Inteligencia Artificial / Machine Learning

La inteligencia artificial es un elemento en la informática que está cambiando nuestras vidas a veces sin que seamos capaces de percibirlo. Se define como la inteligencia que es llevada a cabo por las máquinas, aunque coloquialmente se aplica el término cuando una máquina u ordenador es capaz de imitar funciones que los humanos relacionamos con otras mentes humanas como puede ser percibir, razonar, aprender y resolver problemas. La inteligencia artificial es una de las tecnologías más versátiles que existen, ya que puede ser aplicada en campos muy diversos como pueden ser economía, transporte, ingeniería o hasta videojuegos.

De las funciones antes mencionadas con las que se relaciona la Inteligencia artificial, la que me resulta más interesante es la capacidad que tienen para aprender. En relación a esto, el Machine Learning es el campo dedicado a estudiar algoritmos de inteligencias artificiales que pueden aprender y mejorar a través de experiencias previas.

Los algoritmos de Machine Learning, o ML, crean un modelo matemático a través de datos de ejemplo, también conocidos como datos de entrenamiento, para que una inteligencia artificial sea capaz de realizar predicciones sin haber sido programada explícitamente para ello. Para tareas sencillas es posible realizar la programación necesaria para que un programa realice todos las tareas necesarias, pero para tareas mucho más complejas puede ser muy complicado realizar esa tarea de forma manual y en la práctica, resulta mucho más efectivo que la máquina desarrolle su propio algoritmo antes de que los programadores humanos puedan especificar cada paso.
A la hora de clasificar los distintos acercamientos al machine learning, nos encontramos varias áreas, los distintos tipos de algoritmos y modelos que se utilizan.

• Los tipos de algoritmos se dividen según los datos que usan como entrada y salida y el tipo de tarea que se intenta resolver:

1. Aprendizaje Supervisado

Donde la tarea es aprender una función que relacione un dato de entrada con una salida basados en ejemplos previos. Para esto se preparan datos de entrenamiento que consisten en pares de entradas con la etiqueta correspondiente, de esta manera el algoritmo analiza los datos e infiere una función capaz de responder de manera correcta al ejemplo introducido. Esto requiere al algoritmo de aprendizaje que sea capaz de generalizar a partir de los datos de entrenamiento situaciones nunca vistas de una manera razonable

2. Aprendizaje no Supervisado

Donde se le presentan al ordenador únicamente los ejemplos sin ningún tipo de etiqueta previa que clasifique o categorice al ejemplo. De esta manera, debe aprender a identificar similitudes en los datos y reaccionan en base a la presencia o ausencia a estas similitudes en cada ejemplo nuevo.

3. Aprendizaje Semi-supervisado

Se encuentra a medio camino entre el aprendizaje no supervisado y el supervisado. Consiste en tener parte de los datos sin que estén previamente etiquetados y se ha encontrado que cuando se utilizan datos etiquetados junto con datos no etiquetados puede producir mejoras en la precisión del aprendizaje.

4. Aprendizaje por Refuerzo

Se deja al sistema interactuar con un sistema totalmente dinámico en la que debe realizar una tarea concreta. A cada iteración del sistema, el programa ofrece un feedback como recompensa, el cual intenta maximizar realizando cambios en el comportamiento del programa.

• Tipos de Modelos

1. Redes Neuronales:

Están inspiradas en las redes neuronales que conforman nuestro cerebro. Este tipo de sistemas aprenden a realizar tareas mediante los ejemplos que reciben sin ningún tipo de regla específica relacionada con la tarea.

Existen unas unidades llamadas “neuronas artificiales” conectadas entre sí y cada conexión transmite información de una neurona a otra. Cada neurona y conexión tienen un peso que se va ajustando según va avanzando el proceso de entrenamiento de la red neuronal. Estas neuronas se organizan en capas que pueden realizar distintas tareas distintas según la información va viajando desde de la primera capa de entrada hasta la capa final de salida.

La principal diferencia de una red neuronal convencional a una profunda es el número de capas intermedias u ocultas que contiene.

2. Árboles de decisión

Es un modelo predictivo que va desde las observaciones sobre un ejemplo, llamadas ramas, hasta las conclusiones de ese ejemplo en concreto, llamadas hojas. Es un modelo que se utiliza en campos como la estadística, la minería de datos y el machine learning. Los modelos de árboles en los que la variable objetivo puede tomar un conjunto de valores discreto se llaman árboles de clasificación y en estas estructuras las hojas representan etiquetas y las ramas representan conjunciones lógicas (AND) que llevan a esas etiquetas.

3. Máquinas de Soporte Vectorial

Son un conjunto de métodos de aprendizaje supervisado que se utilizan para clasificación y regresión. Dados un conjunto de ejemplos de entrenamiento, cada uno es marcado como perteneciente a una de dos categorías, una máquina de soporte vectorial crea un modelo que predice se un nuevo ejemplo cae dentro de una categoría u otra.

Como conclusión, no cabe duda que la Inteligencia Artificial, en especial el Machine Learning, es un área de la Informática muy compleja con muchos tipos de soluciones disponibles para cada problema a resolver y es por ello que ahora mismo está en auge debido al existo que están teniendo ahora mismo los modelos de aprendizaje basados en redes neuronales

Referencias

• “Wikipedia: Machine Learning”, https://en.wikipedia.org/wiki/Machine_learning
• “Wikipedia: Supervised Learning”, https://en.wikipedia.org/wiki/Supervised_learning
• “Descubre los principales beneficios del Machine Learning” https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico