El fenómeno "Inteligencia Artificial" (IA) se debate hoy bajo muchos términos diferentes. Por ejemplo, se habla de Inteligencia Artificial (IA), Aprendizaje Automático, Redes Neuronales, Aprendizaje de Representación, Procesamiento del Lenguaje Natural (PLN) o... Aprendizaje profundo es el término utilizado. Esto a veces lleva a una gran confusión y falta de claridad en cuanto a qué se entiende exactamente por cada uno de estos términos y qué beneficio práctico tienen realmente los respectivos métodos.

Para las empresas en particular, sin embargo, es crucial saber qué oportunidades les ofrecen los respectivos métodos. Teniendo en cuenta el enorme potencial de crecimiento asociado únicamente a la IA, las empresas deberían abordar este tema.

El sueño de la IA

Crear máquinas inteligentes que puedan comportarse y pensar como los humanos es un viejo sueño de la humanidad. Antiguos mitos, como el del Golem, ya hablan de ello, y Leonardo da Vinci también intentó diseñar máquinas inteligentes.

En La era de la digitalización hemos llegado a un punto en el que no sólo los procesos mecánicos que antes realizaban los humanos los llevan a cabo ahora las máquinas. Hoy es posible cartografiar digitalmente procedimientos y procesos mentales. Aún más: con la ayuda de Algoritmos Los ordenadores de alto rendimiento son capaces de producir resultados que superan la capacidad humana.

Izquierda: La figura del Golem en una escena de la película muda El Golem. Cómo vino al mundo (1920) de Paul Wegener. Fuente: © Deutsches Filminstitut, Fráncfort del Meno, Paul Wegener estate - colección Kai Möller. Derecha: Caballero robot mecánico basado en una idea de Leonardo da Vinci (c. 1495). Réplica del siglo XVII. © Fotografía de Erik Möller. Exposición Leonardo da Vinci Hombre - Inventor - GenioBerlín 2005.

El término genérico: Inteligencia Artificial (IA)

Ejemplar para el Status quo de la inteligencia artificial son las victorias que programas como Deep Mind, Watson de IBM o AlphaGo de Google han obtenido en juegos como el ajedrez, Jeopardy! y Go, el "juego más difícil del mundo". Inteligencia artificial (IA) es el término genérico utilizado para describir fenómenos de este tipo.

Los inicios de la investigación sobre IA se remontan a la 1950s de nuevo, en particular a las consideraciones que Alan Turing en su ensayo "Computing Machinery and Intelligence" en 1950. El Test de Turing, que lleva su nombre, también se remonta a Turing. Sirve para distinguir si una máquina tiene una capacidad de pensamiento equivalente a la de un ser humano o no.

Sin embargo, hay que diferenciar con más precisión el término genérico de inteligencia artificial. Hay una diferencia fundamental entre una IA capaz de ganar a un humano al ajedrez o al Go y una IA con la que se puede conversar naturalmente como si fuera un humano. A Turing sólo le interesaba esta última.

Pero cuando hoy hablamos de ciertos algoritmos como IA, solemos referirnos a una versión "adelgazada". En este sentido, las IA son programas inteligentes que realizan tareas específicas y complejasque, en circunstancias normales, puede gestionar un alto nivel de inteligencia es necesario, a veces incluso mejor que los humanos maestro.

Redes neuronales artificiales

Desde la perspectiva actual, los primeros experimentos en los que las "máquinas inteligentes" se modelaban a partir de seres humanos pueden parecer ingenuos. Pero, estrictamente hablando, los avances actuales en el campo de la IA también se basan en los descubrimientos sobre el ser humano como ser inteligente. La única diferencia: el modelo ya no se basa en la anatomía, sino en la humano Cerebro y procesos neuronales. Al igual que las redes neuronales, las redes neuronales artificiales están formadas por nodos, también llamados neuronas.

Forma simplificada de una red neuronal artificial con una capa de entrada a la izquierda, una capa de actividad en el centro (también llamada "capa oculta") y una capa de salida a la derecha.

El, también Unidades de entrada Las neuronas de la capa de entrada se utilizan para registrar información del entorno, como datos de medición. En medicina, por ejemplo, podría tratarse de datos sobre los pacientes como el peso, la temperatura corporal, la edad, etc. Las neuronas de la capa de entrada se utilizan para registrar información del entorno como datos de medición. Ahora comienza la evaluación, al final de la cual, a nivel de la capa de Capa de salida debe mantenerse un resultado, en este caso "enfermo" o "sano".

En Evaluación de los datosLa conexión entre las neuronas viene determinada por los bordes con los que las neuronas individuales están conectadas entre sí. A cada valor se le asigna un cierto peso que determina la fuerza de la conexión entre las neuronas. La intensidad con la que se activa una neurona depende en gran medida de la respectiva Procedimiento de clasificación (por ejemplo, regla delta o retropropagación). También pueden describirse como "Regla de aprendizaje" El término "entrenamiento" se utiliza para referirse a la formación con la que se entrena primero una red neuronal antes de poder utilizarla en la práctica.

En el artículo de nuestro blog redes neuronales artificiales son el éxito al aprendizaje automático puede aprender aún más sobre este tema.

Aprendizaje automático

En Aprendizaje automático Se trata de un término genérico que describe un Clase de algoritmos de aprendizaje indica que puede aprender de la "experiencia. Al igual que nosotros, los humanos, las máquinas pueden aprender de este modo a partir de un gran número de casos de ejemplo y abstraer una regla general. Tras una fase de aprendizaje, estos conocimientos pueden aplicarse de nuevo a casos reales. Un importante campo de aplicación de los algoritmos de aprendizaje automático es, por ejemplo, la detección de fraudes con tarjetas de crédito.

Las posibles aplicaciones del aprendizaje automático son enormes. Por citar solo algunos ejemplos:

• Análisis de regresión,
• Árbol de decisión,
• Máquina de vectores soporte o
• Aprendizaje profundo.

El último ejemplo también muestra por qué a menudo hay confusión conceptual cuando se habla de inteligencia artificial. Porque no todo lo que es Inteligencia Artificial debe ser necesariamente Machine Learning, y no todo método de machine learning es automáticamente Deep Learning, sino al revés. La siguiente ilustración vuelve a dejar clara esta conexión:

Fuente: Elaboración propia a partir de códigosdeinterés.com

Ni siquiera el aprendizaje automático es siempre aprendizaje automático. Dentro del aprendizaje automático existe un Diversos métodos de aprendizaje. Los dos más conocidos son Aprendizaje automático supervisado y Aprendizaje automático no supervisado. Ambos sirven para fines distintos y difieren fundamentalmente. En el aprendizaje automático supervisado, un "profesor" proporciona información al algoritmo de aprendizaje automático durante la fase de entrenamiento. Con la retroalimentación, un algoritmo aprende si el resultado respectivo es correcto o incorrecto.

En el aprendizaje automático no supervisado, no hay tal profesor. Más bien, se supone que el algoritmo reconoce reglas o patrones en los datos por sí solo. Por eso el aprendizaje automático no supervisado se utiliza para explorar conjuntos de datos específicos, mientras que el supervisado se emplea para cuestiones más concretas.

Si quiere saber aún más sobre las posibilidades concretas de aplicación del aprendizaje automático, lea también nuestro artículo sobre "Aprendizaje automático en la Industria 4.0.

Aprendizaje profundo o redes neuronales profundas

Aprendizaje profundo ("aprendizaje profundo") es un clase especial de métodos de optimización de redes neuronales artificiales. Por eso a veces se denominan "redes neuronales profundas". La principal diferencia es la complejidad de las capas intermedias, las llamadas "capas ocultas".

El aprendizaje profundo se ha convertido en uno de los motores centrales del desarrollo en el campo de la inteligencia artificial en los últimos años por dos razones: en primer lugar, porque el aprendizaje profundo consigue resultados especialmente buenos cuando se utilizan grandes cantidades de datos (Grandes datos) con los que se puede entrenar una red. Y en segundo lugar, porque los algoritmos de aprendizaje profundo han hecho representables procesos intelectuales y mentales que durante mucho tiempo se supuso que estaban reservados a los humanos.

Fuente: rsipvision.com 

En un algoritmo de aprendizaje profundo o red neuronal profunda, hay numerosas capas ocultas entre las capas de entrada y salida.

Dos de los ejemplos más destacados son Reconocimiento facial y de voz. Siri, Cortana y compañía, Chatbots o el nuevo Google Image Search son ejemplos de aplicaciones que no existirían sin Deep Learning. Los algoritmos de los chatbots, por ejemplo, aprenden con cada pregunta que se les hace y así se mejoran a sí mismos. Es precisamente esta capacidad de aprendizaje de los algoritmos de Deep Learning lo que los distingue de las redes neuronales artificiales "normales".

Algoritmos evolutivos (EA)

Otra clase de algoritmos inteligentes también intenta aprender de la naturaleza cómo funcionan los sistemas inteligentes y adaptativos. En este caso, sin embargo, el modelo no es el cerebro, sino el Evolución. Como en el caso de la evolución biológica, la algoritmos evolutivos diferentes generaciones superpuestas, en este caso generaciones de enfoques de solución. Siguiendo el lema de "la supervivencia del más fuerte", cada solución candidata se evalúa y, en función de la evaluación, se selecciona para ser utilizada en la siguiente generación en un proceso de selección. forma mutada o recombinada que se aplique de nuevo.

Representación gráfica del mecanismo de selección que conduce al desarrollo evolutivo de un planteamiento de solución. Fuente: schneider-m.com

Cuantas más generaciones de algoritmos se creen de este modo, mejor será la solución. Para las empresas, las EA son especialmente útiles en Tareas de optimización interesante como en el desarrollo de nuevos productos. Los productos de los mercados financieros también pueden optimizarse con EA para obtener el máximo beneficio y el mínimo riesgo. Esto puede hacerse, por ejemplo, simulando carteras con distintas composiciones para determinar la mejor composición posible.

¿Hasta qué punto serán inteligentes las máquinas en el futuro?

Con todos los logros y hazañas más que impresionantes que ya ha producido la IA, la pregunta legítima es qué nos deparará el futuro. Aún estamos lejos de crear una IA que se acerque a la complejidad y aplicabilidad universal de los humanos. Se trata más bien de tareas especiales en las que las máquinas son superiores a los humanos.

Un ingrediente crucial que determinará si vemos que esta forma de IA supera la prueba de Turing en un futuro próximo son Ordenador cuántico. El cerebro humano también podrá reivindicar otra ventaja durante mucho tiempo: Tan pronto como sea posible, ningún sistema artificial será capaz de realizar operaciones informáticas de forma tan eficiente desde el punto de vista energético.

Todavía un sueño del futuro, pero ya desarrollado en su infancia: Máquinas que, gracias a "Affecitve Computing" Comprender los sentimientos.

Otro salto cualitativo en el desarrollo de la IA será la capacidad, Transmitir lo aprendido. Supongamos que un robot equipado con inteligencia artificial ha aprendido a distinguir los tornillos de los clavos. Este conocimiento también sería útil para muchos otros robots que trabajan en situaciones similares.

Si este conocimiento fuera fácilmente transferible, no todos los sistemas inteligentes tendrían que aprender todas y cada una de las habilidades, sino que podrían simplemente invocar ciertas habilidades, de forma similar a la película Matrix. Esta visión del futuro representada en la película podría convertirse pronto en realidad, al menos para las máquinas.