprendizaje que emula cómo funcionan las sinapsis en su cerebro. La informática tradicional utiliza una serie de operadores lógicos para realizar una tarea. Las redes neuronales, por otro lado, usan una red de nodos (que actúan como neuronas) y análogos de sinapsis (bordes) para procesar datos. La entrada pasa a través del sistema y se genera la salida.
Luego, los hallazgos se comparan con datos conocidos. Por ejemplo, supongamos que desea entrenar a una computadora para que reconozca la imagen de un perro. Transmite millones de imágenes de perros a través de la web para ver qué imágenes elige para que parezcan perros. La persona luego confirma qué imágenes son en realidad perros. El sistema da preferencia a la ruta en la red neuronal que condujo a la respuesta correcta. Con el tiempo y después de millones de iteraciones, esta red eventualmente mejorará la precisión de sus resultados.
¡Para ver cómo funciona esto en acción, puede probar el experimento de Google Quick Draw!.. En este caso, Google entrena la web para reconocer garabatos, bocetos rápidos. Compara el dibujo que dibujas con los ejemplos que dibujan otras personas. La red aprende a reconocer garabatos futuros basándose en lo que ha visto en el pasado. Incluso si está dibujando como un niño de cinco años (como yo), la red es muy rápida para reconocer formas simples: submarinos, plantas, patos. Pruébalo, divertido.
Las redes neuronales no son una panacea, pero son excelentes para manejar datos complejos. Google y Microsoft están utilizando redes neuronales para entrenar sus aplicaciones de traducción porque traducir idiomas es difícil. Hemos visto muchas malas traducciones automáticas, pero las redes neuronales están capacitadas para mejorar esas traducciones basadas en traducciones correctas a lo largo del tiempo. Lo mismo ocurre con la traducción de voz a texto. Desde la introducción de la red neuronal impulsada por Google Voice, los errores de traducción se han reducido en un 49%. Estos sistemas no son perfectos, pero funcionan por sí mismos, y esto es lo principal.
Video promocional:
El aprendizaje automático enseña a las computadoras a mejorar en la práctica
El aprendizaje automático es un término amplio que cubre todos los momentos en los que se intenta enseñar a una máquina a mejorar por sí misma. En particular, esto se aplica a cualquier sistema en el que el rendimiento de la computadora al completar una tarea solo mejora con una mayor experiencia con la tarea. Las redes neuronales son un ejemplo de aprendizaje automático, pero no son la única forma de entrenar una computadora.
norte
Por ejemplo, uno de los métodos alternativos de aprendizaje automático se llama aprendizaje por refuerzo. En este método, la computadora realiza una tarea y luego evalúa su resultado. Si, por ejemplo, la computadora gana en el ajedrez, entonces asigna el valor ganador a una serie de movimientos que usa durante el juego. Después de jugar millones de juegos, el sistema puede determinar qué pasos tienen más probabilidades de llevar a la victoria basándose en los resultados de juegos anteriores.
Si bien las redes neuronales son buenas para cosas como el reconocimiento de patrones en imágenes, otros tipos de aprendizaje automático pueden ser más útiles para diversas tareas, como identificar su música favorita. Google afirma que su aplicación de música encontrará la música que desea escuchar. Para ello, analiza tus listas de reproducción anteriores. Si no le gusta el resultado, la máquina lo considerará una falla. Pero si eliges una de las listas sugeridas, ella la marcará como un éxito y analizará los movimientos ganadores que la llevaron a tu corazón.
En casos como este, no obtendrá todos los beneficios del aprendizaje automático si no usa esta función con frecuencia. Cuando abra la aplicación Google Music por primera vez, lo más probable es que las recomendaciones hayan pasado del proceso de pago. Pero cuanto más lo use, mejores serán las sugerencias. En teoría, al menos. El aprendizaje automático tampoco es una panacea. El aprendizaje automático es más vago que las redes neuronales, pero también implica que el software que utilice dependerá de sus comentarios para mejorar su rendimiento.
La inteligencia artificial lo es todo con el prefijo "inteligente"
Así como las redes neuronales son una forma de aprendizaje automático, el aprendizaje automático es una forma de inteligencia artificial. Pero la categoría de "inteligencia artificial" todavía está tan mal definida que esta frase no tiene un significado práctico. Sí, evoca imágenes de un futuro tecnológicamente avanzado, pero en realidad, todavía no nos hemos acercado a él. El OCR fue una vez demasiado difícil para una máquina, pero ahora una aplicación en su teléfono puede escanear documentos y convertirlos en texto. Llamarlo una hazaña de inteligencia artificial es de alguna manera inapropiado.
La razón por la que las capacidades básicas de telefonía pueden considerarse inteligencia artificial es porque en realidad hay dos tipos de IA. La IA débil o con un objetivo limitado describe cualquier sistema diseñado para realizar una lista limitada de tareas. Por ejemplo, Google Assistant o Siri, al ser una IA bastante poderosa, aún realizan una lista de tareas bastante limitada. Reciben comandos de voz y devuelven respuestas, o inician aplicaciones. La investigación en inteligencia artificial alimenta estas características, pero se consideran "débiles".
Por el contrario, la IA potente, también conocida como inteligencia artificial general o "IA completa", es un sistema capaz de realizar cualquier tarea humana. Y no existe. Por lo tanto, cualquier aplicación "inteligente" sigue siendo una inteligencia artificial débil.
Si bien las implicaciones pueden ser vagas, la investigación práctica en inteligencia artificial es tan gratificante que probablemente ya haya entrado en su vida diaria. Cada vez que su teléfono recuerda automáticamente dónde estacionó, reconoce rostros en sus fotos, recibe sugerencias de búsqueda o agrupa automáticamente todas sus tomas de fin de semana, está tocando la inteligencia artificial de una forma u otra. Hasta cierto punto, "inteligencia artificial" en realidad solo significa que las aplicaciones serán un poco más inteligentes de lo que estamos acostumbrados. La etiqueta "IA" apenas significa nada práctico desde un punto de vista práctico ahora.
ILYA KHEL
