¿Cómo aprenden los algoritmos de inteligencia artificial?

Esta es una de aquellas preguntas que muchas veces nos toca tratar de responder los que nos dedicamos a la inteligencia artificial. Es cierto que una de las virtudes de los seres vivos es la adaptación al medio y la capacidad para aprender de él. Entonces, nos puede parecer muy chocante pensar cómo las máquinas podrían llegar a ser capaces de hacer exactamente lo mismo.

Actualmente, no tenemos del todo claro cuál es la definición exacta de aprendizaje y por tanto no sabemos si los sistemas inteligentes aprenden como tal o memorizan. Pero si sabemos que el método principal del “aprendizaje” para los sistemas inteligentes está basado en encontrar patrones en los datos.

Estos patrones puede que se repitan, que estén relacionados con un objetivo en concreto, que se puedan agrupar, … Como nosotros no conocemos estos patrones, brindaremos esa responsabilidad a un algoritmo para que los encuentre.

En este artículo, no pretendemos asustarte y que pienses que en unos años llegará la singularidad y el mundo será gobernado por las máquinas.

Podéis estar tranquilos, porque no creemos que pase. Sino que queremos mostrarte desde un enfoque sencillo cuál es la metodología que se usa para aprender sistemas inteligentes.

Un sistema inteligente

Comúnmente entendemos como inteligencia artificial como todo aquel sistema que aprende por si solo. Pero eso no es del todo cierto, son concretamente los algoritmos de Machine Learning los que desempeñan esa función.

El ecosistema de Machine Learning brinda un abanico enorme de algoritmos, pero si algo tienen en común es la total dependencia a los datos. En casi todos ellos, podríamos diferenciar dos etapas muy claras: entrenamiento e inferencia.

Entrenamiento:

En esta etapa, se necesita disponer suficiente cantidad y calidad de los datos para que el algoritmo sea capaz de extraer los patrones necesarios porque la idea es transferir el conocimiento de los datos al algoritmo.

Para ello, el primer paso y probablemente el más esencial es recolectar y anotar datos. Hay un dicho en el mundo de la analítica que es: “No data, no party”.

Para que nos hagamos una idea en la gestión empresarial, la estimación de demanda usamos el histórico del cliente para buscar patrones que puedan suceder en el futuro. En la medicina, la detección prematura de cáncer de colón se quiere detectar usando miles de imágenes de pacientes reales. Para las búsquedas en internet, se necesitan miles de libros para entender la semántica de las palabras.

Es importante remarcar que para que el algoritmo sea capaz de aprender, debe disponer de esta información anotada. Si por ejemplo, queremos clasificar imágenes donde hay una persona. Deberemos tener anotadas tanto imágenes personas como imágenes sin. Sino el sistema inteligente no va a ser capaz de predecir nuevas imágenes (hay o no hay persona).

Una vez disponemos de estos datos, es hora de poner un algoritmo a entrenar. Generalmente el funcionamiento de la mayoría de los algoritmos tienen la misma base: predecir, estimar error, corregir y repetir.

Inicialmente el algoritmo no tiene ninguna idea de resolver el problema. Así que al realizar la primera estimación y evaluar el error, esté será muy alto. Pero a medida que realicemos los pasos: predecir, estimar error, corregir. Esas correcciones harán que el algoritmo cada vez lo haga mejor, llegando un punto en el que consideremos que ha aprendido.

Inferencia:

Una vez asumimos que el algoritmo ha aprendido, es cuando podemos usarlo en datos que no tenemos conocimiento de qué son. Es cuando decimos que el conocimiento aprendido del algoritmo se transfiere a nuevos datos.

Y hasta aquí el artículo de hoy. Esperamos que os haya resultado útil la información, como nosotros veáis que la inteligencia artificial es un campo con infinitas posibilidades.

Escrito por: Adrià Ciurana

 

Si quieres conocer el potencial que la IA puede aportar a tu empresa no dudes en consultar nuestras soluciones o contactarnos a hello@algoritmia8.com o al 93 786 87 77.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *