Aprendizaje automático (Machine learning)
NATURALEZA
Es un concepto de IA propiamente dicho.
CONCEPTO
El aprendizaje automático es un subconjunto de la inteligencia artificial. Mediante las técnicas de machine learning se analizan grandes cantidades de datos por un algoritmo, que puede identificar patrones complejos en dichos datos para inferir sus propias reglas o conclusiones y aplicarlos en nuevos datos que se le van proporcionando. El algoritmo aprende de forma autónoma de los datos, sin ser programado previamente. Es decir,aprende por sí mismo.
Aunque el aprendizaje automático y la inteligencia artificial están estrechamente conectados, no son lo mismo. Los sistemas de inteligencia artificial buscan “imitar” la inteligencia humana, aprendiendo también de la experiencia, de los datos. Aprendizaje que se consigue utilizando las técnicas de aprendizaje automático y de aprendizaje profundo. El aprendizaje automático, por el contrario, no trata de imitar la inteligencia humana, en lo que consiste es en enseñar a la máquina a realizar una tarea específica, proporcionándole gran cantidad de datos como se ha señalado, de forma que vaya identificando patrones que pueda aplicar a nuevos datos.
El entrenamiento del algoritmo con datos puede realizarse utilizando alguna de las técnicas que se comentan en las otras entradas de este glosario, es decir, mediante el aprendizaje supervisado; el aprendizaje no supervisado; y el aprendizaje por refuerzo.
IMPORTANCIA
El conocimiento de este concepto es importante para un técnico de IA porque, como se ha señalado, junto con el aprendizaje profundo se utiliza para que los sistemas inteligencia artificial aprendan. Además, conforme los datos aumentan de tamaño y complejidad, los sistemas inteligentes y automatizados son esenciales para automatizar tareas y generar estadísticas prácticas para obtener mejores resultados, mejorar la toma de decisiones o utilizar recursos de forma más eficientes.
Por otra parte, para el entrenamiento de los algoritmos son necesarios una gran cantidad de datos (estructurados y semiestructurados), por lo que es también importante conocer la procedencia de esos datos, cómo se obtienen y seleccionan, y qué metodologías se aplica a los mismos. De nuevo, ha de poder comprobarse no solo que se respeta la normativa de protección de datos; sino también que los datos utilizados para que la máquina aprenda no puedan producir un sesgo que dé como resultado final la afectación a derechos fundamentales.
USOS Y RIESGOS
Las técnicas de aprendizaje automático tienen aplicación en muchos ámbitos y, como se ha adelantado, permite a la Inteligencia artificial automatizar procesos y ayudar a tomar decisiones de forma más eficaz. Así, por ejemplo, se puede aplicar desde el ámbito de la salud (para realizar el seguimiento de los pacientes y extraer información importante de sus notas clínicas), hasta en materia de industria manufacturera (para supervisar las máquinas, realizar un mantenimiento predictivo y mejorar la eficacia operativa).
En cuanto a los riesgos, uno de los principales es el sesgo que pueda producirse en el algoritmo, que puede conducir a resultados inexactos o injustos. Por lo tanto, es fundamental garantizar que los datos que se utilizan sean precisos, actualizados y relevantes para el entrenamiento que se está dando al algoritmo. Y adoptar medidas para mitigar los sesgos de los datos.
Desde el ámbito jurídico, los riesgos deben centrarse siempre en la etapa de recolección y entendimiento de los datos, garantizar el respeto de la normativa de protección de datos y que no se produzcan sesgos. Para ello, es fundamental la transparencia en los datos que se están utilizando,así como en los algoritmos.
Otro riesgo relevante es utilizar algoritmos de aprendizaje automático para tareas diferentes a las que se buscaban con su creación y desarrollo.
BIBLIOGRAFÍA
- INSTITUTO DE INGENIERÍA DEL CONOCIMIENTO, Machine learning, https://www.iic.uam.es/
- GOOGLE CLOUD, Inteligencia Artificial (IA) vs. Aprendizaje automático (AA)
AUTORES
Covadonga Ferrer