Actualmente en la industria es muy común escuchar acerca de Inteligencia Artificial se está aplicando en distintas áreas y con grandes resultados, expliquemos lo qué es y porque su gran utilidad. Exploraremos qué es la Inteligencia Artificial, cómo funciona y veremos porque debemos de usarla.
¿Qué es la inteligencia artificial?
La definición formal de Inteligencia artificial se refiere a la capacidad que las computadoras tengan la capacidad de imitar la inteligencia humana.
Un problema que se nos presenta para continuar desarrollando el tema es la definición de inteligencia, incluso en humanos es difícil de definirla. Partimos desde la premisa que incluso una hoja de Excel tiene la capacidad de clasificar a personas que pueden o no ser aptos para un crédito, capacidad que le podríamos atribuir a una inteligencia humana.
La IA se basa en algoritmos y modelos matemáticos complejos que se entrenan en grandes conjuntos de datos para aprender patrones y tomar decisiones precisas.
Sin embargo, dentro del campo de IA se encuentra el denominado Machine Learning (aprendizaje automático), el cuál va un paso más adelante ya que hace que las máquinas puedan aprender, cómo lo indica su nombre, permitiendo desarrollar múltiples soluciones. Los medios de comunicación masiva confunden un poco los términos, por eso para evitar problemas siempre que se haga referencia a inteligencia artificial la entenderemos cómo Machine Learning.¿Qué es Machine Learning (ML)?
Machine learning o
aprendizaje automático, es la ciencia que permite a las computadoras aprender a
resolver problemas de manera automática a partir de datos del mundo real que nosotros
proporcionaremos sin la necesidad de tener código explícito.
Es decir que no se tiene
que programar textualmente para resolver un problema determinado, cosa que
brinda brindar soluciones más prácticas, baratas, eficientes y sin la necesidad constante de mantener código complejo debido a la gran cantidad de reglas que se podrían llegar a establecer,
en conclusión, con ML tenemos el poder de hacer cosas que incluso a nosotros se nos hace difícil de explicar cómo las emociones o detectar patrones complejos.
Ejemplo:
Imaginemos que deseemos crear un programa que clasifique si lo que estamos viendo en una foto es un camión de carguío de mineral o no, para darles seguimiento dentro del tajo y obtener métricas relevantes.
Programación tradicional: Si tratamos de programar de manera tradicional
tendremos que tener en cuenta muchos detalles para lograr identificarlo en imágenes, desde
cosas como el modelo de la cámara, el color, la forma, el modelo del vehículo o hasta el tamaño de
pixeles que ocupa, condiciones de luminosidad y más aspectos relevantes cómo el
añadir características para que pueda distinguir camiones de vehículos cómo
camionetas o palas excavadores.
Machine learning: brindaremos a la computadora imágenes de
camiones de carguío de mineral, el cuál nuestro algoritmo se encargará de
encontrar características y patrones similares e irá aprendiendo a como identificarlo
en las imágenes (sin código explícito).
¿Cuál crees tú que sea la mejor solución? Ojo, no estamos diciendo que siempre la mejor solución es usar machine learning, cómo todas las herramientas se deben usar cuando es necesaria, se requiera y facilite las cosas.
¿Cómo funciona ML?
La solución que aplicamos mediante machine learning es abstraída mediante un modelo (redes neuronales, regresión lineal, etc. Que explicaremos más adelante.) al cual se le aplica un algoritmo de entrenamiento para ajustar dicho modelo a los datos del mundo real. Cómo resultado tenemos un modelo que se podrá usar para predecir resultados o buscar patrones que pueden ser usados para la solución del problema.
En conclusión, Machine Learning es mejor cuando
- Cuando tratamos con problemas complejos para las cuales no hay una buena solución usando los métodos
- Problemas para los cuáles las soluciones requieren una larga lista de algoritmos y reglas, un algoritmo de machine learning puede hacerlo más fácil, rápido y con mejores resultados.
Seguiremos adentrándonos
en más conceptos sobre machine learning, en el siguiente artículo tocaremos
acerca de los tipos de modelos y sus aplicaciones.
