Aprendizaje automático, Algoritmos, Nuevos avances

Aunque el término aprendizaje automático se ha convertido en una palabra de moda y un cajón de sastre que se utiliza para describir varios algoritmos y técnicas diferentes, muchos consumidores de todo el mundo pueden preguntarse qué aspectos del aprendizaje automático les permiten utilizar los dispositivos y servicios que utilizan para funcionar en su vida cotidiana. Dicho esto, aunque el aprendizaje automático tiene varios usos y aplicaciones, hay tres tipos principales de aprendizaje automático, y cada uno de estos tipos tiene sus propios algoritmos respectivos. Estos tres tipos de aprendizaje automático incluyen el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo. Además, cada uno de estos tipos de aprendizaje automático utiliza sus propios algoritmos y enfoques subyacentes para resolver un problema concreto.

Aprendizaje supervisado

Como su nombre indica, el aprendizaje supervisado se basa en el entrenamiento de un algoritmo informático a partir de datos etiquetados, en los que se conoce una respuesta determinada. En otras palabras, los algoritmos de aprendizaje supervisado están diseñados para aprender nuevos datos e información mediante el ejemplo, ya que el algoritmo funciona de forma similar a la de un profesor que supervisa a los alumnos en una clase. Como un profesor que imparte clases sobre un tema determinado tiene una gran cantidad de conocimientos sobre dicho tema, puede corregir los errores de sus alumnos a medida que se producen. En el contexto del aprendizaje supervisado, este profesor adopta la forma de una etiqueta o valor objetivo.

Para ilustrar mejor este punto, pensemos en un niño pequeño que está aprendiendo las diferencias entre los distintos animales de su entorno. Si los padres de este niño quisieran enseñarle las diferencias entre un perro y un gato, probablemente le señalarían estos animales en público para que el niño pudiera comprender mejor la diferencia entre perros y gatos. Es más, los padres también destacarían que, en general, todos los perros y gatos tendrán las mismas características, ya que los perros ladran y los gatos maúllan, y los gatos siempre serán pequeños mientras que los perros pueden variar de tamaño en función de su raza.

Después de dar al niño estos ejemplos de la vida real, los padres irán a casa y le enseñarán fotos de perros y gatos. Si el niño es capaz de identificar los dos animales basándose en el entrenamiento y los ejemplos que ha recibido, los esfuerzos de enseñanza de sus padres habrán tenido éxito. Los algoritmos de aprendizaje supervisado funcionan de forma similar, ya que un desarrollador de software que quiera crear un programa de reconocimiento facial utilizando algoritmos de aprendizaje supervisado cargaría fotos etiquetadas de caras para entrenar su modelo.

Como estas fotos etiquetadas mostrarían los ojos, la nariz, la boca, los labios, etc. de un ser humano, el algoritmo de aprendizaje supervisado sería capaz de reconocer estas características en fotos no etiquetadas después de haber sido entrenado con las fotos etiquetadas. Los algoritmos de aprendizaje supervisado son ideales para resolver problemas de clasificación y regresión, y algunas de sus aplicaciones en el mundo real son la detección de fraudes y el filtrado de spam. Dicho esto, el aprendizaje automático supervisado es actualmente la subrama más común del aprendizaje automático. Sin embargo, existen otros tipos de técnicas de aprendizaje automático a disposición de los desarrolladores e ingenieros de software.

Aprendizaje no supervisado

A diferencia del aprendizaje supervisado, el aprendizaje no supervisado se basa en entrenar un algoritmo de aprendizaje automático con datos no etiquetados, en lugar de con datos etiquetados. Siguiendo con el ejemplo de un profesor que imparte una clase en el contexto del aprendizaje supervisado, el aprendizaje no supervisado se parece más a un estudiante que aprende por su cuenta. En lugar de utilizar una etiqueta o valor objetivo, los algoritmos de aprendizaje no supervisado funcionan sobre la base del análisis de agrupación o clustering, una tarea de aprendizaje automático que se basa en descubrir automáticamente patrones o grupos naturales dentro de un conjunto de datos. Para dar un ejemplo de aprendizaje no supervisado, consideremos de nuevo el ejemplo de un niño pequeño que aprende de sus padres sobre los diferentes animales.

En el contexto del aprendizaje supervisado, los padres del niño le proporcionarían numerosos ejemplos de gatos y perros en el mundo real, así como las características que siempre tendrán estos animales. Por el contrario, si esos mismos padres quisieran enseñar a su hijo las distintas razas de gatos, dejarían que el niño se fijara de forma natural en los distintos gatos de su entorno, en lugar de señalarle esos ejemplos mediante supervisión. Con el tiempo, el niño sería gradualmente capaz de hacer inferencias sobre las diferentes razas de gatos, basándose en su comprensión de las características y rasgos generales de los gatos. Hasta aquí, algunas de las aplicaciones reales de los algoritmos de aprendizaje no supervisado son la exploración de datos, la publicidad dirigida y las campañas de marketing, y la segmentación de clientes.

Aprendizaje por refuerzo

El tercer tipo principal de aprendizaje automático, el aprendizaje por refuerzo, se basa en la creación de un agente al que se enseña a comportarse en un entorno determinado. En este entorno, el agente realizará acciones y verá los resultados de dichas acciones. Por cada acción correcta que el agente realice en el entorno, recibirá un refuerzo positivo, mientras que por cada acción incorrecta que realice, recibirá un refuerzo negativo. En el contexto del aprendizaje por refuerzo, este bucle de retroalimentación sustituye a los métodos de análisis de datos etiquetados y de agrupación que emplean los algoritmos de aprendizaje automático supervisado y no supervisado, respectivamente. Para dar un ejemplo de aprendizaje por refuerzo, pensemos en un niño que aprende a montar en bicicleta.

Cuando un niño aprende a montar en bicicleta, cualquier acción incorrecta que realice con respecto a la conducción eficaz de una bicicleta provocará que se caiga de la bicicleta. En el otro extremo del espectro, cualquier acción positiva que realice le permitirá seguir mejorando sus habilidades para montar en bicicleta. A través de estas diversas formas de refuerzo positivo y negativo, el niño aprenderá gradualmente qué acciones específicas debe realizar para montar en bicicleta de la forma más eficiente posible, evitando al mismo tiempo las lesiones que pueden producirse al caerse de la bicicleta. Algunas aplicaciones reales del aprendizaje por refuerzo son la robótica, la sanidad y el periodismo audiovisual.

Mediante la aplicación de algoritmos de aprendizaje automático, los desarrolladores e ingenieros de software han sido capaces de crear una serie de productos y servicios que se han hecho extremadamente populares entre los consumidores de todo el mundo. Desde asistentes de voz como Siri de Apple y Alexa de Amazon hasta aplicaciones como el software de redacción automática de vídeos, los productos y servicios que utilizan algoritmos y técnicas de aprendizaje automático están más extendidos que nunca. Por ello, a pesar de la amplitud de productos y servicios que ya están disponibles, los desarrolladores e ingenieros de software seguramente seguirán desarrollando nuevos productos y servicios a medida que se sigan mejorando los algoritmos de aprendizaje automático.