Analfabetismo Digital Cap. 6 - Machine Learning

Hola,

Bienvenidos a nuestra nueva experiencia de descubrimiento y gracias por vuestra compañía. Hoy hablaremos sobre un parte de la Inteligencia Artificial, el Machine Learning o Aprendizaje Automático es una de las tecnologías que forma parte de la IA y podríamos definirlo como la capacidad de una máquina o software para aprender mediante la adaptación de ciertos algoritmos de su programación respecto a ciertas entradas de datos en su sistema (1) (2) Aunque ya en 1950 el matemático Alan Turing planteó por primera vez la posibilidad de que las máquinas pudieran pensar, ha transcurrido un largo camino desde ese momento hasta nuestros días con hitos como el de 1997 cuando el deep blue, un súper ordenador de IBM, derrotó al campeón mundial de ajedrez Garry Kasparov. Pero han sido el paso de la programación mediante reglas al aprendizaje autónomo mediante datos conjuntamente con la aparición de internet y la gestión masiva de datos lo que brindó el empujón definitivo a esta tecnología.

En la práctica, y esto nos vuelve a traer a nuestros orígenes, lo que hace el Machine Learning es analizar tendencias estadísticas de datos para inferir el resultado más óptimo para una determinada situación o problema. Es así como esta tecnología se utiliza para anticipar fraudes con tarjetas de crédito, ofrecer recomendaciones de artículos, películas, etc, en Neflix, Amazon o YouTube, o incluso sugerir la mejor solución para el cubo de rubik o juegos de estrategia entre otras.

Aunque son tecnologías del siglo pasado, es hasta ahora que debido a las capacidades de aprovechamiento de los datos y su gestión que han tomado relevancia por su contribución definitiva en avances como los coches automáticos o el reconocimiento por voz de los asistentes virtuales como Alexa, Google o Siri.

En la actualidad existen 3 modelos de aprendizaje que se utilizan en el Machine Learning para su operación:

Aprendizaje por Esfuerzo: En este sistema los aprendizajes se dan a partir de experiencias. Se utiliza una técnica de ensayo y error y el uso de funciones de premio que optimizan el comportamiento del sistema. Es quizás más sencillo porque no requiere de grandes cantidades de datos
Aprendizaje Supervisado: También conocido como información de entrenamiento. Se entrena al sistema proporcionándole cierta cantidad de datos definiéndolos al detalle con etiquetas. Una vez que se le han proporcionado suficientes datos de esta forma podrán introducirse nuevos datos sin etiquetas, que podrán ser clasificados a partir de patrones generados durante el entrenamiento. También se puede entrenar introduciendo parámetros distintos, que combinados con la introducción de nuevos datos, permite predecir un resultado. Este método se caracteriza por utilizar ejemplos para generalizar nuevos casos.
Aprendizaje No Supervisado: Este sistema tiene como objetivo la comprensión y abstracción de patrones de información de manera directa sin utilizar valores verdaderos o etiquetas para el aprendizaje. El modelo se asemeja más a la forma en que los humanos procesamos información sustentando los patrones de decisión en similitudes.

En los últimos años el Machine Learning se está utilizando para recopilar y modelar conocimiento, con el fin de generar conocimiento y presentar mejores herramientas de trabajo para las personas. Estas herramientas de optimización a través de algoritmos marcarán la competitividad y profesionalidad de los productos, y servicios ofrecidos por las empresas a sus clientes. Que también será aplicable a las experiencias de los ambientes de trabajo, estructuras organizacionales y entrenamientos entre otras.

Las aplicaciones industriales y/o empresariales del Machine Learning son infinitas, especialmente aplicando el Aprendizaje por Esfuerzo, por su flexibilidad y capacidad de adaptarse a los datos según van entrando. Lo que permite que los sistemas diseñados puedan gestionar los cambios en las condiciones y/o entornos dinámicos garantizando soluciones óptimas y dinámicas en cada momento; por ese aprendizaje generado a partir de sus propias decisiones en los sistemas. Existen incluso modelos como el creado para el juego AlphaGo que han sido capaces de descubrir nuevos conocimientos y desarrollar nuevos movimientos no convencionales, que van más allá del aprendizaje constante.

Como aprendizajes de esta sesión destacaría:

Los datos vuelven a ser extremadamente importantes para los sistemas del Machine Learning y los procesos decisorios a partir de los datos introducidos y/o generados, por sus decisiones, según el modelo de aprendizaje elegido.
Los escenarios generados con las diferentes agrupaciones de información permiten la toma de decisiones, generación de nuevos conocimientos y el desarrollo de los algoritmos que sustentan el sistema decisorio.
El aprendizaje constante aplicado a cualquier actividad en nuestro mundo es fundamental para las personas, al igual que para las máquinas. Siempre surgirán datos nuevos que requieran de nuevos escenarios que puedan generar decisiones más o menos acertadas, que se deberán refinarse una y otra vez.
Nuevamente surge la necesidad de nuestra adaptación a la autonomía decisoria de las máquinas, como ya comentábamos en la sesión anterior. La autonomía de los sistemas y equipos será cada vez mayor y nuestra adaptación para el aprovechamiento y maximización de los beneficios de ellos debe ser cada vez más rápida como parte de las experiencias y conductas aprendidas.