Mucho hablamos del concepto de Aprendizaje de Máquina, pero realmente estamos seguros de entender lo que decimos, como lo decimos, para que lo decimos, entre otras interrogantes.
Algunas preguntas que nos debemos formular son las siguientes:
¿Puede una máquina aprender?
¿Y el aprendizaje de una máquina sirve para algo?
¿Como aprende una máquina?
La intención de esta nota es ubicarnos de manera mas certera respecto al concepto de Aprendizaje de Máquina (ML por sus siglas en inglés).
Empecemos por el concepto de “Aprendizaje”.
El «aprendizaje» se refiere al proceso mediante el cual adquirimos conocimientos, habilidades, experiencias y comprensión sobre un tema o habilidad específica. Es un proceso fundamental en el desarrollo humano y en la adquisición de nuevas capacidades a lo largo de la vida. El aprendizaje puede ocurrir de muchas formas, incluyendo la educación formal en escuelas y universidades, la capacitación en el trabajo, la observación y la práctica, la interacción social y la autoinstrucción (OpenAI, 2023).
Esta definición se restringe a los seres humanos; se puede mejorar si lo ampliamos al mundo de los animales.
El aprendizaje en los animales se refiere a la adquisición de conocimientos, habilidades, comportamientos y adaptaciones a través de la experiencia y la interacción con el entorno. Los animales, al igual que los seres humanos, tienen la capacidad de aprender y ajustar sus respuestas a diferentes situaciones. El aprendizaje en los animales puede manifestarse de diversas formas y en diferentes contextos. Algunos casos de aprendizaje en animales son: el asociativo, por experiencia, por ensayo y error, por interacción social, instrumental o de recompensa, principalmente. Es importante destacar que el aprendizaje en los animales puede variar en complejidad y capacidad según la especie y el contexto. Algunas especies tienen una mayor capacidad de aprendizaje que otras, y el proceso de aprendizaje en animales puede ser influenciado por factores genéticos, ambientales y sociales (OpenAI, 2023).
Ahora, que es una “Máquina”.
Una máquina es un dispositivo creado para facilitar y mejorar la realización de trabajos físicos, automatizar procesos o llevar a cabo tareas específicas, y puede variar en complejidad desde simples herramientas mecánicas hasta sistemas electrónicos altamente sofisticados (OpenAI, 2023).
Integrando ahora estos conceptos, se podrá contemplar con mas criterio la definición de Aprendizaje de Máquina. Se consultó la definición con OpenAI y con Google Bard y aunque ambos se desvían a la parte de Aprendizaje Automático, no es esta definición la que estamos buscando. Tratando de parafrasear y delimitar el ML, desde lo dicho por OpenAI, se tiene:
…es un subcampo de la inteligencia artificial que se centra en el desarrollo de algoritmos y modelos computacionales que permiten a las computadoras aprender y mejorar su rendimiento en tareas específicas a medida que adquieren experiencia. En otras palabras, el aprendizaje automático se trata de crear sistemas que pueden analizar datos, identificar patrones y tomar decisiones sin necesidad de ser programados explícitamente para realizar una tarea específica (OpenAI, 2023).
Enfocando algunos de los términos de esta definición, se tiene:
por aprender de la máquina entendamos que se le proporciona a “la máquina” datos, los mecanismos pueden ser diversos y dependiendo del grado de sofisticación, este proceso puede convertirse en automático o no; algún ser humano lo decidirá.
por adquirir experiencia, entendamos que la adquisición de datos en la medida en que son mas diversos y de mayor volumen, permitirán a los algoritmos ser mas precisos, ya que esto se convierte en modelados estadísticos de interés y la mejora se dará en lo asertivo del resultado y su retroalimentación.
el término de aprendizaje automático creo que se sale de contexto.
finalmente, la creación de sistemas con objetivos específicos sobre el manejo de los datos provistos es un enfoque adecuado para la definición de ML.
Concluyendo esta parte de definiciones, se puede decir que el ML es una nueva forma de resolver problemas y responder a preguntas complejas mediante el entrenamiento de algoritmos con datos relacionados matemáticamente para su análisis y explotación (Google for developers, 2023).
Los sistemas de ML se pueden categorizar como:
- Aprendizaje supervisado
- Aprendizaje no supervisado
- Aprendizaje por refuerzo
- Inteligencia Artificial (IA) generativa
Los modelos de Aprendizaje Supervisado pueden hacer predicciones después de ver muchos datos con las respuestas correctas y luego, descubrir las conexiones entre los elementos en los datos que producen las respuestas correctas.
Estos sistemas de ML están «supervisados» en el sentido de que un ser humano le da datos del sistema de ML con los resultados correctos conocidos.
Dos de los casos prácticos más comunes para el aprendizaje supervisado son la regresión y la clasificación.
Un modelo de regresión predice un valor numérico. Por ejemplo, un modelo meteorológico que predice la cantidad de lluvia, en pulgadas o milímetros, es un modelo de regresión.
Los modelos de clasificación predicen la probabilidad de que algo pertenezca a una categoría. A diferencia de los modelos de regresión, cuyo resultado es un número, los modelos de clasificación generan un valor que indica si algo pertenece o no a una categoría en particular. Por ejemplo, los modelos de clasificación se usan para predecir si un correo electrónico es spam o si una foto contiene un gato.
Los modelos de clasificación se dividen en dos grupos: clasificación binaria y clasificación multiclase.
- Los modelos de clasificación binaria generan un valor de una clase que contiene solo dos valores, por ejemplo, un modelo que genera rain o no rain.
- Los modelos de clasificación de clases múltiples generan un valor de una clase que contiene más de dos valores, por ejemplo, un modelo que puede generar rain, hail, snow o sleet.
Los modelos de aprendizaje no supervisado realizan predicciones mediante datos que no contienen respuestas correctas. El objetivo de un modelo de aprendizaje no supervisado es identificar patrones significativos entre los datos, es decir, el modelo no tiene pistas sobre cómo categorizar cada dato, sino que debe inferir sus propias reglas.
Un modelo de aprendizaje no supervisado que se usa comúnmente usa una técnica llamada agrupamiento en clusters. El modelo encuentra datos que demarcan las agrupaciones naturales.
El agrupamiento en clusters difiere de la clasificación porque no se definen las categorías; a los Clusters se les podrá asignar un nombre para efectos de comprensión, por ejemplo (ver figura contigua).
El aprendizaje por refuerzo se usa para entrenar robots a fin de que realicen tareas, como caminar por una habitación.
Finalmente, la IA generativa es una clase de modelos que crea contenido a partir de las entradas de los usuarios. Se pueden crear imágenes, composiciones musicales y bromas nuevas, se pueden resumir artículos, explicar cómo realizar una tarea o editar una foto.
Para producir resultados únicos y creativos, los modelos generativos se entrenan inicialmente con un enfoque no supervisado, en el que el modelo aprende a imitar los datos con los que se entrena. A veces, se entrena el modelo mediante aprendizaje supervisado o por refuerzo sobre datos específicos relacionados con las tareas que se le podría pedir al modelo; por ejemplo, resumir un artículo o editar una foto.
La IA generativa es una tecnología que evoluciona con rapidez y se descubren nuevos casos de uso en todo momento. Por ejemplo, los modelos generativos ayudan a las empresas a definir mejor las imágenes de sus productos de comercio electrónico mediante la eliminación automática de fondos que distraen o la mejora de la calidad de las imágenes de baja resolución.
Referencias
Google for developers. (11 de 10 de 2023). Obtenido de Machine Learning: https://developers.google.com/machine-learning/intro-to-ml?hl=es-419
OpenAI. (11 de octubre de 2023). ChatGPT.
