Para aprender una habilidad, debemos recopilar conocimientos, entrenar con cuidado y monitorear nuestro desempeño. Al final, nos volvemos mejores en esta actividad. El aprendizaje automático es una técnica que permite a las computadoras hacer precisamente eso.
¿Pueden las computadoras aprender?
Determinar la inteligencia es difícil. Todos sabemos lo que queremos decir con inteligencia cuando lo decimos, pero describirlo es un problema. Independientemente de la emoción y la autoconciencia, una descripción funcional puede ser la capacidad de aprender nuevas habilidades, absorber conocimientos y aplicarlos a nuevas situaciones para lograr el resultado deseado.
Dada la dificultad de definir inteligencia, definir una IA no sería más fácil. Entonces, engañémonos un poco. Si una computadora es capaz de hacer algo que normalmente requiere el razonamiento y la inteligencia humana, diríamos que usa inteligencia artificial.
Por ejemplo, aparatos parlantes inteligentes como Amazon Echo Y Google Nest escucha nuestras instrucciones habladas, interpreta los sonidos como palabras, extrae el significado de las palabras y luego intenta cumplir con nuestra solicitud. Podemos preguntarle tocando musica O responda una pregunta o atenúe las luces.
En todas las interacciones, excepto en las más simples, sus comandos hablados se transmiten a poderosas computadoras en las nubes de los fabricantes, donde se implementa la inteligencia artificial. Se analiza el comando, se extrae el significado, se prepara la respuesta y se envía de vuelta al altavoz inteligente.
El aprendizaje automático sustenta la mayoría de los sistemas de IA con los que interactuamos. Algunos de estos artículos están en su hogar como dispositivos inteligentes y otros son parte de los servicios que usamos en línea. usado Recomendaciones Video en YouTube, Netflix, listas de reproducción automáticas en Spotify, aprendizaje automático. Los motores de búsqueda se basan en el aprendizaje automático, y las compras en línea utilizan el aprendizaje automático para brindarle sugerencias de compra basadas en su historial de navegación y de compras.
Las computadoras pueden acceder a conjuntos de datos masivos. Puede repetir incansablemente operaciones miles de veces en el espacio que le tomaría a un humano realizar una iteración, si un humano pudiera hacerlo una vez. Por lo tanto, si el aprendizaje requiere conocimiento, práctica y retroalimentación sobre el desempeño, entonces una computadora debería ser el candidato ideal.
Esto no significa que una computadora realmente pueda pensar en un sentido humano, o comprender y percibir como nosotros. Pero aprenderá y mejorará con la práctica. Un sistema de aprendizaje automático hábilmente programado puede dar una buena impresión de una entidad consciente.
Solíamos preguntar: "¿Pueden aprender las computadoras?" Eso eventualmente se convirtió en una pregunta más práctica. ¿Qué desafíos de ingeniería deben superarse para permitir que las computadoras aprendan?
Redes neuronales y redes neuronales profundas
Los cerebros de los animales contienen redes de neuronas. Las neuronas pueden disparar señales a través de la sinapsis a otras neuronas. Este pequeño acto, repetido millones de veces, conduce a nuestros procesos de pensamiento y recuerdos. Entre los muchos componentes básicos, la naturaleza creó mentes conscientes y la capacidad de pensar y recordar.
Inspirándose en las redes neuronales biológicas, se crearon redes neuronales artificiales para imitar algunas propiedades de sus contrapartes orgánicas. Desde la década de XNUMX, se han desarrollado hardware y software con miles o millones de nodos. Los ganglios, como las neuronas, reciben señales de otros ganglios. También puede generar señales para alimentar a otros nodos. Los nodos pueden aceptar entradas de muchos nodos y enviarles señales simultáneamente.
Si un animal llega a la conclusión de que los insectos voladores amarillos y negros siempre le dan una mala picadura, evitará todos los insectos voladores amarillos y negros. El aerodeslizador se aprovecha de esto. Es amarillo y negro como una avispa, pero no tiene aguijón. Los animales que se han enredado con avispas y han aprendido una lección dolorosa también evitan el aerodeslizador. Ve un insecto volador con un esquema de color increíble y decide que es hora de dar un paso atrás. No se tiene en cuenta el hecho de que un insecto puede flotar y una avispa no.
La importancia de las líneas, zumbidos, amarillos y negros trasciende todo lo demás. La importancia de estas señales se denomina ponderación de esa información. Las redes neuronales artificiales también pueden utilizar el peso. Un nodo no necesita considerar todas sus entradas iguales. Puede preferir algunos signos sobre otros.
El aprendizaje automático utiliza estadísticas para encontrar patrones en conjuntos de datos entrenados. El conjunto de datos puede contener palabras, números, imágenes, interacciones del usuario, como clics en un sitio web, o cualquier otra cosa que pueda capturarse y almacenarse digitalmente. El sistema necesita caracterizar los elementos clave de la consulta y luego compararlos con los patrones que ha detectado en el conjunto de datos.
Si está tratando de identificar una flor, necesitará saber la longitud del tallo, el tamaño y el patrón de las hojas, el color, la cantidad de pétalos, etc. En realidad, necesitará muchos más datos que esos, pero en nuestro ejemplo simple, los usaremos. Una vez que el sistema conoce esos detalles sobre la muestra de prueba, inicia un proceso de decisión que produce una coincidencia a partir de su conjunto de datos. Sorprendentemente, los sistemas de aprendizaje automático crean el árbol de decisiones por sí mismos.
El sistema de aprendizaje automático aprende de sus errores al actualizar sus algoritmos para corregir fallas en su lógica. Las redes neuronales más complejas son las redes neuronales profundas. Conceptualmente, estas redes neuronales consisten en una gran cantidad de redes neuronales ubicadas en capas una encima de la otra. Este sistema brinda la capacidad de detectar y utilizar incluso pequeños patrones en sus procesos de toma de decisiones.
Las capas se utilizan comúnmente para proporcionar ponderación. Las llamadas capas ocultas pueden actuar como capas "especializadas". Proporcionan señales ponderadas sobre una sola característica del sujeto de prueba. Nuestro ejemplo de identificación de flores podría usar capas ocultas dedicadas a la forma de las hojas, el tamaño de los capullos o la longitud de los estambres.
Diferentes tipos de aprendizaje automático
Existen tres técnicas generales utilizadas para entrenar sistemas de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje reforzado.
Aprendizaje supervisado
El aprendizaje supervisado es la forma de aprendizaje más utilizada. Esto no se debe a que sea inherentemente superior a otras tecnologías. Tiene más que ver con la idoneidad de este tipo de aprendizaje para los conjuntos de datos utilizados en los sistemas de aprendizaje automático que se escriben hoy.
En el aprendizaje supervisado, los datos se categorizan y organizan de manera que se definen los criterios utilizados en el proceso de toma de decisiones del sistema de aprendizaje automático. Este es el tipo de aprendizaje utilizado en los sistemas de aprendizaje automático detrás de las sugerencias de listas de reproducción de YouTube.
Educación no supervisada
El aprendizaje no supervisado no requiere preparación de datos. Los datos no están clasificados. El sistema escanea los datos, detecta sus patrones y deriva sus parámetros operativos.
Las técnicas de aprendizaje no supervisado se han aplicado a la ciberseguridad con altas tasas de éxito. Los sistemas de detección de intrusos optimizados a través del aprendizaje automático pueden detectar la actividad de red no autorizada de un intruso porque no coincide con los patrones de comportamiento observados previamente de los usuarios autorizados.
Mejora del aprendizaje
El aprendizaje por refuerzo es la última de las tres tecnologías. En pocas palabras, un algoritmo de aprendizaje por refuerzo utiliza prueba y error y retroalimentación para llegar a un modelo de comportamiento óptimo para lograr un objetivo específico.
Esto requiere retroalimentación de los humanos que "registran" los esfuerzos del sistema según si su comportamiento tiene un efecto positivo o negativo en el logro de su objetivo.
El lado práctico de la inteligencia artificial
Debido a que es tan omnipresente y tiene éxitos demostrables en el mundo real, incluidos los éxitos comerciales, el aprendizaje automático se ha denominado "el lado práctico de la IA". Es un gran negocio y existen muchos marcos comerciales escalables que le permiten integrar el aprendizaje automático en sus procesos o productos de desarrollo.
Si no tiene una necesidad inmediata de ese tipo de potencia de fuego pero está interesado en investigar un sistema de aprendizaje automático en un lenguaje de programación amigable como Python, también hay excelentes recursos gratuitos para eso. De hecho, se expandirá con usted si desarrolla un interés adicional o una necesidad comercial.
- Torch Es un marco de aprendizaje automático de código abierto conocido por su velocidad.
- Scikit-Aprender Es un conjunto de herramientas de aprendizaje automático, especialmente para usar con Python.
- Caffe Es un marco de aprendizaje profundo, específicamente especializado en el procesamiento de imágenes.
- Keras Es un marco de aprendizaje profundo con una interfaz de Python.
