Aprendizaje automático: cómo aprende una máquina

En la programación tradicional, una persona escribe las reglas: «si el correo contiene estas palabras, es spam». En el aprendizaje automático (machine learning), en cambio, se le dan al ordenador muchos ejemplos y él mismo encuentra las reglas. Es la idea que hay detrás de los filtros de spam, el reconocimiento de caras del móvil, las recomendaciones de vídeos y los chatbots de IA.

Reglas escritas frente a reglas aprendidas

Imagina que quieres distinguir fotos de gatos y de perros. Escribir las reglas a mano («tiene orejas puntiagudas», «tiene bigotes») es imposible: hay demasiados casos. Con aprendizaje automático:

1. Reúnes miles de fotos etiquetadas («gato», «perro»).
2. El modelo empieza haciendo predicciones al azar.
3. Cada vez que se equivoca, ajusta un poco sus parámetros (miles o millones de números internos) para equivocarse menos.
4. Tras muchas vueltas, ha aprendido patrones que le permiten acertar con fotos que nunca ha visto.

El resultado es un modelo: un programa que convierte una entrada (una foto) en una salida (una predicción).

Los tipos de aprendizaje automático

El curso de Google clasifica los sistemas según cómo aprenden:

• Supervisado: aprende de datos con la respuesta correcta. Si predice una categoría («spam» o «no spam») es un modelo de clasificación; si predice un número (el precio de un piso, el consumo eléctrico) es de regresión.
• No supervisado: no tiene respuestas, busca patrones en los datos, por ejemplo agrupar clientes con hábitos parecidos.
• Por refuerzo: aprende por prueba y error con recompensas y penalizaciones, como un programa que aprende a jugar a un videojuego.
• IA generativa: aprende a crear contenido nuevo (texto, imágenes, audio) a partir de lo que ha visto. Lo explicamos en qué es la IA generativa.

Redes neuronales

Muchos modelos actuales son redes neuronales: capas de operaciones matemáticas sencillas conectadas entre sí, inspiradas muy de lejos en las neuronas. Cada capa transforma los datos un poco; al apilar muchas capas (de ahí deep learning, aprendizaje profundo) el modelo puede captar patrones muy complejos, como la forma de una cara o el sentido de una frase.

Entrenarlas exige hacer billones de multiplicaciones, y eso se le da muy bien a la tarjeta gráfica, que hace miles de operaciones en paralelo. Por eso la IA y las GPU van de la mano (más en qué es la tarjeta gráfica).

Los datos lo son todo

Un modelo es tan bueno como los datos con los que aprende:

• Datos insuficientes o poco variados: si todas las fotos de perros son de día, puede fallar con las de noche.
• Sesgos: si los datos reflejan desigualdades, el modelo las aprende y las repite. Por eso la ley europea de IA pide controles estrictos en usos como la selección de personal (lo verás en la ley europea de IA).
• Sobreajuste: el modelo «se aprende de memoria» los ejemplos de entrenamiento y falla con los nuevos, como quien memoriza las respuestas de un examen sin entender la materia. Para detectarlo se reserva una parte de los datos que el modelo no ve al entrenar y se mide cómo acierta con ellos.

Entrenar e inferir

Hay dos fases muy distintas:

• Entrenamiento: lento y caro; se hace una vez (o pocas) con muchos datos y mucha potencia.
• Inferencia: usar el modelo ya entrenado para hacer predicciones; es mucho más ligero.

Por eso algunas herramientas de esta web pueden usar IA dentro de tu navegador: el modelo ya viene entrenado y solo hace inferencia. Por ejemplo, quitar el fondo de una imagen usa un modelo de segmentación y imagen a texto, uno de reconocimiento de caracteres.

Si quieres aprenderlo en serio, el curso intensivo de aprendizaje automático de Google es gratuito, está en español y empieza desde la regresión lineal. Ayuda saber algo de Python y matemáticas de bachillerato.