Machine Learning

Machine Learning

A algunas personas les cuesta entender el término Machine Learning, una de esas expresiones que están tan de moda que han superado su ámbito técnico y científico y corren por los debates de café y las conversaciones familiares.

Y decimos que es un concepto difícil de asimilar porque muchas veces se confunde con la Inteligencia Artificial, la Internet de las Cosas o la robótica. Y en realidad tiene que ver con todo ello, aunque no sean equivalentes.

Para simplificar la ecuación, vamos a eliminar la IoT del panorama. Internet of Things es en realidad cualquier aparato que esté conectado a Internet: el sensor de humedad del suelo que le dice al sistema de riego es es momento de ponerse en marcha, el termostato de casa que accede a nuestra wifi y que por tanto podemos gestionar desde la oficina, o la tan cacareada nevera (que ya existía en el año 2000 y que todavía casi nadie tiene) que hace el pedido de yogures cuando se nos están acabando. Así pues, IoT fuera. Como digo, por simplificar.

Quedémonos con la Inteligencia Artificial, la robótica y el Machine Learning, y establezcamos una jerarquía entre ellos. O, más bien, un juego de conjuntos. La robótica es un superconjunto, que incluye los robots programados que siguen un juego de instrucciones predefinidas, lo que podríamos llamar “robots tontos”, y los “robots inteligentes”, es decir, los que disfrutan de una Inteligencia Artificial.

Como ejemplo de robot tonto, podemos poner el de las cadenas de montaje de automóviles. Tienen instrucciones del tipo “estira el brazo, gira siete vueltas a la derecha, retira el brazo”, y ya le habremos puesto nosotros la tuerca allí donde tenga que dar las vueltas.

Los robots inteligentes no siguen un juego de instrucciones predefinidas, sino que actúan según unos algoritmos que les permiten tomar decisiones acordes con los eventos o situaciones a los que se enfrenten. Algo así como “sigue andando hasta que te encuentres un obstáculo; si éste es alto y estrecho, rodéalo; si es bajo y ancho, pásalo por encima”.

Aunque el algoritmo anterior es muy sencillo, su complejidad puede llegar a ser enorme. Pero como ejemplo nos sirve.

Así como la Inteligencia Artificial es un subconjunto de la robótica, el Machine Learning, traducido al español como Aprendizaje Automático, es un subconjunto de la Inteligencia Artificial. Imagínate que el algoritmo le dice al robot, no qué tiene que hacer según el obstáculo que encuentre, sino algo así como “si encuentras un obstáculo, comprueba sus dimensiones y supéralo”. Puede que la primera vez el robot tome una decisión equivocada, pero eso le habrá servido para afianzar el aprendizaje en su memoria: “Si el obstáculo es alto y estrecho, es mejor rodearlo que intentar pasar por encima. Para el próximo, ya lo sé.”

Como el proceso no es muy distinto de nuestra propia forma de aprender, el término Machine Learning le viene como anillo al dedo.

(Un subconjunto a su vez del Machine Learning es el Deep Learning, pero ya no nos vamos a meter en tantas honduras. Valga la expresión.)

¿Y qué aplicaciones tiene el Machine Learning, aparte de ser un tema de conversación molón y una excusa para escribir algún que otro artículo?

Pues ya te puedes imaginar: inagotables, aunque quizás todavía no se nos hayan ocurrido todas.

Yo sólo te voy a hablar un poquito de una, que me parece de lo más interesante: el aprendizaje adaptativo.

Imagínate que te sientas frente a un ordenador para aprender matemáticas. El ordenador te plantea diferentes problemas que tienes que resolver. Cuando fallas uno de ellos, te muestra una explicación de cómo funciona ese tipo de problemas. Luego sigues respondiendo a más preguntas, que no se limitan a pedirte la respuesta correcta sino que además te preguntan cómo de seguro estás de lo que has respondido. Además de la precisión en tu respuesta y de la confianza que demuestras tener, el programa mide el tiempo que tardas en resolverlo.

Llegado un momento determinado, el programa decide que estás listo para pasar al siguiente nivel de problemas, un poquito más difíciles y para los que necesitas dominar los anteriores. Pero los problemas que te muestra a ti no son los mismos que muestra a tu compañera de pupitre, aunque vuestro nivel sea equivalente, porque cada uno de vosotros requiere una trayectoria distinta hacia el objetivo. Distintos cerebros tienen diferentes formas de aprender; unos son más visuales y otros más lingüísticos, unos más verbales y otros más numéricos. Y el programa va aprendiendo de cuál es tu forma de entender las matemáticas y por eso te muestra determinados problemas y determinadas explicaciones, a un ritmo determinado sólo para ti.

El aprendizaje adaptativo no es lo mejor para todas las asignaturas ni para todos los estudiantes, pero abre un universo de posibilidades para algunas personas que en el pasado se han sentido excluidas del sistema educativo porque éste no se adaptaba a ellas. Y es sólo un ejemplo de la aplicación del Machine Learning.

En Konica Minolta estamos fascinados por el panorama que se nos presenta en un futuro ya muy cercano; un futuro que ya es presente. Por eso, entre otras razones, hemos participado por tercer año consecutivo en la conferencia Machine Learning Prague que tuvo lugar los días 22 al 24 de febrero de 2019. Fuimos Gold Partner del evento porque el mundo necesita este tipo de reuniones, donde todos podamos poner nuestro conocimiento y nuestra experiencia en común para encontrar soluciones a los problemas a los que se enfrenta la sociedad.

Que no son pocos ni pequeños.

Otras entradas interesantes:

«
»

Enviar un comentario a
“Machine Learning”