Supongamos que te gustaría construir una aplicación que calcule el impuesto sobre la renta para las personas de EE.UU.. De acuerdo con las normas federales de impuestos sobre la renta: “Para los contribuyentes individuales, todos los ingresos inferiores a $9.875 están sujetos a una tasa impositiva del 10%. Por lo tanto, si tiene $9.900 en ingresos imponibles, los primeros $9.875 están sujetos a la tasa del 10% y los $ 25 restantes están sujetos a la tasa de impuestos del siguiente tramo (12%)".
Este es un ejemplo de reglas o un algoritmo (conjunto de instrucciones) para un ordenador. Desde un punto de vista formal y pragmático, un ordenador equipado con esta aplicación puede lograr el objetivo de calcular los impuestos sin ayuda humana. Técnicamente, esto se podría clasificar como Inteligencia Artificial.

¿Es esta aplicación lo suficientemente "genial"? La verdad es que no lo es. Es por eso que muchas personas no lo considerarían parte de la Inteligencia Artificial. Se puede decir que si ya sabemos cómo hacer una determinada cosa, entonces el proceso no puede considerarse inteligencia real. Este es un fenómeno que se conoce como "Efecto Inteligencia Artificial". Una de las primeras referencias se conoce como el teorema de Tesler que dice: "Inteligencia Artificial es lo que aún no se ha hecho".

A los ojos de algunas personas, la parte genial de la Inteligencia Artificial está asociada con Machine Learning, y más específicamente con Deep Learning que no requiere instrucciones y utiliza redes neuronales para aprender todo por sí mismo, como un cerebro humano.

La realidad es que el desarrollo humano es una combinación de múltiples procesos, que incluyen ambos: instrucciones y capacitación de la red neuronal, así como muchas otras cosas.

Por poner otro ejemplo simple: si trabajas en un taller en un proyecto complejo, es posible que necesites varias herramientas, por ejemplo, un martillo, un destornillador, alicates, etc. Por supuesto, puedes hacer una tarea que solo se puede resolver usando un martillo o solo un destornillador, pero para la mayoría de los proyectos de la vida real probablemente necesitarás usar varias herramientas en combinación hasta cierto punto.

De la misma manera, la Inteligencia Artificial también consta de varias "herramientas" como algoritmos, Machine Learning supervisado y no supervisado, etc.. Resolver un problema de la vida real requiere una combinación de estas "herramientas" y, dependiendo de la tarea, las puedes usar en diferentes proporciones o no usar en absoluto.

Hay y siempre habrá situaciones en las que cada uno de estos métodos será preferido sobre otros.

Por ejemplo, la tarea de cálculo de impuestos descrita al comienzo probablemente no se delegará a Machine Learning. Hay buenas razones para ello, por ejemplo:

• la solución de este problema no depende de los datos
• el proceso debe ser controlable, observable y 100% exacto (no puede ser 85% exacto en tus impuestos sobre la renta)

Sin embargo, la tarea de evaluar las presentaciones de impuestos sobre la renta para identificar posibles fraudes es una aplicación perfecta para las tecnologías de Inteligencia Artificial.

Equipado con una cantidad de entradas de datos bien etiquetadas (edad, sexo, dirección, educación, título del trabajo, salario, deducciones, impuesto calculado, impuesto del año pasado y muchos otros) y utilizando el mismo tipo de información disponible en millones de otras personas, los modelos Machine Learning pueden identificar rápidamente "valores atípicos".

¿Qué pasa después? Los valores atípicos en los datos no son necesariamente fraude. Los científicos de datos analizarán las anomalías y tratarán de comprender la razón por la que se señala a estas personas. Es muy posible que encuentren algunos factores adicionales que tuvieron que ser considerados (ingeniería de características), por ejemplo, una división entre el impuesto sobre el salario y el impuesto sobre la ganancia de capital de la inversión.

En ese caso, probablemente se agregaría una instrucción al ordenador para dividir este conjunto de datos según el tipo de ingreso. En este mismo momento, ya no estarías tratando con un modelo de Machine Learning puro (ya que los científicos acaban de agregar una instrucción), sino con una combinación de múltiples herramientas de Inteligencia Artificial.

Machine Learning es una gran tecnología que ya puede resolver muchas tareas específicas. Ciertamente se expandirá a muchas áreas, debido a su capacidad de adaptarse al cambio sin un gran esfuerzo por parte humana.

Al mismo tiempo, aquellos segmentos que pueden resolverse usando instrucciones específicas y requieren resultados predecibles (cálculos financieros) o aquellos que involucran alto riesgo (vida humana, salud, proyectos muy costosos y riesgosos) requieren más control y si el enfoque algorítmico puede proporcionarlo, se continuará usando una aplicación específica y no Machine Learning.

Por razones prácticas, para resolver cualquier problema complejo específico, deberás usar la combinación correcta de herramientas y métodos de ambos tipos.