IA, machine learning y deep learning: diferencias con ejemplos

ledsoleo-hermes

Si has leído «IA», «machine learning» y «deep learning» en la misma frase, es normal que parezcan sinónimos. En titulares, anuncios y conversaciones de sobremesa se mezclan con bastante alegría. No son lo mismo, pero tampoco son rivales: están emparentados, como las muñecas de una matrioska.

En nuestro artículo sobre qué es la inteligencia artificial vimos la idea general. Aquí damos un paso más: cómo encajan estas tres etiquetas y qué diferencia hay en la práctica, sin fórmulas y con ejemplos de andar por casa.

La imagen general: una muñeca grande con más cosas dentro

La inteligencia artificial (IA) es el término más amplio. En general, designa la capacidad de una máquina para realizar tareas que asociamos con el comportamiento inteligente humano, como razonar, decidir, reconocer o comunicarse. Es, a grandes rasgos, el enfoque de definiciones como la del glosario del NIST.

Dentro de la IA está el machine learning (aprendizaje automático), y dentro del machine learning está el deep learning (aprendizaje profundo). Es la jerarquía que explica IBM al comparar estos conceptos.

La matrioska tiene una pega: la muñeca grande de la IA no esconde solo el machine learning. Hay más cosas dentro, y vamos a verlas primero.

Diagrama de conjuntos anidados que muestra la IA como conjunto exterior, reglas y búsqueda, machine learning y deep learning — La IA engloba distintos enfoques: las reglas y la búsqueda, el machine learning y, dentro de este, el deep learning. Los tamaños son ilustrativos y no representan superioridad.

IA basada en reglas: instrucciones escritas a mano

Antes de que se pusiera de moda aprender de datos, una forma muy habitual de hacer IA era escribir las reglas a mano: «si ocurre esto, haz aquello». Una persona (o un equipo) traduce su conocimiento a instrucciones que la máquina sigue sin desviarse.

Un chatbot sencillo de preguntas frecuentes que responde según palabras clave: si detecta «factura», muestra la información de facturación.
Sistemas expertos, que recogen el conocimiento de especialistas en forma de reglas para ayudar a tomar decisiones en un ámbito concreto.
Búsqueda y planificación, como calcular la mejor ruta entre dos puntos o explorar jugadas posibles en un juego de mesa. Aquí no se aprende de miles de ejemplos: se aplica un método diseñado por personas.

La ventaja es que es fácil entender por qué el sistema hizo algo: basta mirar la regla. El inconveniente es que se queda corto ante lo imprevisto. Si nadie escribió una regla para esa situación, el sistema no sabe qué hacer.

Machine learning: aprender de ejemplos en lugar de recibir reglas

El machine learning cambia el planteamiento. En vez de dictarle todas las reglas, le damos muchos ejemplos y dejamos que el sistema encuentre patrones. Google lo describe como el proceso de entrenar un programa, llamado modelo, con datos para que pueda hacer predicciones útiles o generar contenido. IBM lo explica en la misma línea: el sistema mejora su rendimiento a partir de la experiencia con datos.

Ejemplos cotidianos donde suele intervenir el machine learning:

Filtros que separan el correo deseado del spam.
Sistemas de recomendación de series, música o productos.
Predicciones a partir de datos históricos, como la demanda de un producto.

Ojo: «aprender» aquí no significa comprender como lo haría una persona. Significa ajustar un modelo a partir de datos para que acierte mejor en una tarea concreta. Y si los ejemplos son malos o están sesgados, el modelo aprenderá cosas malas o sesgadas.

Deep learning: machine learning con redes neuronales de muchas capas

El deep learning es un tipo de machine learning que usa redes neuronales artificiales con muchas capas; de ahí lo de «profundo». Según IBM, estas redes pueden encontrar patrones complejos en grandes cantidades de datos, como imágenes, audio o texto, con menos trabajo manual de preparación que otros métodos de machine learning.

Son técnicas que suelen estar detrás de cosas como el reconocimiento de voz, el reconocimiento de objetos en fotos, la traducción automática o muchos de los modelos que generan texto hoy en día.

Una aclaración importante: una «neurona artificial» no es una neurona del cerebro, sino una pieza matemática que se inspira vagamente en la idea. Si quieres ver la diferencia con calma, lo contamos en nuestro artículo sobre neuronas reales y artificiales.

Señor Idea, con cabeza de bombilla, gafas negras y traje azul marino, compara tres niveles visuales de una idea

Al señor Idea se le enciende una duda…

—Un momento. Mi nuevo electrodoméstico trae «IA» en la caja. ¿Eso quiere decir que aprende, o que trae un manual muy listo?

Buena pregunta, porque «IA» en una caja puede significar cosas muy distintas: reglas programadas, un modelo entrenado con datos o, a veces, simple márketing. Para orientarte, hazte dos preguntas. Primera: ¿sigue reglas fijas escritas por personas o se ha entrenado con ejemplos? Segunda: si se ha entrenado, ¿usa redes neuronales profundas? Si la ficha técnica no lo dice, lo más honesto es responder «no lo sé».

Moraleja: una etiqueta brillante no es un certificado de inteligencia.

Escena ficticia: el señor Idea es un personaje de LedSolEo. Sus frases no son citas reales ni opiniones de ninguna persona.

Un mismo problema, tres formas de resolverlo

Imagina que queremos detectar el correo basura. Esto es una ilustración de enfoques, no la descripción de ningún producto concreto:

Con reglas: alguien escribe «si el mensaje contiene «premio gratis», márcalo como spam». Funciona hasta que el spammer escribe «pr3mio gratiis».
Con machine learning: se entrena un modelo con muchos correos ya etiquetados como «spam» o «no spam», y este aprende qué rasgos suelen acompañar a cada tipo.
Con deep learning: se entrena una red neuronal de muchas capas con una cantidad grande de correos, y esta aprende por sí misma señales más sutiles del lenguaje, sin que nadie le diga qué rasgos mirar.

Tres carriles equivalentes para detectar correo basura: reglas, machine learning y deep learning — Tres formas de detectar correo basura: reglas escritas por personas, aprendizaje automático con ejemplos y aprendizaje profundo mediante redes de nodos.

Los tres son IA. Cambia cómo se consigue el resultado.

Tres confusiones frecuentes

«IA es lo mismo que machine learning.» No: el machine learning es una parte de la IA, no toda.
«Deep learning es siempre mejor.» No necesariamente. Suele necesitar muchos datos y mucha capacidad de cálculo, y para problemas sencillos puede ser como cazar moscas a cañonazos.
«Si es IA, entiende lo que hace.» No. Que un sistema dé buenos resultados en una tarea no implica que comprenda el mundo como una persona.

Para quedarte con lo esencial

IA: el paraguas. Incluye sistemas de reglas, búsqueda y planificación, y también sistemas que aprenden.
Machine learning: la parte de la IA que aprende patrones a partir de datos.
Deep learning: machine learning con redes neuronales de muchas capas.

La próxima vez que veas «con IA» en un producto, ya sabes qué preguntar: ¿reglas, aprendizaje o aprendizaje profundo? Y si quieres repasar las bases, te esperan en el artículo introductorio.

Para ampliar información

NIST: definición de inteligencia artificial.
Google: qué es el machine learning.
Google: glosario de machine learning.
IBM: diferencias entre IA, machine learning, deep learning y redes neuronales.
IBM: qué es el machine learning.
IBM: qué es el deep learning.
LedSolEo: qué es la inteligencia artificial, explicación sencilla con ejemplos cotidianos.
LedSolEo: neuronas reales y artificiales.