En la madriguera del conejo de machine learning

Con el ánimo de evitar caer en fiascos que muchas empresas ofrecen como soluciones de Inteligencia Artificial (IA), en esta columna revisaremos los diferentes tipos de aprendizaje que existen en machine learning (ML) identificando algunos de los problemas que cada tipo de aprendizaje resuelve.

Empecemos con lo más sencillo, no todo problema se puede solucionar con ML, es uno de los hechos más importantes de conocer. Existen problemas que organizaciones, empresas y gobiernos no pueden resolver a través de ML, ya sea porque no hay suficientes datos para ello, porque los datos no son los adecuados o bien, porque la pregunta que se quiere contestar no puede ser resuelta con ninguno de los tipos de aprendizaje que existen en ML.

El aprendizaje en ML se clasifica en tres grandes tipos: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo. El aprendizaje supervisado requiere de tener ejemplos ”calificados” –muchos– que podamos mostrar al algoritmo para que pueda aprender patrones existentes en esos datos. Esto significa que necesitamos darle al algoritmo ejemplos históricos donde sabemos sin ambigüedad qué sucedió: hubo fraude o no, un alumno terminará sus estudios exitosamente o no en los siguientes dos años, un contenedor permanecerá tres días en una terminal antes de ser recogido por un cliente. Es importante destacar que tener este tipo de ejemplos “calificados” es muy costoso, pues la “calificación” tuvo que haber sido obtenida –generalmente– por humanos, y en algunas ocasiones esta calificación tarda años en ser obtenida.

En el aprendizaje no supervisado no tenemos ejemplos “calificados”, tenemos ejemplos históricos y el objetivo es diferente al aprendizaje supervisado, en este tipo de aprendizaje queremos conocer qué ejemplos son similares, y qué es lo que hace que sean similares. Ejemplos de este tipo de aprendizaje corresponden a perfilamientos de clientes, perfilamiento de audiencias, agrupaciones entre discursos, entre otros.

Finalmente en el aprendizaje por refuerzo, necesitamos tener casos en los que podamos definir sin ambigüedad qué es éxito y qué es fracaso, qué “reglas” existen en ese ambiente, cómo podemos dar un refuerzo positivo y un refuerzo negativo cada vez que el algoritmo acierta o se equivoca y cuánto refuerzo dar en cada ocasión. Ejemplos de este tipo de aprendizaje corresponden a definiciones de estrategia de juego como el ajedrez, estrategia de envío de camiones desde una terminal para evitar que vaya vacío la mayor parte del recorrido, o lleno la mayor parte del recorrido.

Ahora si, una vez que tenemos claro qué es IA, qué es ML y los diferentes tipos de aprendizaje que existen en ML podemos iniciar la conversación de los problemas que se pueden resolver y los mitos sobre los que debemos poner mucha atención para no afectar a las personas que serán impactadas por una solución de esta naturaleza.