El software inteligente actual se basa en todo tipo de tecnologías. Por ejemplo, ¿sabes la diferencia entre inteligencia artificial, aprendizaje automático y aprendizaje profundo? ¿Y de qué se trata el big data? ¿Y qué hace exactamente un científico de datos? En este artículo, explicamos todos estos términos y lo que pueden significar para su organización.

Inteligencia artificial

La inteligencia artificial (IA) es simplemente lo que dice el término: el mismo tipo de inteligencia que conocemos de humanos y animales, pero que luego se recrea con computadoras. Sin embargo, detrás de este simple término se esconde una gran complejidad, porque los científicos y los filósofos aún no han descubierto qué es la inteligencia, y mucho menos cómo crear una forma artificial del fenómeno.

Todavía estamos muy lejos de copiar la inteligencia general, pero podemos dividir la inteligencia en varios subdominios. Razonamiento, resolución de problemas, planificación, aprendizaje, uso del lenguaje, visualización ; todas estas son formas de inteligencia. Y para cada una de estas formas también hay un dominio dentro de la IA destinado a integrar las capacidades humanas en una computadora.

Aprendizaje automático

Un dominio grande, y probablemente el más conocido, dentro de la IA es el aprendizaje automático. Este dominio tiene como objetivo reproducir la capacidad de aprendizaje de los seres humanos . Como seres humanos, constantemente aprendemos de las situaciones de nuestra vida diaria. Por ejemplo, si un niño mira un gato y los padres del niño dicen ‘gato’, repitiéndolo una y otra vez, incluso con otros gatos, el niño aprenderá a reconocer gatos con el tiempo.

Las técnicas de aprendizaje automático funcionan de la misma manera, basadas en ejemplos. Le das a dicho sistema numerosos ejemplos de imágenes de gatos con la descripción ‘gato’ y, a partir de ese entrenamiento, el sistema aprende qué tienen en común todas esas imágenes. Si luego le muestra al sistema una imagen de un gato que aún no ha visto, también reconocerá al gato en esta imagen.

En su propio negocio, por supuesto, probablemente no buscará reconocer a los gatos. Pero hay innumerables cosas que puede aprender automáticamente . Por ejemplo, puede desarrollar un modelo predictivo para la probabilidad de una compra o la próxima compra . Esto clasificará a los prospectos en función de la probabilidad de que vuelvan a comprar. Esto le permitirá dar un gran impulso a la tasa de éxito de sus argumentos de venta.

Aprendizaje profundo

Las redes neuronales (artificiales) son un enfoque importante para el aprendizaje automático. Como sugiere su nombre, este enfoque está inspirado en el funcionamiento del cerebro humano. Después de todo, el cerebro humano consta de una red de neuronas conectadas, las células cerebrales, que se transmiten impulsos eléctricos entre sí. De manera similar, una red neuronal artificial consta de neuronas artificiales, que pueden recibir información de otras neuronas y pasar la información a otras neuronas.

Por lo general, estas neuronas se construyen en capas en una red neuronal artificial. Luego tiene una capa de entrada, una o más capas intermedias (ocultas) y una capa de salida:

Hablamos de aprendizaje profundo cuando la red tiene una gran cantidad de capas ocultas. El aprendizaje profundo ha dado lugar a importantes avances en IA durante la última década en áreas como el reconocimiento de objetos, el reconocimiento de voz, el control de calidad, la detección de fraudes e incluso el diagnóstico médico .

grandes datos

El aprendizaje profundo es por tanto una técnica específica de aprendizaje automático, como otras que existen. Y el aprendizaje automático es uno de los dominios de la inteligencia artificial. Visualmente, podemos representarlo así:

Esta representación también contiene otros dos conceptos: big data y ciencia de datos. Comencemos con el primero.

Hablamos de big data cuando hablamos de una recopilación de datos que es demasiado grande o demasiado compleja para procesar con un sistema de gestión de base de datos tradicional . Un problema en el aprendizaje automático, donde tienes que analizar cientos de miles de fotos, por ejemplo, es el big data. El aprendizaje profundo se presta perfectamente para abordar problemas de big data.

En la práctica, cambia a técnicas de big data en el momento en que ya no puede ejecutar el sistema de aprendizaje automático en una PC. A menudo, se encontrará con limitaciones como muy poca memoria o muy poca potencia de procesador para la gran cantidad de datos de entrenamiento. Entonces, la solución es ejecutar el software de aprendizaje profundo en grupos de computadoras en un centro de datos. Luego, la tarea se divide y se ejecuta en paralelo en varias computadoras.

Ciencia de los datos

Entonces, ¿qué es la ciencia de datos? Este es un campo interdisciplinario que utiliza métodos científicos y algoritmos para recopilar conocimiento a partir de grandes colecciones de datos con el fin de resolver problemas en todo tipo de áreas de aplicación.

En la imagen de arriba, puede ver que la ciencia de datos es parte de la IA, especialmente el aprendizaje automático. La ciencia de datos incluye el campo de big data y parte del aprendizaje profundo. Pero la ciencia de datos también incluye aspectos que quedan fuera del dominio de la IA.

¿Qué hace un científico de datos?

Exactamente cuáles son estos aspectos de la ciencia de datos fuera de la IA se vuelve más claro cuando analizamos lo que hace un científico de datos. Las habilidades de un científico de datos se dividen en cuatro áreas:

• IA: conocimiento de aprendizaje automático y técnicas relacionadas, así como modelos estadísticos y matemáticas relacionadas.
• Informática: conocimiento de lenguajes de programación como Python y R, bases de datos como SQL y NoSQL y despliegues en la nube.
• Conocimiento del dominio: conocimiento del contexto empresarial de las aplicaciones en las que la IA resuelve problemas.
• Comunicación: las habilidades para explicar y visualizar información basada en datos.

De los datos a la acción

Por supuesto, las empresas han podido extraer información de los datos durante algún tiempo. Esto a menudo se denomina Business Intelligence (BI), con informes y paneles interactivos como herramientas.

Sin embargo, por lo general, los conocimientos de BI se limitan a mirar hacia atrás: ¿Qué sucedió y por qué? También hay bastantes procesos manuales involucrados y los usuarios todavía tienen que tomar muchas decisiones en estos procesos por sí mismos.

La analítica avanzada y especialmente la IA van un paso más allá y te permiten mirar hacia adelante. Los resultados son predicciones (¿Qué pasará?) y recomendaciones (¿Qué debo hacer?). Además, solo se necesitan decisiones y procesos manuales mínimos para tomar medidas.

Las formas más avanzadas de IA también automatizan estos últimos pasos humanos. Esto permite que el sistema realice acciones de forma totalmente automática sobre la base de los datos.