Aprendizaje automáticoMachine Learning

Se invirtió el sentido en que se escriben las reglas

Los programas de antes seguían este orden: una persona escribía primero la regla y la máquina la seguía tal cual. Si la entrada es así, la salida es asá. Este método sigue siendo el mejor hoy para tareas donde la regla es clara. No hace falta aprendizaje automático para una calculadora.

El problema es que hay muchísimas más tareas donde la regla no se puede escribir. Si se intenta escribir la regla para reconocer un número escrito a mano, se traba desde la primera línea: cada persona escribe el número tres de una forma distinta, y esa diferencia no se puede pasar a palabras.

El aprendizaje automático invierte la flecha. Lo que una persona entrega ya no es la regla, sino ejemplos. Si se le dan diez mil trazos escritos a mano y la marca de que eso es un tres, la máquina encuentra por su cuenta lo que tienen en común y arma la regla. La persona solo dice qué quiere; cómo hacerlo lo completa la máquina.

El entrenamiento pasa y queda el modelo

El aprendizaje automático se divide en dos grandes momentos. El primero es el entrenamiento. Al ver los ejemplos uno por uno, mueve poco a poco los muchos valores que ajusta por dentro. Gira la perilla solo lo que corresponde al error, y repite eso millones de veces. Es el tiempo equivalente a preparar café un poco distinto cada día.

Cuando termina ese tiempo, los valores ajustados quedan detenidos en un estado. Ese estado detenido, guardado entero, es el modelo. El entrenamiento es lento y costoso, pero solo hace falta una vez; usar el modelo ya hecho es rápido y se puede repetir muchas veces. Averiguar la regla del café costó veinte tazas, pero una vez averiguada, alcanza con prepararlo igual cada mañana.

Por eso, en las conversaciones sobre aprendizaje automático, entrenamiento y modelo siempre aparecen en pareja. Entrenamiento nombra el proceso; modelo nombra lo que ese proceso deja como resultado.

La calidad de los ejemplos define el resultado

El aprendizaje automático solo encuentra reglas dentro de los ejemplos que se le mostraron. Por eso, si los ejemplos están inclinados hacia un lado, la regla sale igual de inclinada. Un modelo entrenado solo con fotos de día se tambalea frente a fotos de noche. Es lo mismo que pasa con una regla de café ajustada solo para el grano de la propia casa, que no encaja con el grano de otro lugar.

Pasa igual si la marca pegada al ejemplo está equivocada. La máquina no desconfía de esa marca: la aprende tal cual. Por eso, en la práctica, el tiempo que se dedica a reunir y depurar los ejemplos suele ser mucho más largo que el que se dedica a ajustar el modelo.

Memorizar y aprender no son lo mismo

Si se memorizan los ejemplos tal cual, el examen sale bien, porque preguntan justo lo que ya se vio. Pero frente a algo nunca visto, se desmorona. En el aprendizaje automático, a este estado se le llama sobreajuste.

Por eso se separan los ejemplos usados para entrenar de los que se van a usar para revisar. Solo examinando con ejemplos que nunca se mostraron durante el entrenamiento se puede saber si de verdad se encontró la regla. A esta capacidad de funcionar también con algo nunca visto se le llama generalización, y eso es siempre lo que el aprendizaje automático busca en el fondo.

También hay varias formas de aprender

La más común es dar la respuesta correcta junto con el ejemplo. Si se empareja una foto con lo que esa foto representa, la máquina aprende esa relación. Se llama aprendizaje supervisado.

También existe la forma de dar solo ejemplos, sin respuesta correcta: si se deja que lo parecido se agrupe solo, aparecen grupos de clientes o bloques de textos. Es el aprendizaje no supervisado. Y está el aprendizaje por refuerzo, que premia lo que sale bien y castiga lo malo para que el sistema encuentre el método, algo parecido a ajustar la receta calificando el sabor cada vez.