Aplicaciones de la IA Machine y Deep Learning

 En Inteligencia Artificial

La inteligencia es una capacidad intrínsecamente humana y de algunos animales muy concretos. Esta capacidad supone actuar con la razón como alternativa al instinto y es la que nos ha permitido vivir en sociedad y alcanzar hitos y descubrimientos como la rueda, la imprenta o la radio, impulsores de otros mayores.

Actualmente, la inteligencia en las máquinas está muy detrás de la humana y se limita a predecir sucesos futuros con datos del pasado, identificar patrones y anomalías y a procesos de optimización.

Machine Learning

También llamado Aprendizaje Automático, es la ciencia encargada del aprendizaje de las máquinas. Para llevar a cabo este proceso, el modelo necesita datos del pasado sobre los que poder entrenar.

Estos modelos pueden ser de varios tipos:

  • Modelos lógicos. Funcionan a través de reglas, que conforman una base de conocimiento. Una regla se compone de un antecedente y de una consecuencia. Por ejemplo, podemos afirmar que cuando la temperatura es de 10°C, hace frío. Por lo tanto, una regla sería:

A un conjunto de reglas de esta forma se le denomina base de conocimiento. Por tanto, un modelo con una base de conocimiento podría ser utilizado para realizar predicciones.

  • Modelos geométricos. Supone instancias con una o dos dimensiones que son representadas en un eje de coordenadas. A continuación, se busca aquella frontera lineal que las separe, permitiendo su futura predicción.
  • Modelos probabilísticos. Estos modelos identifican la distribución de probabilidad de una función determinada que relaciona las variables predictoras con las de clase y la utiliza para realizar predicciones en el futuro.

Los modelos probabilísticos y lógicos pueden ser utilizados para cualquier situación, mientras que los segundos sólo cuando se aprecia una relación lineal entre las variables predictoras, además de un número reducido de instancias.

Además, de entre los paradigmas de aprendizaje destacan:

  • Aprendizaje supervisado. Basándose en el pasado (en una clasificación previa de instancias que nosotros le hemos entregado) el modelo elabora una función que relaciona las variables predictoras con las de clase. Esta función es utilizada posteriormente para realizar predicciones (clasificación).
  • Aprendizaje no supervisado. El objetivo de este aprendizaje es la obtención de grupos, de tal manera que en cada uno de ellos habrá instancias homogéneas, mientras que los grupos son heterogéneos entre sí. Aquí no hay información del pasado, sino que es el propio modelo el encargado de realizar sus propias divisiones.
  • Aprendizaje semisupervisado. En este aprendizaje existen ejemplos de todas las instancias (pongamos dos: positivas y negativas). Sin embargo, hay otras muchas que no están clasificadas en positivas o negativas. El reto consiste en determinar qué hacer con ellas.
  • Detección de anomalías. Es un subtipo de aprendizaje supervisado donde hay una proporción muy grande de instancias de una clase pero muy pequeña de instancias de la otra clase.
  • Aprendizaje por refuerzo. El algoritmo aprende, no con la información previa que nosotros le hemos facilitado, sino con su interacción con el mundo que le rodea, de tal forma que se produce una retroalimentación que va modificando y refinando su comportamiento.

El paradigma más utilizado en la actualidad es el aprendizaje supervisado. En él, adquirimos información de sucesos a través de sensores, logs, estudios o documentos (entre otras fuentes) de la que llevamos a cabo un proceso de extracción de características (feature selection) que consiste en encontrar variables que expliquen esos sucesos para poder realizar predicciones. Finalmente, esta información es recibida por el modelo, que traza la función que relaciona estas variables predictoras (características) con su correcta predicción.

 

Deep Learning

También llamado Aprendizaje Profundo, busca abstraer la información a fin de obtener las características más significativas de la misma de forma automática y poder realizar predicciones sin necesidad de que nosotros manualmente tengamos que realizar un proceso de feature selection previo. Esta es la primera diferencia.

El Deep Learning es más cercano al aprendizaje humano, ya que este proceso de abstracción es similar al que llevamos a cabo. Por lo tanto, el volumen de datos que son necesarios para entrenar a estos modelos es mucho mayor que en el Machine Learning.

 

Los avances computacionales hacen que estos modelos hayan pasado del plano teórico al práctico, ya que hace años, hacer funcionar a una red de neuronas profunda con 100 capas era impensable.

Estas dos ciencias constituyen los pilares de la inteligencia en las máquinas. Ambas son complementarias. Sin embargo, el futuro de la Inteligencia Artificial tiende hacia el Deep Learning, ya que proporciona resultados mucho mejores y en menor tiempo (siempre y cuando se tenga una capacidad de computo adecuada), además de ignorar los sesgos humanos de los que hablamos en el anterior artículo.

En la próxima entrada hablaremos sobre la movilidad de los robots y de las máquinas autónomas. Y tú, ¿cómo crees que una máquina autónoma puede moverse?

 

 

Autor: Carlos Vázquez, Data Scientist | AI Engineer en Avansis

Presiona ENTER para comenzar la búsqueda en Avansis