¿Qué es el aprendizaje automático y por qué está tan de moda?

A menos que hayas estado viviendo bajo una roca, ignorando cada gran avance tecnológico en la última década, probablemente hayas oído hablar del aprendizaje de máquinas. Ya sea para una mejor detección y prevención de fraudes, las prácticas recomendaciones en línea hechas por Netflix y Amazon, la revolucionaria tecnología de reconocimiento facial, o los coches de autoconducción futurista, el aprendizaje por máquina está impulsando la actual revolución de la inteligencia artificial. ¿Pero qué es exactamente? Aquí hay una guía práctica para principiantes.

¿Qué es el aprendizaje automático y por qué es importante?

El aprendizaje automático es un enfoque de la inteligencia artificial que se centra en la fabricación de máquinas que pueden aprender sin ser programadas explícitamente. El aprendizaje es una parte profundamente importante de lo que nos hace humanos. Si vamos a construir inteligencia artificial que pueda llevar a cabo tareas con inteligencia humana, por lo tanto necesitamos hacer máquinas que puedan aprender por sí mismas, basadas en sus experiencias pasadas.

Esto es diferente al enfoque simbólico clásico de la IA, en el cual los programadores crean reglas paso a paso para que las máquinas sigan, en lugar de permitirles descubrir ideas por sí mismos. Mientras que el aprendizaje automático todavía involucra este estilo clásico de programación, combina esas reglas básicas con el conocimiento que las computadoras son capaces de reunir por sí solas para hacerlas más inteligentes.

Hoy en día, el éxito masivo del aprendizaje automático ha llevado a que se convierta en el subconjunto más dominante de la IA que se practica en todo el mundo.

¿Puede darme un ejemplo básico del aprendizaje automático en acción?

Absolutamente. El aprendizaje de máquinas puede lograr algunas hazañas impresionantes en AI (piensa en coches autoconductores o en enseñar a los robots a interactuar de forma autónoma con el mundo que les rodea), pero también es responsable de aplicaciones más sencillas, pero aún así increíblemente útiles.

Una buena ilustración del aprendizaje automático en acción es el filtro de “spam” que su sistema de correo electrónico usa para distinguir entre correos electrónicos útiles y correo basura no solicitado. Para hacer esto, estos filtros incluirán reglas introducidas por el programador, a las que puede añadir números que, cuando se sumen, darán una buena indicación de si el software cree o no que el correo electrónico es bueno para mostrarle.

El problema es que las reglas son subjetivas. Una regla que filtra los correos electrónicos con una baja relación entre imagen y texto no es tan útil si eres diseñador gráfico, que probablemente recibirá muchos correos electrónicos útiles que cumplan estos parámetros. Como resultado, el aprendizaje de la máquina permite que el software se adapte a cada usuario en función de sus propias necesidades. Cuando el sistema señala algunos correos electrónicos como spam, la respuesta del usuario a estos correos electrónicos (ya sea para leerlos o borrarlos) ayudará a entrenar al agente de IA para que pueda manejar mejor este tipo de correo en el futuro.

Es simplista en comparación con cómo aprendemos como humanos, pero sin embargo logra el resultado de crear un algoritmo que mejora su rendimiento cuanto más conocimiento recibe.

He oído hablar de la minería de datos. ¿Es la misma cosa?

No del todo. Hay un montón de herramientas estadísticas involucradas en el aprendizaje automático, y un buen conocimiento de las matemáticas te va a ayudar tanto en un curso de aprendizaje automático como hablar inglés te ayudará en un curso de literatura inglesa.

Definitivamente hay algún cruce entre los dos campos, pero la principal distinción es que la minería de datos se trata de profundizar en un conjunto de datos para encontrar información. El aprendizaje por máquina consiste en utilizar datos para determinar cómo predecir los resultados futuros, o bien en capacitar a una máquina para que realice una tarea determinada.

Una de las maneras en que lo hemos escuchado es que la minería de datos está encontrando una lista de centros de danza en Portland; el aprendizaje automático es aprender a bailar.

¿Existen diferentes tipos de aprendizaje automático?

¡Claro que sí! La forma principal de dividir el aprendizaje de la máquina es enfocarse en cómo aprende la máquina. Hay cuatro enfoques principales: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi-supervisado y aprendizaje reforzado.

El aprendizaje supervisado implica datos de formación en los que hay un resultado deseado. (Esta es la categoría en la que se encuentra nuestro algoritmo de filtro de spam.) A continuación se encuentra el aprendizaje no supervisado, en el que los datos de entrenamiento no tienen salidas claras. Luego está el aprendizaje semi-supervisado, en el cual hay pocos resultados deseados.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *