¿Es el Aprendizaje Automático una parte de la Inteligencia Artificial?

Inteligencia Artificial, Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning) son tres conceptos distintos, pero fuertemente relacionados y que en muchas ocasiones mezclamos al hablar de las nuevas tendencias tecnológicas.  En este artículo, aclaramos estos tres conceptos, pero comenzaremos aclarando que Deep Learning forma parte de lo que conocemos como Machine Learning y que el propio Machine Learning también es un subconjunto de la Inteligencia Artificial.

La Inteligencia Artificial  (IA) es uno de esos campos de investigación que son más populares de lo que, en realidad, deberían ser. Hoy, es frecuente leer información sobre el futuro de la inteligencia artificial, cómo en pocos años las máquinas nos quitarán el trabajo y será posible desarrollar robots que sean, prácticamente, indistinguibles de los seres humanos.

Se atribuyen a la Inteligencia Artificial muchos «superpoderes» que, en realidad, están muy lejos de hacerse realidad. Lo cierto es que el potencial de esta ciencia de la computación es enorme, pero la complejidad de ciertas aplicaciones prácticas que forman parte del imaginario popular es, todavía, ingente.

La Inteligencia Artificial como tal surgió en la década de los años 1950. El término fue acuñado en 1956 en la conferencia de Darmouth, aunque ya se llevaba trabajando en ella unos años. De hecho, las ideas acerca de buscar reglas matemáticas que describieran los procesos racionales se remontan a la antigua Grecia, a los tiempos de Aristóteles.

Sin ánimo de repasar toda la historia de la IA, nos remitimos a la primera definición conocida: «es la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes». Otras definiciones más modernas pueden ser más o menos genéricas, o más específicas, pero la idea subyacente es que mediante la IA tratamos de imitar las funciones cognitivas humanas a través de algoritmos.

Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo

Como suele pasar en multitud de campos, una ciencia general suele incluir subconjuntos o áreas de investigación más específicas que se encargan de resolver problemas más concretos. En el caso de la IA sucede lo mismo. Se dice que el Aprendizaje Automático (AA) o Machine Learning es un subconjunto de la Inteligencia Artificial. El Aprendizaje Profundo (AP) o Deep Learning, a su vez, es un subconjunto del Aprendizaje Automático.

¿Qué es entonces el Machine Learning? Para entenderlo tenemos que repasar los inicios de la IA como ciencia. Alrededor de la década de los años 80 del siglo pasado, muchos expertos creían podría alcanzarse un nivel de IA similar al de la inteligencia humana sin más que conseguir generar un conjunto de reglas lo suficientemente grande para representar el conocimiento. De esta forma, crear máquinas inteligentes sería cuestión de cubrir, por así decirlo, todo el espectro de mecanismo» cognitivos.

Nada más lejos de la realidad. Ese tipo de enfoque se conoce como IA Simbólica, y a partir de ella se desarrollaron los llamados Sistemas Expertos. Era perfecta para problemas lógicos y bien definidos, es decir, con un número de reglas limitado y muy claro, como el ajedrez. Pero para otras aplicaciones como, por ejemplo, el reconocimiento de imágenes, o de la voz, estas técnicas son totalmente insuficientes.

Para abordar este tipo de problemas complejos, se cambió el enfoque radicalmente. En lugar de trabajar en conjuntos de reglas enormemente complejos, detallados y que cubriesen todos los casos posibles, se optó por hacerse las preguntas clave: ¿podría un sistema de computación inferir las reglas que definen un problema a partir de los datos observados?

El nuevo paradigma se salió de lo habitual, es decir, que los programadores debían introducir en el sistema las reglas y los datos. Ahora, los programadores introducen en el sistema conjuntos de datos relevantes que deben producir unas respuestas determinadas y que también se proporcionan al sistema en esta primera fase de entrenamiento, de manera que el sistema infiere las reglas que debe aplicar a los nuevos datos.

Con sucesivos conjuntos de datos de entrenamiento, el sistema refinará las reglas hasta la perfección, e incluso será capaz de, en cierta medida, innovar y lidiar con conjuntos de datos no estándar. Por ejemplo, en el caso del reconocimiento facial, el sistema puede reconocer a la misma persona afeitada, o con barba y gafas de sol. Existen numerosas aplicaciones del Machine Learning en diferentes ámbitos, además de múltiples retos.

Las limitaciones del Machine Learning permiten el desarrollo de un subconjunto específico para tratar esos problemas irresolubles mediante Aprendizaje Automático. Surge así el Aprendizaje Profundo. No entraremos en excesivo detalle porque es un tema complejo, pero podemos decir que el AP es una subcategoría del aprendizaje automático que emplea redes neuronales de varias capas para mejorar en el reconocimiento de voz, la visión por ordenador y el procesamiento del lenguaje natural.

Por lo tanto, y respondiendo a la pregunta inicial, el Aprendizaje Automático es un subconjunto de la Inteligencia Artificial dedicado a encontrar la mejor representación de los datos de entrada para producir un conjunto de datos de salida válidos. Es decir, los algoritmos de AA consisten en encontrar automáticamente las representaciones que convierten datos de entrada en representaciones mucho más útiles de los mismos para una tarea específica.

Todavía queda mucho que aprender para obtener máquinas inteligentes que sean capaces de procesar emociones, tener pensamiento abstracto o ser, en esencia, indistinguibles de los seres humanos. Mientras tanto, la IA y, en concreto, el AA y el AP, tienen mucho que ofrecer para tareas más aparentemente sencillas como el procesamiento del lenguaje natural, por ejemplo.