E inicio la temporada de 2022 con un post muy sencillito pero en el cual, precisamente, la sencillez es la principal cualidad.
En el amplio campo de la Inteligencia Artificial, sabemos que un importante subconjunto, el más de moda y más progreso en los últimos años, es el del machine learning en que las máquinas (los algoritmos) aprenden.
Eso es bastante conocido pero si ahora, a bocajarro, nos preguntasen qué es exactamente eso de aprender, a lo mejor podríamos dudar o incluso quedarnos en blanco, por más que intuitivamente lo tengamos bastante claro.
Bueno, pues en el libro ‘Artificial Intelligence. A modern approach‘ sus autores, Stuart Russell y Peter Norvig, nos ofrecen una definición muy clara y muy compacta:
An agent is learning if it improves its performance after making observations about the world.
De la definición de deduce la existencia de un ente, al agente (‘agent‘) que realiza alguna tarea sobre su entorno (‘world‘), el cual puede observar (‘observations‘) y el desempeño (‘performance‘) de esa tarea es valorable de alguna manera. Aunque el libro trata de inteligencia artificial, los autores entienden esta definición como de validez general, incluyendo el caso en que el agente es un ser humano y no necesariamente un algoritmo o un robot.
No me he dedicado a hacerle a esta definición ‘la prueba del nueve‘ a ver si hay algún caso en que esta forma de expresarlo no es correcta. Estoy seguro de que en algún caso habría que matizarla, particularizarla o explicarla, pero en conjunto me parece brillante por su sencillez y compacidad y, en el caso de entes artificiales, expresa muy bien lo que queremos conseguir.
En el caso de los algoritmos de machine learning los autores nos hacen ver que lo que observa el algoritmos son datos (aunque estos pueden proceder mediante sensores del mundo exterior) y que se basan en un modelo que, de alguna forma refleja su hipótesis sobre cómo es ese mundo exterior y además permite solucionar problemas.
Claro y sencillo ¿no?
