Las técnicas de aprendizaje automático permiten que los programas aprendan a partir de datos en lugar de reglas fijas. En otras palabras, un programa identifica patrones recurrentes y, a continuación, mejora por sí mismo. Además, estos métodos son ahora el núcleo de los motores de búsqueda, los servicios de mapas y las alertas de fraude. Por lo tanto, influyen de forma discreta en las herramientas que utilizas a diario. Esta guía explica las principales técnicas de aprendizaje automático en un lenguaje sencillo. Comienza definiendo su principio fundamental. A continuación, repasa las principales familias de técnicas y te explica cómo elegir la que más te convenga.
¿Qué son las técnicas de aprendizaje automático?
Pero, en el fondo, ¿en qué consisten las técnicas de aprendizaje automático? Cada una de ellas es una fórmula que transforma los datos en un modelo. A continuación, este modelo realiza una predicción o una elección. Por ejemplo, puede marcar un correo electrónico como spam. Dado que el método aprende a partir de ejemplos, necesita datos de calidad. Por eso, la calidad de los datos suele ser más importante que el código en sí.
Los ingenieros clasifican estos métodos en unas cuantas familias principales. En resumen, estas familias se distinguen por el tipo de retroalimentación que utilizan. Algunas se basan en respuestas, mientras que otras funcionan sin ninguna. A continuación, analizaremos cada una de estas familias por separado. Para profundizar en tus conocimientos sobre los propios modelos, consulta nuestra guía sobre modelos de IA.
La idea en sí misma no es nueva, pero hoy en día parece más actual que nunca. Hace varias décadas, la escasa potencia de los ordenadores limitaba estos métodos. Hoy en día, la potencia de cálculo asequible y los enormes conjuntos de datos están cambiando las reglas del juego. En consecuencia, las técnicas de aprendizaje automático trascienden con creces el ámbito de los laboratorios de investigación. Además, equipos reducidos pueden entrenar modelos útiles en tan solo unas horas. Por lo tanto, este campo sigue desarrollándose a un ritmo vertiginoso.
Aprendizaje supervisado
El aprendizaje supervisado consiste en entrenar un modelo a partir de ejemplos etiquetados. En otras palabras, cada punto de datos ya contiene la respuesta correcta. Por ejemplo, una foto puede estar etiquetada como «gato» o «perro». El modelo analiza estos pares y aprende la relación que los une. De este modo, puede adivinar posteriormente la etiqueta asociada a nuevos datos que nunca ha visto antes.
La regresión y la clasificación constituyen las dos tareas principales en este ámbito. En resumen, la clasificación agrupa los datos en categorías, mientras que la regresión predice un valor numérico. Por ejemplo, un filtro antispam clasifica cada correo electrónico, mientras que un modelo de fijación de precios predice un precio. Dado que ambos enfoques se basan en etiquetas, comparten la misma necesidad fundamental.
Entre las tareas habituales se encuentran los filtros antispam y las predicciones de precios. Dado que las respuestas guían al modelo, los resultados suelen ser precisos. Sin embargo, este enfoque requiere numerosos ejemplos etiquetados. Por ello, los equipos suelen dedicar tiempo y dinero a la preparación de estos datos. En resumen, unas buenas etiquetas garantizan buenos resultados.
Aprendizaje automático no supervisado
El aprendizaje automático no supervisado funciona sin ninguna etiqueta. En su lugar, el propio modelo busca una estructura. Por ejemplo, puede agrupar a los compradores en función de sus hábitos. Los expertos denominan a esta tarea «agrupación por clústeres» (clustering). Del mismo modo, puede reducir datos complejos a representaciones más sencillas.
De este modo, los analistas detectan rápidamente tendencias ocultas. Sin embargo, al no haber «respuestas correctas», los resultados deben interpretarse con cautela. No obstante, este método resulta especialmente eficaz cuando las etiquetas son escasas o costosas. Además, suele utilizarse para obtener una primera visión general de los datos recientes. Por eso, muchos equipos empiezan por ahí antes de proceder al etiquetado.
Algunos ejemplos concretos permiten comprender mejor este principio. Por ejemplo, una tienda puede identificar segmentos naturales de clientela sin necesidad de ninguna etiqueta. Del mismo modo, un banco puede detectar transacciones inusuales que se desvían del patrón habitual. Como estas herramientas no requieren un «conjunto de entrenamiento», se adaptan fácilmente a cualquier escala. Además, a menudo revelan elementos sorprendentes que escapan a la vista humana.
Aprendizaje por refuerzo y aprendizaje profundo
El aprendizaje por refuerzo crea un modelo mediante ensayo y error. En otras palabras, un agente actúa y, a continuación, recibe una recompensa o una penalización. Con el tiempo, aprende qué acciones son rentables. Por ejemplo, este método ayuda a los robots a caminar y a los bots a dominar los videojuegos.
Existe una cuarta familia que se sitúa a medio camino entre las dos primeras. El aprendizaje semisupervisado combina unas pocas etiquetas con grandes cantidades de datos sin procesar. De este modo, reduce considerablemente el coste del etiquetado. En la práctica, esta combinación suele mejorar la precisión. Por eso, muchos sistemas modernos se basan ahora en este enfoque.
El aprendizaje profundo, por su parte, apila numerosas capas de neuronas artificiales. De este modo, puede modelar esquemas muy complejos. También constituye la base de herramientas de imagen, aplicaciones de voz y grandes modelos lingüísticos. Para comprender el principio básico, consulta nuestra guía sobre redes neuronales. También puedes comparar los distintos métodos en nuestra guía explicativa sobre el aprendizaje por refuerzo.
Cómo elegir la técnica adecuada
Ningún método es universalmente eficaz. En primer lugar, define el problema en términos sencillos. ¿Necesitas una etiqueta, una clasificación o una acción inteligente? A continuación, examina detenidamente tus datos. Si dispone de etiquetas claras, el aprendizaje supervisado es la opción ideal. En caso contrario, el aprendizaje automático no supervisado podría ser más adecuado para usted.
En tercer lugar, evalúe el coste antes de comprometerse. El aprendizaje profundo requiere grandes cantidades de datos y una gran potencia de cálculo. Por lo tanto, un método más sencillo suele ser perfecto para tareas pequeñas. Además, prueba siempre varias opciones. Para un contexto más amplio, la presentación sobre el aprendizaje automático de IBM ofrece una introducción útil.
Conclusión
Las técnicas de aprendizaje automático permiten que los programas informáticos aprendan a partir de los datos. Además, cada familia de técnicas se adapta a un tipo de problema diferente. El aprendizaje supervisado se basa en etiquetas, mientras que los métodos no supervisados permiten descubrir estructuras ocultas. Por otra parte, el aprendizaje por refuerzo y el aprendizaje profundo permiten abordar tareas mucho más complejas. En resumen, adapta el método a tus datos y a tu objetivo. De este modo, podrás crear herramientas que ganen en inteligencia con el paso del tiempo.