Editado por Pier Giuseppe Giribone

La inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DL) son conceptos.
Están estrechamente relacionados entre sí: el aprendizaje profundo es un tipo de aprendizaje automático y el aprendizaje automático es un tipo de inteligencia artificial.

Esta definición, aunque no es absoluta, es aceptada en estos términos por la comunidad científica.

La inteligencia artificial es un concepto general que abarca diversas tecnologías, incluido el aprendizaje automático, que, a su vez, se compone de técnicas específicas, como el aprendizaje profundo.

Por lo tanto, no es un error comparar la Inteligencia Artificial, el Aprendizaje Automático y el Aprendizaje Profundo con las muñecas Matryoshka: cada una es esencialmente un componente y está incluida en el término anterior.

La inteligencia artificial (IA) es el término más amplio que se utiliza para clasificar las máquinas que emulan la inteligencia humana. Se emplea para predecir, automatizar y optimizar tareas que históricamente han realizado los humanos, como el reconocimiento de voz y facial, la toma de decisiones y la traducción de idiomas.

La clasificación científica prevé tres categorías principales de Inteligencia Artificial:

Inteligencia Artificial Estrecha (ANI), Inteligencia Artificial General (AGI) e Inteligencia Artificial Súper (ASI).

La IA no convencional, también conocida como IA débil o IA estrecha, permite realizar tareas específicas aprendiendo de un conjunto de datos coherente con dicho propósito. Algunos ejemplos de IA no convencional incluyen el reconocimiento facial, el ajedrez automático y los coches autónomos.

La IA estrecha tiene capacidades limitadas, por lo que se clasifica como "débil". Carece de inteligencia genuina y, por lo tanto, no puede compararse con la inteligencia humana. Sin embargo, su valor reside en lograr objetivos específicos de manera eficiente y efectiva (por ejemplo, en aplicaciones de ingeniería de automatización industrial).

Un sistema de IA especializado se entrena normalmente con un conjunto de datos específico (denominado conjunto de entrenamiento) para que pueda comprender el problema al que se enfrenta y resolver. Una vez que alcanza su objetivo, la IA puede utilizar su conocimiento del proceso de toma de decisiones para predecir resultados y ejecutar la acción para la que fue diseñada.

Por ejemplo, si se desea entrenar un sistema de IA especializado para identificar números escritos a mano en un texto, es necesario entrenarlo con un conjunto de datos que contenga una gran cantidad de ejemplos de números escritos por diferentes personas. Tras el entrenamiento, la IA podrá identificar caracteres en nuevos textos.

A medida que consideramos formas más fuertes de IA, como la IAG y la IAA, la incorporación de Los comportamientos similares a los humanos cobran mayor importancia, incluyendo, por ejemplo, la capacidad de interpretar el tono y las emociones. Los chatbots y asistentes virtuales, como Siri, aunque muy avanzados, todavía se consideran ejemplos de IA.

La inteligencia artificial general (IAG) es la representación completa de las capacidades cognitivas humanas que, ante una tarea desconocida, puede reemplazar el enfoque humano para encontrar una solución racional y predecible. Por lo tanto, el objetivo de un sistema IAG es realizar cualquier tarea cognitiva que un ser humano sea capaz de llevar a cabo dentro del ámbito de la racionalidad.

Las definiciones de IA general varían, ya que los expertos en diferentes campos definen la inteligencia humana desde distintas perspectivas. Los informáticos suelen medir la inteligencia humana en términos de la capacidad para alcanzar objetivos. Los psicólogos, por otro lado, suelen definir la inteligencia general en términos de adaptabilidad o supervivencia.

A pesar del acelerado progreso tecnológico, todavía estamos lejos de la IA general tal como se la concibe comúnmente, que de hecho incluye las siguientes capacidades: pensamiento abstracto, sentido común, interpretación de las relaciones de causa y efecto y la capacidad de transferir el aprendizaje a otros agentes.

En el ámbito de la ciencia ficción, un sistema ASI (o superinteligencia) tendría que superar incluso las capacidades cognitivas humanas.

Los métodos de aprendizaje específicos para los sistemas ANI incluyen numerosos algoritmos de aprendizaje automático, que mejoran el conocimiento adquirido por el sistema a través de los datos. En función del objetivo específico y del tamaño de la muestra disponible, se elige el procedimiento que se considere más apropiado.

Si se dispone de una gran cantidad de datos significativos y se requiere un nivel de conocimiento muy profundo del sistema, a pesar del considerable tiempo de entrenamiento, se pueden utilizar modelos de aprendizaje profundo.

Una vez aclaradas las diferencias terminológicas entre Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo, el siguiente artículo de esta serie se centrará en la diferencia entre un algoritmo tradicional y uno que implementa paradigmas de aprendizaje automático.