Inteligencia Artificial para todos (Machine Learning)

Read Time:3 Minute, 31 Second

En palabras simples, el Machine Learning es una parte de la Inteligencia Artificial donde las computadoras aprenden a hacer cosas por sí mismas al analizar un montón de información. En lugar de que les digamos exactamente qué hacer, les damos muchos ejemplos y ellas tratan de descubrir las reglas por sí mismas. Es como enseñar a un niño a reconocer formas mostrándole muchas imágenes diferentes: después de ver suficientes ejemplos, el niño aprende a reconocer las formas por sí mismo.

Es evidente que para poder tener un proceso exitoso de Machine Learning necesitamos grandes volúmenes de datos y algoritmos que generan ciertos procesos sobre estos, para todo ello se definen esto procesos fundamentales:

Recolección de datos, es imprescindible tener una base de información de la cual absorber conocimiento.
La preparación de datos implica organizar información de diversas fuentes, aunque a menudo los datos no están uniformes. Es como armar un rompecabezas con piezas de diferentes juegos: es necesario ajustar y estandarizar los datos para facilitar su comprensión y análisis.
Seleccionar e implementar el algoritmo significa elegir qué método usar para resolver un problema y ponerlo en acción. Es como escoger la mejor herramienta para una tarea específica y luego utilizarla para lograr el resultado deseado. Es una etapa clave en el proceso de resolver problemas con la ayuda de la tecnología.
Durante el entrenamiento, el algoritmo practica con todos los datos que tiene, tratando de entender qué hacer con ellos. Es como enseñar a un perro nuevos trucos: repite una y otra vez hasta que lo hace bien. En la jerga, esto se llama «ajustarse» a lo que se espera que haga.
Después de entrenar al algoritmo y obtener un modelo, lo probamos con un conjunto de pruebas para ver qué tan bien funciona en situaciones reales. Es como hacer un examen para verificar si realmente aprendió lo que le enseñamos. Es una forma de asegurarnos de que el modelo pueda tomar decisiones acertadas fuera del ambiente de entrenamiento.
Luego de completar el proceso, el modelo está listo para ser utilizado en situaciones reales. Es como lanzar un producto al mercado después de haberlo desarrollado y probado. El modelo está listo para hacer su trabajo en el mundo real.

Estos serían una serie de pasos o procesos básicos a tener en cuenta en una solución donde usemos Machine Learning. Existen otros puntos a tener en cuenta en dependencia de la complejidad de los problemas que estamos intentando afrontar, pero estos yo diría que son los que no pueden faltar en cualquier implementación de Machine Learning.

Existen tres tipos principales de aprendizaje dentro del de Machine Learning, y son los siguientes:

Aprendizaje supervisado: Donde el algoritmo se entrena utilizando datos etiquetados, es decir, datos que tienen una respuesta conocida. El objetivo es que el algoritmo aprenda a predecir la respuesta correcta para nuevos datos similares. Ejemplo: Se entrena un modelo con imágenes de gatos con la etiqueta de cada imagen como «Gato» y luego cuando se le presenta imágenes de gatos similares sabrá que son gatos.
Aprendizaje no supervisado: Aquí, el algoritmo se entrena con datos que no tienen etiquetas. El objetivo es que el algoritmo encuentre patrones o estructuras en los datos por sí mismo, sin necesidad de que se le diga qué buscar. Ejemplo: Se entrena con un conjunto de imágenes de gatos y perros, luego cuando se le presenta un nuevo conjunto de imágenes de gatos y perros similares sabrá diferenciar entre ellos por sus características y separarlos en subconjuntos diferentes, aunque no sepa cuáles son gatos y cuáles son perros.
Aprendizaje por refuerzo: En el aprendizaje por refuerzo, el algoritmo aprende como un jugador: prueba diferentes acciones y recibe recompensas o castigos según lo que haga bien o mal. Su objetivo es aprender a tomar las mejores decisiones a largo plazo para obtener las mayores recompensas. Ejemplo: imagina enseñar a un perro a buscar una pelota de tenis, cada vez que lo encuentra, recibe una golosina. Con el tiempo, aprende a buscar la pelota más rápido para obtener más golosinas.