🧠Inteligencia Artificial, Machine Learning y Deep Learning
🎯 RELACIÓN ENTRE LOS TRES CONCEPTOS
Metáfora de las muñecas rusas:
🟣 IA (la muñeca grande) → engloba todo
🔵 ML (la muñeca mediana) → forma parte de la IA
🟢 DL (la muñeca pequeña) → está dentro del ML
📍 Cada nivel contiene al siguiente.
🤖 1. INTELIGENCIA ARTIFICIAL (IA)
💡 Qué es
Conjunto de técnicas que permiten que las máquinas imiten la inteligencia humana.
Va desde programas con reglas fijas hasta sistemas que aprenden solos.
⚙️ Tipos principales
🔸 Sistemas basados en reglas
➡️ Instrucciones específicas para cada situación.
Ejemplo: termostato que enciende la calefacción si baja de 20°.
🔸 Sistemas expertos
➡️ Simulan el conocimiento de un especialista.
🧩 Características esenciales
✅ Automatización: ejecuta tareas sin intervención humana.
✅ Adaptabilidad: se ajusta a cambios en el entorno.
✅ Razonamiento: analiza información y toma decisiones.
✅ Respuesta a estímulos: reacciona a variaciones (temperatura, luz, etc.).
⚠️ Un simple “if–else” no es IA; es solo código, no inteligencia.
📚 2. MACHINE LEARNING (ML)
💡 Qué es
Subcategoría de la IA que permite que las máquinas aprendan de los datos sin programación paso a paso.
🔍 Diferencia con la programación tradicional
👩💻 Tradicional: el programador dice qué hacer.
🤖 ML: el sistema aprende solo a partir de ejemplos y patrones.
⚡ Cuándo usar ML
✔️ Problemas complejos sin reglas fijas.
✔️ Condiciones que cambian constantemente.
✔️ Grandes volúmenes de datos estructurados.
🧠 Ejemplos
📧 Filtro de spam:
- Tradicional: “si dice gratis 3 veces → spam”.
- ML: aprende de miles de correos cuáles son spam.
📸 Reconocimiento de imágenes:
- Tradicional: reglas de formas y colores.
- ML: aprende diferencias entre gatos y no gatos viendo ejemplos.
🧬 3. DEEP LEARNING (DL)
💡 Qué es
Subcategoría del ML basada en redes neuronales artificiales con muchas capas.
👉 Cuantas más capas, más “profundo” el aprendizaje.
🧠 Analogía musical
🎵 Machine Learning: analiza rasgos definidos (tempo, instrumentos).
🎧 Deep Learning: escucha miles de canciones y aprende solo las diferencias entre estilos.
💡 Cuándo usar DL
✔️ Grandes volúmenes de datos no estructurados (imágenes, texto, audio).
✔️ Tareas de alta complejidad, como:
- Reconocimiento facial 👤
- Asistentes de voz 🎙️
- Traducción automática 🌍
- Generación de arte o música 🎨🎵
🔧 4. ELECCIÓN DEL ENFOQUE ADECUADO
🟣 IA tradicional → cuando las reglas son claras
➡️ Ejemplo: semáforos, calculadoras de impuestos
🔵 Machine Learning → cuando hay datos estructurados
➡️ Ejemplo: predicción de precios, detección de fraudes, recomendaciones
🟢 Deep Learning → cuando hay datos no estructurados
➡️ Ejemplo: reconocimiento facial, asistentes virtuales, arte generado por IA
🧭 5. PRINCIPIO DE SIMPLICIDAD
“Un modelo simple que funciona bien es mejor que uno complejo difícil de mantener.”
— Andrew Ng
🔹 Principio de parsimonia:
Si dos modelos funcionan igual, elige el más simple.
🌍 6. APLICACIONES REALES
🚗 Industria automotriz
- IA tradicional: control del semáforo, funciones básicas.
- ML: optimiza consumo de combustible.
- DL: detecta objetos en vehículos autónomos.
🎮 Entretenimiento
- IA tradicional: clasificación de contenidos.
- ML: recomendaciones personalizadas.
- DL: generación de arte, música o video.
💡 En la práctica, los tres enfoques suelen combinarse.
Un auto autónomo puede usar:
🔹 Reglas → seguridad.
🔹 ML → rutas óptimas.
🔹 DL → reconocimiento de peatones y señales.
