Actualizado el miércoles, 19 abril, 2023
Parecen palabras de ciencia ficción, pero en los últimos días seguro que no paras de encontrártelas. Hoy intentaremos darte un poco de luz sobre estos conceptos: Machine Learning e Inteligencia Artificial.
Seguramente el término que te parezca más sencillo de entender es el de IA o Inteligencia Artificial. Existen multitud de películas sobre ello, y es uno de los continuos retos del ser humano: conseguir que las máquinas razonen como los humanos. La Inteligencia Artificial es un tema candente, además de ser protagonista de multitud de películas y series: “Yo robot”, “Ex Machina”, “Her” o “BigBug” son buena muestra de ello.
Sin embargo, y fuera de la imagen fantástica de un robot que pueda sustituir a los humanos, la Inteligencia Artificial puede encontrarse hoy en día en muchas aplicaciones y aparatos. Si quieres saber algunas de sus aplicaciones no te pierdas nuestros post sobre Dall-e o ChatGPT.
Índice de contenidos
La base, la Inteligencia Artificial
Esta ciencia intenta desarrollar inteligencia (aprendizaje, toma de decisiones, etc.) a través de los ordenadores. En otras palabras, su misión es replicar el comportamiento de un cerebro humano.
El cerebro es un órgano muy complejo con miles de funciones y tareas, por lo que para llegar a replicarlo o entenderlo, habría que subdividir sus funciones en tareas más sencillas y acotadas. Esto mismo ha pasado con la Inteligencia Artificial, derivando en lo que se conoce como Machine Learning.
En los primeros intentos del ser humano de conseguir una máquina que pudiera “pensar” por sí misma, se creyó que la mejor manera de conseguirlo era creando reglas que diesen respuesta a preguntas.
A esto se le denominó Inteligencia Artificial simbólica. A través de algoritmos y reglas lógicas se resuelven problemas bien acotados. Para conseguirlo, es necesario abordar todas las casuísticas que podrían darse en un problema concreto y ofrecer la solución lógica.
A priori, puede parecer que para llegar al funcionamiento del cerebro humano solamente estaríamos ante un problema de escalado. Es decir, que cada vez se vayan incluyendo más preguntas hasta conseguir una inteligencia definitiva, pero en realidad esto no funciona.
Inteligencia Artificial Simbólica
Veámoslo mediante un ejemplo. Intentemos aplicar la Inteligencia Artificial al reconocimiento de gatos. Con este primer planteamiento se tienen que crear una serie de algoritmos o preguntas que finalmente resuelvan que lo que se está mostrando es un gato o no.
Algunas de las preguntas que se podrían plantear en el algoritmo podrían ser: ¿Tiene orejas? ¿Tiene cola? ¿Es de un color que normalmente sea un gato? ¿Tiene bigote?
Si todas las respuestas fuesen afirmativas, el algoritmo y nuestra Inteligencia Artificial llegarían a la deducción de que la imagen que se le ha mostrado es un gato. Y en los casos ideales, el planteamiento podría parecer correcto.
¿Qué pasaría si se introduce un dibujo de un gato? ¿Y si en la imagen del gato se introdujese un gato sin cola? Pues como es lógico, nuestra inteligencia llegaría a la conclusión de que lo que se introduce no es un gato, y sería una respuesta errónea.
Para solventar este problema de cálculo de nuestra Inteligencia Artificial imaginaria, un primer pensamiento sería introducir más preguntas que pudieran abarcar estas otras casuísticas para llegar a un resultado satisfactorio.
Por eso, los requerimientos de hardware de los ordenadores (que pueden ser servidores) para poder almacenar IA son mayores a los habituales, ya que necesitan ser cada vez más rápidos, potentes y tener mayor almacenamiento para resolver todas las preguntas en el menor tiempo posible.
No obstante, pasado el tiempo, los expertos en Inteligencia Artificial se dieron cuenta de que esta forma de abarcar el problema nunca resolvería del todo como identificar un gato.
La solución, el Machine Learning
Volvamos al origen. ¿Qué diferenciaba esta Inteligencia Artificial de un cerebro humano? La experiencia. Esta se consigue a través del aprendizaje. En lugar de intentar plantear todas las preguntas que se pudiesen realizar para identificar al gato, la solución es ingerir información para que la propia Inteligencia Artificial pueda plantear las preguntas y llegar a la solución adecuada. Esto último es lo llamado como Machine Learning.
El Machine Learning o aprendizaje automático es una subdivisión de la Inteligencia Artificial que se basa en el aprendizaje a través de la repetición (en nuestro ejemplo, imágenes de gatos) para la consecución de un resultado basado en la “experiencia”.
Cuanta más “experiencia” o ejemplos tenga esa Inteligencia Artificial, más concreto y conciso será el resultado. Al igual que en el caso de la Inteligencia Artificial, los requerimientos de hardware son muy exigentes.
Hasta la invención de máquinas con GPU (y las tarjetas gráficas de NVIDIA) fue imposible ofrecer al gran público esta cantidad de computación necesaria en el Machine Learning.
Recuerda que en dinahosting ya disponemos de Servidores Dedicados GPU en los que alojar tus aplicaciones de IA.
A día de hoy, el Machine Learning se emplea en multitud de aplicaciones y el crecimiento de esta disciplina de la Inteligencia Artificial es exponencial. Reconocimiento facial, creación de un primer diagnóstico en radiografías, predicciones de tráfico, resultados de búsqueda, etc.
Esperamos haber podido arrojar algo de luz sobre el Machine Learning y la Inteligencia Artificial. ¡Leemos tus aportaciones en los comentarios!
Deja una respuesta