12 de agost

Quina és la diferència entre intel·ligència artificial i machine learning?

Universitat Carlemany

Share: 

Intel·ligència artificial (IA) i machine learning són dos conceptes molt escoltats últimament en l'àmbit del Data Science i la formació relacionada amb aquest camp. Com es pot imaginar, tots dos tenen les seves característiques pròpies, i per tant les seves diferències.

Ambdós són termes que han despertat molt interès en el món de la tecnologia, i amb raó. Són tecnologies que proporcionen una gran ajuda a empreses per agilitar processos i descobrir dades per a prendre millors decisions informades. Fan avançar a gairebé tots els sectors, ajudant-los a treballar de forma més intel·ligent, i s'estan convertint en tecnologies essencials perquè les empreses aconsegueixin mantenir un avantatge competitiu.

Aquestes tecnologies són responsables de funcions com el reconeixement facial en els telèfons intel·ligents, les experiències de compra en línia personalitzades, els assistents virtuals en les llars, i fins i tot el diagnòstic mèdic de malalties.

La demanda d'ambdues, i, per tant, de professionals capacitats en elles, està en auge. No obstant això, aquest creixement exponencial està plantejant problemes a les empreses. Entre els principals es troben la falta de coneixements, la dificultat per a comprendre els casos d'ús de la IA, i la preocupació per l'abast o la qualitat de les dades.

Si bé, fa unes dècades, alguna cosa com la intel·ligència artificial i machine learning era una cosa impensable, avui és una cosa cada vegada més habitual en les empreses. I, encara que es troben íntimament relacionades, les diferències que existeixen entre elles són importants.

La intel·ligència artificial

En realitat, intel·ligència artificial és un terme mal definit, la qual cosa contribueix a la confusió entre ella i el machine learning. De manera succinta, la intel·ligència artificial és un sistema que, aparentment, és intel·ligent, però realment no és una bona definició. Bàsicament, la IA és una màquina que sembla humana i que pot imitar el comportament de les persones.

Aquests comportaments inclouen la resolució de problemes, l'aprenentatge i la planificació, per exemple, que s'aconsegueixen mitjançant l'anàlisi de dades i la identificació de patrons en ells per a replicar-los.

Machine learning

D'altra banda, el machine learning és un tipus d'intel·ligència artificial.

La IA, es pot dir, és l'aparença general de ser intel·ligent, mentre que el machine learning és l'aprenentatge per part de les màquines de coneixements i comportaments que serien difícils de dur a terme per l'humà. És més, el machine learning pot anar molt més allà de la intel·ligència humana.

Principalment, aquesta tecnologia s'usa per a realitzar el processament d'ingents quantitats de dades d'una forma molt ràpida. Per a això, s'utilitzen algoritmes que canvien amb el temps i que es milloren de manera que puguin treballar molt millor. Per exemple, una planta de fabricació podria recollir dades de màquines i sensors en la seva xarxa en quantitats molt majors a les quals l'home és capaç de processar. En aquest cas, el machine learning podria detectar patrons i trobar anomalies que poden indicar que hi ha un problema.

Intel·ligència artificial i machine learning, què necessita cadascuna?

Com s'ha constatat ja anteriorment, intel·ligència artificial i machine learning es relacionen molt estretament, però no són el mateix. Pel fet que ambdues són tecnologies intel·ligents, és necessari estar qualificat per a treballar amb elles.

Els professionals que treballen amb la intel·ligència artificial necessitaran una sèrie de característiques que inclou, entre moltes altres, ser capaces de treballar amb algoritmes i disposar de tècniques per a realitzar una anàlisi. A més de conèixer la ciència de les dades en profunditat, o treballar amb programació en java i amb robòtica.

D'altra banda, el treball amb machine *earning exigeix que els professionals estiguin adequadament capacitats per a fer ús de les matemàtiques aplicades, conèixer com és l'arquitectura de xarxes neuronals, o el processament del llenguatge natural. També serà bàsic que es coneguin els diferents llenguatges de programació.

Els termes intel·ligència artificial i machine learning s'usen indistintament

Això té lloc perquè, realment, no es tenen en compte les diferències que existeixen entre intel·ligència artificial i machine learning.

La IA va néixer el 1956 i, des de llavors, ha experimentat canvis i variacions. Al principi es pensava que podria aconseguir el nivell d'intel·ligència humana, però aviat es va comprovar que no era així. Això, al costat de la falta de finançament, va provocar que l'interès disminuís.

Les organitzacions van intentar separar-se del terme IA, que s'havia convertit en sinònim de fum, i van utilitzar diferents noms per a referir-se al seu treball. Per exemple, IBM va descriure Deep Blue com un supercomputador i va declarar explícitament que no utilitzava intel·ligència artificial, tot i que sí que ho feia.

Neixen altres paraules

Van sorgir altres termes, com big data, anàlisi predictiva i machine learning automàtic, que van començar a guanyar tracció i popularitat. En 2012, l'aprenentatge automàtic, l'aprenentatge profund i les xarxes neuronals van avançar molt, i es van utilitzar en un nombre cada vegada major de camps. De sobte, les empreses van començar a utilitzar els termes “machine learning" i "aprenentatge profund" per a anunciar els seus productes.

L'aprenentatge profund va començar a fer tasques que eren impossibles de fer amb la programació clàssica basada en regles. Camps com el reconeixement de la parla i facial, la classificació d'imatges i el processament del llenguatge natural, que es trobaven en una fase inicial, van fer sobtadament grans salts.

És aquí quan té lloc un canvi de marxa cap a la IA. Per als qui estan acostumats als límits del programari antiquat, els efectes de l'aprenentatge profund semblen impensables. Això succeeix perquè una part dels camps en què estan entrant les xarxes neuronals i l'aprenentatge profund es consideraven fora dels límits dels ordinadors.