Inteligencia artificial y machine learning

¿Cómo se combinan para que las máquinas aprendan?

La inteligencia artificial, IA por sus siglas en inglés, es una rama de las ciencias de la computación que estudia cómo automatizar y emular la conducta inteligente.

El machine learning (ML) o aprendizaje automático se refiere a técnicas y programas en los que la inteligencia artificial computacional se aplica para optimizar un modelo creado para solucionar un problema, o para predecir.

También conocido como aprendizaje de máquina, su utilidad es mejorar los parámetros de un modelo, mediante el uso de datos previos o datos de entrenamiento.

Relación entre inteligencia artificial y machine learning

La inteligencia artificial engloba al aprendizaje automático, por lo tanto, tiene un alcance más amplio.

El aprendizaje automático es definido por el profesor Tom Mitchell del Machine Learning Department, de la Universidad Carnegie Mellon, como “el estudio de algoritmos informáticos que permiten a los programas informáticos mejorar automáticamente a través de la experiencia”.

Ambos buscan un fin común: crear algoritmos, modelos, simulaciones o dispositivos que emulen la inteligencia, las funciones cognitivas y el aprendizaje.

Disciplinas involucradas en el ML

Además de la aplicación de técnicas de inteligencia artificial para mejorar la capacidad de aprendizaje en elementos artificiales, el machine learning se nutre de muchas áreas, entre ellas:

• Teoría del aprendizaje computacional
• Reconocimiento de patrones
• Redes neuronales artificiales
• Minería de datos
• Estadística
• Teoría de modelos y de grafos
• Representación del conocimiento
• Procesamiento del lenguaje natural

Tipos de aprendizaje mediante inteligencia artificial y machine learning

Los algoritmos que se utilizan en el aprendizaje de máquina difieren según el problema que se necesita resolver.

Para seleccionar el tipo de algoritmo a utilizar, es fundamental identificar una de las nueve tareas que el machine learning puede resolver:

1. Clasificación
2. Regresión
3. Identificación de similitudes
4. Agrupación o clustering
5. Asociación por coincidencia o co-ocurrencias
6. Caracterización de comportamientos típicos o profiling
7. Predicción de vínculos o conexiones
8. Reducción de datos
9. Modelado causal

Los sistemas en donde se incluye machine learning pueden utilizar algoritmos con tres opciones para el aprendizaje:

• Supervisado
• No supervisado
• Por refuerzo

Algunos investigadores identifican un cuarto tipo: el aprendizaje semi-supervisado.

Photo by Franck V. on Unsplash