No me voy a andar con rodeos.
Voy a enchufar directamente aquí la definición de aprendizaje automático (o al menos una de ellas) y después te contaré la letra pequeña y otras cosas importantes sobre qué es el machine learning (que es un término cool para decir lo mismo 😜)
Según dijo Arthur Samuel en 1959, el machine learning es el conjunto de técnicas utilizadas para conseguir que un ordenador adquiera una habilidad determinada sin necesidad de haberlo programado explícitamente para realizar esa habilidad.
¡Ojo! porque no vale elegir como habilidad la dominación mundial.
Eso forma parte de la letra pequeña...
El Machine Learning es solo una parte del campo de la Inteligencia Artificial.
De hecho, el Machine Learning forma parte de las Inteligencias Artificiales Débiles que básicamente consisten en realizar una sola cosa pero hacerla muy bien.
Y, como decía antes, no vale cualquier cosa... Generalmente son cosas que a una persona le llevaría pocos segundos de reflexión llevar a cabo, como reconocer un árbol en una imagen, identificar un mensaje de correo electrónico como SPAM o detectar si un producto presenta defectos de fábrica en una línea de producción.
De hecho, gracias al aprendizaje automático, los ordenadores son capaces de realizar estas tareas mejor que los humanos.
Pero eso no hace que sean inteligentes…
Resumiendo, el Aprendizaje Automático es una forma de Inteligencia Artificial pero la Inteligencia Artificial va mucho más allá del Aprendizaje Automático.
Y aunque muchas veces se usan de manera intercambiable no son lo mismo.
Vamos a poner un poco en perspectiva dónde queda el Machine Learning dentro del campo de la Inteligencia Artificial.
El aprendizaje automático es una forma de inteligencia ya que le otorga a un ordenador la capacidad de aprender una habilidad y mejorarla a partir de nueva información.
Sin embargo, en la actualidad un ordenador no es capaz de entender la tarea que está aprendiendo y tampoco es capaz de discernir si los datos a partir de los que está aprendiendo son válidos o no.
Una Inteligencia Artificial Fuerte, tipo Terminator, tendría que estar dotada además de inteligencia espacial, emocional, tener la capacidad de comunicarse de manera compleja, poseer inteligencia creativa y además ser capaz de reconocer sus propios intereses y objetivos… entre otras muchas cosas.
Es posible que ahora estés pensando que también conoces personas que no cumplen esos requisitos…
En la actualidad no se conocen Inteligencias Artificiales de este tipo.
De momento podemos dormir tranquilos...
Ahora que las IA tipo Terminator han dejado de acecharnos y nos hemos quedado más tranquilos (yo por lo menos...) voy a contarte para qué sirve el Aprendizaje Automático.
El Machine Learning se ha convertido en el corazón de la Inteligencia Artificial desde que el acceso a grandes cantidades de datos se ha democratizado.
A partir de estos datos, el Aprendizaje Automático es capaz de adquirir una habilidad determinada sin necesidad de que nadie le programe y automatizar una tareas de manera muy eficiente.
Además, este tipo de Inteligencia Artificial ya forma parte de nuestro día a día desde hace algún tiempo.
Por ejemplo, la Inteligencia Artificial ya es capaz de inspeccionar si un producto en una cadena de producción es defectuoso o no, también se emplea en el campo de la medicina para poder asistir a un radiólogo en la detección de lesiones o enfermedades a partir de radiografías o de manera comercial en cualquiera de los asistentes por voz como Alexa o Siri.
La idea básica detrás de la forma más extendida de Machine Learning consiste en mapear una serie de datos de entrada con una salida determinada a través de un modelo.
En palabras normales, este tipo de Inteligencia Artificial aprende de la misma manera que un niño pequeño.
Cada vez que se cruzan con un perro, sus padres le dicen que eso es un perro.
Cada vez que se cruzan con un gato, le indican que eso es un gato.
En el caso del algoritmo de Machine Learning, en lugar de sacarlo de paseo buscando perros y gatos, le mostraremos muchas fotos de perros y gatos y le diremos cuál es cuál.
Nota: En el caso del ordenador será necesario enseñarle muchas más fotos de perros y gatos que en el caso del niño (por suerte para los padres del niño).
Una vez que hayamos terminado de “educar” a nuestro algoritmo de Machine Learning para ser capaz de diferenciar entre un gato y un perro, podremos mostrarle una foto nueva.
Si todo ha ido bien, nos indicará correctamente de qué animal se trata (perro o gato).
A priori, no sabemos cómo el algoritmo ha aprendido si está ante la imagen de un perro o un gato o cuál es el modelo concreto que utiliza para tomar su decisión.
De momento tampoco nos importa.
He de reconocer que no te he contado toda la verdad.
El caso anterior, en el que enseñábamos a nuestro algoritmo a diferenciar entre perros y gatos, es un caso concreto de Aprendizaje Supervisado, es decir, para obtener el algoritmo o modelo que diferencie entre gatos y perros es necesario pasarle muchos ejemplos con solución de imágenes de gatos y perros.
Sin embargo, no es el único tipo existente aunque sí se trata del más extendido.
Como hemos visto, en este caso el aprendizaje está supervisado por un adulto.
El algoritmo es capaz de mapear datos de entrada con la salida esperada y utilizar ese aprendizaje sobre entradas que no ha visto anteriormente.
La pega de este tipo de Machine Learning, es que no siempre es fácil conseguir ejemplos con solución de un problema determinado.
Por ejemplo, para el problema concreto de distinguir perros y gatos habría que conseguir miles de imágenes de perros y gatos y etiquetarlas con el animal correspondiente. Esto generalmente tiene que hacerlo una persona.
Y llega a ser muy costoso.
Mediante el aprendizaje no supervisado, el algoritmo intenta aprender sin la supervisión de un adulto.
Este tipo de algoritmo suele buscar patrones y características comunes en los datos para agruparlos. Es posible que no sepa qué es un perro y qué es un gato pero es claramente capaz de diferenciar entre uno y otro.
Además, el aprendizaje no supervisado es muy útil en la detección de anomalías, por ejemplo, en una cadena de producción.
Si en dicha cadena de producción hay fundamentalmente piezas bien hechas, el algoritmo será capaz de diferenciar una pieza defectuosa al verla aunque nadie le haya dicho cómo es una pieza mal hecha.
En el caso de Machine Learning mediante aprendizaje reforzado, el algoritmo aprende mediante recompensas y penalizaciones.
Antes te contaba como unos padres le enseñaban a su hijo a diferenciar entre perros y gatos.
Pues resulta que de tanto enseñarle perros y gatos, el niño se empeña en tener una mascota y sus padres deciden adoptar un cachorro.
Primer problema: Enseñar al perro a hacer sus necesidades en el lugar adecuado.
¿Cómo hacerlo?
Mediante Aprendizaje Reforzado. No se le da ninguna indicación al cachorro. Sin embargo, cuando se comporte según lo esperado se le dará una recompensa y cuando no sea así, se le regañará.
Con el tiempo, el animal aprenderá el comportamiento correcto.
Se trata del clásico aprendizaje basado en prueba y error pero aplicado a Machine Learning.
El Aprendizaje reforzado está basado en conseguir que el algoritmo adquiera la habilidad deseada a través de maximizar las recompensas y minimizar las penalizaciones.
Si lo mejor de lo que es capaz el Machine Learning es diferenciar entre perros y gatos estarás pensando que tal vez está un poco sobrevalorado.
¿verdad?
Ahora cambia las imágenes de gatitos por radiografías de personas sanas y de personas con alguna patología concreta. Con el número suficiente de imágenes el aprendizaje automático puede asistir a radiólogos en la detección de enfermedades de una manera menos costosa (aprendizaje supervisado).
Los casos de uso en el campo de visión por ordenador utilizan aprendizaje supervisado para aplicaciones tan variadas como el desbloqueo de dispositivos mediante reconocimiento facial y la detección de otros coches, de peatones y de otros objetos en los primeros prototipos de coches autónomos.
También tenemos el caso de detección de unidades defectuosas en una cadena de producción con el claro aumento de eficiencia en la fábrica.
Este caso de uso podría aplicarse mediante aprendizaje supervisado (si tenemos la suficiente cantidad de imágenes de unidades correctas y unidades defectuosas) o mediante aprendizaje no supervisado (si se puede asegurar que las unidades defectuosas son muy poco frecuentes y pueden ser consideradas como outliers).
Otro campo de aplicación del Aprendizaje Automático que despierta gran interés es el campo del Procesamiento del Lenguaje Natural (NLP por sus siglas en inglés, Natural Language Processing).
Desde la detección de correos de SPAM que incluso es capaz de detectar correos de venta o promociones pasando por la interpretación de la intención de búsqueda del usuario cuando se realiza una consulta en el buscador del navegador o la traducción automática de textos.
Todos ellos son ejemplos de Machine Learning que usamos todos los días sin ni siquiera darnos cuenta.
Además, en el campo empresarial el Aprendizaje Automático está generando beneficios (muchos) gracias a la segmentación de clientes.
Si ofreces a un cliente lo que quiere es más probable que lo compre y además aumenta la probabilidad de que cuando necesite algo vuelva a comprarte a ti.
¿Qué empresa no querría conocer mejor a sus clientes?