En los últimos años se ha hablado mucho de Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL), siendo conceptos que se han ido popularizando de manera exponencial y que a su vez han generado mucha confusión entre sí. El objeto de este post es comprender a qué nos referimos con cada uno de ellos y qué usos tienen en la vida real. 

Como punto de partida tenemos que hablar de la Inteligencia Artificial (IA), entendido como el conjunto de tecnologías que combinan algoritmos con el objetivo de crear software que presente las mismas capacidades que el pensamiento humano.

Desde que surgió el concepto de la inteligencia artificial en la década de los 50, poco después de acabar la segunda guerra mundial, ha vivido momentos de mayor auge y crecimiento donde las inversiones dirigidas a impulsar esta tecnología han sido abundantes, conocidos como veranos de la IA, y otros periodos en los que se ha producido una reducción de interés y consecuentemente de la inversión en fondos, conocidos como los inviernos

Estos parones eran en buena parte debidos a que la generación de expectativas no se convertía en una realidad tangible, en muchos casos debido a aspectos técnicos tan relevantes como la falta de computación necesaria para que pudiera desarrollar todas las capacidades que se esperaban. La realidad actual es que se han conseguido solucionar estos inconvenientes con nuevas innovaciones como el Cloud Computing, que nos dan el nivel almacenamiento y computación adecuados para desarrollar su potencial permitiendo salvar estos escollos. 

Como resultado, desde hace unos años la IA está cada vez más presente en nuestro día a día en nuestros hogares, como es el caso de Alexa, altavoz inteligente de Amazon que ejecuta tareas que le indicamos como poner música, encender las luces o incluso contar un chiste. 

El nacimiento del Machine Learning

En la década de los años 80 apareció Machine Learning (ML), que es un apartado de la Inteligencia Artificial, que consiste en la capacidad de las máquinas de aprender por sí mismas basándose en datos e identificación de conductas, lo que les permite reentrenarse y cualificar las decisiones de forma autónoma, es decir, sin la necesidad de la supervisión humana. 

Intentando simplificar mucho su funcionamiento, básicamente un algoritmo analiza un gran volumen de datos, detecta patrones de comportamiento y saca conclusiones permitiendo eficientar el proceso de manera automática.

Un ejemplo de Machine Learning (ML) en el mundo del marketing, es la personalización de sugerencias en base a tu histórico, como hace Netflix, que te recomienda series o películas basándose en tus gustos o Amazon que te posiciona productos en su web o app en base a tu historial de compras y navegación.

Usos del Deep Learning

Por último, vamos a hablar de Deep Learning (DL), subconjunto a su vez de Machine Learning (ML), que surgió en el siglo XXI, y se trata de algoritmos basados en redes neuronales artificiales que imitan el funcionamiento del cerebro humano, siendo la técnica que más se asemeja al aprendizaje de las personas

El Deep Learning (DL) permite solucionar problemas complejos, aunque el conjunto de datos sea no estructurado y no exista una relación clara entre ellos, cuanto más se ejecuten y aprendan los algoritmos de Deep Learning, mejor es el resultado obtenido. Este aspecto es un valor diferencial respecto del Machine Learning, que requiere que los datos hayan sido previamente estructurados para ofrecer su máximo rendimiento.

Algunos ejemplos de aplicaciones prácticas de Deep Learning son las traducciones automáticas donde los algoritmos usan grandes volúmenes de datos para entrenar el modelo permitiendo la interpretación de idiomas o por ejemplo, el reconocimiento de imágenes utilizado en el etiquetado de fotos en redes sociales, de hecho, hilando con este punto, uno de los grandes acontecimientos en la historia del Deep Learning fue cuando Andrew Y. NG en su época en Google consiguió reconocer gatos entre millones de imágenes con un nivel de exactitud altísimo. 

Lo que queda claro es que todavía queda mucho por recorrer en este ámbito, de hecho, los grandes players tecnológicos del mercado siguen blandiendo una batalla por posicionarse como la punta de lanza de la Inteligencia Artificial (IA). 

Recientemente, se ha publicado que Microsoft ha incorporado IA a su buscador con el objetivo de arrebatar el liderazgo a su principal competidor Google. En palabras del CEO de Microsoft, Satya Nadella, aseguró que "la inteligencia artificial cambiará de raíz todas las categorías de software, empezando con la más grande de todas: la búsqueda".

El principal cambio que han realizado en su buscador Bing es la incorporación de ChatGPT a su motor de búsqueda, aspecto que permite la posibilidad de realizar preguntas con un nivel de complejidad alto y obtener una respuesta concreta.

Esta innovación puede hacer cambiar el concepto de buscador tal como lo entendíamos hasta ahora cuando las soluciones de IA estén totalmente integradas, y la repercusión más importante, puede llegar a hacer tambalear el modelo de publicidad de Google tal como lo entendemos hasta ahora.

Artículo de Israel Gonzalez Enriquez, profesor del Máster en Big Data y Business Analytics (MBDA) en ESIC Business School.

También en Hipertextual: