Aprendizaje automático
¿Qué es?
El aprendizaje automático (AA) es una rama de la inteligencia artificial (IA) que permite a las aplicaciones de software mejorar la precisión en la predicción de resultados, incluso si no están diseñadas específicamente para ello. El AA implica el desarrollo y la utilización de algoritmos que aprenden patrones a partir de datos históricos y, por lo tanto, sirven para realizar predicciones sobre nuevos datos.
Tipos de LA
Los tipos básicos de aprendizaje automático incluyen los siguientes:
- Supervisado (la IA recibe datos de entrenamiento etiquetados y evalúa variables definidas para detectar correlaciones).
- No supervisado (escaneo de datos sin etiquetar y búsqueda de conexiones significativas)
- Aprendizaje semisupervisado (los algoritmos exploran una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar).
- Refuerzo (la máquina aprende a completar un proceso de varias etapas con reglas específicas).
¿Cómo funciona?
En el aprendizaje automático supervisado, es necesario entrenar algoritmos utilizando entradas etiquetadas y salidas deseadas. Las tareas involucradas son dividir datos en dos categorías (clasificación binaria), seleccionar entre más de dos tipos de respuestas (clasificación multiclase), predecir valores continuos (modelado de regresión) y combinar las predicciones de varios modelos de aprendizaje automático para obtener una predicción precisa (ensamblaje).
Los algoritmos no supervisados se emplean, por ejemplo, en la mayoría de los tipos de aprendizaje profundo, que utilizan redes neuronales artificiales que simulan el cerebro humano. Este tipo de aprendizaje automático se centra en tareas como dividir el conjunto de datos en grupos basados en similitud (agrupamiento), detectar puntos de datos poco comunes en el conjunto de datos (detección de anomalías), reconocer elementos que aparecen con frecuencia juntos (minería de asociaciones) y disminuir el número de variables (reducción de dimensionalidad).
Al mismo tiempo, el aprendizaje semisupervisado requiere que un algoritmo aprenda dimensiones a partir de una pequeña cantidad de datos etiquetados y las aplique a datos sin etiquetar. Los algoritmos se entrenan para realizar traducción automática, detección de fraude y etiquetado de datos, es decir, aplicar etiquetas a grandes conjuntos de datos después de entrenarlos con conjuntos pequeños.
Por último, el aprendizaje por refuerzo consiste en entrenar algoritmos para un objetivo predeterminado. Además, la inteligencia artificial aprende a buscar recompensas positivas y a evitar castigos. Este tipo de aprendizaje automático se utiliza en robótica, videojuegos y gestión de recursos.
¿Dónde se utiliza?
Las aplicaciones típicas del aprendizaje automático abarcan los motores de recomendación (por ejemplo, el que impulsa el feed de Facebook), el software de gestión de relaciones con el cliente, la inteligencia empresarial y el análisis de datos, los sistemas de información de recursos humanos, los vehículos autónomos y los asistentes virtuales.
Ejemplo de aplicación
Por ejemplo, el aprendizaje automático ayuda a Facebook a personalizar la entrega de contenido a cada usuario. Si una persona tiende a preferir ciertas publicaciones de un grupo específico en esta red social, las publicaciones y la actividad de ese grupo comenzarán a aparecer en una posición más destacada en su feed.
Desafíos
En primer lugar, los proyectos de aprendizaje automático implican altos costos en el trabajo de los científicos de datos y la infraestructura correspondiente. El segundo desafío es el sesgo del aprendizaje automático, como el entrenamiento con conjuntos de datos que excluyen a ciertas poblaciones y generan una comprensión inexacta o incluso discriminatoria del mundo.
