Diferencias y Aplicaciones de Big Data, Inteligencia Artificial, Machine Learning y Deep Learning
DOI:
https://doi.org/10.23857/dc.v10i3.3966Palabras clave:
Big Data, Inteligencia Artificial, Machine Learning, Deep Learning, análisis de datos, aprendizaje automático, redes neuronalesResumen
La rápida evolución de la tecnología ha dado lugar a términos como Big Data, Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL), que a menudo se utilizan indistintamente, pero tienen aplicaciones específicas. El estudio tiene como objetivo definir y diferenciar estos cuatro conceptos fundamentales, destacando sus aplicaciones y casos de uso en diversas industrias. Se realizó una revisión exhaustiva de la literatura para recopilar definiciones y características, seguida de una comparación detallada utilizando ejemplos prácticos. Big Data se enfoca en manejar grandes volúmenes de datos de diferentes fuentes con una respuesta rápida. Inteligencia Artificial implica la creación de sistemas que imitan la inteligencia humana. Machine Learning permite a las máquinas aprender de los datos y mejorar su desempeño. Deep Learning, una subcategoría de Machine Learning, utiliza redes neuronales profundas para analizar patrones complejos. Cada tecnología tiene aplicaciones únicas en sectores como la salud, la educación y las finanzas, proporcionando ventajas significativas y enfrentando desafíos éticos y técnicos. El estudio resalta la necesidad de regulación y colaboración interdisciplinaria para maximizar los beneficios y minimizar los riesgos.
Citas
AI Now Institute. (2019). "Ethical AI Framework,". https://ainowinstitute.org/ai-ethics.html
Alpaydin, E. (2020). Introduction to machine learning. MIT press.
BBVA. (15 de julio de 2024). Machine Learning: ¿Qué es y cómo funciona el maestro en reconocer patrones? BBVA. https://www.bbva.com/es/innovacion/machine-learning-que-es-y-como-funciona/
Carcilloa, F., Le Borgnea, Y., Caelenb, O., Kessacib, Y., Obl´eb, F., & Bontempia, G. (2019). Combining Unsupervised and Supervised Learning in Credit Card Fraud Detection. Issue on Business Analytics Emerging Trends and Challenges, 1-26.
Comisión Europea. (2019). Directrices Éticas para una IA fiable Grupo de expertos de alto nivel sobre inteligencia artificial. https://www.algoritmolegal.com/wp-content/uploads/2021/06/Informe-G-Expertos-IA-fiable-junio-2018.pdf
Conesa, J., y Gómez, J. (2016). Introducción al big data. Universitat Oberta de Catalunya. https://openaccess.uoc.edu/bitstream/10609/136326/3/Fundamentos%20y%20usos%20del%20big%20data_Mo%C2%BFdulo1_Introduccio%C2%BFn%20al%20big%20data.pdf
Davenport, T. H., & Dyché, J. (2013). Big data in big companies. International Institute for Analytics, 3(1-31).
de Arregui, M. (29 de septiembre de 2022). Big Data y sus principales aplicaciones: beneficios y ejemplos. OBS Business School. https://www.obsbusiness.school/blog/big-data-y-sus-principales-aplicaciones-beneficios-y-ejemplos
Dean, J y Ghemawat, S (2004)."MapReduce: Simplified Data Processing on Large Clusters," in Proceedings of the 6th Conference on Symposium on Opearting Systems Design & Implementation. OSDI’04, - Volume 6, pp. 1-10.
Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and trends® in signal processing, 7(3–4), 197-387.
Etzioni, O. (2018). "The future of jobs: Looking ahead to 2030," Future of Life Institute. https://futureoflife.org/future-of-jobs-report
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Industry Report, Mordor Intelligence (2022). "Global Big Data Market Trends, 2022-2027".
Lohani, D., Crispim-Junior, C., Barthelemy, Q., Bertrand, S., Robinault, L., & Tougne Rodet, L. (2023, febrero). Leveraging Unsupervised and Self-Supervised Learning for Video Anomaly Detection. 18th International Conference on Computer Vision Theory and Applications, [Conference]. Lisbon, Portugal. pp.132-143, ?10.5220/0011663600003417?. ?hal-04026129?
Manning, C. (2020). Artificial Intelligence Definitions. Stanford University. https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.
McCarthy, J., Minsky, M., L., Rochester, N., & Shannon, C.E. (2006). A proposal for the dartmouth summer research project on artificial intelligence. AI magazine, 27(4):12-12
Mousapour, M., Ostadi, A., Pourkhodabakhsh, N., Fathollahi-Fard, A., & Soleimani, F. (2023). Hybrid neural network-based metaheuristics for prediction of financial markets: a case study on global gold market. Journal of Computational Design and Engineering, 10(3), 1110–1125. https://doi.org/10.1093/jcde/qwad039
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT press.
Pérez, B. (2018). Inteligencia Artificial. NOTA-INCyTU, 1, 1-6. https://www.foroconsultivo.org.mx/INCyTU/documentos/Completa/INCYTU_18-012.pdf
Red Iberoamericana de Protección de Datos. (2019). Recomendaciones Generales para el Tratamiento de datos en la Inteligencia Artificial. https://www.redipd.org/sites/default/files/2020-02/guia-recomendaciones-generales-tratamiento-datos-ia.pdf
Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial y por el que se modifican los Reglamentos (CE) n.º 300/2008, (UE) n.º 167/2013, (UE) n.º 168/2013, (UE) 2018/858, (UE) 2018/1139 y (UE) 2019/2144 y las Directivas 2014/90/UE, (UE) 2016/797 y (UE) 2020/1828. Diario Oficial de la Unión Europea, L 144, 12 de julio de 2024. http://data.europa.eu/eli/reg/2024/1689/oj
Rodríguez, Á. F., Orozco, K. E., García, J. A., Rodríguez, S. D., y Barros, H. A. (2023). La Implementación de la Inteligencia Artificial en la Educación: Análisis Sistemático. Dominio de las Ciencias, 9 (3), 2162–2178. https://doi.org/10.23857/dc.v9i3.3548
Rodríguez, Á., Gómez, M., Granda, V., y Naranjo, J. (2016). Paradigmas de investigación: tres visiones diferentes de ver y comprender a la Educación Física. Lecturas: Educación Física y Deportes. Revista Digital. 21(222), 1-12. https://doi.org/10.46642/efd.v26i275.2819
Rodríguez-Torres, Á., Marín-Marín, J. A., López Belmonte, J. y Pozo-Sánchez, S. (2024). Inteligencia artificial en la educación superior: desafíos éticos, aportes y competencias necesarias para su implementación. En J. Fernández, C. Gallardo, J. Sánchez y C. Rodríguez (Coords.). Estrategias y Prácticas Innovadoras para la transformación Pedagógica. (pp. 123-140). Editorial DYKINSON, S.L
Russell, S. J., & Norvig, P. (2020). Artificial intelligence: a modern approach. Pearson.
Suazo, I. (2023). Inteligencia artificial en Medicina Humana. International Journal of Medical and Surgical Sciences, 10(1), 1-4. https://orcid.org/0000-0002-1689-1632
Valente, B., Marques, J., Nobre, M., Oliveira, A., & Pinto, F. (2023). Artificial intelligence-based diagnosis of acute pulmonary embolism: Development of a machine learning model using 12-lead electrocardiogram. Revista Portuguesa de Cardiología, 42, 643-651. https://doi.org/10.1016/j.repc.2023.03.016
Zikopoulos, P., & Eaton, C. (2011). Understanding big data: Analytics for enterprise class hadoop and streaming data. McGraw-Hill Osborne Media.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Ángel Freddy Rodríguez Torres, Freddy Sebastián Rodríguez Alvear, Dennis Ricardo Collaguazo Lapo, Joselyn Carolina Rodríguez Alvear
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.
