Aprendizaje Automático (Machine learning), en pocas palabras

(imagen generada por Imagen Creator from Bing.com)

Esta poderosa forma de inteligencia artificial AI, está cambiando todos las actividades de la sociedad, con gran potencial y también con limitaciones.

No todos necesitamos conocer los detalles técnicos, pero sí, debemos conocer qué puede y qué no puede hacer la tecnología.

¿Qué es el aprendizaje automático?

El aprendizaje automático está detrás de los chatbots (programa que y automatiza las respuestas, simulando una conversación de chat en línea), del texto predictivo, de las aplicaciones de traducción de idiomas, de los programas y películas que te sugiere Netflix, la música que te recomienda Spotify y cómo se presentan tus noticias en las redes sociales. Impulsa vehículos autónomos y máquinas (o computadores) capaces de diagnosticar enfermedades a partir de imágenes. Genera texto, imágenes, audio y sonido, para mencionar algunas aplicaciones conocidas.

En resumen

El Aprendizaje Automático (Machine learning):

• es una subcategoría de la AI, que permite a las computadoras aprender sin ser programadas explícitamente,
• se basa en grandes cantidades de datos para identificar patrones y hacer predicciones,
• tiene el potencial de mejorar la toma de decisiones y automatizar tareas,
• tiene limitaciones, como la necesidad de grandes cantidades de datos y la posibilidad de sesgos,
• es importante considerar las implicaciones sociales, sociales y éticas.

Funciones de un sistema de aprendizaje automático

• Descriptivo - el sistema utiliza los datos para explicar lo que ocurre.

• Predictivo - el sistema utiliza los datos para predecir lo que ocurrirá.

• Prescriptivo - el sistema utiliza los datos para sugerir qué acción tomar.

Malone T, Rus D, Laubacher R (2020) Artificial intelligence and the future of work.
MIT Work of the Future Research Brief, RB17-2020 

Existen tres subcategorías de aprendizaje automático:

Supervisado (supervised): modelos que se entrenan con conjuntos de datos etiquetados, que permiten a los modelos aprender y ser más precisos con el tiempo. Por ejemplo, el algoritmo se entrena con fotos de gatos y de otros objetos, en que cada foto está etiquetada por humanos. Así, el modelo aprende a identificar fotos de gatos de forma independiente.

No supervisado (unsupervised): un programa busca patrones en un conjunto de datos no etiquetados. Por ejemplo, un programa de aprendizaje automático no supervisado podría examinar datos de ventas en línea para identificar distintos tipos de clientes, según las compras que realizan.

Por refuerzo (reinforcement): entrenamiento de máquinas mediante ensayo y error para que realicen la mejor acción estableciendo un sistema de recompensas. Por ejemplo, para entrenar modelos para jugar o entrenar en la conducción de vehículos autónomos recompensando a la máquina cuándo ha tomado las decisiones correctas. Así, con el tiempo, el algoritmo aprende qué acciones debe realizar.

El aprendizaje automático también está asociado a otros subcampos de la inteligencia artificial:

Procesamiento del lenguaje natural PLN (natural language processing, NLP)

Entender el lenguaje natural hablado y escrito por humanos, en lugar de los datos y números utilizados normalmente para programar ordenadores. Esto permite reconocer, entender y responder, creando nuevos textos y traducir entre idiomas. Ejemplos conocidos del procesamiento del lenguaje natural son los chatbots y los asistentes digitales como Siri o Alexa.

Redes neuronales (neural network)

Las redes neuronales se basan en datos de entrenamiento para aprender y mejorar su precisión con el tiempo. El ajuste de estos algoritmos de aprendizaje los convierte en potentes herramientas de IA.

El algoritmo de búsqueda de Google es una de las redes neuronales más conocidas.

Aprendizaje profundo (deep learning)

Deep learning elimina parte del procesamiento previo de datos que conlleva el machine learning. Deep learning pueden capturar y procesar datos no estructurados, como texto e imágenes, automatizando la extracción de características y reduciendo la dependencia de expertos humanos.

Algunos ejemplos de aplicaciones del Deep learning: 

• Reconocimiento de Voz y Traducción Automática
• Asistentes Virtuales Inteligentes (como Siri, Alexa, y Cortana)
• Automóviles Autónomos
• Reconocimiento Facial 
• Controles remotos de TV habilitados por voz, 
• Detección de fraudes con tarjetas de crédito, 
• Diagnósticos médicos.

El aprendizaje profundo requiere una gran potencia de cálculo, lo que plantea preocupaciones sobre su sostenibilidad económica y medioambiental.

Bueno, es todo por ahora, continuaremos más adelante!