Saque el máximo partido a sus datos con la IA

1. Tomar decisiones

Por supuesto, la toma de decisiones o la capacidad de elegir no es nada nuevo. En cierto modo, es la esencia de la informática moderna poder ayudar o tomar decisiones. Lo que es nuevo e innovador es la capacidad de tomar decisiones basadas en criterios indefinidos.

Tomemos el ejemplo de un diagnóstico médico. Como sabemos, hacer un diagnóstico puede ser extremadamente complejo debido al gran número de parámetros que intervienen. Estos parámetros pueden ser conocidos, desconocidos o incluso estar sesgados (por el propio paciente, por ejemplo, que no sitúa su dolor con precisión). La función de un algoritmo de Machine Learning es consolidar todos los parámetros conocidos sin sesgos y compararlos con una base de datos de síntomas de pacientes anteriores, para realizar el mejor diagnóstico.

En un ámbito completamente distinto, cabe señalar que hoy la mayoría de los sistemas de recomendación de clientes se basan en algoritmos de Machine Learning. Evidentemente, cuando se navega por una web de venta (o por cualquier otra), los datos de navegación se recogen automáticamente. Las elecciones, las acciones, todo lo que hace en el sitio web se rastrea minuciosamente para poder consolidarlo por ejemplo con un historial de compras o intercambios con el servicio de atención al cliente. Una vez más, la cantidad de información puede ser muy grande y es difícil establecer reglas para determinar, por ejemplo, qué...

1. Principio de aprendizaje

Para entenderlo mejor, veamos un experimento sencillo. Tenemos dos recipientes A y B sobre una mesa. En la misma mesa tenemos también tres fichas de formas diferentes: redonda, cuadrada y triangular. Empezaremos por mostrar cómo colocar las fichas en los recipientes correctos: esta es la etapa de aprendizaje propiamente dicha, que se repite varias veces.

En esta etapa, alguien presenta la forma correcta de hacer algo y el aprendiz observa. Esta es exactamente la forma en que los humanos aprendemos cuando vemos o escuchamos a alguien con experiencia (como un profesor) hacer o explicar algo.

A continuación, presentaremos al aprendiz una ficha al azar para ver si lo ha aprendido bien.

Por tanto, el experimento consta de dos fases:

Etapa 1 - Aprendizaje: colocar las fichas en los recipientes adecuados

Etapa 2 - Predicción: se presenta al aprendiz una nueva ficha (cuadrada, por ejemplo).

Fase de aprendizaje

¿Y si ahora presentamos una ficha ovalada (una forma que nunca se presentó en el paso 1)? La elección no es obvia. Si estuviéramos experimentando con un enfoque basado en reglas, seguramente dejaríamos a un lado esta excepción. En el caso de nuestro enfoque vía el aprendizaje, es muy probable que se elija el recipiente A. Una cosa es cierta: este tipo de forma nunca se ha presentado antes, así que nos encontramos frente a una situación nueva.

Una nueva ficha, ¿qué hay que elegir?

Entonces, ¿por qué elegir el recipiente A (y no el B)? ¿Cómo podría el algoritmo hacer tal elección si nunca se ha encontrado con este escenario? En lo que respecta a este experimento...

1. ¿Qué es una red neuronal?

La idea inicial de una red neuronal (propuesta por McCullogh y Pits en 1943, y luego por Donald Hebb en 1949) era reproducir el funcionamiento del cerebro humano, con sus neuronas, axones, sinapsis, etc. Sin embargo, la realidad tecnológica ha puesto sus límites a esta idea de propagación de señales, porque la creación de redes neuronales (o NN - Neural Network) está en realidad bastante alejada del cerebro humano (que, por cierto, tiene más de 80.000 millones de neuronas y es mucho más complejo). Pero la idea de unidades microinformáticas (o neuronas) que reciben y transmiten señales en determinadas condiciones sigue siendo el elemento fundador de estas redes. Cada neurona recibe información como entrada y produce un resultado como salida. Esta salida se propaga a otras neuronas a través de otras capas de la red hasta que se produce un resultado final.

Afortunadamente, hoy en día existen varios frameworks para desarrollar y crear redes neuronales. Estos frameworks facilitan enormemente el diseño de redes neuronales, así como incluyen todo lo necesario para su entrenamiento, mantenimiento, monitorización, etc.

Entre los más utilizados se encuentran TensorFlow (Google) y PyTorch (Meta). 

2. Cómo funciona una neurona

Empecemos por el elemento más pequeño de la red: la neurona. Una neurona funciona de forma bastante sencilla y en dos etapas. Para entender su modo de funcionamiento, primero hay que comprender que una neurona se caracteriza por unos pesos y una función de activación. Los pesos representan su carné de identidad y se calcularán (para cada neurona de la red) durante la fase de entrenamiento. El papel de la función de activación es romper...

1. Por qué y cómo explicar un modelo

El método basado en el aprendizaje se aleja completamente de lo que se podría describir como el enfoque tradicional basado en reglas. En muchos casos, este último ha llegado a su límite, ya que con el tiempo se parece más a un cúmulo de excepciones que a reglas bien establecidas y controladas. Por desgracia, esta transparencia heredada de las reglas que conocemos y somos capaces de elaborar rápidamente, no se aplica en el caso del aprendizaje automático. Con el Machine Learning, ahora resulta complejo dibujar y explicar por qué y cómo un modelo ha tomado tal o cual decisión,  se trata de un verdadero cambio cultural. Como ocurre con cualquier cambio, se necesita tiempo para que todo el mundo lo acepte, aunque el Machine Learning parece ofrecer infinidad de nuevas perspectivas (ya no se pone en duda su eficacia en determinados campos).

Este enfoque, muy influenciado por las matemáticas (estadística/probabilidad), da miedo porque no siempre entendemos lo que pasa detrás de la escena, aunque los resultados sean a menudo (muy a menudo) pertinentes y justificados. ¿Cómo puede un modelo de Machine Learning tomar las decisiones correctas cuando la lógica que subyace a las elecciones no está claramente expresada? Y, sobre todo, ¿cómo justificar...