En el software tradicional, le decimos a la computadora qué hacer paso a paso con reglas. En el aprendizaje automático, le damos a la computadora muchos ejemplos y dejamos que descubra las reglas por sí misma. El aprendizaje automático es la rama de la inteligencia artificial más utilizada hoy en día.
Un ejemplo sencillo: el filtro de spam
Escribir cada regla que decida si un correo electrónico es spam es prácticamente imposible. En su lugar, se le muestran al sistema miles de correos electrónicos etiquetados como "spam" o "normal". El modelo aprende los patrones en estos ejemplos y se vuelve capaz de clasificar nuevos correos electrónicos que nunca antes había visto.
Tres tipos principales de aprendizaje
- Aprendizaje supervisado: El modelo se entrena con ejemplos que tienen respuestas correctas conocidas. Predecir los precios de las viviendas, reconocer objetos en imágenes y detectar spam son ejemplos.
- Aprendizaje no supervisado: El modelo descubre grupos y estructuras ocultos en datos no etiquetados, como agrupar a los clientes según un comportamiento de compra similar.
- Aprendizaje por refuerzo: El modelo aprende la mejor estrategia mediante prueba y error, guiado por recompensas y castigos. Las IA que juegan y algunas aplicaciones de robótica utilizan este método.
Aprendizaje profundo y redes neuronales
El aprendizaje profundo es un enfoque de aprendizaje automático inspirado en cómo funciona el cerebro, utilizando "redes neuronales artificiales" de múltiples capas. Gracias a los macrodatos y a los procesadores potentes, ha impulsado importantes avances en el reconocimiento de voz, el procesamiento de imágenes, la traducción y los asistentes de chat generadores de texto.
Ejemplos cotidianos
- Recomendaciones en plataformas de video y música
- Desbloqueo facial en teléfonos y agrupación automática en galerías de fotos
- Detección de transacciones sospechosas por parte de los bancos
- Predicciones de tráfico en aplicaciones de mapas
- Traducción automática y asistentes de voz
Límites y riesgos
- Calidad de los datos: Un modelo es tan bueno como los datos con los que se entrena. Los datos incompletos o erróneos conducen a resultados erróneos.
- Sesgo: Los sesgos sociales en los datos de entrenamiento pueden reflejarse en el modelo, razón por la cual la construcción de sistemas justos y transparentes es un área de investigación importante.
- Explicabilidad: Puede ser difícil entender cómo algunos modelos complejos llegan a una decisión.
- Privacidad: El uso de datos personales en el entrenamiento requiere cuidado legal y ético.
¿Cómo se entrena y se prueba un modelo?
En los proyectos de aprendizaje automático, los datos generalmente se dividen en tres partes. Esta división es la forma básica de averiguar si un modelo realmente ha aprendido:
- Datos de entrenamiento: El conjunto de datos principal del cual el modelo aprende los patrones; la mayor parte de los datos se destina aquí.
- Datos de validación: Se utilizan durante el entrenamiento para elegir la configuración del modelo y comparar diferentes intentos.
- Datos de prueba: Se utilizan una sola vez al final para medir qué tan bien se desempeña el modelo en datos que nunca antes ha visto.
Cuando los datos son limitados, el método de "validación cruzada" divide los datos en varias partes y utiliza cada parte a su vez para las pruebas, de modo que el resultado no dependa de una sola división afortunada.
Sobreajuste: el modelo que memoriza
Uno de los problemas más comunes en el aprendizaje automático es el "sobreajuste". En este caso, el modelo memoriza no solo las reglas generales de los datos de entrenamiento, sino también sus detalles aleatorios y el ruido. Como resultado, parece casi perfecto en los datos de entrenamiento, pero su rendimiento disminuye notablemente en los datos nuevos. Es como un estudiante que memoriza las preguntas de años anteriores sin entender el tema y luego tiene dificultades con una pregunta nueva. Recopilar datos más numerosos y variados, no hacer que el modelo sea más complejo de lo necesario y detener el entrenamiento cuando el rendimiento en los datos de validación comienza a caer son formas comunes de reducir el sobreajuste.
Preguntas frecuentes
¿La IA y el aprendizaje automático son lo mismo?
No. La IA es un campo amplio que abarca sistemas que se comportan de manera inteligente; el aprendizaje automático es uno de los métodos más comunes dentro de ella.
¿Qué necesito para aprender aprendizaje automático?
Estadística básica, álgebra lineal y un lenguaje de programación (generalmente Python) son un buen comienzo. Hay muchos recursos en línea gratuitos disponibles.
Fuentes y lecturas adicionales
- Google – Machine Learning Crash Course (conjuntos de datos y sobreajuste)
- Goodfellow, I., Bengio, Y. y Courville, A. (2016), Deep Learning, MIT Press
- Documentación de scikit-learn – Validación cruzada: evaluación del rendimiento del estimador
Deja un comentario
Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *