- Ecna,Tecnología
- No hay comentarios
En su libro sobre la inteligencia, publicado en 2004, Jeff Hawkins definía la inteligencia como la capacidad de predecir el futuro, por ejemplo, el peso de un vaso que vamos a levantar o la reacción de los demás a nuestros actos, en base a los patrones almacenados en la memoria (el marco memoria-predicción). Ese mismo principio está detrás del Machine Learning (ML), también conocido como aprendizaje automático.
¿Qué es el Machine Learning y para qué sirve?
El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a los computadores realizar tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia en los últimos años debido al aumento de la capacidad de computación y al boom de los datos. Las técnicas de aprendizaje automático son, de hecho, una parte fundamental del Big Data.
Tipos de aprendizaje
Los algoritmos de Machine Learning se dividen en tres categorías, siendo las dos primeras las más comunes:
Aprendizaje supervisado: En el Aprendizaje Supervisado los datos para el entrenamiento incluyen la solución deseada, llamada labels (etiquetas). Un claro ejemplo es al clasificar correo entrante entre Spam o no. Entre las diversas características que queremos entrenar deberemos incluir si es correo basura o no con un 1 o un 0. Otro ejemplo son al predecir valores numéricos por ejemplo precio de vivienda a partir de sus características (metros cuadrados, nº de habitaciones, incluye calefacción, distancia del centro, etc.) y deberemos incluir el precio que averiguamos en nuestro set de datos.
Aprendizaje NO supervisado: En el aprendizaje No Supervisado los datos de entrenamiento no incluyen Etiquetas y el algoritmo intentará clasificar o descifrar la información por sí solo. Un ejemplo en el que se usa es para agrupar la información recolectada sobre usuarios en una Web o en una app y que nuestra Inteligencia detecte diversas características que tienen en común.
Aprendizaje por refuerzo: Su objetivo es que un algoritmo aprenda a partir de la propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las decisiones correctas. En la actualidad se está utilizando para posibilitar el reconocimiento facial, hacer diagnósticos médicos o clasificar secuencias de ADN.
Construir una IA
Hay 7 pasos a seguir para construir una Inteligencia Artificial con Machine Learning:
- Paso 1 – Recolectar datos: Importa mucho la calidad y cantidad de información que consigas, ya que impactará directamente en cómo funcionará nuestro modelo.
- Paso 2 – Preparar los datos: Deberemos separar los datos en dos grupos: uno para entrenamiento y otro para evaluación del modelo. Podemos fraccionar aproximadamente en una proporción de 80/20, pero puede variar según el caso y el volumen de datos que tengamos.
- Paso 3 – Elegir el modelo: Existen diversos modelos que podemos elegir de acuerdo al objetivo que tengamos: utilizaremos algoritmos de clasificación, predicción, regresión lineal, clustering , Deep Learning (ej: red neuronal), bayesiano, etc. y podrá haber variantes si lo que vamos a procesar son imágenes, sonido, texto, valores numéricos.
- Paso 4 – Entrenar a nuestra máquina: Utilizaremos el set de datos de entrenamiento para ejecutar nuestra máquina y deberemos ver una mejora incremental (para la predicción). Habrá que revisar los resultados obtenidos, corregir y volver a iterar.
- Paso 5 – Evaluación: Deberemos comprobar la máquina creada contra nuestro set de datos de Evaluación que contiene entradas que el modelo desconoce y verificar la precisión de nuestro modelo ya entrenado. Si la exactitud es menor o igual al 50% el modelo no será útil, ya que sería como lanzar una moneda al aire para tomar decisiones. Si alcanzamos un 90% o más de precisión, podremos tener confianza en los resultados.
- Paso 6 – Configuración de parámetros: Si durante la evaluación no obtuvimos buenas predicciones y nuestra precisión no es la mínima deseada, es posible que tengamos problemas de overfitting (o underfitting), y deberemos retornar al paso de entrenamiento (4), haciendo previamente una nueva configuración de parámetros de nuestro modelo. Cada algoritmo tiene sus propios parámetros a ajustar.
- Paso 7 – Predicción o Inferencia: ¡Ya estamos listos para utilizar nuestro modelo de Aprendizaje Automático con nueva información y comenzar a predecir datos en la vida real!