Conceptos básicos de machine learning: guía con ejemplos

El machine learning, o aprendizaje automático, entrena un programa llamado modelo para que encuentre patrones en datos y haga predicciones sobre casos nuevos. Para entenderlo basta con siete conceptos básicos: datos, características, etiqueta, modelo, entrenamiento, evaluación e inferencia. A partir de ellos se explican sus tipos y sus errores más comunes.

Qué es el machine learning en pocas palabras

En resumen, el machine learning es una forma de programar con ejemplos en lugar de con instrucciones. La introducción de Google al aprendizaje automático lo define como el proceso de entrenar un programa, llamado modelo, para que haga predicciones útiles o genere contenido a partir de datos.

En la práctica, nadie le dice al modelo qué regla aplicar. En cambio, el modelo recibe muchos ejemplos y ajusta sus números internos hasta que sus respuestas se parecen a las correctas. Si te interesa cómo encaja esta técnica dentro de la IA, revisa la guía sobre IA y aprendizaje automático.

Los siete conceptos básicos del machine learning

La guía de Google sobre aprendizaje supervisado ordena el vocabulario esencial. Estos son los términos que aparecen en cualquier proyecto:

• Datos. Google los llama la fuerza que impulsa el aprendizaje automático. Se agrupan en conjuntos de datos formados por ejemplos individuales.
• Características. Son los valores que usa el modelo para predecir. En un modelo de lluvia serían la temperatura, la humedad, la nubosidad, el viento y la presión.
• Etiqueta. Es la respuesta que se quiere predecir, por ejemplo, la cantidad de lluvia.
• Modelo. Es el conjunto de números que define la relación matemática entre las características y la etiqueta.
• Entrenamiento. El modelo compara su predicción con el valor real y se corrige poco a poco.
• Evaluación. Se mide qué tan bien aprendió con datos etiquetados que el modelo no usó para entrenar.
• Inferencia. El modelo ya evaluado predice etiquetas para ejemplos nuevos que no tienen respuesta.

Cómo se entrena un modelo, paso a paso

Con esos conceptos, el ciclo de trabajo se entiende fácil. Google lo explica con el ejemplo de la lluvia: si el modelo predice 1,15 pulgadas y en realidad cayeron 0,75, se ajusta para acercarse a 0,75. Después repite el proceso con muchos ejemplos más.

Tipos de aprendizaje y tareas más comunes

Google distingue cuatro tipos de sistemas. Primero, el aprendizaje supervisado aprende de datos con respuestas conocidas, como el precio de una vivienda o si un correo es basura. En cambio, el no supervisado busca patrones sin respuestas, por ejemplo, para agrupar datos del clima por estaciones. Además, el aprendizaje por refuerzo aprende de premios y castigos, como un robot que aprende a moverse por una sala. Por último, la IA generativa crea contenido nuevo a partir de una instrucción.

Además, la biblioteca de Python scikit-learn organiza las tareas de forma práctica. La clasificación sirve para detectar correo basura o reconocer imágenes. La regresión estima valores numéricos, como la respuesta a un fármaco o el precio de una acción. El agrupamiento sirve, por ejemplo, para segmentar clientes. Y la reducción de dimensiones ayuda a visualizar datos y ganar eficiencia. Además, la biblioteca incluye herramientas de selección de modelos, que mejoran la precisión al ajustar parámetros, y de preprocesamiento, que transforman datos como el texto en entradas útiles.

Cuando el modelo es una red neuronal con muchas capas, se habla de aprendizaje profundo. Ese caso particular, con sus ventajas y exigencias, se explica en qué significa deep learning.

En la práctica, estas tareas resuelven problemas concretos en empresas reales. Según los casos de estudio de TensorFlow, Swisscom clasifica textos para conocer la intención de las consultas de sus clientes. Por su parte, Kakao Mobility predice la probabilidad de que un viaje solicitado llegue a completarse.

Los errores más comunes: sobreajuste y datos pobres

El primer error clásico se llama sobreajuste. Según el curso de Google sobre sobreajuste, ocurre cuando el modelo memoriza tan bien los datos de entrenamiento que falla con datos nuevos. Lo contrario es generalizar bien, es decir, acertar con casos que nunca vio.

Para detectarlo, los datos se reparten en conjuntos de entrenamiento, validación y prueba. Google insiste en que esos conjuntos deben parecerse entre sí y parecerse a los datos del mundo real. Así, el conjunto de prueba funciona como un ensayo de lo que pasará en producción.

Otro error frecuente es subestimar los datos. En el módulo de Google sobre conjuntos de datos y generalización se afirma que la calidad y el tamaño de los datos importan mucho más que el algoritmo. Por eso conviene invertir en el etiquetado de datos antes que en el modelo más reciente.

El tercer error es ignorar los sesgos. El módulo de Google sobre equidad advierte que los algoritmos pueden reproducir sin querer sesgos humanos presentes en los datos de entrenamiento. Por eso, antes de poner un modelo en producción, Google considera crítico auditar esos datos y evaluar las predicciones en busca de sesgos.

Cómo empezar con machine learning en una empresa de Panamá

Una empresa panameña puede empezar, por lo tanto, con una pregunta de negocio que tenga datos históricos detrás. Por ejemplo: qué clientes tienen más probabilidad de dejar de comprar, o cuántas unidades pedir el próximo mes. Después hay que revisar si esos datos existen, si están completos y si incluyen la respuesta que se quiere predecir.

Si los datos incluyen información de personas, la norma aplicable en Panamá es la Ley 81 de 2019 de protección de datos personales, según el análisis del Órgano Judicial de Panamá. Para el siguiente paso, revisa cómo medir la eficacia de un modelo, o conoce nuestras soluciones de IA para empresas en Panamá.