Machine Learning explicado para todos
2021-08-07
En esta nueva publicación vamos a explicar de forma simple qué es Machine Learning o Aprendizaje automático, en qué consiste este término que está muy de moda y cada vez más presente en la actualidad.
Motivación
A la hora de explicar un concepto, contar cómo funciona una determinada tecnología o vender un servicio, es sumamente importante dejar de lado el lenguaje técnico y transmitir nuestras ideas de forma sencilla. Podríamos decir que es una forma amigable, y por qué no inclusiva, de que la gente con poco o nulo conocimiento pueda entender lo que hacemos. A su vez, esto facilita el “boca en boca”, por lo que tener la habilidad de simplificar conceptos complejos es clave. Justamente es eso lo que trataremos de hacer en este blog al hablar de Machine Learning.
¿Qué se entiende por hacer uso de Machine Learning o Aprendizaje Automático?
¿Por qué se habla de “aprendizaje”?
Visto de una manera simple, la computadora es capaz de “aprender” de datos que el usuario le proporciona a fin de alcanzar una meta específica. La forma en que la computadora logra este aprendizaje es a través de algoritmos. Los algoritmos son una serie de pasos definidos que son programados en un determinado lenguaje que la computadora será capaz de interpretar y ejecutar. Un algoritmo puede ir desde una simple ecuación de una línea recta, hasta sistemas complejos que involucran métodos estadísticos, reglas matemáticas y expresiones lógicas. La finalidad de implementar estos algoritmos es lograr que la computadora tenga la capacidad de interpretar los datos que se le proporciona. Detrás de esto se tiene la intención de obtener resultados de valor, pudiendo encontrar patrones ocultos al ojo humano, e incluso procesar una cantidad de datos mayor al que uno mismo sería capaz.
¿Qué tipos de Aprendizaje Automático existen?
El problema a resolver definirá el ambiente o entorno en el que se va a desenvolver la solución y los factores que afectarán la toma de decisiones. Debido a esto, podemos encontrar distintos tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo.
Aprendizaje automático supervisado
Aquí los datos con los que construimos el modelo están “etiquetados”. Esto quiere decir que se conoce el resultado de la variable que queremos predecir (variable dependiente u objetivo) para ciertas observaciones. Por ejemplo, si queremos entrenar un modelo que prediga si un cliente cancelará su suscripción, necesitaremos un conjunto de datos con una variable que contenga el resultado de la cancelación (canceló o no canceló) para clientes anteriores o existentes. Este resultado tiene que ser etiquetado por alguien antes del entrenamiento de un modelo. Si este conjunto de datos contiene 5.000 observaciones, es necesario que todas ellas tengan el resultado marcado. El objetivo del modelo es aprender la relación entre esta columna de resultados y las demás características (también llamadas variables independientes o variables predictoras).
Aprendizaje automático no supervisado
Es lo opuesto al aprendizaje automático supervisado. Nuestros datos no están etiquetados y no son necesarias estas etiquetas para construir el modelo. Dentro de este tipo de algoritmos, el agrupamiento (clustering, en inglés), es el más utilizado. El clustering es muy popular para realizar la segmentación de clientes. Aquí el algoritmo busca agrupar a los clientes con comportamientos y/o características similares a partir de los datos suministrados.
Aprendizaje automático por refuerzo
Los algoritmos de aprendizaje por refuerzo se distinguen aún más que los dos anteriores. Aquí se definen modelos y funciones enfocadas en maximizar una medida de “recompensas”, basados en “acciones” y el ambiente en donde se desempeñará el sistema. Este algoritmo es el más relacionado a la psicología conductista de los humanos. Es un modelo acción-recompensa, en dónde el algoritmo busca la mejor “recompensa” dada por el ambiente, estando sus acciones sujetas a estas recompensas. Este tipo de métodos pueden usarse para hacer que los robots aprendan a realizar diferentes tareas cómo por ejemplo: jugar al ajedrez. Aquí el robot aprende jugada tras jugada a partir de la “recompensa” obtenida en cada una de ellas. Esta recompensa se define de acuerdo al objetivo del sistema. En el caso del robot, la recompensa podrá ser la probabilidad de ganar la partida.
Últimas palabras
Solo resta decir que el enfoque elegido dependerá de lo que se quiere conseguir. Cada tipo de aprendizaje automático tiene sus ventajas y áreas de oportunidad. El reto está en saber determinar bien la naturaleza de nuestro problema. Así podremos determinar cuál tipo de Machine Learning o Aprendizaje Automático es el que más conviene implementar y, de esta manera, tener éxito en la resolución de nuestro problema.