Qué es machine learning: una rama de la inteligencia artificial en la que los sistemas aprenden patrones a partir de datos, en lugar de seguir reglas programadas una por una. Se usa en el filtro de correo no deseado, las recomendaciones de plataformas y el reconocimiento de voz.
¿Qué es machine learning?
El machine learning, o aprendizaje automático, es un campo de la inteligencia artificial en el que un programa mejora su desempeño en una tarea gracias a la experiencia. Tom Mitchell lo definió así en 1997. La clave está en los datos, no en reglas escritas a mano.
En su borrador académico, Mitchell describe cada problema de aprendizaje con tres componentes: la tarea, la medida de desempeño y la experiencia de la que aprende el sistema. Cuando esos tres elementos están definidos, el problema queda bien planteado.
Los tres elementos de un problema de aprendizaje
Para entender cómo se plantea un sistema de aprendizaje, conviene separar sus tres componentes:
- Tarea (T): lo que el sistema debe hacer, como clasificar un correo como spam o no spam.
- Medida de desempeño (P): cómo se mide qué tan bien lo hace, por ejemplo, el porcentaje de correos clasificados correctamente.
- Experiencia (E): los datos con los que aprende, como un conjunto de correos que una persona ya marcó como spam o no spam.
Si el sistema mejora su medida de desempeño al acumular experiencia, se dice que aprendió.
Tipos de machine learning
Existen tres tipos principales de aprendizaje, según el tipo de datos y de retroalimentación que recibe el sistema:
- Aprendizaje supervisado: el sistema aprende de datos etiquetados, es decir, ejemplos con la respuesta correcta. Se usa, por ejemplo, para clasificar correos o reconocer números escritos a mano.
- Aprendizaje no supervisado: el sistema busca patrones en datos sin etiquetas, como agrupar clientes con comportamientos parecidos.
- Aprendizaje por refuerzo: el sistema aprende por ensayo y error, recibiendo recompensas o penalizaciones según el resultado de sus acciones. Es común en juegos y en el control de robots.
Cómo funciona un modelo de aprendizaje
Aunque cada proyecto tiene sus particularidades, el proceso general suele seguir estos pasos:
- Reunir datos: se recopilan ejemplos relevantes para la tarea, con la calidad y la cantidad suficientes.
- Entrenar el modelo: el sistema ajusta sus parámetros para reducir el error entre sus predicciones y los resultados esperados.
- Evaluar con datos nuevos: se prueba el modelo con datos que no usó durante el entrenamiento, para medir si generaliza.
- Ajustar y repetir: si el resultado no es satisfactorio, se modifican los datos, el modelo o la forma de medir el desempeño.
La evaluación con datos nuevos es el paso que más se omite, y el que más determina si un modelo sirve fuera del laboratorio.
Ejemplos en la vida diaria
El machine learning aparece en muchos servicios cotidianos. La siguiente tabla muestra algunos casos comunes:
| Aplicación | Datos que usa | Qué aprende |
|---|---|---|
| Filtro de correo no deseado | Correos marcados como spam o no spam | A clasificar nuevos correos |
| Recomendaciones de contenido | Historial de uso y preferencias | A sugerir opciones similares a las que gustan |
| Reconocimiento de voz | Grabaciones con su transcripción | A convertir audio en texto |
| Detección de fraude | Historial de transacciones | A señalar operaciones con patrones inusuales |
En todos los casos, el sistema no sigue una lista fija de instrucciones para cada situación. Generaliza a partir de los ejemplos que recibió.
Machine learning frente a programación tradicional
En la programación tradicional, una persona escribe reglas explícitas que indican al programa qué hacer en cada caso. En el machine learning, el programa deduce las reglas a partir de los datos. Por eso, cuando las reglas son claras y pocas, un programa tradicional suele ser más sencillo y predecible.
El machine learning resulta útil cuando los casos son muchos, cambian con el tiempo o son demasiado complejos para describirlos con reglas, como reconocer un rostro o interpretar lenguaje natural.
¿Machine learning y inteligencia artificial son lo mismo?
No. El machine learning es una parte de la inteligencia artificial. La inteligencia artificial es un campo amplio que incluye sistemas basados en reglas, búsqueda y razonamiento, además del aprendizaje a partir de datos.
Dentro del machine learning hay subáreas, como el aprendizaje profundo, que usa redes neuronales con muchas capas. Cada una aporta técnicas distintas, pero todas comparten la idea de aprender a partir de datos.
Límites y riesgos del aprendizaje automático
Un modelo solo aprende lo que hay en sus datos. Si los datos reflejan sesgos, como una muestra poco representativa, el resultado puede reproducir esos sesgos. Además, muchos modelos son difíciles de interpretar, por lo que no siempre es claro por qué toman una decisión.
Por estas razones, el uso de machine learning en decisiones que afectan a las personas, como un crédito o un diagnóstico, requiere evaluación cuidadosa, supervisión humana y transparencia sobre sus limitaciones.
Entender la base para usar mejor la IA
Conocer cómo aprenden los sistemas permite evaluar mejor los servicios que se usan a diario. El artículo sobre inteligencia artificial generativa explica una de sus aplicaciones más visibles, y el de privacidad en dispositivos móviles describe cómo limitar los datos que las aplicaciones recopilan para entrenar sus sistemas.
Fuentes
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Definición formal del aprendizaje y de los tres componentes de un problema de aprendizaje, en el capítulo introductorio.
- Mitchell, T. M. (2017). Machine Learning, borrador del capítulo introductorio para la segunda edición. Carnegie Mellon University.
