Aprendizaje automático (Machine Learning) – Inteligencia Artificial – Carles Gomara
La Inteligencia Artificial no es magia. Son matemáticas. Disponemos de acceso a grandes cantidades de datos que podemos utilizar para alimentar y enseñar a los sistemas de Aprendizaje Automático
[Empresa – Información Digital / Cultura – Ciencia]
El conocimiento Explícito
Seguramente alguna vez has querido enseñar una habilidad o conocimiento a un compañero del trabajo, un amigo, o a tus hijos. Si se trata de un conocimiento Explícito (aquel que es estructurado) puedes transmitirlo de forma oral o escrita mediante instrucciones concretas.
Como si se tratara de una receta de cocina describiendo ordenadamente los pasos y aportando toda la información necesaria para cada uno de ellos.
También pueden ser directrices del estilo causa-efecto: “si ocurre esto, haz esto otro, si en cambio la situación es esta otra, entonces haz aquello”. Las instrucciones pueden ser numerosas y complicadas, pero eres capaz de dar una solución para cada una de las situaciones posibles.
Este conocimiento es fácil de ‘enseñar’ también a las máquinas. Es la programación tradicional de los ordenadores. Los programadores escriben el código con todas las instrucciones que necesita la máquina, que cubren todos los posibles escenarios.
Y las máquinas son mucho más rápidas que las personas ejecutando estas instrucciones, sin errores ni descanso.
El conocimiento Tácito
En otras ocasiones, se trata de conocimiento Tácito (difuso y difícil de formalizar) que nos resulta complicado de explicar y comunicar a los demás.
El maestro necesita compartir tiempo con el aprendiz para enseñar. Este conocimiento se adquiere a base de ejemplos, observando, deduciendo o imitando, y sobre todo practicando. Y una vez asimilado surge cuando lo necesitamos sin saber cómo.
¿Cómo podemos transmitir este conocimiento difuso a las máquinas? De forma parecida a como lo hacemos entre personas.
Aprendizaje automático (Machine Learning)
Alimentamos el sistema informático con gran cantidad de ejemplos (Datos). Y le pedimos que busque características o patrones comunes que nos permitan proponer reglas (Algoritmos).
Luego, podemos probar el algoritmo con nuevos datos y ajustarlo para mejorar el resultado. Es un proceso continuo de prueba y error que nunca termina. Básicamente, así es como funciona el aprendizaje automático (ML).
Pongamos un ejemplo simplificado. Si quiero que un ML aprenda a identificar fotos de gatos, le daré miles de fotografías con gatos de distintas razas y colores (Datos).
Ésta es la parte del conocimiento explícito que puedo transmitir: “estas son fotos de gatos”. Y le pediré que descubra patrones en las imágenes utilizando métodos estadísticos y matemáticas.
Comenzará descubriendo que en todas las imágenes se repiten 2 formas triangulares que son las orejas, también descubrirá repetida una forma parecida a una doble ‘Y’ opuestas (una hacia arriba y otra hacia abajo) que en realidad la forman la nariz y la boca del gato.
Primera propuesta de Algoritmo
Ya está. Con esto el ML puede construir su primera propuesta de Algoritmo: si hay 2 formas triangulares y una doble ‘Y’ entonces se trata de un gato.
Probaremos el algoritmo con más Datos (fotografías) y revisaremos el resultado para comprobar que funciona correctamente (del mismo modo que haría un maestro).
Tal vez descubriremos que en algún caso la hipótesis falla y confunde un Tigre con un Gato. Hay que mejorar el algoritmo.
Con más estadística y matemática averiguará que en las fotos de tigres se repite además el patrón de las rayas en su pelaje, por lo que modificaremos el Algoritmo incluyendo esta nueva característica:
“Si tiene orejas triangulares, doble ‘Y’, pero tiene rayas, no es un Gato”. El sistema aprende con la experiencia, se adapta y mejora. Evoluciona.
Este aprendizaje es un proceso largo y costoso de prueba y error continuo hasta tener un grado de fallo suficientemente bajo.
Programación tradicional y Aprendizaje automático
La programación tradicional ofrece resultados concretos y precisos. El ML ofrece probabilidad de acierto (en tareas en las que la programación tradicional no puede aplicarse).
Y el crecimiento actual del ML se explica gracias a 3 factores:
> Se han desarrollado nuevas y mejores herramientas estadísticas y matemáticas para encontrar patrones en los datos.
> Tenemos chips mucho más potentes y baratos (Ley de Moore) para ejecutar estos algoritmos.
> Disponemos de acceso a grandes cantidades de datos que podemos utilizar para alimentar y enseñar a los sistemas de ML.
Las personas asimilamos el conocimiento (Tácito. No estructurado) sin saber muy bien cómo, ni cómo transmitirlo. Y lo llamamos experiencia e instinto. En realidad, son patrones que nuestra psique ha reconocido con tiempo y esfuerzo.
El aprendizaje automático hace lo mismo para aprender: descubre patrones.
No es magia. Son matemáticas.
(Aunque como dijo Arthur C. Clarke: “Cualquier tecnología suficientemente avanzada es indistinguible de la magia”.)
Carles Gomara
Deputy Director. Speaker. Innovation. Technology Trends
Linkedin Carles Gomara
Publicado en Barcelonadot
La revista del mundo digital
Origen de las imágenes:
IA Latam
L. Sedó
Ver:
> Realidad Aumentada – Usos y desafíos para el usuario
> El metaverso – Un mundo paralelo alternativo
> 2021 será el año de la digitalización total
> AgTech – Las Nuevas Tecnologías y el futuro del mundo rural
> Carme Torras – Robótica asistencial e Inteligencia artificial
> ‘Elon Musk. El empresario que anticipa el futuro’ – Por Ashlee Vance
> Robótica asistencial – Roboética – Carme Torras
> Robots que curan – Entrevista al doctor ingeniero Fernando Fernández
> Inteligencia Artificial por y para la sociedad
> ‘Tus electrodomésticos te espían’ – Luis Enrique Benítez Jaspe
> Ética e Inteligencia Artificial – Retos éticos de las máquinas pensantes
> Pablo Rodríguez – ‘Inteligencia artificial – Cómo cambiará el mundo (y tu vida)’
> Las redes sociales y los principios emocionales básicos del ser humano
> Sophia Hanson, la robot humanoide que concede entrevistas
2 – 05-12-2021
1 – 12-09-2021