GUÍA DE ESTUDIO · UNOS 12 MIN DE LECTURA

Aprendizaje automático

Los programas normales siguen reglas que escribió una persona. El aprendizaje automático le da la vuelta: tú aportas ejemplos con sus respuestas y el ordenador deduce las reglas.

PROGRAMACIÓN TRADICIONAL
Reglas+Datos→Respuestas
Un programador escribe las reglas: «si un correo contiene GANA y el remitente es desconocido, márcalo como spam».
APRENDIZAJE AUTOMÁTICO
Datos+Respuestas→Reglas
Le enseñas 100.000 correos ya marcados como spam o no, y deduce qué patrones predicen el spam.

Qué es el aprendizaje automático, en breve

El aprendizaje automático es una rama de la inteligencia artificial en la que los ordenadores aprenden patrones a partir de datos en lugar de recibir reglas explícitas. Un modelo se entrena con ejemplos, se mide con ejemplos que no ha visto y después se usa para hacer predicciones sobre casos nuevos.

Arthur Samuel, que acuñó el término en 1959, lo describió como dar a los ordenadores la capacidad de aprender sin ser programados de forma explícita. La mayor parte de lo que hoy se llama IA es aprendizaje automático.

Se acuña el término
1959, Arthur Samuel (IBM)
Necesita
Datos, un modelo y una forma de medir el error
Tipos principales
Supervisado, no supervisado, por refuerzo
La mayor trampa
El sobreajuste: memorizar en lugar de aprender
CONCEPTO CENTRAL · ENTRENAMIENTO

Entrena a mano un modelo de aprobado o suspenso

Veinte estudiantes: horas de estudio, y si aprobaron. Arrastra la línea para fijar la regla «predice aprobado por encima de estas horas». Entrenar significa hallar la línea con menos errores.

3,0 hPREDICE SUSPENSOPREDICE APROBADO
0 hhoras de estudio10 h
aprobósuspendiópredicción errónea
EXACTITUD75%
CORRECTOS15
FALSOS APROBADOS5
APROBADOS NO DETECTADOS0
Entrenar es esto, hecho de forma automática: probar muchos ajustes, medir los errores y quedarse con el mejor. Los modelos reales ajustan millones de números en lugar de uno.
LA MAYOR TRAMPA

Más complejo no siempre es más inteligente

A un modelo se le juzga con datos que no ha visto. Sube la complejidad: el error de entrenamiento sigue bajando, pero el error de test baja y después vuelve a subir, cuando el modelo empieza a memorizar el ruido.

12345678910
En su punto
ERROR DE ENTRENAMIENTO11%
ERROR DE TEST14%
El punto óptimo: poco error de test. El modelo ha aprendido el patrón sin memorizar el ruido.
Errores ilustrativos de un modelo típico. Morado: error con los datos de entrenamiento. Rosa: error con los datos de test reservados.
TIPOS DE APRENDIZAJE

¿Quién da las respuestas?

Supervisado learningEl modelo aprende de ejemplos etiquetados, entradas emparejadas con sus respuestas correctas, y después predice las respuestas de entradas nuevas. El modelo de aprobado o suspenso de arriba es supervisado.Se usa para:filtros de spam, predicción del precio de la vivienda, diagnóstico a partir de escáneres
MÉTODOS TÍPICOS
Regresión lineal y logísticaÁrboles de decisión y bosques aleatoriosRedes neuronales
EN LA PRÁCTICA

De los datos al modelo en producción

La mayor parte del trabajo no es el algoritmo. Recorre los pasos.
Recoger datosReúne ejemplos que representen la situación real a la que se enfrentará el modelo.Cuidado con:datos que dejan fuera a grupos enteros de personas o de casos.
DÓNDE SE USA
Spam y fraudeRecomendacionesImagen médicaVoz y lenguajePredicciónAsistencia a la conducción

Sigue siendo difícil

Datos sesgadosSi los datos de entrenamiento reflejan injusticias del pasado, el modelo las aprende. Auditar los datos y los resultados es esencial.
Hambre de datosMuchos métodos necesitan enormes conjuntos de datos etiquetados, que son caros y plantean problemas de privacidad.
InterpretabilidadLos modelos complejos rara vez explican por qué tomaron una decisión.
Cambio de distribuciónLos modelos entrenados con los datos de ayer pueden fallar sin avisar cuando el mundo cambia.

Cómo hemos llegado hasta aquí

1943Neuronas artificiales.McCulloch y Pitts describieron un modelo matemático de una neurona.
1958El perceptrón.Frank Rosenblatt construyó una máquina que aprendía a clasificar imágenes sencillas.
1959El término.Arthur Samuel acuñó «machine learning» para su programa de damas, que mejoraba solo.
1986La retropropagación.Rumelhart, Hinton y Williams popularizaron el método que se sigue usando para entrenar redes neuronales.
2012Llega el aprendizaje profundo.AlexNet, entrenada con GPU, ganó con gran ventaja el concurso ImageNet.
2017Los transformers.La arquitectura que hay detrás de los grandes modelos de lenguaje actuales.
LISTA DE LECTURAS
Pattern Recognition and Machine Learning· Christopher Bishop2006
The Hundred-Page Machine Learning Book· Andriy Burkov2019
Hands-On Machine Learning· Aurélien Géron2017
Deep Learning· Goodfellow, Bengio & Courville2016

Los modelos encuentran patrones. Tú también.

El reconocimiento de patrones está en el centro de nuestro test de CI completo: 60 preguntas en cuatro ámbitos, unos 30 minutos.

Haz el test de CI completo