El software de Aprendizaje Automático es capaz de evolucionar con el tiempo, prácticamente sin intervención humana, ya que su salida depende de los datos de entrada actuales y también de las nuevas reglas que se van incorporando a su programación interna gracias a la experiencia.
Vídeos. Machine Learning
Podcast
Locución machine learning
Podcast explicativo
2 min 30 seg
Texto/h3>
Machine Learning
Definición
Para hablar con propiedad de Inteligencia Artificial, primero es preciso entender bien qué es la Inteligencia. Aunque se conocen muchos aspectos sobre los factores que contribuyen a la inteligencia, la realidad es que a día de hoy no hay una definición consensuada. Hay muchos tipos de inteligencias. Si lo que entendemos por inteligencia es la capacidad de adaptarse de forma exitosa a un medio cambiante, alcanzando los objetivos propuestos, la definición de inteligencia como algo que pueda medirse con el CI no sería acertado.
Por lo tanto, cuando hablamos de Inteligencia Artificial no nos referimos únicamente a construir máquinas que pudieran tener un CI equivalente al de un niño de 7 años o el de un adulto. Independientemente de cómo se pueda medir, la Inteligencia Artificial trata de reproducir en una máquina procesos de adaptación típicos de los humanos y otros animales.
Aspectos importantes
La gran mayoría de los programas informáticos que se usan en la actualidad en las empresas contienen única y exclusivamente las órdenes explícitas que han sido indicadas por los programadores. Estos programas no son capaces de aprender de la experiencia, por lo tanto, cuando necesitamos que el software se adapte a las nuevas necesidades del entorno, no nos queda más remedio que un humano cambie la programación.
El paradigma del Aprendizaje Automático (Machine Learning) implica desarrollar un software que se basa en unos principios diferentes. También parte de programadores humanos que especifican las órdenes que debe ejecutar el ordenador, pero la diferencia radica en que entre esas órdenes se incluyen algoritmos de aprendizaje. Gracias a que el propio programa dispone de un mecanismo de aprendizaje, éste es capaz de incorporar de forma dinámica nuevas órdenes y nuevas reglas a su repertorio inicial de reglas. El software de Aprendizaje Automático es capaz de evolucionar con el tiempo, prácticamente sin intervención humana, ya que su salida depende de los datos de entrada actuales y también de las nuevas reglas que se van incorporando a su programación interna gracias a la experiencia. En este caso, la experiencia está definida por los datos de entrada de ejecuciones anteriores y los resultados obtenidos como resultado de las mismas.
SE USAN PARA DAR RESPUESTA A LAS SIGUIENTES PREGUNTAS:
¿De qué tipo es este objeto/suceso?
Cuando contestamos a esta pregunta con un algoritmo, conociendo a priori el tipo de clases que existen, decimos que estamos haciendo un proceso de clasificación.
Un ejemplo sería: clasificar automáticamente las imágenes que aparecen en una red social como relativas a moda, deporte, trabajo o salud. ¿Qué clases de objetos/sucesos existen?
Cuando contestamos a esta pregunta con un algoritmo, sin conocer a priori el tipo de clases que existen, decimos que estamos haciendo un proceso de agrupación (clustering)
Un ejemplo sería: procesar todos los datos relativos a los visitantes de una web y clasificarlos automáticamente en cuatro grupos bien diferenciados por su comportamiento. Como los grupos los decide automáticamente el algoritmo no tendríamos a priori un nombre descriptivo para esos cuatro grupos, pero es habitual, tras hacer un análisis de los grupos determinados por el algoritmo, que aparezcan bien diferenciados usuarios de alto valor y bajo valor para el negocio.
¿Cuánto/cuántos?
Cuando contestamos a esta pregunta con un algoritmo decimos que estamos haciendo un proceso de regresión.
Un ejemplo sería: tomar los datos correspondientes a las ventas de pisos en una ciudad, junto con otras variables que impactan en el mercado inmobiliario, y predecir cuál va a ser el precio de una vivienda concreta dentro de dos meses.
¿Esto que está pasando es normal?
Cuando contestamos a esta pregunta con un algoritmo, sin conocer a priori qué significa exactamente algo que no es normal, decimos que estamos haciendo un proceso de detección de anomalías. (Si conociéramos de antemano el tipo de «anormalidad», entonces estaríamos haciendo clasificación).
Un ejemplo sería: la monitorización de los sensores de una vivienda en la que vive una persona mayor con discapacidad y que tiene un servicio de teleasistencia. Cuando el patrón de actividad de esa persona se sale de lo que habitual para ella, se generaría una alarma automáticamente.
¿Qué producto o servicio se ajusta mejor a un usuario dado?
Cuando contestamos a esta pregunta con un algoritmo decimos que estamos haciendo un sistema de recomendación.
Un ejemplo sería: una página web de comercio electrónico que es capaz de mostrar a cada usuario los productos que mejor se adaptan a sus preferencias, gustos e intereses, basándose en datos sobre su actividad anterior y la de su entorno social.
Factores importantes
En el desarrollo de técnicas de Aprendizaje Automático se distingue habitualmente entre dos fases bien diferenciadas:
Fase de Entrenamiento: es la fase inicial en la que el algoritmo adquiere nuevas reglas en función de un conjunto de datos de entrenamiento. En esta fase se crean las nuevas reglas de forma automática buscando un buen ajuste a la realidad que reflejan los datos suministrados. Esta fase es la más costosa, equivaldría a la infancia de los humanos, en la que el individuo necesita gran cantidad de ensayos de prueba y error para ir ajustando su comportamiento hacia una línea base que se considera correcta o normal.
Fase de Inferencia: esta fase equivaldría a la emancipación de los humanos, sería el momento en el cual se considera que el algoritmo de aprendizaje ya no necesita más entrenamiento y puede empezar a tomar decisiones sin supervisión. En esta fase, cuando se presentan datos de entrada novedosos, el programa es capaz de dar una respuesta en función de lo que ha aprendido en su fase de entrenamiento. Por supuesto, dependiendo del caso de uso, la fase de entrenamiento también se puede mantener indefinidamente a la vez que también se hacen inferencias.
Al igual que en los humanos existen básicamente dos modos de aprendizaje: aprendizaje supervisado y aprendizaje no supervisado.
Aprendizaje Supervisado: para ajustar la salida del programa y reducir los errores es necesario que haya un elemento externo, el supervisor, que sea quien indica (o juzga) lo bien o mal que el software está realizando la tarea encomendada. Gracias a esta señal de supervisión los algoritmos de aprendizaje automático supervisado son capaces de adaptar su salida, tomando al supervisor como su «maestro». En esencia, para que estos algoritmos funcionen bien se requiere tener un buen supervisor, ya que si no tenemos un maestro que guíe al programa sobre lo que está bien y lo que está mal, éste no podrá aprender a comportarse adecuadamente. Muchas veces el supervisor está incluido en los datos.
Aprendizaje No Supervisado: es el caso típico de los algoritmos de agrupamiento, donde no se conocen a priori las clases, y por lo tanto no se le puede corregir al algoritmo indicándole si ha acertado o no en una clasificación. Ha de ser el propio algoritmo el que decida la pertenencia a unas clases que se generan automáticamente, sin intervención humana (es decir, no existe una señal de supervisión).
