El hombre siempre ha estado enamorado y desconcertado por la inteligencia humana. La habilidad de aprender y entender patrones en cosas aparentemente no relacionadas ha contribuido mucho a nuestro éxito aquí en este planeta. Los investigadores siempre han estado a la caza del santo grial, la capacidad de replicar esta inteligencia en una máquina y, en el proceso, entender qué es lo que hace que la mente humana sea lo que es.
Ahora bien, Machine Learning o Aprendizaje Automático se ha hecho popular en los últimos años y está ayudando a las computadoras a resolver problemas que antes se consideraban del dominio exclusivo de la inteligencia humana. Y aunque todavía está muy lejos de la visión original de la Inteligencia Artificial, Machine Learning nos ha acercado mucho más al objetivo final de crear máquinas pensantes.
Machine Learning vs. Inteligencia Artificial
Las personas tienden a utilizar los términos de Machine Learning e Inteligencia Artificial como si fueran intercambiables, pero no lo son, más bien, Machine Learning es un enfoque muy exitoso en el campo más amplio de la Inteligencia Artificial.
La Inteligencia Artificial es, esencialmente, la simulación de la inteligencia en las computadoras. Como tal, es algo en lo que la gente ha estado trabajando durante décadas. Abarca una gama de enfoques, que van desde lo simple a lo increíblemente complejo. Si codificas un conjunto de reglas simples que permiten a un computador no perder nunca en el tic-tac-toe, es una forma básica de Inteligencia Artificial.
Machine Learning, por otra parte, es una forma de Inteligencia Artificial en la que el computador aprende por sí mismo cómo completar una tarea. Y es esto lo que ha estado en el corazón de muchos de los enormes desarrollos recientes en el campo de la Inteligencia Artificial, lo que podría explicar por qué el interés en ella ha crecido tanto en los últimos años.
¿Por qué es importante?
Como se menciono anteriormente, Machine Learning y la Inteligencia Artificial, existe desde hace tiempo, pero recientemente ha empezado a acelerarse a un ritmo que ha sorprendido a mucha gente.
En 2014, la mayoría de los expertos pensaron que pasarían 10 años antes de que una máquina venciera a los mejores jugadores del mundo en el Go. DeepMind demostró que estaban equivocados. Cada vez es más evidente que muchas de las tareas que una vez pensamos que serían dominio exclusivo de los humanos en un futuro previsible, si no para siempre, se llevarán a cabo por sistemas de Machine Learning mucho antes de lo esperado.
Esto va a tener un enorme efecto en la política, la economía y la sociedad en su conjunto. Industrias enteras serán automatizadas, dejando a millones de personas sin trabajo e incapaces de estudiar lo suficientemente rápido para mantenerse a la vanguardia de las mejoras tecLa nológicas cada vez más rápidas.
Esto, a su vez, es probable que conduzca a un descontento a una escala nunca antes vista. Los trastornos políticos de 2016 son un signo temprano de ello, los movimientos populistas que han dado la vuelta al mundo, que tienden al aislamiento y al rechazo de los enormes cambios sociales de los últimos años, tiene sus raíces en las comunidades más inmediatamente amenazadas por la automatización masiva del trabajo.
Esta insatisfacción solo va a aumentar a medida que los sistemas de Machine Learning sean más y más capaces. Y si piensas que hay un límite a lo que estos sistemas pueden lograr, ten en cuenta que la mayoría de los expertos creen que la Inteligencia Artificial será capaz de realizar cualquier tarea intelectual que los humanos puedan llevar a cabo para el 2050.
Vale la pena decir que Machine Learning, si se maneja correctamente, traerá enormes beneficios a la humanidad en su conjunto. Un mundo de máquinas que pueden trabajar incansablemente, innovar y mejorar, es un mundo en el que los avances en la eficiencia económica hacen que todo lo que vino antes se parezca a la Edad Media.
Pero el camino hacia esta revolución de la eficiencia económica estará sembrado de industrias desaparecidas y borradores desechados, llenos de subestimaciones, de lo que nosotros, como especie, creemos que es tecnológicamente posible.
Machine Learning va a cambiar la forma en que los humanos operan más que cualquier otra tecnología que haya existido.
¿Cuáles son las condiciones necesarias para el éxito de Machine Learning?
Machine Learning y Big Data o grandes datos, se han hecho más conocidos y han generado mucha prensa en los últimos años. Como resultado de ello, muchas personas y organizaciones están considerando cómo y si podría aplicarse a su situación específica y si hay un valor que se pueda obtener de ello.
Sin embargo, la creación de capacidades internas para el éxito de Machine Learning, o el uso de expertos externos, puede ser costosa. Antes de asumir este reto, es conveniente evaluar si existen las condiciones adecuadas para que la organización tenga posibilidades de éxito. Las principales consideraciones en este caso se refieren a los datos y a la perspicacia humana.
Hay tres requisitos importantes en materia de datos para que Machine Learning sea eficaz. A menudo, no todos estos requisitos pueden cumplirse satisfactoriamente, y las deficiencias de uno de ellos pueden compensarse a veces con uno o ambos. Estos requisitos son:
- Cantidad: los algoritmos de Machine Learning necesitan un gran número de ejemplos para proporcionar los resultados más fiables. La mayoría de los conjuntos de entrenamiento para Machine Learning implicarán miles o decenas de miles de ejemplos.
- Variabilidad: Machine Learning tiene como objetivo observar las similitudes y diferencias en los datos. Si los datos son demasiado similares, o demasiado aleatorios, no podrán aprender eficazmente de ellos. En el aprendizaje por clasificación, por ejemplo, el número de ejemplos de cada clase en los datos de capacitación es fundamental para las posibilidades de éxito.
- Dimensión: los problemas de Machine Learning suelen operar en un espacio multidimensional, en el que cada dimensión está asociada a una determinada variable de entrada. Cuanto mayor sea la cantidad de información que falta en los datos, mayor será la cantidad de espacio vacío que impide el aprendizaje. Por lo tanto, el nivel de completitud de los datos es un factor importante en el éxito del proceso de aprendizaje.
Tipos de Machine Learning
Machine Learning puede clasificarse en tres categorías principales:
- Los algoritmos de Aprendizaje Supervisado hacen uso de un conjunto de datos de entrada y salida. El algoritmo aprende una relación entre los datos de entrada y salida del conjunto de entrenamiento y luego utiliza esta relación para predecir la salida de nuevos datos. Uno de los objetivos del Aprendizaje Supervisado más comunes es la clasificación. El aprendizaje de clasificación tiene por objeto utilizar la información aprendida para predecir la pertenencia a una determinada clase. El ejemplo de la puntuación de créditos representa el aprendizaje de la clasificación en el sentido de que predice a las personas que no cumplen con los préstamos.
- El Aprendizaje no Supervisado tiene por objeto hacer observaciones en los datos en los que no hay ningún resultado o resultado conocido, mediante la deducción de las pautas y la estructura subyacente en los datos. El aprendizaje de asociación es una de las formas más comunes de Aprendizaje no supervisado, en la que el algoritmo busca asociaciones entre los datos de entrada. El ejemplo del análisis de la cesta de la compra representa el aprendizaje de asociación.
- El Aprendizaje de Refuerzo es una forma de aprendizaje de “ensayo y error” en la que los datos de entrada estimulan el algoritmo en una respuesta, y en la que el algoritmo es “castigado” o “recompensado” dependiendo de si la respuesta es la deseada. La robótica y la tecnología autónoma hacen un gran uso de esta forma de aprendizaje.
Ejemplos de Machine Learning
Los siguiente son ejemplos de usos más desarrollados de Machine Learning que puedes encontrar en tu vida cotidiana.
- Puntuación de crédito. Las instituciones financieras recopilan información detallada sobre sus clientes a lo largo del tiempo, por ejemplo, ingresos, activos, trabajo, edad, historial financiero. Estos datos pueden analizarse para identificar qué características están más asociadas a resultados negativos, como el incumplimiento de los préstamos, o cuáles impulsan resultados positivos, como el reembolso puntual de los préstamos. Así pues, se puede establecer una relación de predicción que permita clasificar a los clientes en función de su probabilidad de impago, y la institución financiera que pueda utilizarse para tomar decisiones más eficientes sobre los préstamos.
- Análisis de la cesta. Cuando un cliente pasa por una caja en una tienda de comestibles o en línea, la información sobre los artículos específicos adquiridos terminará en una gran base de datos. Esta base de datos puede ser analizada para determinar comportamientos o asociaciones de compra típicas. Por ejemplo, ¿qué probabilidad hay de que un cliente que ha comprado un cepillo de dientes también compre pasta de dientes? En muchos casos se pueden recopilar datos personales de los clientes que pueden ayudar a analizar cómo cambia este comportamiento dentro de ciertos grupos demográficos o de ingresos. El análisis de estos datos puede informar la estrategia de marketing y publicidad y la toma de decisiones. También puede conducir a una publicidad más personalizada en la que un cliente puede recibir ofertas sobre los productos que más le interesan.
- Ciencia genética. Las pruebas de ADN proporcionan información personal y de salud. Los códigos genéticos de las personas que reportan condiciones o rasgos de salid similares pueden ser analizados sobre un gran número de individuos para encontrar las cadenas o sectores más frecuentes. Si se descubre tales cadenas o sectores, pueden utilizarse para predecir los rasgos o posibles problemas médicos que puedan surgir. Este tipo de aprendizaje también puede utilizarse para algunos casos reuniendo a miembros de la familiar que han sido separados por adopción y otras circunstancias.
- Otras aplicaciones comunes son el diagnóstico médico, la conversión de la escritura en texto, el reconocimiento de voz, el reconocimiento facial, la comprensión de imágenes, la robótica, los vehículos autónomos y muchos otros usos.
Los límites de Machine Learning
Machine Learning ha dado grandes pasos hacia la resolución de problemas complejos, todavía está muy lejos de crear las máquinas de pensamiento previstas por los pioneros de la Inteligencia Artificial.
Además de aprender de la experiencia, la verdadera inteligencia requiere razonamiento, sentido común y pensamiento abstracto, áreas en las que los modelos de Machine Learning funcionan muy mal.
Por ejemplo, mientras que Machine Learning es bueno en tareas complicadas de reconocimiento de patrones como predecir el cáncer de mama con cinco años de antelación, lucha con tareas lógicas y razonamiento más simples como resolver problemas matemáticos de la escuela secundaria.
La falta de poder de razonamiento de Machine Learning lo hace malo para generalizar su conocimiento. Por ejemplo, un agente de Machine Learning que pueda jugar a Super Mario 3 como un profesional no dominará otro juego de plataformas, como otra versión de Super Mario. Tendría que ser entrenado desde cero.
Sin el poder de extraer el conocimiento conceptual de la experiencia, los modelos de Machine Learning requieren toneladas de datos de entrenamiento para funcionar. Desafortunadamente, muchos dominios carecen de suficientes datos de entrenamiento o no tienen los fondos para adquirir más.
Afortunadamente, se están haciendo esfuerzos para superar los límites de Machine Learning. Un ejemplo notable es una amplia iniciativa de DARPA, el brazo de investigación del Departamento de Defensa, para crear modelos de Inteligencia Artificial explicables.
Otros proyectos tienen por objeto reducir la excesiva dependencia de Machine Learning de los datos anotados y hacer que la tecnología sea accesible a los dominios con datos de formación limitados.
Queda por ver si la evolución de Machine Learning nos ayudará finalmente a alcanzar el objetivo siempre difícil de crear una Inteligencia Artificial a nivel humano. Pero lo que sabemos con seguridad es que gracias a los avances en Machine Learning, los dispositivos que se encuentran en nuestros escritorios y descansan en nuestros bolsillos son cada vez más inteligentes.
Con esto finalizamos la explicación. Por lo tanto, te dejo la siguiente pregunta para comprobar lo que has aprendido con este contenido: de las siguientes afirmaciones ¿cuál crees que es cierta?
Opción 1: Los términos Machine Learning e Inteligencia Artificial son los mismo.
Respuesta Incorrecta. Machine Learning es un enfoque muy exitoso en el campo más amplio de la Inteligencia Artificial.
Opción 2: Los algoritmos de Machine Learning necesitan un gran número de ejemplos para proporcionar los resultados más fiables.
Respuesta Correcta.
Opción 3: El Aprendizaje Supervisado, no Supervisado y el Reforzado son los tipos de Machine Learning.
Respuesta Correcta.