En este post veremos el enfoque y aplicaciones claves que aporta el machine learning como elemento distintivo, frente a un contexto general de inteligencia artificial que engloba ésta y otras áreas.
La inteligencia artificial es un concepto que engloba al aprendizaje automático o de máquinas (machine learning), por lo que una primera aproximación a ambos términos nos sitúa ya en un contexto de subordinación que en modo alguno implica inferioridad.
A pesar de sus especificidades, ambos son sistemas de inteligencia artificial, y como tales persiguen un único fin: la creación de dispositivos o algoritmos que omiten o reemplacen al ser humano emulando sus funciones cognitivas.
Básicamente, se trata de convertir a las máquinas en dispositivos más inteligentes para interactuar mejor con nosotros.
La investigación de la inteligencia artificial, en efecto, se centra en muy distintos campos, entre ellos el machine learning o, por ejemplo, el deep learning o aprendizaje profundo, una nueva área de investigación de éste. En los últimos años, además, aquel ha avanzado de forma sorprendente, adquiriendo un protagonismo que parece dotarlo de una autonomía en realidad ficticia.
La inteligencia artificial
A la hora de establecer sus coordenadas con el fin de ubicarlo en su lugar, como hemos apuntado, comprobamos que ese lugar no es otro que el amplio campo de la inteligencia artificial. Así pues, la especificidad del machine learning con respecto a ésta sería una de las principales diferencias entre ambas.
De nuevo, apuntamos la importancia de no confundir su pertenencia a la inteligencia artificial, como subcampo, con su tremendo auge, adquirido a raíz de la pujanza recientemente experimentada. De hecho, el machine learning es una de las ramas más destacadas de la inteligencia artificial.
Hasta tal punto ha cobrado una fuerza inusitada en los últimos años que al no versado en la materia le suele resultar complicado encontrar diferencias entre machine learning e inteligencia artificial. Lejos de ser sinónimos, por otra parte, no cabe duda de que tienen una relación estrecha y, como es lógico, en muchos aspectos los conceptos se solapan.
Si atendemos a las dos acepciones de la inteligencia artificial: aplicada y robusta, solo la primera encajaría en el concepto de machine learning. Así es, al menos, por ahora, ya que solo llegaremos a la segunda cuando las máquinas puedan realmente equipararse a los humanos.
Es decir, justo cuando las habilidades congnitivas de máquinas y humanos sean intercambiables. Un desiderátum o quizá una amenaza, el eterno debate, pero en todo caso un futurible.
Así pues, solo el tiempo nos dirá si la inteligencia artificial formará parte del futuro, un extremo que los expertos no estiman que pueda ocurrir en los próximos años. En definitiva, la inteligencia artificial gira alrededor de ese periodo previo, cuya meta está envuelta de incertidumbre, y tanto el machine learning como el deep learning se engloban en este ámbito.
Machine learning: el autoaprendizaje
El machine learning logra el aprendizaje de los ordenadores a partir de los datos que se le introducen, así como de la ejecución de algoritmos. En concreto, comparte con otras ramas de la inteligencia artificial el uso de algoritmos, pero con un enfoque en los datos orientado a “educar” a la maquinaria para fomentar su autonomía.
Remontarnos a los orígenes del machine learning significa remontarnos a los años sesenta. Concretamente, hemos de mencionar como claves los trabajos de Vapnik y Chervonenkis, matemáticos que desarrollaron sus teorías lejos del mundo de la probabilidad y la estadística.
Sus propuestas se diferenciaban de forma importante de las estadísticas tradicionales, pues si bien el machine learning se centra en cómo encontrar objetos abstractos como una probabilidad, por ejemplo, principalmente lo hace la parte operativa, es decir, en la toma de decisiones de los datos minimizando los errores.
El aprendizaje automático, así pues, se diferencia de conceptos tradicionales por esa esta capacidad que otorgan los algoritmos para aprender de los datos. En este punto, el machine learning forma parte de la inteligencia artificial, pues su desarrollo se basa en la teoría del aprendizaje computacional.
Pero también bebe de otras fuentes, ya que también se desarrolló a partir del estudio de reconocimiento de patrones, una ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos. Su objetivo es obtener información que permita establecer propiedades de entre los conjuntos de dichos objetos.
Los ejemplos van más allá de la robótica, abarcando desde sus aplicaciones en data science dentro del Big Data, hasta, por ejemplo, programas informáticos de detección de fraude, aplicación en el sector de la medicina y en numerosos ámbitos de la investigación.
Sin embargo, todavía queda un largo camino para llegar al objetivo. Hoy por hoy, “las personas siguen siendo mucho mejores a la hora de aprender”, afirma Brenden Lake, investigador estadounidense de referencia a nivel mundial, que trabaja en el campo del machine learning.
Uno de sus más recientes trabajos, realizado con su equipo de la Universidad de Nueva York y publicado en la revista Science, supone un cualitativo avance en el sempiterno desafío de equiparar la capacidad de aprendizaje y creativa de las máquinas al de las personas.
Sin dejar de ser una aportación importante, el estudio es una contribución más, dentro de un área en constante ebullición investigadora. En esta ocasión, más allá del aprendizaje de las máquinas a partir de cientos o miles de ejemplos, el estudio logró desarrollar un algoritmo capaz de aprender conceptos a partir de un único ejemplo.
Además, éste posibilita un aprendizaje muy similar a los humanos, pudiendo también reconocer y dibujar letras y otros caracteres o conceptos visuales simples. Un pequeño paso que, sumado a otros muchos anteriores y, a buen seguro, a futuros avances, va acortando esa brecha que parece insalvable entre máquina y humano.
Sin caer en triunfalismos, no resulta exagerado afirmar que los progresos son constantes en inteligencia artificial, especialmente en machine learning. Tal y como concluye José Cordeiro, profesor fundador de la Singularity University en NASA Research Park, en Silicon Valley (California), trabajos como el de Lake “demuestran el rápido avance que experimenta el aprendizaje automático” y nos abre perspectivas inimaginables.
