Machine learning: cómo aprende un ordenador
El aprendizaje automático, explicado con una caja de fruta: qué aprende un programa, cómo se comprueba y por qué puede equivocarse.
Imagina que alguien te ayuda a ordenar una caja de fruta. Le enseñas varias manzanas y peras, le dices cuál es cuál y después le dejas separar las siguientes. No le has dictado una regla para cada pieza: le has mostrado ejemplos.
Esa comparación nos acerca al machine learning, que en español significa aprendizaje automático. Es una parte de la inteligencia artificial que obtiene patrones a partir de datos para realizar tareas. Que un programa «aprenda» no significa que piense como la persona que te ayuda.
Primero, los ejemplos
Para preparar un programa que distinga esas frutas, podemos darle fotografías acompañadas del nombre correcto. Durante el entrenamiento, compara sus respuestas con esas etiquetas y ajusta sus cálculos para reducir los errores. Esto se llama aprendizaje supervisado.
El resultado es un modelo preparado para hacer predicciones. Cuando recibe otra fotografía, utiliza lo aprendido para proponer una respuesta. Trabaja con la información que le llega; no puede tocar ni oler la fruta de nuestra caja.
También hay otras formas de aprender
En el aprendizaje no supervisado no se entregan las respuestas correctas. El programa busca relaciones; por ejemplo, puede agrupar datos parecidos sin que le hayamos indicado las categorías.
En el aprendizaje por refuerzo, un sistema prueba acciones y recibe recompensas según sus resultados. Así aprende una estrategia para obtener más recompensa. Es otro método, no un paso obligatorio después de los anteriores.
La prueba está en la siguiente caja
Volvamos a las frutas. Si solo enseñamos manzanas rojas, una verde podría despistar al programa. Los ejemplos deben representar la variedad con la que tendrá que trabajar. Acertar con las fotos conocidas no demuestra que vaya a reconocer las siguientes.
Por eso se reservan ejemplos distintos para comprobar el modelo. Se comparan sus predicciones con las respuestas correctas. Si practicamos y examinamos siempre con las mismas fotos, podemos llevarnos una impresión demasiado buena de sus capacidades.
¿Para qué te sirve?
Esta tecnología puede ayudar a detectar correo no deseado o recomendar contenido. Son usos cotidianos del machine learning, aunque no veas esas palabras en la pantalla.
Entenderlo ayuda a poner sus resultados en su sitio: una clasificación es una estimación, no una garantía. Si esperas un mensaje importante, revisa también la carpeta de correo no deseado. Y cuando una aplicación prometa acertar siempre, recuerda nuestra caja: importa qué ejemplos recibió y cómo se comprobó su trabajo.
CONFIRMADO
Explicación contrastada con las fuentes citadas. La caja de fruta es una comparación; no describe una prueba de un producto concreto.