![](https://crypto4nerd.com/wp-content/uploads/2024/04/1HAbjfprjWBPG62CeLes7LQ.jpeg)
No hay duda de que estamos viviendo momentos en los que la inteligencia artificial (IA) ha tomado un protagonismo enorme en muchos campos de nuestra sociedad. Para muchos estamos en medio de una nueva revolución tecnológica que cambiará el mundo como lo conocemos y como lo construimos. Debemos ser conscientes, que la IA ha llegado a nuestras vidas y estará con nosotros por mucho tiempo, es por ello por lo que debemos empezar a cuestionarnos como funciona, que hay detrás de esta tecnología y como usarla para sacarle todo el provecho posible en nuestro día a día. Este es el primero de varios artículos que pretenden exponer de una forma sencilla lo conceptos básicos de IA, empezando por el machine learning.
De acuerdo con (IBM Cloud Education, 2020b) Machine learning (aprendizaje automático en español) es una de las ramas de la IA que se centra en la creación de aplicaciones que aprenden de los datos y mejoran su precisión con el tiempo sin estar programadas para hacerlo. Es decir que no se puede concebir una IA sin datos de los cuales aprender, por lo cual tener acceso a datos de calidad hoy en día es muy valioso pues es la base para entrenar algoritmos de inteligencia artificial (ahora quizás comprendas por qué muchos servicios en internet son “gratuitos”).
El tiempo también es clave para el ML, pues así como los datos pueden incrementarse con el tiempo también pueden cambiar con este, quizás hace unos meses escuchabas música todos los días de tu cantante favorito(a) en tu aplicación preferida, tras una semanas decidiste buscar algo de música nueva allí y después de darle favorito a algunas canciones y saltarte algunas, detectas que la aplicación te empieza a recomendar más y más música similar a las nuevas canciones escuchadas y no tanto a las anteriores, en definitiva el algoritmo de IA que se ejecuta en la aplicación ha aprendido de tus nuevos gustos, y no solo de los tuyos, también de los de las personas que tienen algo en común contigo, quizás tu ciudad, tu edad, tu historial de búsqueda, el tiempo y veces que has escuchado una canción, y en función de esto te recomienda nuevo contenido con el cual puedas seguirte identificando y a la larga seguir usando el servicio.
Este aprendizaje, se da de diversas maneras, exploremos con más detalle cómo se entrenan los algoritmos de inteligencia artificial. Desde un enfoque clásico existen tres tipos de aprendizajes, el supervisado, no supervisado y semi supervisado.
Supervisado: este tipo de aprendizaje básicamente requiere la supervisión de un humano para que la máquina aprenda, en este caso el programador le provee al algoritmo las clases o clasificaciones finales de los registros dentro de un dataset(conjunto de datos), es decir le decimos al algoritmo por ejemplo el precio de venta de inmuebles con sus respectivas características, y a partir de esta información el algoritmo determina el resultado ante nuevas entradas.
Si se hace una analogía con el mundo real se puede decir que es similar a la situación en la que un padre le dice a su hijo “ese de allá es un perro, este de acá es un gato” el niño comprende el concepto (lo aprende) y luego cuando está sólo y ve a un animal similar a un perro o un gato lo clasifica cómo tal, sin embargo, en ocasiones se podría equivocar. Algunos ejemplos de algoritmos de este tipo son “Neural networks”, “Bayesian classifiers”, “knearest neighbor”, “decision trees”, y “random forest”(Kanber, 2018).
No supervisado: cómo su nombre lo indica no requiere la supervisión de un humano, en este caso los algoritmos reciben datos y tratan de encontrar patrones, relaciones, agrupaciones buscando inferir la clase del registro (la clasificación final), se crea conocimiento a partir de los datos de entrada. Algunos ejemplos de algoritmos de este tipo son “k-means”, y sus variantes como las k-medians, también “Gaussian mixture models” y “Mean-shift” (Kanber, 2018).
Semi–supervisado: Básicamente es una mezcla de los dos anteriores, los datos iniciales corresponden a un dataset pequeño clasificado previamente y este se usa para apoyar el aprendizaje no supervisado sobre data sets más grandes relacionados a la inicial. Un ejemplo de este tipo de aprendizaje puede darse con métodos de agrupación basados en centroides, como k-mean y sus variantes (Aggarwal y Reddy,2013).
¿Te has preguntado cómo es que es algunas webs de ventas de productos en línea te siguen ofreciendo otros productos porque quizás fueron comprados por alguien más? Bueno, esto es porque alguien que también compró el producto que acabas de comprar y además comparte algunas características contigo compró el nuevo producto recomendado, por lo que es altamente probable que tu también lo hagas en algún momento, esta recomendación se hace en milisegundos por parte del algoritmo sin la intervención de un humano, al menos no en un 100%.
Por otro lado, existen otros tipos de entrenamiento que pueden no considerarse clásicos, cómo lo son el “Ensable learning”, el “reinforcement learning” y el “Deep learning”, este último es muy usado hoy en día, y curiosamente fue inspirado en el funcionamiento del cerebro humano y las redes neuronales, que para el Deep learning, serían redes neuronales artificiales (ANN). El procesamiento de lenguaje natural, la medicina, la robótica y muchas otras disciplinas, se han beneficiado de este tipo de algoritmos, en futuros artículos veremos algunos ejemplos con más detalle y no sólo eso, los pondremos en práctica.
En este punto te estarás preguntando ¿cómo es que un computador puede aprender de los datos? ¿Y esta IA como me ayudará en mi día a día? ¿No sería mejor usar ChatGPT o Gemini para solucionar todos mis problemas? Bueno, al final los datos digitales no son más que bits, 0s y 1s, que los computadoras pueden procesar y entender usando cálculos, matemáticas, estrategias para aprender (algoritmos de IA) y hardware (chips), esta tecnología te permitirá abstraer mas conocimiento de los datos, especialmente cuando tienes una gran cantidad de estos (si, quizás llegó el día en que vas a usar los miles de registros de bases de datos estructurados y no estructurados que tienes) para tomar más y mejores decisiones en tu negocio y darle valor agregado a tus clientes, los que ya conoces y los que eventualmente te pueden ayudar a conseguir mas clientes como ellos y satisfacer sus necesidades en tu producto.
Finalmente claro que puedes usar ChatGPT o Gemini para esto (bueno estos LLM no son milagrosos y no solucionan todo), pero debes tener en cuenta que son productos que te cobran por su uso, que quizás vas a matar moscas con un cañón, y que no sería necesario exponer tu data a un servicio de terceros que está aprendiendo de esta ( ¿Y compartiendo el conocimiento con tu competencia?), estas son herramientas que debes usar de la manera adecuada y para ciertos casos de uso, pero muchas veces no son necesarias para vender más y mejor a tus clientes, pues los datos están en tu producto, los clientes interaccionan con este en el tiempo y hay cientos de algoritmos de IA que pueden apoyarte a solucionar problemas de una manera eficiente dentro del mismo producto, solo debes empezar a aprender de IA y aplicarla cuando sea una buena idea hacerlo, las hojas de datos no van a morir con la IA, pero tendrán “esteroides”, ¿Vas a permitir que esta tecnología haga parte de tu día a día, tu negocio, o sólo verás como otros la usan de forma efectiva?
Referencias:
IBM Cloud Education . (2020b, mayo 1).Deep Learning. https://www.ibm.com/cloud/learn/deep-learning
Kanber, B. (2018). Hands-On Machine Learning with JavaScript. Packt Publishing Ltd.
Aggarwal, C. C. y Reddy, C. K. (Eds.). (2013). Data clustering : Algorithms and applications. CRC Press LLC.