¿Sabes lo que pasa? Que programar una regla para cada situación se parecía demasiado a intentar escribir un manual para la vida entera. La salida fue dejar que las máquinas descubrieran patrones en los ejemplos.
De “haz exactamente esto” a “mira y aprende”
En el enfoque tradicional una persona escribía las instrucciones. En el aprendizaje automático, o machine learning, proporcionamos datos y un objetivo; el sistema ajusta su comportamiento para acertar cada vez más.
No le explicas todas las reglas para reconocer spam. Le enseñas miles de correos marcados como “spam” y “no spam” para que descubra qué señales suelen aparecer.
Arthur Samuel y una máquina que jugaba a las damas
En los años cincuenta, Arthur Samuel desarrolló un programa capaz de mejorar jugando a las damas. En 1959 popularizó la expresión machine learning para describir la capacidad de una computadora de aprender sin recibir cada detalle programado de forma explícita.
No era una inteligencia general ni entendía el juego como una persona. Pero demostraba algo importantísimo: una máquina podía mejorar a partir de la experiencia.
Tres formas de aprender
1. Aprendizaje supervisado
Los ejemplos vienen acompañados de la respuesta correcta. Fotos etiquetadas como perro o gato; transacciones marcadas como normales o fraudulentas.
2. Aprendizaje no supervisado
No damos etiquetas. El sistema busca grupos, similitudes o estructuras. Puede descubrir, por ejemplo, tipos de clientes con comportamientos parecidos.
3. Aprendizaje por refuerzo
Un agente prueba acciones y recibe recompensas o penalizaciones. Lo veremos con calma en el capítulo 7.
¿Dónde está el truco?
Aprender de datos no elimina las decisiones humanas. Alguien elige qué datos entran, qué significa “acertar”, cuánto error se tolera y cómo se usa el resultado. Si los ejemplos están incompletos o contienen prejuicios, el sistema puede aprenderlos también.
Prueba mental de 30 segundos
Quieres que una IA distinga plátanos maduros de verdes. ¿Qué necesitarías?
- Muchas fotos variadas, no veinte tomadas con la misma luz.
- Etiquetas correctas.
- Ejemplos con distintos tamaños, fondos y variedades.
- Fotos nuevas que nunca haya visto para comprobar si realmente aprendió.
Eso último se llama evaluación. Memorizar el entrenamiento no sirve si después falla con el mundo real.
Qué debes recordar
- El aprendizaje automático descubre patrones a partir de datos.
- Aprender no significa comprender como una persona.
- La calidad y la variedad de los ejemplos importan tanto como el algoritmo.
- Siempre necesitamos comprobar el rendimiento con datos nuevos.
Siguiente parada: el deep learning y las redes con muchas capas que volvieron a cambiar el ritmo de la historia.
Cuéntanos tu experiencia