Tres ideas equivocadas sobre el aprendizaje automático

El aprendizaje automático (ML) es un área de la informática que utiliza los datos para extraer algoritmos y modelos de aprendizaje, y aplicar las generalizaciones “aprendidas” a nuevas situaciones. Esto incluye la realización de tareas sin necesidad de que una persona las programe directamente. Con el aumento de los casos de uso del análisis de datos moderno, resulta útil desmitificar algunas ideas equivocadas sobre el aprendizaje automático, con el fin de entender cómo sacar el máximo partido del gran potencial de las máquinas.

Las máquinas no reemplazarán el trabajo de las personas. De hecho, es más probable que el aprendizaje automático y la inteligencia artificial las ayuden a hacer mejor su trabajo. También les permiten concentrarse más en los aspectos fundamentalmente humanos, incluidas la creatividad y la creación de estrategias.

Si bien el aprendizaje automático y la inteligencia artificial son útiles en muchas aplicaciones, hay numerosas áreas para las que estas tecnologías no son eficaces, y que requieren de la influencia, la intervención o la supervisión de una persona. Algunos ejemplos son los siguientes:

• Planeamiento a largo plazo
• Pensamiento creativo o abstracto
• Comprensión de causa y efecto
• Toma de decisiones que requieren ciertos conocimientos y familiaridad con el contexto

El criterio humano también es necesario para eliminar el sesgo inherente a los algoritmos de aprendizaje automático. A pesar de que la tecnología avanza, es posible que nunca veamos soluciones algorítmicas totalmente perfectas. Para que las personas puedan confiar en los resultados y las recomendaciones de las máquinas, es fundamental que sean transparentes y se puedan explicar. Debemos comprender qué está sucediendo dentro de la “caja negra” de los modelos, a fin de que podamos confiar e integrar la toma de decisiones influenciada por las máquinas en nuestras vidas y negocios.

A diferencia de la creencia popular, el aprendizaje automático no depende de las experiencias, sino de los datos. No basta con dejar que una máquina sola intente resolver un problema. Las máquinas necesitan aprender a partir de datos y crear algoritmos para luego aplicarlos a situaciones futuras. Algunos ejemplos son los siguientes:

• Un método para clasificar o representar los componentes del conjunto de datos
• Métricas para evaluar o clasificar el éxito
• Optimización de los parámetros del modelo aplicado a los datos

Esto se logra mediante la extracción de una explicación generalizada, como una historia abstracta, del conjunto de datos, que puede incluir patrones complejos o regularidades ocultas que podrían resultar difíciles de identificar para una persona. En las instituciones financieras actuales, el aprendizaje automático se utiliza con el propósito de analizar datos de transacciones y así detectar irregularidades que podrían ser cargos fraudulentos. También es útil para evaluar riesgos y hacer recomendaciones sobre el otorgamiento de préstamos.

Un ejemplo más sencillo podría ser introducir fotografías de donas en una máquina, de manera que pueda determinar si una imagen nueva contiene o no una dona. Primero, proporcionamos fotos con y sin donas, y le indicamos al clasificador de imágenes cuál es cuál. De esta forma, le brindamos a la máquina los datos. Esta los utilizará para crear una predicción determinista que le permita distinguir “con dona” de “sin dona”. Después, podríamos introducir una nueva imagen y dejar que la máquina aplique su modelo algorítmico y tome una decisión. ¿Esta imagen tiene una dona o no?

La inteligencia artificial y el aprendizaje automático son conceptos diferentes, pero están relacionados. Una forma de ver la relación entre ambos es pensar en la inteligencia artificial como un problema y en el aprendizaje automático como una posible solución que intenta resolverlo. Si el objetivo final es que una máquina pueda solucionar un problema con las habilidades cognitivas de la inteligencia (humana), un método posible es la creación de algoritmos a partir de los datos y su posterior aplicación a situaciones nuevas y más amplias.

Para entender mejor esta distinción, podemos considerar que la inteligencia artificial enfrenta problemas que son fáciles para las personas, pero difíciles para las máquinas, como la visión artificial. Para continuar con el ejemplo de las donas, incorporemos un nuevo desafío. Vamos a enseñarle a la máquina a distinguir entre donas y roscas de pan. Esta tarea es muy sencilla para una persona, pero más desafiante para una máquina. Aquí, la inteligencia artificial es la capacidad de la máquina de distinguir satisfactoriamente las donas de las roscas de pan (el problema). Por otro lado, el aprendizaje automático es la forma en que la máquina podría aprender a llegar a una conclusión cuando se le muestre una nueva fotografía (la solución).

Por el contrario, el aprendizaje automático suele emplearse en situaciones que son más fáciles para máquinas que para personas. Un ejemplo podría ser la ejecución de algoritmos matemáticos complejos o el uso de cálculos de probabilidades. La capacidad computacional de las máquinas ayuda a ejecutar rápidamente tareas más desafiantes o descubrir patrones que una persona pasaría por alto.

Muchas organizaciones están incorporando el aprendizaje automático a sus prácticas de análisis de datos, a fin de identificar información oculta y realizar recomendaciones más inteligentes destinadas a tomar decisiones informadas. Esto resulta especialmente útil en los análisis de big data, donde se manipulan conjuntos de datos cada vez más grandes y complejos. El aprendizaje automático también puede identificar tendencias de comportamiento dentro de una organización con el objetivo de hacer sugerencias a usuarios que parezcan similares a otros. Por ejemplo, qué fuentes de datos utilizar en la preparación de datos o el análisis, o qué contenido analítico es el más relevante para ayudarlos a responder una pregunta en particular.

Otras áreas de desarrollo continuo incluyen el análisis predictivo y avanzado. El aprendizaje automático puede ayudar a automatizar los análisis estadísticos avanzados y aplicar modelos automáticamente con el mayor nivel de confianza. Como resultado, los usuarios menos avanzados pueden sacar partido de modelos complejos. Los usuarios más avanzados pueden explorar y modificar cálculos. Esto no solo genera confianza y transparencia, sino que también permite evaluar diferentes escenarios posibles.

Además, el aprendizaje automático se utiliza en el análisis, con el fin de ayudar a los usuarios a realizar consultas sobre los datos con el lenguaje natural. Esencialmente, esto significa aprender a interpretar la intención humana y la semántica que hay detrás de las preguntas, y traducir las solicitudes a un lenguaje de consulta estructurado. Gracias a los avances en el lenguaje natural y otras funcionalidades de análisis inteligente impulsadas por la inteligencia artificial y el aprendizaje automático, las personas que no tienen habilidades tradicionales con los datos podrán trabajar con estos de maneras nuevas y emocionantes con el fin de obtener información.