El Machine Learning (ML) se está convirtiendo en una de las tecnologías que más auge está teniendo en los últimos tiempos, y eso se puede notar a simple vista. También está resaltando sobre las otras ramas de la inteligencia artificial (IA) y eso no puede negar. Y una de las preguntas que se nos presenta cuando escuchamos ya sea IA o ML por primera vez es cómo funcionan. Así que sin más dilación, aquí les traemos cómo funciona la inteligencia artificial y el machine learning.
Cómo funciona la Inteligencia Artificial / Machine learning.
Para entender cómo funciona el ML tenemos que primero ver cómo funcionan las otras ramas de la inteligencia artificial (IA) y el software en general. Estos por lo general —valga la redundancia— siguen un algoritmo, que no es otra cosa que una serie de etapas o pasos en un lenguaje de programación. Es decir, se realiza esto y luego se realiza lo otro, todo paso por paso. Esto significa que el procedimiento siempre va a ser el mismo. No va a variar. Se introduce un dato y va a pasar por todo el procedimiento del algoritmo para dar un resultado. Es un proceso que siempre será el mismo, al menos que el programador lo cambie. Si colocas los mismos datos siempre obtendrás los mismos resultados a menos que el algoritmo genere números aleatorios, pero ese es otro tema.
El Machine learning es diferente. Aquí aunque se utilicen algoritmos, no se programa —valga la redundancia de nuevo— un programa de manera explícita. Aquí simplemente se programa un modelo para que por sí solo o de manera inducida, aprenda, y con el tiempo será mejor y mejor; pudiendo aprender de sus experiencias y de sus errores. Aquí el modelo va evolucionado la manera en la que procesa la información para obtener otros resultados con los mismos datos. ¿Por qué es esto? Pues porque aprende de sus errores. Si da un resultado y ese resultado se considera errado de alguna u otra forma, volverá a emitir un resultado pero distinto al anterior, y obviamente con los mismos datos.
Esto es súper interesante porque en el mundo real no se siguen reglas claras e inmutables. Es decir, todo puede cambiar por diversos factores. Una cosa son los sistem
as que están pensados para que siempre hagan lo mismo, y otra cosa es cuando es necesario que el software se adapte y evolucione día a día por sí mismo. Para entender un poco más acerca de cómo la máquina aprende, debemos estudiar algunas técnicas que utiliza el machine learning para ello.
Técnicas o modelos que se utilizan en el Machine learning.
El machine learning se basa en diversas técnicas matemáticas para poder dotar de capacidades autónomas al modelo en cuestión. Es decir, utiliza modelos ya establecidos en las ciencias como base en su enseñanza y toma de decisiones. Algunas de estas técnicas son:
El árbol de decisiones (Decision tree)
Árbol de decisiones en el Machine Learning
Esta técnica se basa como su nombre lo indica, en decisiones y las consecuencias de estas que están ilustradas en forma de ramificaciones de árbol. Muchos de estos diagramas usan dos consecuencias para cada decisión; es decir, usan una ramificación binaria. En casos que sean muchísimos datos, se pueden crear varios árboles de decisión múltiples para que de manera conjunta se decida sobre los resultados obtenidos.
Redes neuronal artificial (Artificial neural network)
Una red neuronal artificial en el Machine Learning
Este concepto está inspirado o basado en cómo funciona el sistema nervioso y el cerebro. Es decir, un gran número de elementos interconectados para así de manera conjunta resolver la situación planteada. Cada neurona vota qué decisión tomar, y de esta manera se logra dar con la solución.
Red Bayesiana.
Red bayesiana en el Machine Learning
Son unas estructuras gráficas en las que se manejan probabilidades. Es decir, la gráfica es un mapa probabilístico en el que cada nodo representa una variable aleatoria mientras los bordes entre los nodos representan dependencias probabilísticas. En otras palabras, de una afirmación se derivan muchas variables para dicha afirmación. Por ejemplo, “cielo nublado” habría un 80% de probabilidades que lloverá.
Y estas solo eran algunas técnicas más conocidas para explicar de una manera más técnica —valga la redundancia— cómo funciona el machine learning, o en qué se basa el ML para funcionar.
