Machine learning: què és i quina és la seva relació amb la ia?

Avui et volem ensenyar més en profunditat un dels termes que ha revolucionat i revolucionarà algunes interaccions tal com les coneixem. Parlem de la Intel·ligència Artificial i la seva branca més específica, el Machine Learning o Aprenentatge Automàtic.

Com sabràs la informàtica sempre està en contínua evolució i el que podem comprar mai sol ser el més punter possible.

Per exemple, mentre movem la 4a generació de PCI-Express, els investigadors estan desenvolupant ja PCIe Gen 5 i estudiant el salt fins a la 6ª. Per aquesta mateixa raó no és estrany trobar-nos tecnologies que no coneixíem fent tasques les que mai havíem sentit parlar.

Però abans d'anar-nos més per les branques acotemos una mica el tema de què parlarem perquè, què és el Machine Learning?

Índex de continguts

Què és el Machine Learning?

El Machine Learning és una branca específica de les ciències de la computació i la Intel·ligència Artificial on es creen sistemes capaços d'aprendre automàticament.

Aquesta branca va començar el seu estudi i desenvolupament al voltant dels anys 80 i avui dia està bastant desenvolupada. Per aquesta mateixa raó, tant les Intel·ligències Artificials com el Machine Learning és usat en molts àmbits tant científics com quotidians.

En aquesta branca, les IAs estan conformades per un o diversos algoritmes capaços processar grans quantitats de dades i aprendre en conseqüència. Les dues idees clau sobre la qual orbita aquest tema són:

• El sistema ha de ser capaç d'analitzar dades i construir habilitats que no tenia en el seu naixement. La Intel·ligència ha de ser capaç de fer els treballs de forma autònoma, és a dir, sense supervisió humana.

En el món real tenim exemples pràctics com la classificació d'spam en correus electrònics, les recomanacions relacionades a Amazon o les prediccions de futur utilitzant dades d'empreses. Aquest últim és un apartat interessant per la qual cada vegada més companyies estan apostant.

Usant el Machine Learning podem veure quins patrons identifiquen clients insatisfets o ex-clients per intentar millorar la relació amb altres usuaris en el seu mateix estat. S'estudia l'antiguitat, nombre de queixes, plans contractats i altres per crear certs perfils. Un cop obtingudes les conclusions de la IA, un grup d'experts en màrqueting poden crear una campanya específica per combatre aquests problemes.

Així, l'empresa pot crear plans per atreure o mantenir clients en base a certes pressuposicions i es passa d'una estratègia reactiva a una proactiva. És una tàctica molt interessant que fa servir Intel·ligències Artificials, grans quantitats de dades i el Machine Learning.

Com s'entrenen les Intel·ligències Artificials?

Perquè una Intel·ligència Artificial estigui preparada ha de passar per diferents fases:

1. Primer passa per un entorn controlat. Aquí se li introdueixen una gran quantitat de dades i els seus respectius resultats amb els quals podrà crear relacions entre idees. A aquesta part se l'anomena Aprenentatge Supervisat. Després, se li posa en un entorn lliure i sense respostes on la mateixa IA haurà de seleccionar un resultat. A el conèixer si les seves respostes són encertades o no, crea noves regles en el seu algorisme. A aquesta etapa se l'anomena Aprenentatge no supervisat. Finalment, se li prepara un entorn on se li s'entrenen les habilitats que flaqueja. Si per exemple li costa diferenciar imatges amb baixa lluminositat, potser se l'entrena amb fotos nocturnes. Aquesta fase es diu Aprenentatge de Reforç. El procés es pot des del pas 2 tantes vegades com es vulgui afinar a la Intel·ligència.

Esquema generalitzat sobre Machine Learning

Un exemple pràctic seria ensenyar-li a una IA deu milions de fotos i dir-li en quins hi ha gossos i quins no. Aquí relacionarà que els gossos solen tenir pelatge, solen anar en quatre potes i hi ha diferents formes i mides segons la raça.

Després, se li dóna un milió de fotos perquè les classifiqui. Aquí haurà de respondre si hi ha un gos o no a la foto i segons si encerta o no crearà noves 'idees' a la base de dades. Per implementar aquestes noves dades, la Intel·ligència establirà noves regles en el seu algorisme i ara, per exemple, serà capaç de diferenciar gossos de gats.

Finalment, s'estudia la seva eficiència i se li preparen noves fotos per entrenar els seus punts febles.

Per descomptat, aquest és un sistema senzill i molt repetit per a la demostració, però hi ha altres mètodes més experimentals i peculiars.

Tay, la bot de Twitter

Un cas recent d'entrenament experimental va ser Tay, una IA desenvolupada per Microsoft pensada per aprendre a expressar-se com un humà.

Perfil de Twitter de Tay

La bot va ser programada per, inicialment, parlar com una noia de 19 anys i el 23 de març de 2016 va ser alliberada en els foscos paratges de Twitter.

Se li va programar per parlar amb la comunitat i aprendre dels missatges que rebia així com de les seves interaccions amb usuaris. El seu aprenentatge va ser gairebé totalment autònom, encara que va haver de ser retirada després de 16 hores per mostrar comportaments negatius.

En la curta durada de la seva vida, twitteó més de 96 mil tweets. No obstant això, el comportament ofensiu intencional d'aquesta xarxa social va fer que més ràpid que aviat Tay respongués amb frases racistes i d'altres índoles.

En aquest cas, l'Aprenentatge Supervisat i la sèrie de regles base van haver de ser degudament revisades. Coneixent el to despreocupat i ofensiu de la xarxa social, Tay no estava preparada per diferenciar la realitat de l'sarcàstic. Per aquest mateix motiu, alguns usuaris van aconseguir 'trencar' fàcilment la 'barrera intel·lectual' de la Intel·ligència.

Aplicacions de Machine Learning en el món real

Ja t'hem parlat d'alguns usos quotidians que potser ja coneixies de l'Machine Learning, però quins altres casos existeixen.

A continuació veuràs un seguit d'aplicacions pràctiques d'aquesta tecnologia en problemes d'allò més comuns. Això sí, són solucions punteres, així que també solen requerir bastant més diners.

salut

Està sota estudi una tecnologia per a un tipus nou de roba capaç de llegir informació sobre el nostre cos. Aquesta podria ser capaç de llegir els nostres pols, respiració o ansietat.

Aquestes dades són llegits per una Intel·ligència que avalua l'estat de l'pacient en temps real. Així si pateix en un moment concret un problema com un infart, es pot diagnosticar i / o respondre amb més rapidesa.

D'altra banda, s'han posat en pràctica alguns bots capaços de detectar pensaments suïcides en algunes persones. La famosa Intel·ligència de Facebook llegeix les converses i la teva activitat per reconèixer patrons de tendències suïcides, encara que existeixen altres versions que estudien més de prop el comportament de la persona, el seu to de veu i el seu llenguatge corporal.

Finances

En economia, alguns bancs i empreses han fet servir solucions basades en Machine Learning per detectar i prevenir fraus.

D'altra banda, alguna cosa similar també s'usa per identificar amb més facilitat oportunitats d'inversió. Així mateix, també es fa servir per decidir quan vendre o comprar accions i altres mitjans.

màrqueting

Aquest ja t'ho hem comentat, però és un dels seus aplicacions més conegudes.

Et haurà passat de veure un parell de productes en Amazon, entrar a Facebook, Google o Instagram i veure justament aquest productes en els teus anuncis. No és casualitat, ja que les xarxes socials i Google implementen Intel·ligències que estudien l'historial i els teus possibles interessos per plasmar-los on puguin.

Alguns usuaris ho veuen com una forma intrusiva d' 'atacar' a l'usuari i no és d'estranyar, ja que et bombardegen amb una idea. No obstant, la publicitat avançarà en aquesta direcció ja que així és més personal i els anuncis estaran dirigits a possibles compradors.

El Machine Learning i el Deep Learning

Aquests dos termes solen anar de la mà, però no són exactament el mateix. En un futur articles parlarem d'aquest segon terme, ja que és una cosa que mereix ser après.

ET RECOMENDAMOSCómo desinstal·lar els drivers AMD de forma neta i senzilla

En general, podríem establir la relació entre el Machine Learning i el Deep Learning com la que tenen la Intel·ligència Artificial i el Machine Learning. El Deep Learning o Aprenentatge Profund és una branca encara més específica de l'Machine Learning.

Comparteix apartats clau com l'evolució al llarg de el temps i l'experiència, però té una altra sèrie de diferències.

Deep Learning simplificat

La seva base per aprendre i processar dades és utilitzar diferents capes que actuen com si de neurones es tractessin. Per tant, podríem establir que aquestes Intel·ligències solen ser més refinades, però també més complicades i cares de construir.

Encara que si t'interessa més aquest tema, estigues atent / da a la web i visita el nostre proper article sobre Deep Learning.

Com de lluny estem d'Skynet?

Tenim aquest apartat per a les ments més somiadores.

Aquest és un tòpic molt repetit en llibres, pel·lícules i altres. No per res existeix justament un gènere o temàtica anomenada Cyberpunk. No obstant això, lluny d'aquestes distopies futuristes controlades per Intel·ligències Artificials, a les nostres màquines encara els queden un llarg recorregut.

Robot Intel·ligent de Rick & Morty

Els sistemes de Machine Learning actuals pertanyen a el grup de les 'IAs febles'. Com hem anat veient, aquestes Intel·ligències només són capaços d'entendre patrons i treure deduccions simples. Són molt útils per donar-nos suport en certs contextos, però no són per a res sistemes autònoms.

D'altra banda tindríem les 'IAs fortes', aquelles representades en històries futuristes on són igual o molt més intel·ligent que els humans. Podem trobar exemples notables en la cultura popular com 'Matrix', 'Terminator', 'Ghost in the Shell' o 'Halo'. De fet, en aquesta llista hi ha dues obres que estan relacionades entre elles; ¿Endevines quines?

Avui dia encara estem desenvolupant automòbils completament autònoms i segurs. Estem avançant contínuament, però encara ens queda camí per desenvolupar a un igual fet totalment de tecnologia.

Si vols saber més a l'respecte, pots visitar el nostre article sobre la Intel·ligència Artificial. És un text des d'un punt de vista més general i estudiem una mica les possibles ramificacions que tindrà aquesta tecnologia.

Paraules finals sobre Machine Learning

Semblant a la nostra conclusió sobre la Intel·ligència Artificial, és evident que el futur és incert. No obstant això, és inevitable que l'evolució haurà de revisar per implementar la tecnologia entre les seves habilitats i característiques.

A poc a poc, Internet serà més i millor controlat per programes i algoritmes. Les xarxes socials estaran millor calibrades i ens oferiran contingut més d'acord als nostres gustos. I finalment, les relacions a la xarxa seran molt més segures a l'detectar amb més facilitat quan hi ha perill de frau o similars.

D'altra banda, que no t'estranyi que en aquest segle sigui quan brilli el IOT (Internet of Things). És una idea amb la qual hem estat somiant per molt temps i que cada vegada està més a prop. A més, el IOT és un gran postor de tecnologies punteres relacionades amb el Machine Learning tot i que encara li falten algunes posades a punt respecte a seguretat.

Pel nostre costat, pensem que serà una evolució gradual i mentre estiguis informat / da del que va passant, no tens res a témer. Potser els nous cotxe o frigorífics et sonin rars, però per descomptat no crec que vegem el despertar de les 'IAs fortes'.

Et recomanem la lectura dels millors portàtils de mercat

Finalment, et hem de confessar que no som experts en Intel·ligència Artificial, ni Machine Learning, així que no t'estranyi alguna dada estrany. Si hem comès algun error, no dubtis a comentar-! Després de tot, encara no som màquines perfectes.

I tu, què en penses de l'Machine Learning i les Intel·ligències Artificials? En quin aspecte creus que haurien de ser implementades? Comparteix les teves idees aquí baix.

Font Clever Dataapdsaslagacetawhatsnew