Machine learning para dummies: las máquinas tienen inteligencia (y lo sabes) - Nobbot

Machine learning para dummies: las máquinas tienen inteligencia (y lo sabes)

El término machine learning aparece con frecuencia en noticias, artículos e incluso en este blog. Sin embargo, muchas veces los que estamos detrás de unas y otros damos por sentado que el lector sabe lo que queremos decir cuando tecleamos machine learning. No siempre es así, y de ahí este artículo.

Hoy explicaremos qué es el machine learning, para qué se usa y (brevemente) cómo cambiará el mundo. Todo explicado sin que tengas que salir de este artículo para entenderlo.

Machine learning y máquinas inteligentes

Lo primero que hay que hacer es dejar de lado las traducciones automáticas. La traducción literal de machine learning es aprendizaje de máquina (un nombre minoritario por el que se le conoce el mismo concepto). Pero una traducción adaptada al concepto de máquinas con cierta inteligencia sería la de aprendizaje automático o aprendizaje automatizado.

El segundo concepto clave es que las máquinas tienen inteligencia, aunque esta es una inteligencia no consciente. Es decir, pueden toman en segundos decisiones en base a cálculos matemáticos que a los humanos nos llevarían décadas de trabajo sobre papel, pero lo hacen sin darse cuenta de que lo hacen. Tienen el mismo tipo de inteligencia que puede tener un insecto, que es poco más que un autómata programado.

machine learning ajedrez

Por ejemplo, a nadie se le ocurre que pueda ganar a un ordenador al ajedrez. Su inteligencia en este sentido es abrumadora aunque carezca de conceptos como conciencia, intuición o sentido común.

A diferencia del insecto, las máquinas tienen una notable capacidad de aprender. Y este es el tercer concepto que suele plantear dudas o deja poco claro el concepto: las máquinas aprenden por refuerzo, por imitación y por deep learning. E incluso se llevan lo aprendido de un entorno a otro. Sin embargo, no entraremos en tanta profundidad en este artículo.

Pese a que todos estos conceptos parecen virtudes, la verdad es que la inteligencia y aprendizaje de la máquina es limitado a casos muy concretos. Por ejemplo, una máquina que aprenda a jugar al ajedrez, aunque gane a todos los contrincantes humanos del mundo, no sabrá conducir un coche. Cualquier humano le ganará en esa tarea.

Repasando:

  1. Machine learning quiere decir aprendizaje automatizado.
  2. Las máquinas tienen inteligencia (no consciente).
  3. Las máquinas aprenden.
  4. El aprendizaje de la máquina está limitado a usos concretos, así como su inteligencia.

Por lo general, el machine learning no se usa en una máquina (ordenador, robot, smartphone…) específico. Suele ser un programa o app que se instala dentro de un sistema operativo. Por ejemplo, un PC o un MAC.

¿Qué entendemos como máquina aprendiendo?

Un último concepto que tiene que quedar claro es que las máquinas no aprenden como los humanos. Aprenden y mejoran, y tienen inteligencia. Pero no podemos humanizar ese proceso porque se parece muy poco a cómo aprendemos y mejoramos nosotros. O a nuestra propia inteligencia consciente. Esto puede resultar confuso porque, desde nuestra perspectiva, inteligencia y conciencia, o inteligencia y reconocimiento de patrones, son conceptos que van juntos.

Imagina que un niño humano ve un gato por primera vez en su vida. Sin importar de qué raza y color sea, no dudará en llamar gato al siguiente gato que vea. Una máquina (ya sea un robot o simplemente una inteligencia artificial conectada a una cámara) es incapaz de hacer algo así. En su lugar, necesitará aprender analizando decenas de miles de fotografías de gatos de diferentes tipos para no fallar.

Aprender, para las máquinas, se parece más a entrenarse para los humanos. El gato es una pesa de 100 kg que no podremos levantar el primer día. Sin embargo, si vamos poco a poco 5, 10, 15, 20 kg… es posible que tras muchas sesiones de entrenamiento podamos levantar con éxito la pesa grande. Las máquinas aprenden gracias a la práctica constante.

Un ejemplo empresarial de machine learning

Vamos a imaginar que somos una de las empresas que se dedica a enviar multas de velocidad en base a las fotografías de los radares. Desde Tráfico nos envían miles de fotografías al día que hay que etiquetar con la matrícula. Para ello tenemos un equipo de 30 personas cuya única labor es la de teclear la matrícula en el expediente. Por ejemplo, la de abajo (en forma de imagen) la teclearían en forma de texto como «2008 ZGZ».

matricula machine learning

La cámara de Tráfico es un sistema sin inteligencia. No es capaz de diferenciar ni siquiera qué parte de la foto es la matrícula. Lo que sí sabe es cuándo un objeto se mueve a más velocidad de la debida, y lo fotografía. Leer los números y letras para ella es imposible: solo hace fotografías. De modo que nuestra compañía todavía necesita humanos.

Diseñar un algoritmo o máquina

Nos planteamos instalar un sistema inteligente que mire la fotografía y copie el número de matrícula en el expediente por sí misma. Sin intervención humana, con el ahorro que ello supone. Aunque para ahorrar hay que invertir previamente.

De modo que acudimos a una compañía de software, les contamos lo que queremos que haga el algoritmo (aplicación) y ellos nos entregan un programa. ¿El problema? Que el supuesto programa inteligente es bastante tonto.

Lo arrancamos, le enseñamos una fotografía, y nos responde con un montón de letras y números sin sentido. Hay que enseñar, o entrenar, a la máquina. Un proceso que lleva tiempo.

Entrenando a la máquina

Durante meses, parte del equipo que se dedicaba a teclear matrículas se dedica ahora a enseñar a la máquina. Enseñan a la máquina, por ejemplo, qué parte del coche es la matrícula o qué letras y números hay escritos en ella.

matricula coche machine learning

Una vez que se ha mostrado a la máquina varios miles de ejemplos, esta es capaz de hacer todo eso que la hace inteligente. Empieza a aprender por sí misma usando los registros previos de la compañía. En este caso, coge la base de datos de meses pasados y, mirando cada fotografía, trata de acertar la matrícula en función de lo que aparece en esos datos.

Si acierta, aprende que lo está haciendo bien. Si falla una de dos:

  1. Vuelve a intentarlo, cambiando alguna letra o número. Como les ocurre a los niños, resulta complicado diferenciar entre una «I» y un «1» o entre un «0» y una «O».
  2. Avisa a un humano para que le dé instrucciones más precisas. En el caso de las matrículas estas son sencillas:
    1. Los símbolos de la izquierda siempre son números, y son cuatro.
    2. Los símbolos de la derecha siempre son letras (sin vocales), y son tres.
    3. Todos los símbolos tienen que ir dentro del recuadro blanco de la matrícula…

Cuando el algoritmo empieza a ser útil

Una vez que el error se reduce a un caso de cada millón (por poner un número), el algoritmo empieza a trabajar de manera autónoma. Es cuando es realmente útil y cuando plantea ahorros importantes. Hasta este momento ha sido un gasto extra para la empresa de envío de multas.

Ahora el algoritmo recibe la fotografía, teclea (de nuevo virtualmente) la matrícula y envía el aviso sin mediación humana. En lugar de un equipo de 30 personas mirando fotografías, tenemos ahora un equipo de cinco personas especializadas en algoritmos que tratan de resolver dudas del programa (matrículas extranjeras, falta de luz, avisos a la policía…). Más un equipo de 25 personas que pueden dedicarse a otros proyectos diferentes de la compañía.

Un ejemplo doméstico de machine learning

Muchas veces pensamos que machine learning, big data o inteligencia artificial son conceptos que solo valen para el mundo empresarial. Sin embargo, en nuestra vivienda ya pululan máquinas con herramientas de aprendizaje autónomo. Uno de los ejemplos más mencionados es el de la aspiradora automática.

roomba aspiradora machine learning

La primera vez que la pones en el suelo no tiene ni idea de cómo es la casa. De modo que empieza a andar hasta que choca contra una pared o un objeto. Una vez que ha golpeado un número suficiente de puntos de la pared, la aspiradora realiza su trabajo estupendamente (hasta que cambias el mobiliario).

Además, es capaz de saber a qué horas no hay humanos dando vueltas por la vivienda. De modo que no les molestará mientras aspira. O cuándo tiene que ir a cargarse de batería para estar lista cuando los humanos hayan salido de casa. Una vez ha aprendido, su inteligencia es bastante útil.

El machine learning no es sino un tipo de algoritmo o programa que usa grandes cantidades de datos para aprender por su cuenta sin tener que andar molestando a los humanos. Aunque al principio de ese aprendizaje la intervención humana sea obligatoria.

El aprendizaje automático plantea debates laborales serios. Como qué harán los humanos con todo ese tiempo liberado o a qué se dedicará la humanidad cuando el grueso de las tareas repetitivas la hagan máquinas.

En Nobbot | Blockchain para dummies: por qué todo el mundo dice que es “the next big thing”

Imágenes | iStock/nadia_bormotova, iStock/danielschweinert, Willtron, tsubasaogawa