Para qué sirve y para qué no sirve el aprendizaje automático (Machine Learning)

El aprendizaje automático ha permitido que las máquinas adquieran conocimientos tácitos, haciendo que cada día más tareas estén siendo automatizadas con sistemas basados en aprendizaje máquina o aprendizaje profundo. Identificar qué es susceptible de ser replicado por estos sistemas, y que no lo será por un tiempo, nos permitirá a todos a prepararnos para el futuro. Los expertos Erik Brynjolfsson (MIT) y Tom Mitchell (Carnegie Mellon University) han publicado un estudio al respecto.

1_YkJJt06cEuOePGFPGsD2xg.jpeg
Erik Brynjolfsson. Fuente

Las máquinas ya han adquirido conocimiento tácito

El conocimiento tácito, un concepto introducido por primera vez en la década de 1950 por el científico y filósofo Michael Polanyi, es el tipo de conocimiento que a menudo no somos conscientes de que tenemos, y por lo tanto es difícil transferirlo a otra persona (por no hablar de capturarlo en un programa informático). “Podemos saber más de lo que podemos decir“, dijo Polanyi en lo que se conoce como la paradoja de Polanyi. El conocimiento tácito se transmite mejor a través de interacciones personales y experiencias prácticas. Ejemplos cotidianos son hablar un idioma, andar en bicicleta y reconocer fácilmente a muchas personas, animales y objetos diferentes.

Esa frase de Polanyi es de bastante sentido común, pero capta sucintamente el hecho de que sabemos tácitamente mucho sobre la forma en que funciona el mundo, pero no somos capaces de describir explícitamente este conocimiento. Hasta ahora, este hecho nos impedía desarrollar máquinas o algoritmos más inteligentes.

Hasta ahora.

El aprendizaje automático ha permitido a la IA sortear uno de sus mayores obstáculos. El aprendizaje automático, y los avances relacionados, como el aprendizaje profundo, han permitido que las máquinas adquieran conocimientos tácitos. Los métodos de aprendizaje automático se aplican ahora a la visión, el reconocimiento del habla, la traducción de idiomas y otras capacidades que no hace mucho parecían imposibles, pero que ahora se acercan o superan los niveles de rendimiento humano en algunos ámbitos.

A medida que su dominio de aplicaciones continúa expandiéndose, el aprendizaje automático o Machine Learning (ML) está despertando serias preocupaciones sobre su impacto en la automatización y el futuro del trabajo. ¿Qué puede hacer el aprendizaje automático y qué no puede hacer?

Guía para aprender Inteligencia Artificial sin excusas. Escribe tu primera red neuronal

machine-learning-algorithms-840x488.jpg

8 criterios clave que ayudan a distinguir las tareas que son adecuadas para el aprendizaje automático

Erik Brynjolfsson, profesor del MIT y Tom Mitchell, profesor del Carnegie Mellon University, han definido 8 criterios que son necesarios para que una aplicación de machine learning tenga sentido.

1 – Aprender una función que asigna entradas bien definidas a productos bien definidos:

Tales como la clasificación (por ejemplo, el etiquetado de imágenes de animales o determinar la probabilidad de cáncer a partir de registros médicos) y la predicción (por ejemplo, determinar la probabilidad de incumplimiento en una solicitud de préstamo). Estas aplicaciones equivalen a correlaciones estadísticas sin captar necesariamente los efectos causales.

2 – Existen o se pueden crear grandes conjuntos de datos (digitales) que contienen pares entrada-salida.

Cuanto más grandes sean los conjuntos de datos de aprendizaje, más preciso será el aprendizaje. Una de las características clave de los algoritmos de aprendizaje profundo es que, a diferencia de los métodos analíticos clásicos, no hay límite de tamaño de datos asintóticos más allá de los cuales dejan de mejorar. Más datos para aprender, mejor funcionará la aplicación de ML.

3 – La tarea proporciona una retroalimentación clara con objetivos y métricas claramente definibles.

El Machine Learning funciona bien cuando podemos describir claramente los objetivos, aunque no podamos definir necesariamente el mejor proceso para alcanzarlos.

El ML es particularmente poderoso cuando hay métricas de rendimiento específicas para todo el sistema. Por ejemplo, obtener la mayor cantidad de puntos en un videojuego u optimizar el flujo de tráfico general de una ciudad. Tales métricas pueden ser incorporadas en los datos del aprendizaje, son metas claras y que pueden evaluarse objetivamente.

4 – No hay largas cadenas de lógica o razonamiento que dependan de diversos conocimientos previos o del sentido común.

Los sistemas de Machine Learning son muy buenos en el aprendizaje de asociaciones empíricas basadas en datos, pero son menos efectivos cuando la tarea requiere largas cadenas de razonamiento o de planificación compleja previa, basada en lo que llamamos sentido común o conocimiento de fondo, lo cual es totalmente desconocido para la máquina. El ML funciona bien en situaciones que requieren una reacción rápida y proporciona una retroalimentación rápida, como en los videojuegos. Le va peor en eventos que dependen del contexto establecido por múltiples eventos previos.

5 – No hay necesidad de una explicación detallada de cómo se tomó la decisión

Explicarle a un humano el razonamiento detrás de una determinada decisión o recomendación hecha por un algoritmo de Machine Learning es bastante difícil, porque sus métodos (sutiles ajustes a los pesos numéricos que interconectan su enorme número de neuronas artificiales) son tan diferentes de los utilizados por los humanos que no podemos entenderlo fácilmente.

6 – Tolerancia a errores y sin necesidad de soluciones correctas u óptimas demostrables

Los algoritmos ML crean soluciones a partir de funciones estadísticas, asignando probabilidades a las diferentes opciones que evalúa. Rara vez es posible entrenarlos con un 100% de precisión. Incluso los mejores sistemas ML cometen errores (al igual que los mejores humanos, por cierto), por lo que es importante ser consciente de que no son perfectos.

7 – El fenómeno o función que se aprende no debe cambiar rápidamente con el tiempo

En general, los algoritmos ML funcionan bien sólo cuando la distribución de los futuros ejemplos de pruebas es similar a la distribución de los ejemplos de entrenamiento. Si la función cambia rápidamente con el tiempo, normalmente es necesario volver a capacitar el sistema (entrenarlo con nuevos datos y repartir todo de nuevo), lo que requiere la adquisición de nuevos datos de aprendizaje, entre otras cosas, lo cual es costoso

8 – No se requiere destreza especializada, habilidades físicas o movilidad

Los sistemas de ML ya han superado los niveles de rendimiento humano en una serie de tareas. Sin embargo, mientras que los cerebros de los “robots de la IA digital” lo están haciendo bastante bien, sus capacidades físicas siguen siendo bastante torpes en comparación con los humanos, especialmente cuando se trata de tareas y entornos no estructurados.

main-qimg-33480ff9bf380946b73b0b7448429d20.png

Un futuro basado en Machine Learning del que no podemos escapar

Estamos entrando en una nueva era de la automatización. Nuestras máquinas, cada vez más inteligentes, automatizarán un conjunto más amplio de tareas en los próximos años. Ya no basta con comparar lo rutinario con lo no rutinario para predecir qué tareas son candidatas adecuadas para la automatización.

Cada día más tareas se están convirtiendo en candidatas paraser automatizadas con sistema de Machine Learning. La simple extrapolación de las tendencias pasadas es engañosa, se necesita un nuevo marco.

La mayoría de las profesiones implican una serie de actividades o tareas repetitivas. Algunas de estas actividades son más susceptibles a la automatización, mientras que otras requieren juicio, habilidades sociales y otras capacidades humanas difíciles de automatizar. Pero el hecho de que algunas de las actividades de un trabajo hayan sido automatizadas no implica que todo el trabajo haya desaparecido. Por el contrario, la automatización de partes de un trabajo a menudo aumentará la productividad y la calidad de los trabajadores al complementar sus habilidades con máquinas y algoritmos, además de permitirles concentrarse en aquellos aspectos del trabajo que más necesitan su atención.

Según un estudio reciente de McKinsey, si bien casi la mitad de todas las actividades podrían automatizarse para el año 2030 mediante la adaptación de las tecnologías actualmente disponibles, es probable que pocas ocupaciones desaparezcan por completo. En cambio, lo que sí ocurrirá es que un porcentaje creciente de ocupaciones experimentará cambios significativos.

Una mejor comprensión de la aplicabilidad precisa de cada tipo de Machine Learning y sus implicaciones en tareas específicas es crítica para comprender su probable impacto económico y en la vida de todos y cada uno de nosotros.

Fuente: Medium

articulo_oficial

Un comentario en “Para qué sirve y para qué no sirve el aprendizaje automático (Machine Learning)

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s