Por Alicia Bañuelos

El aprendizaje automático (Machine Learning – ML) es un subconjunto de la inteligencia artificial que permite que un sistema aprenda y mejore de forma autónoma con redes neuronales a través del análisis de grandes cantidades de datos, sin necesidad de una programación explícita de las tareas a realizar.
Las redes neuronales están inspiradas en el cerebro humano. Están formadas por capas de nodos o neuronas artificiales interconectadas que pueden procesar información y aprender de los datos.
El primer paso es elegir la arquitectura más adecuada para el problema a resolver, y es determinante para conseguir el objetivo que se persigue.
Crear nuevos tipos de arquitecturas de redes neuronales es uno de los campos de investigación más activos en la IA.
Una vez hecho esto, se pasa al proceso de “entrenamiento” para que aprenda a realizar alguna tarea concreta. Es esencialmente una cuestión de ajustar los parámetros (también llamados “pesos”) de las conexiones entre las neuronas artificiales, mostrando a la red neuronal datos de los que sepamos la respuesta correcta.
Es decir, se examina cuál es el valor que calcula la red neuronal por cada dato de entrada y este valor se compara con la respuesta que se conoce y de esta forma se ajustan los parámetros/pesos con un complejo mecanismo matemático.

Tipos de aprendizaje automático:

Aprendizaje supervisado, se recolectan datos y se etiquetan.
Reconocimiento de imágenes y objetos: los algoritmos de aprendizaje supervisado se pueden utilizar para localizar, aislar y categorizar objetos a partir de videos o imágenes, lo que los hace útiles cuando se aplican a diversas técnicas de visión por computadora y análisis de imágenes.
Detección de spam: La detección de spam es otro ejemplo de un modelo de aprendizaje supervisado. Utilizando algoritmos de clasificación supervisados, las organizaciones pueden entrenar bases de datos para reconocer patrones o anomalías en nuevos datos para organizar de manera efectiva el spam y la correspondencia no relacionada con el spam.

Aprendizaje no supervisado, se recolectan datos
Es capaz de encontrar qué relaciones hay entre las distintas variables de una gran base de datos. Un ejemplo de esta técnica se aplica, en el comercio electrónico donde se recomienda una lista de determinados artículos según el consumo previo. O, por ejemplo, la lista de descubrimiento semanal de Spotify. Para conseguir estas reglas de asociación, el aprendizaje automático utiliza diferentes algoritmos. Este algoritmo detecta patrones frecuentes para “identificar la probabilidad de consumir un producto dado el consumo de otro producto”. Por ejemplo, si escuchamos una canción heavy, es probable que la siguiente sea del mismo género.
Segmentar los pacientes que han sido atendidos en urgencias en grupos homogéneos, pero sin un conocimiento previo de los grupos que queremos obtener; lo haríamos a partir de estructuras no evidentes subyacentes en los datos.

Metrópolis, la película estrenada en 1927, es una obra maestra del cine que presentó una profética advertencia sobre los peligros potenciales de la Inteligencia Artificial y la relación entre humanos y máquinas.

Aprendizaje por refuerzo, el agente determina en forma autónoma qué datos recolectar y cómo usarlos para su aprendizaje.
Robots: se ha utilizado para entrenar robots para realizar tareas complejas, como caminar, correr y manipular objetos.
Juegos: se ha utilizado para entrenar agentes de IA para jugar juegos, como ajedrez, Go.
Sistemas de recomendación: se ha utilizado para desarrollar sistemas de recomendación que pueden recomendar productos, películas y música a los usuarios.
Atención sanitaria: se ha utilizado para desarrollar sistemas de atención sanitaria que pueden diagnosticar enfermedades y recomendar tratamientos.
Finanzas: se ha utilizado para desarrollar sistemas financieros que pueden negociar acciones y administrar carteras.
Autos autónomos: utilizan las cámaras y el agente decide.

Los pilares de la inteligencia artificial (IA) son:
● Los avances algorítmicos
● La supercomputación
● Los datos
En términos generales, toman grandes cantidades de datos, buscando patrones en ellos y se vuelven cada vez más competentes en la generación de resultados estadísticamente probables, como el lenguaje y el pensamiento aparentemente humanos.
Como se entrenan con datos, el resultado de este entrenamiento puede tener los sesgos que tengan los datos elegidos para su entrenamiento. La calidad de la IA estará determinada por la calidad de los datos de su entrenamiento.
En el aprendizaje supervisado, el primer paso para entrenar a los algoritmos es obtener y limpiar datos estructurados, cuando estos están dispersos dentro de una organización esta tarea puede ser muy compleja.
El aprendizaje automático requiere recursos de procesamiento y horas de trabajo de programadores y científicos de datos, por lo que se puede necesitar mucho tiempo hasta obtener resultados.
En la utilización de una IA, hay que tener en cuenta las limitaciones de la misma. Son tremendamente útiles en el marco para el que fueron entrenadas.
La correlación cruzada es una herramienta útil en el aprendizaje automático para la extracción de características y el reconocimiento de patrones. Se puede utilizar para identificar patrones en datos de series temporales, como precios de acciones o datos meteorológicos. Por ejemplo, la correlación cruzada se puede utilizar para identificar rostros en diferentes imágenes comparando la correlación entre diferentes rasgos faciales.
Si bien esto puede ser muy útil, el limitante es que la IA no entiende la causalidad, no puede decidir si el gallo canta porque sale el sol, o el sol sale porque el gallo canta.
La causalidad significa que existe una clara relación causa-efecto entre dos variables. Hay causalidad cuando la acción A causa el resultado B.
Un error común en la interpretación es inferir causalidad cuando hay solo correlación, pero la correlación es simplemente una relación.
El estándar de oro en medicina son los resultados “basados en evidencia” por lo que el asesoramiento de una IA en el descubrimiento de patrones no alcanza, se necesitan los controles estrictos de un estudio científico, en el mejor de los casos podríamos decir que la IA ha encontrado una correlación, y no podremos utilizarla como una causalidad.

Imagen creada con la plataforma de inteligencia artificial Leonardo.Ai, cuando se le preguntó: ¿Cómo aprende la AI?