El machine learning es, hoy en día, el subconjunto dominante, o al menos el que más atención en medios recibe, dentro de la inteligencia artificial.
Aunque existe muchísima literatura, de todo tipo de pelajes y calidades al respecto, me imagino que, según la persona, según su ‘background‘, según sus fuentes y según su propio interés, la comprensión real de lo que el machine learning es, puede ser muy diferente.
En este sencillo post quería recoger un par de ideas que me encuentro en el libro ‘Artificial Intelligence. A modern approach‘ de Stuart Russell y Peter Norvig y que me han gustado y parecido valiosas por lo simples que resultan, por su entiendo fácil comprensión, manteniendo sin embargo el acierto y la fidelidad al concepto y su realidad.
El concepto de aprendizaje
La primera idea es una definición simple, una definición que casi, casi, es una definición de machine learning aunque, en realidad, es algo más general, para poder referirse a aprendizaje en general. A lo largo de todo su libro, Russell y Norvig nos hablan de agentes, unos agentes que, por tratarse de sistemas de inteligencia artificial, son sistemas artificiales y sistemas fundamentalmente software.
Pues bien, cuando empiezan en su libro a hablar de machine learning, en lo primero que se detienen es en decir qué es eso de aprendizaje y lo que nos cuentan es, simplemente, que:
An agent is learning if it improves its performance after making observations about the world.
Mejorar el desempeño a partir de observaciones sobre el mundo. Es una forma muy compacta y probablemente muy acertada de explicar en qué consiste aprender. Aunque hablamos de machine learning, es posible que esta especie de definición pudiera ir más allá y aplicar a otro tipo de agentes (¿incluidos los humanos?) … pero al menos en este artículo lo vamos a dejar aquí.
Razones para el machine learning
Y la otra idea que me gusta como expresan los autores, apenas unas líneas más abajo, es el motivo para el machine learning, por qué acudir a este tipo de técnicas con todo el acervo de algoritmos y estrategias existentes. Y nos aportan dos razones simples:
- Porque a veces los diseñadores de algoritmos no pueden anticipar todas las situaciones futuras
- Porque en ocasiones los diseñadores no tienen ni idea de cómo programar la solución ellos mismos
La primera razón sirve un poco de comparativa a otro abundante tipo de algoritmos, a los cuales dedican una grandísima extensión en su libro, que, con muchas diferentes variantes, lo que hacen de alguna forma es buscar la solución entre un espacio de estados posibles conocidos.
Existen muchas variantes según si esa búsqueda y esos estados son ciertos o probabilistas, sobre si tenemos observaciones del mundo exterior o no, sobre si estamos interactuando o compitiendo o no con otros agentes pero, en cualquier caso, existe un espacio conocido de estados posibles. Lo que nos están diciendo Russell y Norvig es que el machine learning se utiliza cuando no podemos siquiera anticipar esos estados o soluciones posibles.
Quizá más interesante o más definitoria aún, me resulta la segunda razón. Los algoritmos ‘normales’, y no me refiero sólo a los de inteligencia artificial sino también a reglas de negocio o incluso algoritmos más simples, el desarrollador se sabe las reglas a seguir para obtener la solución y las puede programar de manera explícita (como se programan siempre los ordenadores, por cierto).
Pero los problemas que aborda el machine learning, muchos de los que aborda la inteligencia artificial, son problemas para los que los humanos no sabemos proporcionar reglas explícitas sobre cómo se resuelve incluso cuando, en muchos casos, los humanos sabemos hacerlo de manera sencilla cuando nos toca a nosotros (visión, escucha, ambigüedades del lenguaje…).
Así que, si no sabemos proporcionarle las reglas, lo que hacemos es proporcionar un modelo general y reglas sobre cómo aprender… pero dejamos que sea el agente de machine learning el que aprenda por sí mismo, el que descubra patrones y, de alguna forma, esas reglas que no hemos sabido proporcionarle.
Conclusión
¿Sirven estas ideas para clarificar al lector lo que hace y por qué el machine learning? Espero que sí. A mi, por lo menos, me ha gustado mucho la forma compacta y directa de expresarlo.
1 comentario