Aprendizaje automático

Nos guste o no, nuestra vida diaria está llena de tecnología. Como la mayoría de la gente, es probable que hayas empezado el día consultando tu teléfono o poniendo una lista de reproducción de Spotify para empezar el día. Después de levantarte, tal vez hayas consultado Google Maps para ver si el trayecto al trabajo va a ser ajetreado. Durante la pausa para comer, puede que hayas visto en las redes sociales un anuncio de una camisa sospechosamente perfecta. Después de volver a casa, ¿has puesto tu nueva serie favorita de Netflix para relajarte?

¿Le resulta familiar? Estos hábitos tecnológicos son comunes y omnipresentes en la mayor parte de nuestra vida cotidiana. Sin embargo, ninguna de estas pequeñas maravillas tecnológicas sería posible sin una poderosa herramienta: el aprendizaje automático.

El aprendizaje automático es el proceso por el que un ordenador intenta aprender de experiencias pasadas. El proceso general de aprendizaje automático es el siguiente: se introducen datos en una máquina, que los pasa por un algoritmo. Si el algoritmo devuelve el resultado correcto, lo utilizamos como ejemplo para seguir aprendiendo. Si el resultado es erróneo, proporcionamos información y la máquina aprende de sus errores. Cuantas más veces lo haga, mejor resolverá el problema.

Para simplificar la comprensión de este proceso, podemos compararlo con el estudio de una serie de problemas en un examen de matemáticas. Si lo resuelves correctamente, es probable que hayas seguido los pasos correctos para resolver el problema. Si te equivocas, tu profesor te dará su opinión y te mostrará en qué te has equivocado. Si pones en práctica este feedback y sigues practicando, el número de errores se reducirá al mínimo y tendrás más probabilidades de obtener una buena nota. Es importante tener en cuenta que el aumento del éxito no viene de practicar exactamente la misma pregunta una y otra vez, sino de ejecutar un algoritmo (conjunto de pasos) que puede aplicarse a muchos problemas diferentes y difíciles. Mientras que el estudio puede crear un genio de las matemáticas, el aprendizaje automático puede hacer que un ordenador sea muy preciso, eficaz y rápido a la hora de resolver problemas.

Redes neuronales: Modelo artificial interconectado diseñado para imitar cómo interactúan las neuronas entre sí.

Aprendizaje supervisado: Aprendizaje por asociación de características. En esencia, consiste en enseñar a una máquina a aprender proporcionándole un ejemplo claro y concreto.

Aprendizaje no supervisado: El proceso de proporcionar a una máquina un conjunto de datos sin etiquetar y hacer que el ordenador haga inferencias a partir de unos parámetros dados.

Curiosamente, los primeros trabajos sobre aprendizaje automático no proceden de los campos de las matemáticas o la informática, sino de la psicología. En 1949, el psicólogo canadiense Donald Webb escribió que cuando aprendemos algo nuevo, las neuronas de nuestro cerebro se conectan y construyen una red neuronal. Cuanto más se repite la nueva información o habilidad, más fuertes se vuelven las conexiones entre las neuronas. Esta teoría sentó las bases del aprendizaje automático moderno.

Diez años después, un informático llamado Arthur Samuel acuñó el término "aprendizaje automático". Lo hizo tras construir un sistema inteligente que podía jugar a las damas, al que dotó de la capacidad de aprender mediante un intrincado sistema de puntuación. Cada vez que se hacía un movimiento, el programa evaluaba la probabilidad de ganar en función de la posición de las piezas. Cuanto más jugara, mejor predeciría estas permutaciones.

En los diez años siguientes, los desarrollos de Hebb y Samuel se aplicaron al reconocimiento de imágenes. El Perceptrón, incorporado en 1957, fue uno de los inventos resultantes. Como primer programa informático diseñado para reconocer objetos, el Perceptrón fue un comienzo prometedor en el camino hacia el aprendizaje automático. Sin embargo, sólo era semifuncional, ya que sólo podía aprender objetos sencillos y tenía dificultades con los detalles de objetos más complejos, como las caras.

A pesar de este comienzo, poco después del perceptrón se descubrieron bastantes algoritmos eficaces que transformaron rápidamente nuestra capacidad para reconocer objetos. Al mismo tiempo, los investigadores empezaron a superponer redes neuronales, lo que sentó las bases del aprendizaje profundo. También aprendieron a hacer retropropagación, que es el proceso de ajuste de las neuronas para adaptarse a situaciones nuevas.

Hasta los años 70, inteligencia artificial era sinónimo de aprendizaje automático. Al igual que el aprendizaje automático, la historia de la inteligencia artificial se remonta a Hebb, Samuels y otros pioneros del aprendizaje automático. En el pasado, ambos campos utilizaban en gran medida las redes neuronales y la lógica matemática compleja para construir sus modelos. Sin embargo, los dos campos empezaron a divergir en la década de 1970, cuando el aprendizaje automático empezó a utilizar algoritmos y la inteligencia artificial abandonó las redes neuronales para centrarse más en las matemáticas. De este modo, los dos campos se diferenciaron, pero siguen estando estrechamente vinculados.

Tras esta escisión, el aprendizaje automático empezó a tomar un nuevo rumbo. Centrándose más en la probabilidad y la estadística, el sector dio prioridad a la resolución de problemas prácticos y empresariales, al tiempo que se centraba en la creación de modelos de redes neuronales eficaces. Con el despegue de Internet en la década de 1990, la gran cantidad de datos y servicios en línea disponibles hizo que las aplicaciones de aprendizaje automático ganaran popularidad.

El aprendizaje automático ha llegado a transformar casi todos los aspectos de nuestra vida digital. Hemos sustituido nuestros viejos electrodomésticos de baja tecnología por nuevos frigoríficos inteligentes, asistentes automatizados y, con el tiempo, coches que se conducen solos. A medida que pase el tiempo, este movimiento hacia la tecnología "más inteligente" no hará sino acelerarse. Pronto habrá pocos sectores que no se vean afectados por el aprendizaje automático. Estas innovaciones no se limitan a las comodidades personales: la sanidad, el medio ambiente, la tercera edad, la seguridad y la política están siendo moldeadas por las potentes aplicaciones del aprendizaje automático. Parece que, para competir y prosperar en la sociedad moderna, es imprescindible abordar las implicaciones futuras de las tecnologías de aprendizaje automático.

El aspecto más importante del aprendizaje automático es la capacidad de ampliar los cambios con rapidez. A medida que nuestro mundo se vaya llenando de datos, la capacidad de clasificarlos con precisión será clave para comprender mejor los problemas a los que nos enfrentamos. El aprendizaje automático, en su estado actual, es nuestra mejor herramienta para hacerlo. Aprovechar el poder del aprendizaje automático es esencial para cualquier empresa, gobierno o institución que intente proyectar en el futuro conocimientos basados en datos. En el mejor de los casos, esta capacidad que ofrece el aprendizaje automático nos ayudará a prever riesgos y a realizar avances más rápidos que nos impulsen hacia adelante.

El aprendizaje automático también ha transformado nuestra forma de entendernos a nosotros mismos. La simulación del proceso de aprendizaje humano en máquinas nos ha permitido comprender mejor el funcionamiento de nuestro cerebro. Por ejemplo, los últimos avances en aprendizaje automático nos han ayudado a profundizar en el diagnóstico y posible tratamiento de la dislexia. La dislexia, que es un trastorno del aprendizaje que afecta a la capacidad de las personas para leer y escribir, ha sido un misterio para los científicos durante bastante tiempo. En la actualidad, los investigadores no disponen de un único método de prueba que diagnostique con precisión la dislexia, y los métodos actuales se reducen al razonamiento inductivo a partir de varios factores diferentes.

Los niños con dislexia tienen dificultades para asociar letras concretas con sus sonidos, lo que provoca confusión en la ortografía y la lectura. Dado que la dislexia se reduce esencialmente a que el cerebro no consigue aprender estas asociaciones, el aprendizaje automático, que está diseñado para aprender por asociación, puede proporcionar un modelo eficaz del cerebro disléxico. Además, los métodos de clasificación del aprendizaje automático pueden permitirnos diagnosticar con precisión la dislexia en una fase temprana mediante métodos de aprendizaje no supervisado. En este sentido, el uso del aprendizaje automático y las rede^s neuronales puede proporcionar un modelo claro para abordar el diagnóstico de las dificultades de aprendizaje en el futuro.2

Como ya se ha dicho, el aprendizaje automático es el proceso de enseñar a las máquinas a aprender como los humanos. Por desgracia, los humanos no somos perfectos. Estamos plagados de sesgos y prejuicios, y como enseñamos a las máquinas a pensar como humanos, a menudo les programamos estos sesgos humanos. Los algoritmos de aprendizaje automático han sido constantemente objeto de escrutinio por ser discriminatorios, no inclusivos o imprecisos hacia las minorías raciales o de género.

Los ejemplos de sesgo en el aprendizaje automático son abundantes, incluso en las cumbres del sector. En 2014, Amazon trató de automatizar su proceso de contratación, por lo que construyó un sistema de IA que utilizaba el aprendizaje automático para revisar los currículos de los solicitantes de empleo. Tras un año de pruebas, Amazon tuvo que desechar todo el sistema, ya que había interiorizado las preferencias patriarcales que existen en la sociedad actual y discriminaba a las mujeres. Los currículos que incluían nombres femeninos o asociaciones con la palabra "mujer" eran automáticamente penalizados.

En 2016, Microsoft también intentó utilizar el aprendizaje automático para crear un chatbot, que obtenía sus datos de Twitter para aprender a comunicarse de forma más eficaz. En menos de un día, el ecosistema en línea convirtió a la IA en una intolerante que insultaba constantemente a grupos marginados y escupía bilis fascista.

En 2019, Facebook también tuvo su propio escándalo de aprendizaje automático. En aquel momento, su plataforma publicitaria, Facebook Ads, utilizaba una segmentación intencionada basada en el género, la raza y la religión. Cuando se trataba del mercado laboral, descubrieron que su sistema se dirigía a mujeres con trabajos tradicionalmente femeninos, como secretarias o enfermeras. Por otro lado, se dirigía a hombres pertenecientes a minorías en sectores como la limpieza o la conducción de taxis.

Está claro que el aprendizaje automático y la inteligencia artificial tienen un problema de parcialidad. Pero, ¿por qué? En primer lugar, el aprendizaje automático se basa en grandes cantidades de datos, que a menudo pueden estar sesgados hacia la población blanca y masculina. Por ejemplo, el conjunto de datos de referencia para el reconocimiento facial tiene un 70% de hombres y un 80% de blancos. Con un conjunto de datos como este utilizado en el aprendizaje automático que luego se utiliza en la población general, las tecnologías de reconocimiento facial van a ser ignorantes. A menudo, estos algoritmos no se diseñan necesariamente con malicia, sino ignorando la diversidad o las experiencias de los demás. Para combatir estos problemas, es importante incluir conjuntos de datos más equitativos, mejorar la diversidad en la comunidad tecnológica y aplicar estrategias efectivas de eliminación de prejuicios.

Aprendizaje automático e intervenciones personalizadas: David Halpern

¿Le interesa saber cómo el aprendizaje automático puede vincularse más concretamente con la ciencia del comportamiento? En este podcast, Jakob Rusinek, del Banco Mundial, entrevista a David Halpern, director general del Behavioural Insights Team, sobre el futuro de la ciencia del comportamiento y cómo el aprendizaje automático, la inteligencia artificial y la personalización están dando forma al futuro de la ciencia del comportamiento.

Aprendizaje hebbiano:

¿Le interesa saber más sobre cómo aprendemos? Si quiere saber más sobre las redes neuronales, la historia del aprendizaje automático o simplemente cómo funcionan nuestras neuronas, este artículo sobre el aprendizaje hebbiano es para usted.

1. Foote, K. D. (2019, 13 de marzo). Breve historia del aprendizaje automático. DATAVERSITY. https://www.dataversity.net/a-brief-history-of-machine-learning/#.
2. McFadden, C. (2020, 2 de diciembre). El aprendizaje automático podría ser el futuro del diagnóstico de la dislexia. Ingeniería de interés. https://interestingengineering.com/machine-learning-might-be-the-future-of-dyslexia-diagnosis.
3. Dilmegani, C. (2021, 9 de agosto). Bias in AI: What it is, types & examples of bias & tools to fix it. AIMultiple. https://research.aimultiple.com/ai-bias/.
4. Nouri, S. (2021, 3 de febrero). Puesto en el Consejo: El papel de los prejuicios en la inteligencia artificial. Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/02/04/the-role-of-bias-in-artificial-intelligence/?sh=1751699e579