Por Eduardo J. Agosto, Consultor Grupo Compusof
De hecho, todos estos términos tienen relación pues se basan en el procesamiento de datos en grandes cantidades (Big Data), pero su nivel de complejidad no es comparable. A grandes rasgos, podríamos decir que la Inteligencia Artificial es la tecnología base, ya que responde siempre de la misma forma, ante los mismos parámetros. La IA ha evolucionado posteriormente en el Machine Learning (Aprendizaje Automático), que es capaz de auto-aprender y corregir errores, y el Deep Learning (el más avanzado de las tres) que, además de lo anterior, toma decisiones a partir de los datos recibidos. Intentemos ver, en qué consiste cada uno de estos términos, entender cuál es la relación entre ellos, cuáles son las aplicaciones de estas tecnologías en nuestro día a día, y que suponen a nivel del mercado global de las tecnologías.
Índice de temas
Machine Learning
En su uso más básico, es la práctica de usar algoritmos para recorrer todos los registros de una base de datos (denominado parseo de datos), aprender de ellos, y luego ser capaces de hacer una predicción o sugerencia sobre algo. Los algoritmos han evolucionado, con el objetivo de analizar y obtener mejores resultados: árboles de decisión, programación lógica inductiva (ILP), clustering para almacenar y leer grandes volúmenes de datos, redes Bayesianas (modelos grafo de probabilidades) y una gran variedad de técnicas, que los programadores de Data Science pueden aprovechar. Data Sciencie supone la continuación de algunos campos de análisis de datos como la estadística, la minería de datos, el aprendizaje automático y la analítica predictiva.
Los algoritmos han evolucionado, con el objetivo de analizar y obtener mejores resultados
El Deep Learning
En este otro método, englobado en el Machine Learning, no se introducen ejemplos, sino que es el propio algoritmo de la máquina, el que debe sacar patrones o anomalías para crear un modelo. El sistema en este caso va por capas o unidades neuronales. De hecho el funcionamiento de estos algoritmos trata de imitar al realizado por el cerebro. Más concretamente, el aprendizaje profundo (Deep Learning) imita el comportamiento de un sistema nervioso. Una red neuronal, es un sistema informático diseñado para trabajar clasificando la información de la misma manera que un cerebro humano. En el Machine Learning, las redes neuronales usadas se comportan de forma unitaria; todas las neuronas artificiales se comportan de igual manera entre sí. En un sistema nervioso real esto no ocurre así, cada red neuronal tiene una función específica. Es decir, cada neurona (realmente cada capa) es experta en una sola característica.
Pues en el Deep Learning se imita precisamente ese comportamiento. Inteligencia artificial y el Machine Learning se asocian, comúnmente, con un futuro lejano. Sin embargo, la realidad es que, ambos conceptos se aplican en el día a día de cualquier persona que, por ejemplo, se conecte a internet. Sus aplicaciones en el mundo empresarial son cada vez más demandadas, ya que acrecientan la capacidad de las compañías de conocer tanto a sus clientes, como al mercado o la competencia.
Como ejemplo, tenemos InfoSight de Hewlett Packard Enterprise, que distingue a Nimble Storage de todas las demás plataformas de almacenamiento del mercado. InfoSight procesa la información a través de una combinación de análisis predictivo, correlaciones globales (comparando datos en todos los sistemas del mundo buscando anomalías) y aprendizaje automático (Machine Learning) para predecir y prevenir problemas. Aprende a predecir el comportamiento problemático en la infraestructura, y a medida que aprende, los algoritmos predictivos continúan mejorando, y cada sistema se vuelve más inteligente y confiable. Cualquier nueva tendencia tecnológica, implica un nuevo mercado lleno de posibilidades. Desde Intel, indican que el mercado mundial de la robótica y la IA, va a crecer hasta 153.000 millones de dólares en 2020, incluyendo 83.000 millones para robótica y 70.000 millones para analíticas basadas en IA.
