Así como la inteligencia artificial es el intento de conseguir que los ordenadores tengan un comportamiento inteligente similar al de los humanos, el Machine Learning fue el primer paso en esta dirección y tenía como objetivo que los ordenadores pudieran aprender por sí solos cosas que los humanos no podemos describir o reflejar en ningún lenguaje de programación.

Y así es como empezó el Machine Learning, una disciplina (al igual que la inteligencia artificial) muy ligada a las matemáticas y a la estadística y que desde hace casi medio siglo ha ido haciendo progresos hasta nuestros días. Y en este momento Machine Learning es uno de los campos más activos y potentes de la informática con aplicaciones en todos los sectores imaginables.

Machine Learning con aprendizaje supervisado

inteligencia-artificial-ia

El aprendizaje máquina o Machine Learning se puede dividir en dos tipos: supervisado y no supervisado, por motivos bastante obvios. El primero de estos tipos es el supervisado que es uno de los más interesantes y empleados en ciencia porque permite el aprendizaje de patrones o características que no son aparentes para el ser humano. Este tipo de Machine Learning es ideal para tareas de clasificación como puede ser saber qué tipo de partículas han aparecido en una colisión del LHC.

La forma en la que se ejecuta este tipo de procedimientos es bastante sencilla y consta un paso de entrenamiento en el que al algoritmo se le presentan datos ya analizados para que “aprenda” las características de cada clase de partícula, por ejemplo. Durante esta fase el propio ordenador es capaz de establecer conexiones entre los datos de la colisión y el tipo de partículas que han aparecido, sin necesidad de saber física cuántica.

Una vez entrenado suele haber una fase de prueba en el que se le vuelven a dar datos conocidos pero se presentan sin solución de forma que el ordenador tiene que aplicar todo lo aprendido mediante Machine Learning para poder descubrir que tipo de partícula se produjo. Si supera esta fase con un alto porcentaje de aciertos el algoritmo está ya preparado para enfrentarse a nuevos datos y analizarlos mejor y más rápido que un humano.

Aprendizaje no supervisado en máquinas

GXj8T

Por otro lado tenemos el aprendizaje no supervisado en el que no existe una fase de entrenamiento. En este caso el algoritmo suele tener unos criterios de calidad de la respuesta y “aprende” cuál es la mejor manera de llegar al resultado óptimo lo más rápido posible. Este tipo de Machine Learning suele ser más limitado en aplicabilidad pero es también muy potente y utilizado. Vamos a ver mejor cómo funciona con un pequeño ejemplo.

Supongamos que queremos hacer un ajuste lineal a una serie de puntos. La convención matemática es que la mejor recta es aquella en la que la suma de distancias al cuadrado de los puntos a la recta es menor. Éste será el criterio que le daremos a nuestro algoritmo, pero no le diremos cómo conseguir este resultado, eso lo aprenderá él solo. Este tipo de Machine Learning suele tener un comienzo totalmente aleatorio, por ejemplo poniendo rectas en cualquier posición y dirección y viendo cómo varía la suma de distancias al cuadrado.

miedointeligenciasartificiales9

Con el paso del tiempo y de repetir y repetir el proceso el ordenador se irá dando cuenta de cuáles son las características que tienen todos los ajustes lineales óptimos. De esta forma si le presentamos con nuevos datos tardará mucho menos en conseguir la recta porque ya “sabe lo que busca” la idea de esta técnica de Machine Learning es que el ordenador será capaz de encontrar la fórmula de calcular dicha recta inmediatamente, dados los puntos.

Machine Learning, el principio de la inteligencia artificial que conocemos

Con el paso de los años este tipo de aprendizaje máquina ha sido superado (al menos en sofisticación) por otras técnicas más avanzadas que permiten a los ordenadores realizar procesamientos mucho más complejos y que imitan mucho mejor el pensamiento humano; hemos pasado del Machine Learning al Artificial Intelligence. La pregunta que queda en el aire es cuánto serán capaces de pensar estos ordenadores en el futuro y si realmente podrán llegar a nuestro nivel de abstracción conceptual; con un poco de suerte todos nosotros lo veremos.