IA, aprendizaje automático y aprendizaje profundo: sus diferencias

Puntos clave

• La inteligencia artificial (IA) es el campo general: incluye sistemas que realizan tareas asociadas con la inteligencia humana mediante reglas, aprendizaje u otros métodos.
• El aprendizaje automático es un subconjunto de la IA: encuentra patrones en los datos en lugar de depender únicamente de reglas escritas de forma explícita.
• El aprendizaje profundo es un subconjunto del aprendizaje automático: utiliza redes neuronales con muchas capas para aprender patrones complejos en texto, imágenes, audio y otros datos.

IA es el término general, el aprendizaje automático es uno de sus enfoques y el aprendizaje profundo es un enfoque más especializado dentro del aprendizaje automático. La forma más sencilla de recordar la diferencia es: el aprendizaje profundo está dentro del aprendizaje automático, que a su vez está dentro de la IA.

Cómo funciona

Estos términos describen conceptos relacionados, no tres tecnologías que compiten entre sí. Un mismo producto puede combinar los tres.

Inteligencia artificial: la categoría general

La IA abarca métodos para crear sistemas que realizan tareas como razonar, planificar, reconocer el habla y comprender el lenguaje.

No toda la IA aprende de los datos. Algunos sistemas utilizan conocimientos y reglas escritos por personas. Por ejemplo, un sistema experto basado en reglas podría recomendar un paso para resolver un problema a partir de un conjunto de síntomas.

Eso no significa que todo flujo de trabajo automatizado sea IA. Un temporizador que envía un correo electrónico al mediodía es automatización convencional; no se vuelve inteligente simplemente por funcionar sin ayuda humana.

Aprendizaje automático: encontrar patrones en los datos

Con el aprendizaje automático, los desarrolladores entrenan un modelo mediante ejemplos. El proceso de entrenamiento ajusta el modelo para que pueda hacer predicciones o tomar decisiones útiles a partir de nuevos datos de entrada.

Por ejemplo, un filtro de correo no deseado puede aprender patrones de correos etiquetados como «correo no deseado» y «correo legítimo». En lugar de que alguien escriba una regla para cada frase sospechosa, el modelo aprende qué combinaciones de señales se asocian con mensajes no deseados.

Entre los enfoques habituales se incluyen:

• Aprendizaje supervisado: aprender de ejemplos con respuestas conocidas, como correos electrónicos etiquetados.
• Aprendizaje no supervisado: encontrar estructura en los datos sin etiquetas de respuesta predefinidas, como agrupar clientes similares.
• Aprendizaje por refuerzo: aprender mediante la retroalimentación sobre las acciones y sus resultados.

En muchos flujos de trabajo tradicionales de aprendizaje automático, las personas también eligen características de entrada útiles, como el importe de una transacción, la antigüedad de una cuenta o la frecuencia de compra.

Aprendizaje profundo: aprender mediante redes neuronales con múltiples capas

El aprendizaje profundo utiliza redes neuronales con múltiples capas de procesamiento. Durante el entrenamiento, esas capas aprenden representaciones que ayudan al modelo a manejar datos de entrada complejos.

En el reconocimiento de imágenes, las primeras capas pueden detectar patrones visuales sencillos, mientras que las capas posteriores los combinan para formar características más complejas. Esto reduce la necesidad de diseñar manualmente cada característica, aunque las personas siguen tomando decisiones importantes sobre los datos, el diseño del modelo y la evaluación.

El aprendizaje profundo es la base de muchos sistemas modernos de reconocimiento del habla, generadores de imágenes y grandes modelos de lenguaje.

Una distinción importante: entrenar un modelo no es lo mismo que utilizarlo. El entrenamiento modifica los parámetros que ha aprendido. Utilizar el modelo entrenado para producir una respuesta o predicción se denomina inferencia. Un chatbot que responde a tu mensaje no necesariamente aprende de forma permanente de esa conversación.

Ejemplos del mundo real

Atención al cliente

Un asistente basado en reglas podría guiar a los clientes por un árbol fijo de resolución de problemas. Un modelo de aprendizaje automático podría clasificar las solicitudes entrantes por tema o urgencia.

Un modelo de lenguaje basado en aprendizaje profundo podría redactar una respuesta en lenguaje natural. El producto final de atención al cliente podría combinar estos métodos con la recuperación de documentos y la revisión humana.

Detección de fraude

Un banco podría utilizar reglas explícitas para señalar determinadas transacciones y aprendizaje automático para identificar combinaciones inusuales de señales.

El aprendizaje profundo también puede ayudar en algunos sistemas de detección de fraude, pero no es automáticamente la mejor opción. Los modelos más sencillos pueden ser más fáciles de mantener y explicar, especialmente cuando los datos están estructurados en filas y columnas.

Escritura e investigación

ChatGPT utiliza grandes modelos de lenguaje para ayudar con tareas como la escritura, la programación, el análisis y la investigación cotidiana. Esos modelos de lenguaje son ejemplos de aprendizaje profundo.

Perplexity ayuda a los usuarios a investigar preguntas mediante respuestas generadas por IA con citas de fuentes web. Ilustra cómo un producto de IA puede combinar texto generado con recuperación de información.

Ni una respuesta fluida ni una cita garantizan la exactitud. Para investigaciones importantes, abre el material citado y comprueba si respalda la afirmación.

Habla e imágenes

Los sistemas de conversión de voz a texto convierten el audio en palabras, mientras que los sistemas de reconocimiento de imágenes identifican patrones en las imágenes. El aprendizaje profundo se utiliza ampliamente en ambos casos.

Estos sistemas reconocen patrones aprendidos; no necesariamente comprenden una escena o una conversación como lo hace una persona.

Ventajas y limitaciones

La IA puede automatizar tareas complejas, pero el método importa. Los sistemas basados en reglas pueden ser predecibles y fáciles de examinar. Sin embargo, sus reglas pueden volverse difíciles de mantener cuando se multiplican las excepciones.

El aprendizaje automático puede mejorar las predicciones a gran escala. Es útil cuando los ejemplos históricos contienen patrones relevantes. Sus limitaciones incluyen datos de baja calidad, etiquetas sesgadas y condiciones cambiantes que hacen que los patrones antiguos sean menos útiles.

El aprendizaje profundo puede manejar datos complejos y no estructurados. Es especialmente útil para el lenguaje, el audio y las imágenes. Entrenar modelos grandes desde cero puede requerir una cantidad considerable de recursos informáticos y datos, aunque utilizar un modelo preentrenado suele ser mucho más práctico.

En los tres casos, ten en cuenta estas limitaciones:

• Los errores siguen siendo posibles: un resultado expresado con seguridad puede ser incorrecto.
• Los sesgos pueden transmitirse: los sistemas pueden reflejar desequilibrios en los datos o en las decisiones de diseño.
• Las explicaciones varían: algunas decisiones son mucho más fáciles de examinar que otras.
• La privacidad requiere atención: la información sensible necesita medidas de protección adecuadas.

El mejor enfoque es el más sencillo que satisfaga tus necesidades de exactitud, fiabilidad, coste y supervisión, no necesariamente el modelo más reciente o más grande.

Cómo empezar

1. Define la tarea antes de elegir la tecnología. «Reducir el tiempo dedicado a resumir artículos de investigación» es más útil que «empezar a utilizar aprendizaje profundo».

1. Decide si necesitas una herramienta o un modelo personalizado. La mayoría de los principiantes y de los profesionales con poco tiempo deberían empezar con una aplicación existente. Crear y entrenar un modelo es un proyecto técnico aparte.

1. Adapta la herramienta al flujo de trabajo. Utiliza ChatGPT para redactar y obtener explicaciones, o Perplexity para investigar en la web con citas de fuentes. NotebookLM es otra opción que puedes explorar para flujos de trabajo centrados en la investigación.

1. Haz pruebas con un conjunto pequeño de ejemplos conocidos. Compara los resultados con respuestas que puedas verificar. Registra los errores factuales, la información que falta y cuánta edición se necesita.

1. Añade revisión humana cuando los errores tengan consecuencias. Comprueba los resultados relevantes antes de utilizarlos en decisiones sanitarias, jurídicas, financieras o laborales.

Si estás desarrollando modelos de aprendizaje automático, Weights & Biases puede ayudarte a realizar un seguimiento de las ejecuciones de entrenamiento. Esa necesidad es distinta de la de simplemente utilizar un asistente de IA.

Preguntas frecuentes

¿Toda la IA es aprendizaje automático?

No. La IA también incluye enfoques basados en reglas explícitas, búsqueda, planificación y otros métodos que no requieren aprender de ejemplos. El aprendizaje automático es una de las principales ramas de la IA.

¿El aprendizaje profundo siempre es mejor que otros tipos de aprendizaje automático?

No. El aprendizaje profundo es potente para tareas que implican texto, imágenes y audio, pero los modelos más sencillos pueden funcionar mejor con algunos conjuntos de datos estructurados. También pueden ser más rápidos, menos costosos y más fáciles de explicar.

¿Dónde encaja la IA generativa?

La IA generativa describe sistemas que crean contenido, como texto, imágenes o audio. La mayoría de los sistemas modernos de IA generativa más utilizados se basan en el aprendizaje profundo. Sin embargo, el aprendizaje profundo también permite realizar tareas no generativas, como clasificar imágenes o predecir un valor numérico.