La respuesta corta es no, la máquina construye un “” modelo “interno del mundo que se modifica en función de los datos que se alimentan, y se realizan correcciones hasta que alcanza una estimación lo suficientemente cercana de la realidad.
Eso es demasiado conceptual para mi gusto, para una descripción en inglés simple, sigue leyendo.
¿Qué es el aprendizaje automático?
Machine Learning es un subconjunto de Inteligencia Artificial mediante el cual una máquina aprende de la experiencia pasada, es decir. Datos. A diferencia de la programación tradicional donde el desarrollador necesita anticipar y codificar cada condición potencial, una solución de aprendizaje automático adapta efectivamente la salida en función de los datos.
Un algoritmo de Machine Learning literalmente no escribe código, pero crea un modelo informático del mundo que luego modifica en función de cómo está entrenado.
” Pueden pasar cien años antes de que una computadora venza a los humanos en Go ” – The New York Times, 1997
¿Como funciona?
El software de filtrado de spam es un gran ejemplo. Utiliza técnicas de aprendizaje automático para aprender a identificar el spam de millones de mensajes de correo. Funciona mediante el uso de técnicas estadísticas para ayudar a identificar los patrones.
Por ejemplo, si se descubre que 85 de cada 100 correos electrónicos que incluyen las palabras “barato” y “Viagra” son mensajes de spam, podemos decir con un 85% de confianza que efectivamente son spam. Combinando esto con varios otros indicadores (por ejemplo, de un remitente del que nunca ha recibido correo) y probando el algoritmo contra mil millones de otros correos electrónicos, podemos mejorar la confianza y la precisión con el tiempo.
De hecho, Google indica que ahora detiene alrededor del 99.99% del spam enviado.
“El juego de mesa Master of Go es aplaudido por el programa informático de Google ” – The New York Times, 2016
Ejemplos de aprendizaje automático
Hay literalmente cientos de aplicaciones ya en su lugar que incluyen: –
Marketing dirigido: utilizado por Google y Facebook para orientar anuncios basados en intereses individuales, y por Netflix para recomendar películas para ver, y Amazon para recomendar productos para comprar.
Calificación crediticia: los bancos utilizan los datos de ingresos (estimados de donde vive), su edad y estado civil para predecir si incumplirá un préstamo.
Detección de fraude de tarjetas: se utiliza para detener el uso fraudulento de tarjetas de crédito o débito en línea en función de sus hábitos de gasto anteriores y probables.
Análisis de la cesta: se utiliza para predecir qué ofertas especiales es más probable que utilice en función de los hábitos de compra de millones de clientes similares.
En un caso controvertido, el minorista estadounidense Target utilizó un análisis de cesta de 25 productos cosméticos y de salud diferentes para predecir con éxito el embarazo, incluida la fecha de parto con una precisión notable.
Esto fue contraproducente cuando el padre de una joven se quejó de que Target alentaba a las madres adolescentes, después de que fue bombardeada con ofertas especiales relacionadas con el embarazo. Más tarde se disculpó cuando descubrió que el minorista sabía más que él.
Target logró este sorprendente resultado utilizando “” Análisis predictivo “.
Tipos de aprendizaje automático
El análisis predictivo intenta predecir un resultado futuro basado en datos históricos, y el método más común se conoce como Aprendizaje supervisado.
Los tipos de aprendizaje automático son: –
Aprendizaje supervisado: se utiliza cuando conocemos las respuestas correctas de datos anteriores, pero necesitamos predecir resultados futuros. Por ejemplo, el uso de precios de viviendas anteriores para predecir el valor actual y futuro. (por ejemplo, Zillow con sede en EE. UU. o Zoopla con sede en Reino Unido). Utilizando efectivamente un proceso de mejora estadística basado en prueba y error, la máquina mejora gradualmente la precisión al probar los resultados contra un conjunto de valores proporcionados por un supervisor.
Aprendizaje no supervisado: donde no hay una respuesta correcta distinta, pero queremos descubrir algo nuevo a partir de los datos. Se utiliza con mayor frecuencia para clasificar o agrupar datos, por ejemplo, para clasificar música en Spotify, para ayudar a recomendar qué álbumes puede escuchar. Luego clasificará a los oyentes, para ver si es más probable que escuchen Radiohead o Justin Bieber. (Radiohead cada vez!).
Aprendizaje de refuerzo: no necesita un experto en el dominio, pero implica mejoras constantes hacia un objetivo predefinido. Es una técnica que a menudo despliega redes neuronales, por ejemplo DeepMind, en la que AphaGo jugó un millón de juegos de Go contra sí mismo para convertirse en el campeón mundial.
Resumen
El siguiente diagrama ilustra las estrategias clave utilizadas por los sistemas de Machine Learning.
En conclusión, el componente crítico de cualquier sistema de aprendizaje automático son los datos. Dada la elección de algoritmos adicionales, programación inteligente y grandes cantidades de datos más precisos, Big Data gana cada vez.
Pero no es magia, y la computadora no escribe su propio código.
Sin embargo, cosas inteligentes.