Machine Learning solía tener lugar detrás de escenas como la de Amazon extrayendo nuestros clics y compras para obtener recomendaciones, mientras que Google nos minaba nuestras búsquedas de ubicación de anuncios y por su parte Facebook minaba la red social para elegir qué publicaciones mostrarnos. Pero ahora Machine Learning o Aprendizaje Automático se encuentra en las primeras páginas de los periódicos y es objeto de acalorados debates: ¡los algoritmos de aprendizaje conducen automóviles, traducen el habla y ganan en Jeopardy!.
Esta creciente conciencia es bienvenida, porque Machine Learning es una fuerza importante que da forma a nuestro futuro, y tenemos que enfrentarlo. Pero justamente este entusiasmo por lo referente a Machine Learning e inclusive a la Inteligencia Artificial también ha llevado a expectativas exageradas sobre las capacidades actuales de estos sistemas, si no se corrige, estos conceptos erróneos o mitos pueden llevar a puntos ciegos colectivos sobre el estado del progreso en estos campos.
Con esto en mente, exploremos algunos de los mitos de aprendizaje de máquina más generalizados en el mercado actual:
1. Machine Learning es nuevo
Esto es completamente un MITO. Machine Learning ha existido desde hace bastante tiempo y ya se usaba para computadoras que jugaban ajedrez, filtros de spam e inclusive en los teléfonos inteligente con los software que traduce su voz en palabras. Lo que ha cambiado y la razón por la que escuchamos más y más sobre el tema hoy, es que ahora las posibilidades han aumentado exponencialmente y abren un nuevo rango de posibilidades.
Inclusive, Deep Learning o Aprendizaje Profundo tampoco es nada nuevo, es solo un subcampo de Machine Learning relacionado con algoritmos inspirados en la estructura y función del cerebro llamadas redes neuronales artificiales, este fue propuesto en los años 90.
2. Las supercomputadoras son lo que permitió Machine Learning
Esto es VERDAD. Hace unos años, las máquinas podían aprender y jugar al ajedrez, ya que se compone de un número limitado, aunque gigantesco, de posibilidades y combinaciones, pero los juegos como Go, solo se hicieron accesible para Machine Learning con componentes nuevos y potentes.
Todo esto se logro gracias a las “supercomputadoras” ya que permiten que los sistemas procesen rápidamente muchos más datos y esa es en realidad la revolución actual de Machine Learning.
En este punto hay que aclarar que el termino de “supercomputadores” se refiere al GPU o unidad de procesamiento gráfico que en combinación con una CPU puede acelerar los cálculos para aplicaciones de Deep Learning.
3. Machine Learning es una nueva forma de programación
Esto es completamente VERDAD. Mientras que la programación tradicional del sistema detalla todas las interacciones e hipótesis para apoyar el comportamiento del sistema, Machine Learning se centra en un algoritmo que faculta al sistema para aprender por sí mismo.
Para tomar un ejemplo, imagina programar un software para detectar automáticamente perros y pinguinos en imágenes, el primer paso sería que el programa aprendiera a reconocer un perro de un pinguino. La programación tradicional se centrará en definir los criterios que hacen que un perro sea visualmente diferente de un pingüino: ¿cuántas patas tiene?, ¿qué color es?, entre otros. En cambio, Machine Learning funcionará con un algoritmo que le permitirá al sistema procesar los datos, serán entrenarán dando ejemplos con otras imágenes indicando de que este es un perro y ese es un pingüino, al final el sistema deducirá los criterios en sí de los ejemplos dados.
4. Machine Learning es costoso
Esto es un MITO, aunque este mito ciertamente tenía alguna base en la realidad en un momento dado, a medida que se desarrollaba el uso de sistemas de Machine Learning, la práctica dependía de conocimientos y herramientas que eran prohibitivamente costosos para muchas empresas, pero, al igual que con cualquier tecnología, con el tiempo los costos han disminuido a medida que gana aceptación, y nuevas herramientas entran al mercado. Del mismo modo, las plataformas de Machine Learning ahora incorporan la capacidad de utilizar sistemas basados en el uso, que ya no requieren el mismo desembolso de capital que años anteriores.
5. Machine Learning se puede utilizar para cualquier aplicación
Esto es totalmente un MITO. Machine Learning solo se puede aplicar a tareas en las que existe una gran cantidad de conjuntos de datos de entrada o que se puedan capturar potencialmente. Pero, a su vez, la idea de que cualquier información puede ser introducida en el sistema, y la máquina producirá automáticamente datos útiles, sin importar que tipo de datos sean, esto es simplemente incorrecto. Aunque los sistemas basados en Machine Learning a menudo pueden encontrar patrones e ideas que anteriormente estaban ocultos, eso no significa que uno pueda alimentarlos con datos basura sin ningún tipo de configuración o preparación y esperar tener una visión útil que se presente instantáneamente, Machine Learning no funciona de esa manera.
6. Los datos son fundamentales en Machine Learning
Esto es completamente VERDAD. Con computadoras cada vez más potentes, las máquinas ahora pueden procesar más datos, lo que amplía los límites de sus probabilidades cognitivas. La entrada más importante para una herramienta de Machine Learning es la información, no solo cualquier dato, sino los datos correctos.
En lugar de ingerir cualquier cosa, un sistema de Machine Learning necesita información y contenido cuidadosamente seleccionado y de alta calidad, los datos incorrectos proporcionan malos resultados, sin importar el sistema. Un algoritmo es un programa y los programas necesitan buenos datos. Cuando un sistema utiliza Machine Learning, el programa llega a una respuesta a través de aproximaciones continuas y aprende la mejor manera de llegar a esa respuesta haciendo ajustes a la forma en que procesa esos datos, entonces tener los datos correctos es más importante que el algoritmo.
7. Con más datos se toma mejores decisiones
Esto es un MITO. Con nuevas y potentes tecnologías, las máquinas pueden procesar gran cantidad de datos, pero las mejores decisiones se basan en los datos más calificados, no es necesario recargar la computadora con demasiada información sin valor, sino más bien concentrarse en el valor agregado, además se puede utilizar datos relacionales y estructurados de manera tradicional.
8. Las computadoras pueden aprender como los humanos
Esto es completamente un MITO. Las máquinas ni siquiera están cerca de la forma en que aprenden los chimpancés, sin embargo, la exageración está tomando precedencia sobre la realidad es por eso que encontramos afirmaciones altas en algunos de los artículos que crean la impresión de los algoritmos de Machine Learning “pueden aprender como humanos”. Si comparamos el proceso de aprendizaje de una máquina con el de un niño, se hace evidente que Machine Learning todavía está en su infancia, ya que las máquinas, requieren orientación y apoyo en cada paso del aprendizaje.
Por su parte Deep Learning o Aprendizaje Profundo, es poderoso pero está muy lejos de alcanzar la complejidad del cerebro humano o imitar las capacidades humanas. Si bien con las redes neuronales se pueden resolver muchos tipos de problemas, no son capaces de permitir la síntesis creativa de diversos conceptos y fuentes de información que son características del pensamiento humano.
9. Las computadoras pueden tomar decisiones como los humanos
Esto es un MITO. Las computadoras solo pueden deducir la hipótesis más lógica de los datos recopilados, analizan los datos, enumeran todas las hipótesis posibles y dan una puntuación de probabilidad a cada uno de ellos, de acuerdo con la experiencia y el conocimiento, entonces, el resultado es más una hipótesis de probabilidades que una verdad absoluta.
Machine Learning no puede resolver problemas que no fueron diseñados para resolver, puede abordar los tipos de problemas que normalmente requieren la interpretación y el juicio humano, que los enfoques de programación estándar no pueden resolver. Estos problemas incluyen el uso de lenguaje ambiguo, reconocimiento de imágenes y la ejecución de tareas complejas donde las condiciones y los resultados precisos no pueden predecir. Machine Learning simula cómo un ser humano podrá lidiar con la ambigüedad y los matices, sin embargo estamos muy lejos que puede extender el aprendizaje a nuevas áreas problemáticas.
10. Machine Learning reemplazará a los humanos
Esta es de las mayores afirmaciones que se hace dentro de Machine Learning ya que se asocia con el desempleo y el miedo al futuro, pero es completamente un MITO. Ciertamente hemos recorrido un largo camino en los últimos años, pero tenemos un camino mucho más largo por recorrer, las computadoras pueden hacer muchas tareas limitadas muy bien pero todavía no tienen sentido común, y nadie realmente sabe como enseñarles.
Es cierto que algunos trabajos no calificados están en transición a las máquinas, el valor agregado se coloca cada vez más en la ingeniería, donde los seres humanos siempre serán necesario, como ejemplo tenemos a Alemania, este es el tercer país más robotizado del mundo, y su tasa de desempleo ha disminuido en un 37%.
En resumidas cuentas, a medida que Machine Learning avanza hacia el mercado, sin dudas surgirán otros mitos, el marketing y la competitividad habitual de los proveedores lo garantizarán más o menos. Pero los sistemas de aprendizaje basados en máquinas son como cualquier otra tecnología, tienen casos de uso que tienen sentido y otros que no. Y como cualquier tecnología, siempre que se adopte un enfoque equilibrado y realista, puede ser una herramienta enormemente poderosa que puede generar valor para las empresas en los próximos años.
