Qué tipos de aprendizaje automático existen

¿Te ha gustado nuestro artículo? ¡Vota!

Ya te hablamos de qué es el aprendizaje automático o machine learning. Básicamente, se trata de una combinación de disciplinas científicas para crear sistemas que aprendan sin necesidad de la intervención humana. Con ello nos referimos a que sean capaces de identificar patrones complejos en millones de datos y que, al mismo tiempo, sean capaces de afinar su desempeño de forma autónoma y progresiva. Hoy hablaremos de los tipos de aprendizaje automático que existen y para qué se utilizan.

Aprendizaje supervisado

El aprendizaje supervisado es el modelo más habitual. Es el más sencillo de implementar. Piensa en esos juegos de memoria con cartas en los que tienes que ir encontrando las parejas repetidas.

Pongamos que las cartas son datos y sus dibujos, etiquetas. Con ello podemos alimentar un algoritmo de aprendizaje automático con estas parejas, permitiendo que identifique una etiqueta para cada ejemplo y dándole feedback sobre los aciertos y errores. Con el tiempo, el algoritmo aprenderá a identificar ejemplos que no haya visto previamente.

Publicidad online

Toda esa publicidad que ves mientras navegas por internet tiene una razón de ser. Cada vez que encuentras un anuncio en una página web determinada, está ahí porque un algoritmo de aprendizaje supervisado concluyó que tendría más posibilidades de recibir un clic.

Reconocimiento facial

Tal vez, dando vueltas a la galería de fotos de tu smartphone, te hayas fijado en que a veces las imágenes se categorizan automáticamente en función de la persona que aparece en ellas. Eso se debe a que sus caras (y la tuya) se han utilizado en un algoritmo de aprendizaje supervisado capacitado para reconocer los rostros. Lo mismo pasa cuando subes una foto en Facebook con amigos y es la propia red social quien te sugiere sus etiquetas.

Aprendizaje no supervisado

El aprendizaje no supervisado es, para sorpresa de nadie, lo opuesto al aprendizaje supervisado. En lugar de etiquetas, el algoritmo se alimenta de una gran cantidad de datos y se le dan las herramientas para comprender las propiedades de los mismos.

A partir de ahí, puede aprender a agrupar los datos de manera que otra inteligencia (humana o artificial) pueda entrar y dar sentido a esos datos. Conseguir transformar esos millones de datos en bruto de los que disponemos en información potencialmente útil es clave para cualquier empresa u organización.

Algunas áreas en las que puede ver surgir el aprendizaje no supervisado son:

Recomendadores

Si alguna vez se te ha pasado la tarde entre recomendaciones de Youtube, puedes echar la culpa a los algoritmos de aprendizaje automático no supervisado. Y lo mismo si no te gusta la serie que te recomienda Netflix o la nueva canción de Spotify que se suponía que te iba a encantar.

Marketing

Los hábitos de compra de los consumidores se pueden utilizar en algoritmos de aprendizaje no supervisados para agrupar a los clientes según sus gustos. Esto es la clave del Big Data Marketing.

Aprendizaje por refuerzo

El aprendizaje por refuerzo es muy diferente a los dos anteriores. Podríamos decir que el aprendizaje por refuerzo es el que permite al algoritmo aprender de sus errores. Al principio, los errores serán muy numerosos, pero, si se proporciona una serie de señales positivas y negativas asociadas a los aciertos y errores respectivamente, con el tiempo el algoritmo irá aprendiendo por su cuenta, hasta convertirse en el más eficaz de todos.

Para entender cómo funciona, tal vez nos ayude saber que algunas empresas han enseñado, siempre como prueba, a una Inteligencia Artificial a jugar un videojuego gracias a algoritmos de aprendizaje por refuerzo.

Así se usa el aprendizaje por refuerzo:

Gestión de recursos

Pongamos que estamos en una empresa con cadena de montaje. Es útil que las máquinas aprendan a completar sus tareas sin necesidad de tener mano de obra sobre el terreno. Esa opción sería, además, mucho más segura. También se puede incentivar a las máquinas para que sean ecológicamente eficientes.

Veamos un ejemplo. Google utilizó el aprendizaje por refuerzo para sus centros de datos. Gracias a ello, consiguió equilibrar la demanda de energía con el equilibrio ecológico, disminuyendo costes y causando menor impacto en el medio ambiente.