¿Qué es el aprendizaje automático?

En diciembre de 2017, DeepMind, el laboratorio de investigación adquirido por Google en 2014, presentó AlphaZero, un programa de inteligencia artificial que podría derrotar a los campeones mundiales en varios juegos de mesa.

Curiosamente, AlphaZero recibió cero instrucciones de los humanos sobre cómo jugar los juegos (de ahí el nombre). En cambio, utilizó el aprendizaje automático, una rama de la IA que desarrolla su comportamiento a través de la experiencia en lugar de comandos explícitos.

En 24 horas, AlphaZero logró un rendimiento sobrehumano en ajedrez y derrotó al anterior programa de ajedrez campeón mundial. Poco después, el algoritmo de aprendizaje automático de AlphaZero también dominó Shogi (ajedrez japonés) y el juego de mesa chino Go, y derrotó a su predecesor, AlphaGo, 100 a cero.

El aprendizaje automático se ha vuelto popular en los últimos años y está ayudando a las computadoras a resolver problemas que antes se consideraban dominio exclusivo de la inteligencia humana. Y aunque todavía está muy lejos de la visión original de la inteligencia artificial, el aprendizaje automático nos ha acercado mucho más al objetivo final de crear máquinas pensantes.

¿Cuál es la diferencia entre la inteligencia artificial y el aprendizaje automático?

Los enfoques tradicionales para desarrollar inteligencia artificial implican codificar meticulosamente todas las reglas y conocimientos que definen el comportamiento de un agente de IA. Al crear IA basada en reglas, los desarrolladores deben escribir instrucciones que especifiquen cómo debe comportarse la IA en respuesta a cada situación posible. Este enfoque basado en reglas, también conocido como buena IA antigua (GOFAI) o IA simbólica, intenta imitar las funciones de razonamiento y representación del conocimiento de la mente humana.

Un ejemplo perfecto de IA simbólica es Stockfish, un motor de ajedrez de código abierto de alto rango con más de 10 años de experiencia. Cientos de programadores y jugadores de ajedrez han contribuido a Stockfish y han ayudado a desarrollar su lógica al codificar sus reglas, por ejemplo, qué debe hacer la IA cuando el oponente mueve su caballo de B1 a C3.

Pero la IA basada en reglas a menudo se rompe cuando se trata de situaciones donde las reglas son demasiado complejas e implícitas. Reconocer el habla y los objetos en imágenes, por ejemplo, son operaciones avanzadas que no se pueden expresar en reglas lógicas.

A diferencia de la IA simbólica, los modelos de IA de aprendizaje automático se desarrollan no escribiendo reglas sino reuniendo ejemplos. Por ejemplo, para crear un motor de ajedrez basado en el aprendizaje automático, un desarrollador crea un algoritmo base y luego lo "entrena" con datos de miles de juegos de ajedrez jugados anteriormente. Al analizar los datos, la IA encuentra patrones comunes que definen estrategias ganadoras, que puede usar para derrotar a oponentes reales.

Cuantos más juegos revise la IA, mejor será para predecir movimientos ganadores durante el juego. Es por eso que el aprendizaje automático se define como un programa cuyo rendimiento mejora con la experiencia.

El aprendizaje automático es aplicable a muchas tareas del mundo real, incluida la clasificación de imágenes, el reconocimiento de voz, la recomendación de contenido, la detección de fraudes y el procesamiento del lenguaje natural.

Aprendizaje supervisado y no supervisado

Dependiendo del problema que quieran resolver, los desarrolladores preparan datos relevantes para construir su modelo de aprendizaje automático. Por ejemplo, si quisieran utilizar el aprendizaje automático para detectar transacciones bancarias fraudulentas, los desarrolladores compilarían una lista de transacciones existentes y las etiquetarían con su resultado (fraudulento o válido). Cuando alimentan los datos al algoritmo, separa las transacciones fraudulentas y válidas y encuentra las características comunes dentro de cada una de las dos clases. El proceso de modelos de entrenamiento con datos anotados se denomina "aprendizaje supervisado" y actualmente es la forma dominante de aprendizaje automático.

Ya existen muchos repositorios en línea de datos etiquetados para diferentes tareas. Algunos ejemplos populares son ImageNet, un conjunto de datos de código abierto de más de 14 millones de imágenes etiquetadas, y MNIST, un conjunto de datos de 60, 000 dígitos escritos a mano. Los desarrolladores de aprendizaje automático también utilizan plataformas como Mechanical Turk de Amazon, un centro de contratación en línea a pedido para realizar tareas cognitivas como etiquetar imágenes y muestras de audio. Y un sector creciente de startups se especializa en anotación de datos.

Pero no todos los problemas requieren datos etiquetados. Algunos problemas de aprendizaje automático pueden resolverse mediante el "aprendizaje no supervisado", en el que proporciona al modelo de IA datos sin procesar y deja que descubra por sí mismo qué patrones son relevantes.

Un uso común del aprendizaje no supervisado es la detección de anomalías. Por ejemplo, un algoritmo de aprendizaje automático puede entrenar los datos sin procesar del tráfico de red de un dispositivo conectado a Internet, por ejemplo, un refrigerador inteligente. Después del entrenamiento, la IA establece una línea de base para el dispositivo y puede indicar un comportamiento atípico. Si el dispositivo se infecta con malware y comienza a comunicarse con servidores maliciosos, el modelo de aprendizaje automático podrá detectarlo, porque el tráfico de red es diferente del comportamiento normal observado durante el entrenamiento.

Aprendizaje reforzado

A estas alturas, probablemente sepa que los datos de capacitación de calidad juegan un papel importante en la eficiencia de los modelos de aprendizaje automático. Pero el aprendizaje por refuerzo es un tipo especializado de aprendizaje automático en el que una IA desarrolla su comportamiento sin utilizar datos previos.

Los modelos de aprendizaje por refuerzo comienzan con una pizarra limpia. Se les instruye solo sobre las reglas básicas de su entorno y la tarea en cuestión. A través de prueba y error, aprenden a optimizar sus acciones para alcanzar sus objetivos.

AlphaZero de DeepMind es un ejemplo interesante de aprendizaje por refuerzo. A diferencia de otros modelos de aprendizaje automático, que deben ver cómo los humanos juegan al ajedrez y aprenden de ellos, AlphaZero solo comenzó a conocer los movimientos de las piezas y las condiciones de victoria del juego. Después de eso, jugó millones de partidos contra sí mismo, comenzando con acciones aleatorias y desarrollando gradualmente patrones de comportamiento.

El aprendizaje por refuerzo es un área de investigación candente. Es la tecnología principal utilizada para desarrollar modelos de inteligencia artificial que pueden dominar juegos complejos como Dota 2 y StarCraft 2 y también se utiliza para resolver problemas de la vida real, como la gestión de recursos del centro de datos y la creación de manos robóticas que pueden manejar objetos con destreza humana..

Aprendizaje profundo

El aprendizaje profundo es otro subconjunto popular del aprendizaje automático. Utiliza redes neuronales artificiales, construcciones de software que se inspiran aproximadamente en la estructura biológica del cerebro humano.

Las redes neuronales se destacan en el procesamiento de datos no estructurados, como imágenes, videos, audio y largos extractos de texto, como artículos y trabajos de investigación. Antes del aprendizaje profundo, los expertos en aprendizaje automático tenían que hacer un gran esfuerzo para extraer funciones de imágenes y videos y ejecutarían sus algoritmos además de eso. Las redes neuronales detectan automáticamente esas características sin requerir mucho esfuerzo por parte de ingenieros humanos.

El aprendizaje profundo está detrás de muchas tecnologías modernas de inteligencia artificial, como automóviles sin conductor, sistemas de traducción avanzados y la tecnología de reconocimiento facial en su iPhone X.

Los límites del aprendizaje automático

La gente a menudo confunde el aprendizaje automático con la inteligencia artificial a nivel humano, y los departamentos de marketing de algunas empresas usan los términos de manera intercambiable. Pero si bien el aprendizaje automático ha dado grandes pasos para resolver problemas complejos, todavía está muy lejos de crear las máquinas pensantes imaginadas por los pioneros de la IA.

Además de aprender de la experiencia, la verdadera inteligencia requiere razonamiento, sentido común y pensamiento abstracto, áreas en las que los modelos de aprendizaje automático funcionan muy mal.

Por ejemplo, si bien el aprendizaje automático es bueno en tareas complicadas de reconocimiento de patrones, como predecir el cáncer de seno con cinco años de anticipación, tiene dificultades con tareas de lógica y razonamiento más simples, como resolver problemas matemáticos de la escuela secundaria.

La falta de poder de razonamiento del aprendizaje automático lo hace malo para generalizar su conocimiento. Por ejemplo, un agente de aprendizaje automático que puede jugar a Super Mario 3 como un profesional no dominará otro juego de plataformas, como Mega Man, o incluso otra versión de Super Mario. Tendría que ser entrenado desde cero.

Sin el poder de extraer conocimiento conceptual de la experiencia, los modelos de aprendizaje automático requieren toneladas de datos de entrenamiento para funcionar. Desafortunadamente, muchos dominios carecen de suficientes datos de capacitación o no tienen los fondos para adquirir más. El aprendizaje profundo, que ahora es la forma predominante de aprendizaje automático, también sufre un problema explicable: las redes neuronales funcionan de manera complicada e incluso sus creadores luchan por seguir sus procesos de toma de decisiones. Esto dificulta el uso del poder de las redes neuronales en entornos donde existe un requisito legal para explicar las decisiones de IA.

Afortunadamente, se están haciendo esfuerzos para superar los límites del aprendizaje automático. Un ejemplo notable es una iniciativa generalizada de DARPA, el brazo de investigación del Departamento de Defensa, para crear modelos de IA explicables.

• ¿Qué es la inteligencia artificial (IA)? ¿Qué es la inteligencia artificial (IA)?
• La mayoría de los dólares AI van al aprendizaje automático La mayoría de los dólares AI van al aprendizaje automático
• ¿Cómo quieres ver la IA utilizada? ¿Cómo quieres ver la IA utilizada?

Otros proyectos apuntan a reducir la excesiva dependencia del aprendizaje automático en los datos anotados y hacer que la tecnología sea accesible a dominios con datos de capacitación limitados. Los investigadores de IBM y MIT recientemente incursionaron en el campo al combinar IA simbólica con redes neuronales. Los modelos de IA híbridos requieren menos datos para el entrenamiento y pueden proporcionar explicaciones paso a paso de sus decisiones.

Queda por ver si la evolución del aprendizaje automático eventualmente nos ayudará a alcanzar el siempre difícil objetivo de crear IA a nivel humano. Pero lo que sabemos con certeza es que gracias a los avances en el aprendizaje automático, los dispositivos que se encuentran en nuestros escritorios y que descansan en nuestros bolsillos se vuelven más inteligentes todos los días.