Podríamos definir al Machine Learning como la capacidad de las máquinas (entendidas como computadoras y robots) de aprender sin haber sido explícita y previamente programadas (al menos como en el sentido tradicional de la informática).
Qué es el Machine Learning
El primero en acuñar el término fue Arthur Lee Samuel, científico estadounidense, pionero en el campo de la Inteligencia Artificial, en 1959, aunque, hasta la fecha, la definición más acreditada por la comunidad científica es la aportada por otro estadounidense, Tom Michael Mitchell, director del Departamento de Machine Learning de la Universidad Carnegie Mellon:
“se dice que un programa aprende de la experiencia E con referencia a alguna clase de tarea T y con la medida de rendimiento P, si su rendimiento en la tarea T, medido por P, mejora con la experiencia E”.
En palabras más sencillas: el Machine Learning permite a las computadoras aprender de la experiencia (no en el sentido “humano”, pero sí refiriéndose a un programa informático); hay aprendizaje (experiencia) cuando el rendimiento del programa mejora tras la realización de una tarea o la finalización de una acción (incluso si es errónea, partiendo de la base de que también para los humanos es válido el principio de “aprender cometiendo errores”).
Desde la perspectiva de la informática, en el Machine Learning, en lugar de escribir el código de programación a través del cual, paso a paso, se le “dice” a la máquina lo que tiene que hacer, el programa recibe “sólo” conjuntos de datos que son procesados a través de algoritmos que desarrollan su propia lógica para realizar la función, la actividad, la tarea requerida (por ejemplo, aprender a reconocer una imagen).
Cómo funciona el Machine Learning y el aprendizaje de máquinas
El Machine Learning funciona, en principio, sobre la base de dos enfoques distintos, identificados por el propio Arthur Samuel a finales de los años 50, que permiten dividirlo en en dos subcategorías, en función de si se dan a la computadora ejemplos completos para que los utilice como indicación para realizar la tarea requerida (supervisado) o se deja que el software trabaje sin ninguna “ayuda” (no supervisado).
En realidad, como veremos más adelante, existen subconjuntos que nos permiten hacer una clasificación aún más detallada de los distintos modelos de Machine Learning en función de su funcionamiento.
A) Machine Learning supervisado
En esta categoría de Machine Learning se “alimenta” a la computadora con conjuntos de datos como imput y con las informaciones relativas a los resultados deseados con el objetivo de que el sistema identifique una regla general que relacione los datos de entrada con los de salida (es decir, se le dan ejemplos de entrada y salida para que aprenda el vínculo entre ellos), de manera que pueda reutilizar esta regla para otras tareas similares.
“En el Machine Learning supervisado, el trabajo de resolución se deja en manos de la computadora. Una vez que entienda la función matemática y el reconocimiento de patrones que llevó a resolver un conjunto específico de problemas, será posible reutilizar la función para responder a cualquier otro problema similar”, escribe Adam Geitgey en su artículo “¡El Machine Learning es divertido!
B) Machine Learning no supervisado
En esta segunda categoría de Machine Learning, el sistema sólo recibe conjuntos de datos sin ninguna indicación del resultado deseado. El objetivo de este segundo método de aprendizaje es “volver” a los esquemas y modelos ocultos, es decir, identificar en las entradas una estructura lógica sin que éstas estén previamente etiquetadas y de forma autónoma.
C) Machine Learning con aprendizaje por refuerzo
En este caso, el sistema (computadora, software, algoritmo) tiene que interactuar con un entorno dinámico (que le permite disponer de los datos de entrada) y alcanzar un objetivo (a cuya consecución recibe una recompensa), aprendiendo también de los errores (identificados mediante “castigos”). El comportamiento (y los rendimientos) del sistema están determinados por una rutina de aprendizaje basada en la recompensa y el castigo.
Con un modelo de este tipo, la computadora aprende, por ejemplo, a vencer a un adversario en un juego (o a conducir un vehículo) concentrando sus esfuerzos en la realización de una tarea determinada con el objetivo de alcanzar el valor máximo de la recompensa; es decir, el sistema aprende jugando (o conduciendo) y de los errores cometidos, y mejor el rendimiento en función de los resultados obtenidos anteriormente.
D) Machine Learning con aprendizaje semisupervisado
En este caso se trata de un modelo “híbrido” en el que la computadora recibe un conjunto incompleto de datos para el entrenamiento/aprendizaje; algunas de estas entradas están “equipadas” con los respectivos ejemplos de salida (como en el aprendizaje supervisado), otras en cambio carecen de ellos (como en el aprendizaje no supervisado). El objetivo, básicamente, es siempre el mismo: identificar reglas y funciones para la resolución de los problemas, así como modelos y estructuras de datos útiles para alcanzar determinados objetivos.
E) Otros enfoques prácticos del Machine Learning: desde los modelos probabilísticos hasta el Deep Learning
Existen entonces otras subcategorías de Machine Learning que sirven en realidad para dar una especie de clasificación “práctica” porque, de hecho, identifican enfoques prácticos de aplicación de los algoritmos de Machine Learning (de los que se pueden derivar entonces categorías de “aprendizaje” de los sistemas).
Hablamos, por ejemplo, de los llamados “árboles de decisión” basados en gráficos mediante los cuales se desarrollan modelos predictivos gracias a los cuales es posible descubrir las consecuencias (output) de determinadas decisiones (input).
Otro ejemplo concreto proviene del “clustering”, es decir, los modelos matemáticos que permiten agrupar datos, información, objetos, etc,. “similares”; se trata de una aplicación práctica del Machine Learning detrás de la cual hay diferentes modelos de aprendizaje profundo que van desde la identificación de patrones y de estructuras (qué define un cluster y cuál es su naturaleza) hasta el reconocimiento de “objetos” que deben formar parte de un grupo y no de otro.
Luego está la subcategoría de los “modelos probabilísticos” que basan el proceso de aprendizaje del sistema en el cálculo de probabilidades (el más conocido es quizá la “red de Bayes”, un modelo probabilístico que representa en un gráfico el conjunto de variables aleatorias y las dependencias condicionales relativas).
Por último, están las conocidas redes neuronales artificiales que utilizan para el aprendizaje determinados algoritmos inspirados en la estructura, el funcionamiento y las conexiones de las redes neuronales biológicas (es decir, las del ser humano). En el caso de las llamadas redes neuronales multicapa entramos entonces en el campo del Deep Learning.
Aplicaciones de Machine Learning
Las aplicaciones de Machine Learning son ya muy numerosas hoy en día, algunas de las cuales se han introducido en nuestra vida cotidiana sin que nos demos cuenta.
Pensemos, por ejemplo, en el uso de los motores de búsqueda: a través de una o varias palabras clave, estos motores devuelven listas de resultados (las llamadas SERP – Search Engine Results Page) que son el efecto de algoritmos de Machine Learning con aprendizaje no supervisado (proporcionan como salida información considerada relevante para la búsqueda realizada a partir del análisis de patrones, modelos, estructuras en los datos).
Otro ejemplo común está relacionado con los filtros antispam de correos electrónicos basados en sistemas de Machine Learning que aprenden continuamente a interceptar mensajes de correo electrónico sospechosos o fraudulentos y a actuar en consecuencia, por ejemplo eliminándolos antes de que se distribuyan a los buzones personales de los usuarios. Los sistemas de este tipo, incluso con mayor sofisticación, se utilizan también, por ejemplo, en el sector financiero para la prevención del fraude (como la clonación de tarjetas de crédito), el robo de datos y la identidad; los algoritmos aprenden a actuar correlacionando eventos, hábitos de los usuarios, preferencias de gasto, etc., una información que les permite identificar en tiempo real cualquier comportamiento anormal que pueda identificar un robo o fraude.
Ejemplos interesantes de Machine Learning con aprendizaje supervisado provienen del campo de la investigación científica en el ámbito médico, donde los algoritmos aprenden a hacer predicciones y diagnósiticos médicos cada vez más precisas para prevenir el brote de epidemias o para hacer diagnósticos precisos y oportunos de cáncer o enfermedades raras teniendo en cuenta también datos históricos.
Y de nuevo, siempre en el ámbito del aprendizaje supervisado, hay aplicaciones interesantes del Machine Learning a nivel de reconocimiento de voz o de identificación de la escritura.
Como se ha mencionado, los sistemas basados en el aprendizaje con refuerzo están en la base del desarrollo de los coches autoconducidos que, precisamente a través del Machine Learning, aprenden a reconocer el entorno que les rodea (con los datos recogidos por los sensores, el GPS, etc.) y a adaptar su “comportamiento” en función de las situaciones concretas que tienen que afrontar/superar.
Incluso los llamados sistemas de recomendación aprovechan el Machine Learning aprendiendo del comportamiento y las preferencias de los usuarios que navegan por sitios web, plataformas o aplicaciones móviles; un ejemplo de ello son los que estamos acostumbrados a ver y utilizar en plataformas de eCommerce como Amazon o de entretenimiento y acceso a contenidos como Netflix o Spotify.
@RESERVADOS TODOS LOS DERECHOS
