¿Qué es el aprendizaje automático y cómo funciona? Aquí hay un video básico breve

El aprendizaje automático es el proceso mediante el cual los programas informáticos crecen a partir de la experiencia.

Esto no es ciencia ficción, donde los robots avanzan hasta conquistar el mundo.

Cuando hablamos de aprendizaje automático, nos referimos principalmente a algoritmos extremadamente inteligentes.

En 1950, el matemático Alan Turing argumentó que es una pérdida de tiempo preguntar si las máquinas pueden pensar. En cambio, propuso un juego: un jugador tiene dos conversaciones escritas, una con otro humano y otra con una máquina. Basado en los intercambios, el humano tiene que decidir cuál es cuál.

Este “juego de imitación” serviría como prueba para la inteligencia artificial. Pero, ¿cómo programaríamos las máquinas para reproducirlo?

Turing sugirió que les enseñáramos, como a los niños. Podríamos instruirles para que sigan una serie de reglas, mientras les permitimos hacer ajustes menores basados ​​en la experiencia.

Para las computadoras, el proceso de aprendizaje se ve un poco diferente.

Primero, necesitamos proporcionarles muchos datos: cualquier cosa, desde imágenes de objetos cotidianos hasta detalles de transacciones bancarias.

Luego tenemos que decirle a las computadoras qué hacer con toda esa información.

Los programadores hacen esto escribiendo listas de instrucciones paso a paso o algoritmos. Esos algoritmos ayudan a las computadoras a identificar patrones en grandes cantidades de datos.

Con base en los patrones que encuentran, las computadoras desarrollan una especie de “modelo” de cómo funciona ese sistema.

Por ejemplo, algunos programadores utilizan el aprendizaje automático para desarrollar software médico. Primero, pueden alimentar un programa con cientos de imágenes de resonancia magnética que ya se han categorizado. Luego, harán que la computadora construya un modelo para categorizar las resonancias magnéticas que no ha visto antes. De esa manera, ese software médico podría detectar problemas en los escaneos de pacientes o marcar ciertos registros para su revisión.

Los modelos complejos como este a menudo requieren muchos pasos computacionales ocultos. Para la estructura, los programadores organizan todas las decisiones de procesamiento en capas. De ahí viene el “aprendizaje profundo”.

Estas capas imitan la estructura del cerebro humano, donde las neuronas envían señales a otras neuronas. Por eso también las llamamos “redes neuronales”.

Las redes neuronales son la base de los servicios que usamos todos los días, como los asistentes de voz digitales y las herramientas de traducción en línea. Con el tiempo, las redes neuronales mejoran su capacidad de escuchar y responder a la información que les damos, lo que hace que esos servicios sean cada vez más precisos.

Sin embargo, el aprendizaje automático no es solo algo encerrado en un laboratorio académico. Muchos algoritmos de aprendizaje automático son de código abierto y están ampliamente disponibles. Y ya se están utilizando para muchas cosas que influyen en nuestras vidas, en formas grandes y pequeñas.

La gente ha usado estas herramientas de código abierto para hacer de todo, desde entrenar a sus mascotas hasta crear arte experimental para monitorear incendios forestales.

También han hecho algunas cosas moralmente cuestionables, como crear deep fakes: videos manipulados con aprendizaje profundo. Y debido a que los algoritmos de datos que usan las máquinas están escritos por seres humanos falibles, pueden contener sesgos. Los algoritmos pueden llevar los sesgos de sus creadores a sus modelos, lo que exacerba problemas como el racismo y el sexismo.

Pero no hay forma de detener esta tecnología. Y la gente está encontrando aplicaciones cada vez más complicadas para él, algunas de las cuales automatizarán cosas que estamos acostumbrados a hacer por nosotros mismos, como usar redes neuronales para ayudar a impulsar automóviles sin conductor. Algunas de estas aplicaciones requerirán herramientas algorítmicas sofisticadas, dada la complejidad de la tarea.

Y si bien eso puede estar en el futuro, los sistemas aún tienen mucho que aprender.