Aprendizaje automático, el gimnasio para entrenar a la inteligencia artificial

• Gracias al aprendizaje automático los agentes de inteligencia artificial aprenden a analizar los datos y a obtener respuestas correctas a los problemas que se les plantean.
• Dependiendo del tipo de respuesta que se quiera obtener de la inteligencia artificial, será necesario usar un sistema de aprendizaje automático supervisado o no supervisado.
• Ya estás utilizando inteligencia artificial en tu día, por lo que este aprendizaje automático servirá para mejorar las prestaciones que aportan los dispositivos.

Se habla mucho de la importancia de la inteligencia artificial por los innumerables beneficios que aporta a un gran abanico de disciplinas: ciencias, arte, tecnología, educación, comercio, agricultura, etc.

Sin embargo, nada de lo que consiguen los agentes de inteligencia artificial sería posible sin el entrenamiento adecuado previo con el que los científicos adiestran a los algoritmos que forman esta inteligencia artificial. Es lo que se conoce comomachine learning o aprendizaje automático.

Habilidades como el lenguaje natural que utilizan los asistentes por voz que integran los altavoces inteligentes, los sistemas de detección de escenas que integran las cámaras de los nuevos móviles de Huawei o la optimización de la duración de la batería aprendiendo los hábitos de los usuarios de los que hacen gala la gama de smartphones Mate 20 de Huawei son algunos de los ejemplos en los que el aprendizaje automático ha marcado una mejora sustancial en el uso de la inteligencia artificial en los dispositivos.

Antes de que estos dispositivos hayan podido realizar todas estas funciones, la inteligencia artificial que integran ha tenido que pasar por un periodo de aprendizaje, que la ha capacitado para entender tus palabras, reconocer las imágenes o reaccionar ante determinadas circunstancias externas para optimizar los procesos.

Dependiendo de cuál vaya a ser la tarea que vaya a desempeñar una determinada inteligencia artificial, será necesario entrenarla con un sistema de aprendizaje automático supervisado o no supervisado.

Ensayo y error, así es el aprendizaje automático supervisado

La mayoría de las tareas que actualmente lleva a cabo la inteligencia artificial se basa en el conocimiento adquirido mediante el aprendizaje automático supervisado.

El aprendizaje automático supervisado es el más habitual y fácil de encontrar puesto que es el más cercano a lo que conocemos como programación en ordenadores.

Durante este proceso, los técnicos proporcionan a los algoritmos una enorme base de datos con una serie de variables de entrada, así como las variables de salida perfectamente etiquetadas y clasificadas.

De ese modo, si por ejemplo se quiere entrenar a una inteligencia artificial para que diferencie fotos de perros y gatos, se le facilitaría una base de datos con millones de fotos de estos animales, asociadas a una etiqueta en la que se indica que lo que aparece en esa foto es un perro y no un gato o viceversa.

Durante el proceso de aprendizaje automático, la inteligencia artificial irá analizando cada foto e intentará adivinar si la foto que está procesando pertenece a un perro o a un gato, y comprobará si la respuesta obtenida es correcta consultando con la etiqueta que tiene asignada cada foto.

Leer más: No toda la inteligencia artificial es igual, estos son los distintos tipos que existen

Consiste básicamente, en un aprendizaje basado en el ensayo y error para aprender a diferenciar las respuestas correctas que se le han proporcionado. A medida que va procesando más y más imágenes, la inteligencia artificial perfeccionará su habilidad y ganará eficiencia en su tarea aumentando el número de aciertos.

A este sistema se le denomina aprendizaje automático supervisado porque durante este periodo de entrenamiento se le facilitan los datos con las respuestas correctas que los técnicos quieren obtener. Pueden ser imágenes, palabras, datos, etc. Cuanto mayor sea la base de datos que se le aporte y mayor el número de posibles respuestas, mayor eficiencia en sus resultados. Siguiendo con el ejemplo de las fotos de gatitos, una inteligencia artificial podría diferenciar si en la foto aparece un gato o un perro, su raza, color o tamaño.

Una vez se ha completado ese aprendizaje, la inteligencia artificial será capaz de distinguir y clasificar nuevos datos incluso aunque no haya trabajado con ellos previamente. Es decir que, aunque analice una nueva imagen desconocida, será capaz de detectar si en la foto aparece un perro o un gato y, en caso afirmativo, será capaz de detectar su raza y su color.

Este mismo tipo de aprendizaje es el que le ha servido a la inteligencia artificial de Huawei para detectar los objetos que aparecen en las escenas que vas a fotografiar y las variables de distancia e iluminación. Gracias al aprendizaje automático que ha recibido previamente, el sistema es capaz de adaptar los ajustes de la cámara del móvil para obtener siempre la mejor calidad en las fotos, sin que el usuario tenga que hacer absolutamente nada.

Aprendizaje no supervisado, lo más cercano a la comprensión humana

A diferencia del aprendizaje automático supervisado, en el que la inteligencia artificial conoce los valores de entrada y salida, en el aprendizaje automático no supervisado es mucho más abstracto y consisten en facilitar a los algoritmos únicamente los valores de entrada, siendo los valores de salida una incógnita en ese momento.

En realidad, este paradigma de aprendizaje es el más similar al que experimentamos los humanos de forma natural en la que, mediante el análisis y la observación, se ha construido todo el conocimiento y la evolución del ser humano.

¿Cómo se fabricó la primera herramienta de piedra si nadie la había usado hasta la fecha, o cómo se llevó a cabo el primer viaje espacial si no se tenían experiencias previas similares? Bajo ese mismo prisma se afrontan los desafíos del aprendizaje automático no supervisado.

Dado que no se tienen referencias previas en los valores de salida, el aprendizaje automático no supervisado utiliza la segmentación o agrupación de elementos similares aplicando unas técnicas llamadas de clusterización (derivada del inglés cluster o clustering, grupo o racimo).

Este tipo de aprendizaje no se centra en una respuesta única, si no que se basa en la comprensión del concepto en general que puede dar pie a diversas respuestas posibles y todas ellas pueden ser ciertas.

Piensa en la ruta de tu casa al trabajo. Seguro que, dependiendo de la hora, del día de la semana e incluso del medio de transporte que uses puede presentar varias rutas alternativas. Tal vez a primera hora es mejor dar un pequeño rodeo para ahorrarse el atasco, tal vez en verano es mejor ir en transporte público ya que es imposible aparcar, etc.

Todas las soluciones son correctas, pero el concepto latente y variable que se ha aprendido es cubrir el trayecto entre ambos puntos, sin trazar una ruta fija en todos los casos. Tal vez una inteligencia artificial entrenada para ello pueda mostrarte una alternativa que nunca se te habría ocurrido.

Un concepto similar se puede aplicar al entrenamiento que ha recibido la inteligencia artificial que se encarga de la optimización del consumo de batería en los móviles de Huawei, donde el concepto básico es minimizar el impacto del uso en la batería del dispositivo y, para ello, aprende las rutinas del usuario para adaptase a sus costumbres de uso, y mantener activos solo los recursos que vaya a necesitar, en función de la hora, el día o el mes en el que se encuentre. ¿No es impresionante?