IA vs DS: Diferencias e intersecciones del mundo tecnológico (Parte 1)

La Inteligencia Artificial (IA) y la Ciencia de Datos (DS) son dos campos de conocimiento que representan la vanguardia de la revolución tecnológica, ofreciendo soluciones innovadoras a desafíos complejos y contribuyendo al desarrollo de nuevas estrategias para transformar la manera en que tomamos decisiones e interactuamos con distintos productos y servicios.

• Por un lado, la Inteligencia Artificial se centra en la creación de sistemas y máquinas capaces de imitar comportamientos inteligentes para realizar distintas tareas.
• Mientras tanto, la Ciencia de Datos se enfoca en analizar, extraer e interpretar conocimiento a partir de diferentes conjuntos de datos.

Ambas disciplinas potencian la capacidad de automatizar tareas, prever patrones e impulsar la toma de decisiones, generando un impacto significativo en la sociedad, la industria y la investigación. Sin embargo, a pesar de su proliferación, los campos de la IA y la DS suelen ser confundidos entre sí. Esta confusión se debe en gran medida al hecho de que ambas disciplinas emplean herramientas y técnicas similares que, además de nutrirse mutuamente, establecen un vocabulario técnico común con términos y conceptos compartidos. Esta convergencia ha llevado a que la IA y la Ciencia de Datos sean percibidas erróneamente como conceptos intercambiables, cuando en realidad constituyen dos campos con enfoques y aplicaciones específicas.

En este sentido, resulta fundamental establecer una terminología precisa que contribuya a un entendimiento más profundo de las diferencias e interconexiones de la Inteligencia Artificial y la Ciencia de Datos para facilitar la adopción efectiva de sus recursos. Por ello, en este artículo examinaremos algunos de los términos y conceptos más comunes dentro de ambas disciplinas con el fin de ofrecer una mayor claridad sobre sus objetivos, alcances y convergencias.

Los dominios de la Inteligencia Artificial

Desde la robótica, hasta el reconocimiento de voz y la visión por computadora, la IA abarca dominios específicos que buscan replicar o superar diferentes habilidades o conductas humanas. Estas habilidades pueden incluir, por ejemplo, la capacidad reconocer voces, escribir, jugar juegos de mesa, hablar, descifrar patrones, e incluso conducir, entre otras actividades.

Aunque el origen de este campo se remonta a la década de los 50 con los primeros trabajos de Alan Turing, hasta hace dos décadas surgieron sus mayores disrupciones en diversos sectores e industrias. Estas transformaciones han dado lugar a innovaciones significativas en dominios como el ASR (Automatic Speech Recognition) y el NLP (Procesamiento del Lenguaje Natural) que han posibilitado el desarrollo de aplicaciones como los asistentes de voz en dispositivos móviles al estilo de Siri o Alexa, al igual que asistentes virtuales basados en grandes modelos de lenguaje (LLM por sus siglas en inglés) tales como ChatGPT, Bard y Gemini.

Por su parte, es importante mencionar que, aun cuando las aplicaciones de IA han proliferado durante los últimos años, estas tienden a funcionar mejor en un número limitado de dominios y, en muchos casos, solo en uno. En este sentido, actualmente el tipo de IA más común son aquellas conocidas como "IAs débiles" o "IAs estrechas “: Inteligencias artificiales que operan dentro de un conjunto limitado de tareas. Debido a lo anterior, una IA que puede llevar a cabo tareas de reconocimiento facial, difícilmente puede también conducir, jugar ajedrez y clasificar grupos. De esta forma, el siguiente avance en el campo de la IA es alcanzar una "IA fuerte" o "IA amplia", capaz de aplicarse en múltiples problemas y dominios de manera simultánea.

¿Cómo hacemos inteligente a las IAs?

Si bien las IAs buscan imitar comportamientos inteligentes, lo anterior no necesariamente significa que éstas deban replicar de forma constante la manera en que los seres humanos piensan, ya que es posible identificar por lo menos dos estrategias clave para alcanzar los objetivos de estas tecnologías.

• La primera de ellas se basa en la construcción y aplicación de secuencias o patrones pre-programados, donde los algoritmos operan siguiendo reglas predefinidas y reaccionan a estímulos de acuerdo con instrucciones específicas para ejecutar ciertas tareas. Un ejemplo simplificado de esto es un filtro de spam en un correo electrónico basado únicamente en reglas estáticas para clasificar correos según la presencia de palabras clave o direcciones específicas.
• No obstante, otro enfoque crucial adoptado por la Inteligencia Artificial (IA) implica la aplicación de técnicas de aprendizaje automático. En este caso, los algoritmos prescinden de reglas predefinidas y, en cambio, se entrenan utilizando datos históricos para identificar patrones y realizar predicciones en situaciones nuevas. Un ejemplo de este proceso es un filtro de spam que, mediante ejemplos etiquetados, aprende a detectar mensajes no deseados y, de manera automática, clasifica nuevos correos basándose en los patrones identificados durante su entrenamiento.

MACHINE LEARNING

Este segundo enfoque es lo que entendemos como el dominio del Machine Learning (ML): la rama que busca dotar a las máquinas o algoritmos la capacidad de aprender y obtener conocimiento a través de datos y experiencias pasadas para encontrar asociaciones, correlaciones y agrupaciones. Esta estrategia para generar comportamientos inteligentes es transversal a los otros dominios de la IA y puede ser utilizado para desarrollar distintas aplicaciones en cada uno de ellos. Para ello, el dominio del ML ofrece distintos modelos de aprendizaje: supervisado (basados en información etiquetada, que especifica el resultado deseado para guiar el aprendizaje.); no supervisado (centrado en datos no etiquetados para centrarse en descubrir patrones ocultos); o reforzado (basado en la interacción de los algoritmos con su entorno según distintos castigos y recompensas).

Ilustración por Carlos Santana / DotCSV

DEEP LEARNING

Por su parte, dentro de los paradigmas de aprendizaje ofrecidos por el ML, es posible encontrar al Deep Learning: un paradigma basado en redes neuronales artificiales que se adaptan y aprenden a partir de grandes cantidades de datos. Dichas redes neuronales se inspiran en el funcionamiento del cerebro humano y consisten en capas interconectadas de nodos encargadas de procesar y ponderar información. Las conexiones entre estos nodos se fortalecen o debilitan durante su entrenamiento al reconocer patrones y características complejas a medida que se exponen a más datos. Si bien muchas de las soluciones de AI no dependen de este paradigma específico, el Deep Learning representa una de las más recientes innovaciones del ML, ofreciendo grandes avances en tareas como la identificación de objetos, la traducción automática y la toma de decisiones autónoma en vehículos.

Ilustración tomada de https://doi.org/10.3389 1

Con base en estos recursos, la Inteligencia Artificial impulsa la creación de sistemas capaces de emular comportamientos inteligentes empleando las técnicas ofrecidas por los dominios presentados. Sin embargo, al entrenar estos modelos con un extenso conjunto de datos, la Inteligencia Artificial se respalda en técnicas y principios compartidos con la Ciencia de Datos. Y si bien esta última juega un papel esencial en el desarrollo de la Inteligencia Artificial, también sigue un enfoque distinto y utiliza recursos específicos para lograr sus objetivos. Estos recursos no siempre convergen en la creación de sistemas que emulan comportamientos inteligentes, lo que resalta las diferencias fundamentales entre ambas disciplinas.

Con el fin de profundizar en el enfoque y las herramientas de la Ciencia de Datos, así como sus diferencias y conexiones con la IA, te invitamos a explorar la segunda parte de este blog dando click aquí.

¿Te interesa explorar más sobre las divergencias y conexiones entre la Inteligencia Artificial y la Ciencia de Datos? Te invitamos a continuar con la segunda parte de este blog. Haz clic aquí y acompáñanos a profundizar en las disciplinas que hoy moldean nuestro futuro tecnológico.

Bibliografía

Dykes, Brent. 2017. “Crawl with analytics before running with artificial intelligence”. Forbes. el 11 de enero de 2017. https://www.forbes.com/c/s/www.forbes.com/sites/brentdykes/2017/01/11/crawl-with-analytics-before-running-with-artificial-intelligence/amp/.

Nuzzi, Raffaele, Giacomo Boscia, Paola Marolo, y Federico Ricardi. 2021. “The impact of artificial intelligence and deep learning in eye diseases: A review”. Frontiers in medicine 8. https://doi.org/10.3389/fmed.2021.710329.

Papp, Stefan & Weidinger, Wolfgang & Munro, Katherine & Ortner, Bernhard & Cadonna, Annalisa & Langs, Georg & Licandro, Roxane & Meir-Huber, Mario & Nikolić, Danko & Toth, Zoltan & Vesela, Barbora & Wazir, Rania & Zauner, Günther. (2022). The Handbook of Data Science and AI: Generate Value from Data with Machine Learning and Data Analytics. 10.3139/9781569908877.

Rojas-Jimenez, K. 2022. Ciencia de Datos para Ciencias Naturales. https://bookdown.org/keilor_rojas/CienciaDatos/

Wali, R. 2021. A Practical Guide to artificial intelligence and Data Analytics.