lo que hacemos actualmente con las computadoras. Es ideal para cuando necesita una computadora para administrar datos, calcular un valor o hacer un seguimiento de las relaciones por usted. La programación explícita es muy poderosa, pero tiene un cuello de botella: el humano.
Esto puede ser problemático cuando queremos hacer cosas complejas con una computadora, como pedirle que reconozca una foto de un gato. Si tuviéramos que usar programación explícita para enseñarle a una computadora qué buscar en un gato, pasaríamos años escribiendo código para cada contingencia. ¿Qué pasa si no puedes ver las cuatro patas en la foto? ¿Qué pasa si el gato es de un color diferente? ¿Podría la computadora elegir un gato negro sobre un fondo negro o un gato blanco en la nieve?
Estas son todas las cosas que damos por sentado como humanos. Nuestros cerebros reconocen las cosas rápida y fácilmente en muchos contextos. Las computadoras no son tan buenas en eso, y se necesitarían millones de líneas de código explícito para decirle a una computadora cómo identificar un gato. De hecho, es posible que no sea posible programar explícitamente una computadora para identificar al 100% con precisión a los gatos, porque el contexto siempre puede cambiar y estropear su código.
Aquí es donde entran en juego los algoritmos. Con la programación explícita intentamos decirle a la computadora qué es un gato y tener en cuenta cada contingencia en nuestro código. En contraste, los algoritmos de aprendizaje automático le permiten a la computadora descubrir qué es un gato.
Para comenzar, el algoritmo puede contener algunas características clave. Por ejemplo, podríamos decirle a la computadora que busque cuatro patas y una cola. Luego, alimentamos el algoritmo con muchas imágenes. Algunas de las imágenes son gatos, pero otras pueden ser perros, árboles o imágenes aleatorias. Cuando el algoritmo hace una suposición, reforzaremos las suposiciones correctas y daremos comentarios negativos por las suposiciones incorrectas.
Con el tiempo, la computadora usará el algoritmo para construir su propio modelo de qué buscar para identificar a un gato. Los componentes en el modelo de la computadora pueden ser cosas en las que ni siquiera pensamos al principio. Con más refuerzo y miles de imágenes, el algoritmo mejorará gradualmente en la identificación de gatos. Es posible que nunca alcance el 100% de precisión, pero será lo suficientemente preciso como para reemplazar una etiqueta de imagen de gato humano y será más eficiente.
Los algoritmos son pautas, pero no son reglas explícitas. Son una nueva forma de decirle a una computadora cómo abordar una tarea. Presentan bucles de retroalimentación que se corrigen automáticamente en el transcurso de cientos o miles de pruebas en una tarea.
Definiciones: inteligencia artificial vs. Aprendizaje automático vs redes neurales
Este libro trata sobre el aprendizaje automático, pero ese término se ajusta a un contexto más amplio. Dado que el aprendizaje automático está creciendo en popularidad, está recibiendo mucha cobertura de noticias. En esos artículos, los periodistas a menudo usan los términos inteligencia artificial, aprendizaje automático y redes neuronales de manera intercambiable. Sin embargo, hay ligeras variaciones entre los tres términos.
La inteligencia artificial es el más antiguo y más amplio de los tres términos. Acuñada a mediados del siglo XX, la inteligencia artificial se refiere a cualquier momento en que una máquina observa y responde a su entorno. La inteligencia artificial contrasta con la inteligencia natural en humanos y animales. Con el tiempo, sin embargo, el alcance de la inteligencia artificial ha cambiado. Por ejemplo, el reconocimiento de caracteres solía ser un gran desafío para la IA. Ahora, es una rutina y ya no se considera parte de la IA. A medida que descubrimos nuevos usos para la IA, los integramos en nuestro marco de referencia para lo que es normal, y el alcance de la IA se extiende a lo que sea que sea la próxima novedad.
El aprendizaje automático es un subconjunto específico de IA. Ya hemos pasado algún tiempo definiéndolo en este capítulo, pero se refiere a darle a la máquina un ciclo de retroalimentación que le permite aprender de la experiencia. Como término, el aprendizaje automático solo existe desde la década de 1980. Recientemente, en los últimos 10-15 años, hemos tenido el poder de procesamiento y almacenamiento de datos para realmente comenzar a implementar el aprendizaje automático a escala.
Las redes neuronales son un subconjunto del aprendizaje automático y son la tendencia más popular en la industria en este momento. Una red neuronal consta de muchos nodos que trabajan juntos para producir una respuesta. Cada uno de los nodos más bajos tiene una función específica. Por ejemplo, al mirar una imagen, los nodos de bajo nivel pueden identificar colores o líneas específicos. Los nodos posteriores pueden agrupar las líneas en formas, medir distancias o buscar densidad de color. Cada uno de estos nodos se pondera por su impacto en la respuesta final. Al principio, la red neuronal cometerá muchos errores, pero en el transcurso de muchas pruebas actualizará la ponderación de cada nodo para mejorar la búsqueda de la respuesta correcta.
Ahora, cuando lea un artículo sobre inteligencia artificial, aprendizaje automático o redes neuronales, comprenderá la diferencia. La clave es darse cuenta de que son subconjuntos. Las redes neuronales son solo un tipo de aprendizaje automático que a su vez es solo una parte de la inteligencia artificial.
Conceptos Básicos
Конец ознакомительного фрагмента.
Текст предоставлен ООО «ЛитРес».
Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
