Quines diferències hi ha entre la intel·ligència artificial, la mineria de dades i l’aprenentatge automàtic?
El terme intel·ligència artificial és força familiar per a la majora de la gent. Quan escolten aquesta paraula, molta gent pensa en un sistema intel·ligent que s’encarrega de les tasques dels humans, i potser ens supera en termes d’intel·ligència en algun moment. A més del terme intel·ligència artificial, mineria de dades, aprenentatge automàtic i anàlisi predictiva són menys coneguts. D’altra banda, cada dia ens trobem amb les seves aplicacions, per exemple, en el cas de la publicitat personalitzada, l’ordre en què es mostren les publicacions a les xarxes socials o a l’hora de contractar una assegurança. Però, quines diferències hi ha entre intel·ligència artificial, mineria de dades i aprenentatge automàtic? I què signifiquen en detall els termes individuals?
Intel·ligència artificial: reconèixer, jugar, conduir
El terme Intel·ligència Artificial (IA) existeix des de la dècada de 1950. En general, els programes s’anomenen intel·ligència artificial quan aprenen habilitats que normalment s’atribueixen als humans, però per a les quals no es poden definir regles clares. Un exemple d’això és el reconeixement d’imatges. Podem saber de manera ràpida i senzilla si hi ha un gat en una foto o no. Tanmateix, si hem de programar un programari que pren aquesta decisió per nosaltres, ens trobem davant d’un problema aparentment insuperable. Què distingeix un gat? El color? Quatre potes i una cua? No és fàcil…
Hi ha una poderosa construcció matemàtica per precisament aquests problemes de classificació: xarxes neuronals artificials. Les xarxes neuronals artificials (XNA) són estructures basades en el cervell humà, i consisteixen en neurones artificials i connexions entre elles. Si ara se suposa que una xarxa neuronal artificial ha d’assumir la tasca de classificar una imatge, la xarxa aprèn de milers i milions d’exemples, i adapta successivament la seva estructura de manera que cada cop millora la seva tasca. Si hi ha moltes neurones entre l’entrada (els píxels de la imatge) i la sortida (gat: sí / no), es parla d’una xarxa neuronal “profunda”. La teoria darrere d’aquestes xarxes neuronals profundes es coneix com a aprenentatge profund.
Ser capaç de reconèixer automàticament un gat en una imatge no sembla aportar cap valor afegit, però reconèixer un tumor en una imatge de mamografia sí. Tanmateix, la intel·ligència artificial no només es troba en el diagnòstic per imatge, sinó que ara es troba en gairebé tots els sectors.
Altres aplicacions de la intel·ligència artificial són, per exemple: processar textos parlats (Siri, Alexa, Google Home…), traduir textos, reconèixer emocions en expressions facials, jugar a escacs o Go, aprendre a caminar o a córrer robots i, per últim, però no menys important, un tema molt tractat: la conducció autònoma.
Mineria de dades: reconeixement de patrons en dades
Així, la intel·ligència artificial descriu programes informàtics que aprenen habilitats a partir de molts exemples que les persones poden fer especialment bé gràcies a la seva intel·ligència.
En canvi, la mineria de dades es pot utilitzar per descobrir patrons i estructures desconegudes en dades que com a humans ja no podem reconèixer a simple vista o anàlisis senzilles, perquè la qualitat de dades és massa gran i confusa, o les dependències són massa complexes.
Un exemple clàssic de la mineria de dades és l’anàlisi del comportament dels clients, per entendre quins clients pertanyen al seu grup objectiu, quins productes i serveis són atractius per a quins clients, o quins clients solen abandonar.
Però la mineria de dades no només es troba en màrqueting i gestió de relacions amb els clients. La indústria d’assegurances està interessada a esbrinar en quines circumstàncies es produeixen sovint les reclamacions d’assegurances i què indica un frau d’assegurances. Un banc vol saber quines persones tenen solvència. A la indústria, la mineria de dades s’utilitza per trobar correlacions amb problemes de qualitat i fallades de la màquina. I quan es negocien valors, un es pregunta quins factors influeixen en l’augment i la baixada dels preus.
Bàsicament, la mineria de dades es pot utilitzar allà on hagis recopilat dades històriques i vulguis descobrir patrons o connexions entre ells.
Analítica predictiva i analítica prescriptiva: predir i controlar
El coneixement obtingut a través de la mineria de dades generalment no és valuós fins que el feu servir. Per exemple, predint quan s’haurà de fer un servei d’una màquina, de manera que el procés de producció es pugui planificar millor. O recomanant productes d’una botiga en línia als clients que probablement els agradin i animar-los a comprar.
L’anàlisi predictiva són prediccions fetes per algorismes d’autoaprenentatge. Si aneu un pas més enllà i voleu desencadenar una acció òptima directament, esteu a l’àrea de l’anàlisi prescriptiva.
Per exemple, si el model d’anàlisi predictiva us indica que és probable que un client cancel·li la seva subscripció, el model d’anàlisi prescriptiu recomana quina mesura té més probabilitats d’evitar que ho faci.
Aprenentatge automàtic: algorismes d’autoaprenentatge
Per poder fer aquestes prediccions i recomanacions, es basa en l’aprenentatge automàtic (Machine Learning), és a dir, sistemes que aprenen patrons i lleis a partir d’exemples i poden generalitzar-los després de la fase d’entrenament.
Tot i que amb alguns models d’aprenentatge automàtic la troballa de resultats es pot entendre econòmicament, sociològicament o físicament, aquest no és el cas de molts altres. Aquests solen ser models tan complicats que solen ser vists com a caixes negres. Ja hem parlat més amunt d’un exemple de models d’aprenentatge automàtic: xarxes neuronals artificials.
Intel·ligència Artificial – Mineria de Dades – Aprenentatge Automàtic: el que uneix aquests temes
Darrere de tots aquests temes hi ha conceptes i mètodes matemàtics molt semblants. Per això els termes sovint s’utilitzen com a sinònims. Els models que s’utilitzen per a la mineria de dades, per exemple, també s’utilitzen en el camp de l’aprenentatge automàtic, i els algorismes d’aprenentatge automàtic, com les xarxes neuronals, s’utilitzen per desenvolupar la intel·ligència artificial. Presumiblement perquè el terme intel·ligència artificial es pot entendre més que els altres, s’ha consolidat en molts àmbits.
Intel·ligència Artificial – Mineria de Dades – Aprenentatge Automàtic