Aprendizaje automático

machine learning y aprendizaje automático
Share on twitter
Twitter
Share on whatsapp
WhatsApp
Share on linkedin
LinkedIn
Share on facebook
Facebook
Share on telegram
Telegram
Share on email
Email
Share on facebook
Share on telegram
Share on email
Share on twitter
Share on whatsapp
Share on linkedin

Nos guste o no, nuestra vida diaria está llena de tecnología y eso también tiene que ver con aprendizaje automático. Como la mayoría de las personas, probablemente te despertaste revisando tu teléfono o activando una lista de reproducción de Spotify para comenzar tu día. Después de levantarte, tal vez revisaste Google Maps para ver si iba a ser un viaje ocupado al trabajo. Durante tu hora de almuerzo, es posible que hayas visto un anuncio de una camisa sospechosamente perfecta en las redes sociales. Después de regresar a casa por el día, ¿pusiste tu nuevo programa favorito de Netflix para relajarte?

¿Suena familiar? Estos hábitos tecnológicos son comunes y omnipresentes en la mayor parte de nuestra vida diaria. Sin embargo, ninguna de estas pequeñas maravillas tecnológicas sería posible sin una poderosa herramienta: el aprendizaje automático.

¿Qué es el aprendizaje automático?

El aprendizaje automático es el proceso en el que una computadora intenta aprender de experiencias pasadas. El proceso general de aprendizaje automático ocurre de la siguiente manera: los datos se ingresan en una máquina, que pasa a través de un algoritmo. Si el algoritmo devuelve el resultado correcto, usamos ese resultado correcto como ejemplo para seguir aprendiendo. Si está mal, proporcionamos retroalimentación y la máquina aprende de sus errores. Cuantas más veces haga esto, mejor resolverá el problema en cuestión.

Para simplificar la comprensión de este proceso, podemos compararlo con estudiar un conjunto de problemas en un examen de matemáticas. Si lo resuelve correctamente, es probable que haya seguido los pasos correctos para resolver el problema. Cuando se equivoque, su maestro le dará retroalimentación y le mostrará dónde se equivocó. Si implementa esta retroalimentación y continúa practicando, la cantidad de errores se minimizará y será más probable que obtenga una buena calificación. Es importante tener en cuenta que el aumento en el éxito no proviene de practicar exactamente la misma pregunta repetidamente, sino de ejecutar un algoritmo (conjunto de pasos) que se puede aplicar a muchos problemas diferentes y difíciles. Mientras que estudiar puede crear un genio de las matemáticas, el aprendizaje automático puede hacer que una computadora sea altamente precisa, efectiva y rápida para resolver problemas.

Historia

Curiosamente, los primeros trabajos sobre el aprendizaje automático no provinieron de los campos de las matemáticas o la informática, sino de la psicología. En 1949, el psicólogo canadiense Donald Webb escribió que cuando aprendemos algo nuevo, las neuronas de nuestro cerebro se conectan y construyen una red neuronal. Cuanto más a menudo se repite la nueva información o habilidad, más fuertes se vuelven las conexiones entre las neuronas. Esta teoría sentó las bases para el aprendizaje automático moderno.

Diez años más tarde, un científico informático llamado Arthur Samuel acuñó el término "aprendizaje automático". Hizo esto después de construir un sistema inteligente que pudiera jugar a las damas, que diseñó para tener la capacidad de aprender a través de un intrincado sistema de puntuación. Cada vez que se hacía un movimiento, el programa evaluaba la probabilidad de ganar en función de la posición de las piezas. Cuanto más jugara el juego, mejor sería predecir estas permutaciones.

Algoritmos de reconocimiento

En los siguientes diez años, los desarrollos de Hebb y Samuel se aplicaron al reconocimiento de imágenes. El Perceptron, construido en 1957, fue uno de los inventos que resultaron de esto. Como el primer programa de software diseñado para reconocer objetos, Perceptron fue un comienzo prometedor en el camino hacia el aprendizaje automático. Sin embargo, solo era semifuncional, ya que solo podía aprender objetos simples y luchaba con los detalles de objetos más complejos, como las caras.

A pesar de este comienzo, se descubrieron bastantes algoritmos efectivos poco después del Perceptrón, transformando rápidamente nuestra capacidad para reconocer objetos. Al mismo tiempo, los investigadores comenzaron a superponer redes neuronales, lo que sentó las bases para el aprendizaje profundo. También aprendieron cómo hacer retropropagación, que es el proceso de ajustar las neuronas para adaptarse a situaciones nuevas.

Modelos divergentes

Hasta la década de 1970, la inteligencia artificial era sinónimo de aprendizaje automático. Al igual que el aprendizaje automático, la historia de la inteligencia artificial se puede vincular con Hebb, Samuels y otros pioneros del aprendizaje automático. En el pasado, ambos campos utilizaban mucho las redes neuronales y la lógica matemática compleja para construir sus modelos. Sin embargo, los dos campos comenzaron a divergir en la década de 1970, cuando el aprendizaje automático comenzó a utilizar algoritmos y la inteligencia artificial abandonó las redes neuronales para centrarse más en las matemáticas. Al hacer esto, los dos campos se volvieron distintos pero permanecen hasta el día de hoy estrechamente vinculados.

Después de esta división, el aprendizaje automático comenzó a tomar una nueva ruta. Centrándose más en la probabilidad y las estadísticas, la industria priorizó la resolución de problemas comerciales prácticos, mientras se reducía a la construcción de modelos efectivos de redes neuronales. Con Internet comenzando a despegar en la década de 1990, la gran cantidad de datos y servicios en línea ampliamente disponibles hizo que las aplicaciones de aprendizaje automático explotaran en popularidad.

Impacto

El aprendizaje automático ha llegado a transformar casi todos los aspectos de nuestras vidas digitales. Hemos reemplazado nuestros viejos electrodomésticos de baja tecnología con refrigeradores inteligentes más nuevos, asistentes automáticos y, finalmente, automóviles autónomos. A medida que pasa el tiempo, este movimiento hacia una tecnología "más inteligente" solo se acelerará. Pronto, es posible que haya pocas o ninguna industria que no se vea afectada por el aprendizaje automático. Estas innovaciones no se limitan solo a las comodidades personales: la atención médica, el medio ambiente, las personas mayores, la seguridad y las políticas están siendo moldeadas por las poderosas aplicaciones del aprendizaje automático. Parece que para competir y prosperar en la sociedad moderna, es imprescindible lidiar con las implicaciones futuras de las tecnologías de aprendizaje automático.

El aspecto más importante del aprendizaje automático es la capacidad de escalar el cambio rápidamente. A medida que nuestro mundo se vuelve más inmerso en datos, la capacidad de clasificar con precisión esos datos será clave para desarrollar conocimientos sobre campos emergentes y comprender mejor los problemas que enfrentamos. El aprendizaje automático, tal como está, es nuestra mejor herramienta para hacerlo. Capturar el poder del aprendizaje automático es esencial para cualquier empresa, gobierno o institución que intente proyectar conocimientos basados ​​en datos hacia el futuro. Idealmente, esta capacidad que ofrece el aprendizaje automático nos ayudará a pronosticar el riesgo, así como a lograr avances más rápidos que pueden impulsarnos hacia adelante.

Modelado de comportamiento

El aprendizaje automático también ha transformado la forma en que nos entendemos a nosotros mismos. Al simular el proceso de aprendizaje humano en máquinas, hemos obtenido información importante sobre cómo funciona nuestro cerebro. Por ejemplo, los desarrollos recientes en el aprendizaje automático nos han ayudado a desarrollar conocimientos más profundos sobre el diagnóstico y el posible tratamiento de la dislexia. La dislexia, que es un trastorno del aprendizaje que afecta la capacidad de las personas para leer y escribir, ha sido un misterio para los científicos durante bastante tiempo. Actualmente, los investigadores no tienen un único método de prueba que diagnostique con precisión la dislexia, y los métodos actuales se reducen al razonamiento inductivo de varios factores diferentes.

Los niños con dislexia tienen dificultades para asociar letras específicas con sus sonidos, lo que genera confusión en la ortografía y la lectura. Dado que la dislexia esencialmente se reduce a que el cerebro no aprende estas asociaciones, el aprendizaje automático, que está diseñado para aprender a través de la asociación, puede proporcionar un modelo eficaz del cerebro disléxico. Además, los métodos de clasificación del aprendizaje automático pueden permitirnos diagnosticar con precisión la dislexia desde el principio a través de métodos de aprendizaje no supervisados. Con este fin, el uso de aprendizaje automático y redes neuronales puede proporcionar un modelo claro sobre cómo abordar el diagnóstico de discapacidades de aprendizaje en el futuro.

Controversias

Como se indicó anteriormente, el aprendizaje automático es el proceso de enseñar a las máquinas a aprender como los humanos. Desafortunadamente, los humanos no son perfectos. Estamos plagados de sesgos y prejuicios, y debido a que enseñamos a las máquinas a pensar como humanos, a menudo les programamos estos sesgos humanos. Los algoritmos de aprendizaje automático han estado constantemente bajo tal escrutinio por ser discriminatorios, no inclusivos o inexactos hacia las minorías raciales o de género.

Los ejemplos de sesgo en el aprendizaje automático son abundantes, incluso en las alturas de la industria. En 2014, Amazon buscó automatizar su proceso de contratación, por lo que creó un sistema de inteligencia artificial que utilizaba el aprendizaje automático para revisar los currículos de los solicitantes de empleo. Después de un año de pruebas, Amazon tuvo que tirar todo el sistema, ya que había interiorizado las preferencias patriarcales que existen en la sociedad actual y estaba discriminando a las mujeres. Los currículums que incluían nombres femeninos o asociaciones con la palabra “mujer” en ellos, eran sancionados automáticamente.

Sesgos y prejuicios

En 2016, Microsoft también intentó usar el aprendizaje automático para construir un chatbot, que obtuvo sus datos de Twitter para aprender a comunicarse de manera más efectiva. Solo 24 horas después el ecosistema en línea convirtió a la IA en un fanático, insultando constantemente a los grupos marginados y escupiendo bilis fascista.

Facebook también tuvo su propio escándalo de aprendizaje automático en 2019. En ese momento, su plataforma publicitaria, Facebook Ads, utilizaba una orientación intencional basada en el género, la raza y la religión. En lo que respecta al mercado laboral, descubrieron que su sistema estaba dirigido a mujeres con trabajos tradicionalmente femeninos, como secretarias o enfermería. Por otro lado, apuntó a hombres de minorías con industrias como el trabajo de limpieza o la conducción de taxis.

Claramente, el aprendizaje automático y la inteligencia artificial tienen un problema de sesgo. Pero ¿por qué es este el caso? En primer lugar, el aprendizaje automático funciona en base a grandes cantidades de datos, que a menudo pueden estar sesgados hacia la demografía blanca y masculina. Por ejemplo, el conjunto de datos de referencia para el reconocimiento facial sesga un 70% de hombres y un 80% de blancos. Con un conjunto de datos como este que se usa en el aprendizaje automático que luego se usa en la población general, las tecnologías de reconocimiento facial serán ignorantes. A menudo, estos algoritmos no se diseñan necesariamente con malicia, sino ignorando la diversidad o las experiencias de los demás. Para combatir estos problemas, es importante incluir conjuntos de datos más equitativos, mejorar la diversidad en la comunidad tecnológica y las estrategias efectivas de eliminación de prejuicios deberían ser de gran ayuda.

Fuentes

  1. Laboratorio de decisiones. (2022). Machine learning. (S. Melzner, trad)
  2. Foote, KD (13 de marzo de 2019). Una breve historia del aprendizaje automático.
  3. ​​McFadden, C. (2020, 2 de diciembre). El aprendizaje automático podría ser el futuro del diagnóstico de dislexia
  4. Dilmegani, C. (2021, 9 de agosto). Sesgo en IA: qué es, tipos y ejemplos de sesgo y herramientas para solucionarlo
  5. Nouri, S. (3 de febrero de 2021). Publicación del Consejo: El papel del sesgo en la inteligencia artificial

Leé más conceptos tendencias modelos casos contenidos materiales adelantos guías

Completá tus datos para recibir una serie de 10 envíos hechos para vos.

Efecto de dotación en lo que nos pertenece.

Efecto dotación

El efecto de dotación es la tendencia humana a otorgar más valor a los artículos que poseemos simplemente porque nos pertenecen.

La brújula es un punto de referencia.

Puntos de referencia

Los puntos de referencia ofrecen una explicación de los patrones típicos de gestión del riesgo y la incertidumbre.

wood animal lizard reptile

Evolución

Cuando los organismos vivos se reproducen, transmiten rasgos exitosos de evolución que aseguran su supervivencia y capacidad de reproducción.

silhouette of man holding flamethrower

¿Qué es la ingeniería social?

Durante los últimos años, el término “ingeniería social” ha ganado algo de popularidad. No mucha. Todavía no es —aunque quizás debería serlo— un campo tan

Tener más opciones requiere más esfuerzo

La paradoja de la elección

La paradoja de la elección se está convirtiendo en una preocupación en el mundo moderno, donde cada vez tenemos más y más opciones.