Diferencias entre inteligencia artificial, machine learning y deep learning
Clase 2 de 20 • Curso de Fundamentos para AI y Machine Learning
Resumen
Objetivo del profesor
El objetivo de esta clase era que los estudiantes comprendieran claramente las diferencias y relaciones jerárquicas entre inteligencia artificial (IA), machine learning y deep learning, utilizando la analogía de las muñecas rusas para visualizar cómo cada concepto contiene al siguiente, y proporcionando criterios prácticos para determinar cuándo usar cada enfoque.
Habilidades desarrolladas
- Análisis conceptual: Capacidad para distinguir entre diferentes niveles de complejidad tecnológica
- Pensamiento crítico: Evaluación de cuándo aplicar cada tipo de tecnología según el contexto
- Síntesis de información: Integración de conceptos técnicos con ejemplos prácticos
- Aplicación práctica: Identificación de tecnologías de IA en la vida cotidiana
Conceptos clave
[0:19] Relación jerárquica: IA como concepto más amplio que contiene machine learning, que a su vez contiene deep learning (analogía de muñecas rusas)
[0:32] Inteligencia Artificial: Campo más amplio que incluye cualquier técnica que permita a las máquinas imitar la inteligencia humana
[0:49] Sistemas basados en reglas: Programas con instrucciones específicas predefinidas para cada situación
[1:31] Criterios para IA básica:
- Automatización
- Adaptabilidad
- Lógica de razonamiento
- Respuesta a estímulos
[2:26] Machine Learning: Capacidad de las máquinas para aprender y mejorar automáticamente a partir de la experiencia sin programación explícita
[4:03] Deep Learning: Subcategoría del ML basada en redes neuronales artificiales con múltiples capas
[5:43] Principio de parsimonia: Preferir la hipótesis más simple que explique los datos con igual precisión
Palabras clave importantes
- Inteligencia artificial (IA)
- Machine learning (ML)
- Deep learning
- Sistemas basados en reglas
- Sistemas expertos
- Redes neuronales artificiales
- Automatización
- Adaptabilidad
- Patrones
- Datos estructurados vs no estructurados
Hechos importantes
[2:09] Diferencia clave: En programación tradicional se dice exactamente qué hacer; en ML se dan datos y ejemplos para que la máquina encuentre patrones
[3:14] Aplicaciones de ML: Útil cuando los problemas son demasiado complejos, las reglas cambian constantemente, o se necesitan insights de grandes cantidades de datos
[4:26] Características del Deep Learning: Usa redes neuronales profundas que pueden aprender representaciones muy complejas de los datos
[6:37] Enfoques complementarios: Los tres tipos no son competitivos sino complementarios, a menudo usados juntos en sistemas reales
Principales puntos de datos
[0:55] Ejemplo de termostato: Si temperatura < 20°, enciende calefacción
[3:19] Filtro de spam tradicional: Si email contiene "gratis" > 3 veces = spam
[5:09] Cuándo usar cada enfoque:
- Reglas claras → IA tradicional
- Patrones en datos estructurados → Machine Learning
- Audio, imágenes, texto en bruto → Deep Learning
[6:09] Ejemplos por industria: - Automotriz: reglas para semáforos, ML para consumo combustible, DL para reconocimiento objetos - Entretenimiento: algoritmos simples para categorías, ML para recomendaciones, DL para generar contenido