Aprendizaje automático ML

El aprendizaje automático es enseñarle una regla a un programa mostrándole miles de ejemplos resueltos, para que deduzca él solo el patrón en vez de escribírselo tú.

También conocido como ML aprendizaje de máquina modelos predictivos

Definición

El aprendizaje automático es enseñarle una regla a un programa sin escribirla nunca. Le muestras miles de ejemplos cuya respuesta ya conoces, y él encuentra el patrón que los une. Un niño aprende la palabra gato de la misma forma. Nadie le lee una definición a un crío de dos años; alguien le señala gatos hasta que lo entiende, y un modelo necesita ese mismo gesto con muchos más gatos.

El fraude con tarjeta es el caso clásico, porque nadie puede escribir sus reglas. No hay manera de enumerar todas las señales de que un pago es robado, y los ladrones cambiarían de método el día que lo lograras. Enséñale a un modelo un millón de pagos ya marcados como buenos o malos, y encontrará la forma de los malos. Esa forma incluye cosas que a una persona no se le ocurriría mirar, como la rapidez con la que se tecleó el número.

Esa capacidad trae un defecto que no sale en los folletos, porque un modelo aprende todo lo que hay en los ejemplos, incluidos los errores. Si tu personal solo revisó pagos de un país, el modelo aprende esa costumbre y la repite como si fuera una ley. La calidad de las respuestas está limitada por la del historial, así que limpiar los registros viejos es la mayor parte del proyecto, justo al revés de lo que espera la gente. Linkysoft ha rechazado proyectos en este punto exacto, porque los registros no servían para aprender de ellos.

Un modelo te da una puntuación, no un veredicto. Dice que este pago es sospechoso en un ochenta y dos sobre cien, y alguien tiene que decidir todavía dónde está la raya. Esa raya es una decisión de negocio sobre a cuántos clientes de verdad estás dispuesto a molestar para pillar a un ladrón. Por eso, cuando Linkysoft construye un sistema de IA, la raya se ajusta en una pantalla que controla el responsable y no queda enterrada en el código.

La última sorpresa es el coste de mantenerlo, porque un modelo envejece a medida que cambia el mundo del que aprendió. La demanda de una tienda cambia la semana en que abre un competidor al lado, y por eso Storek reentrena su previsión de stock en vez de fiarse de una sola para siempre. Pregunta entonces quién reentrena el tuyo, cada cuánto y cuánto cuesta al año. Linkysoft escribe esa cifra en el contrato en lugar de dejar que se descubra tarde. La misma pregunta vale para cualquier aplicación web con un modelo dentro y para la idea más amplia de inteligencia artificial a la que pertenece.

Preguntas sobre Aprendizaje automático

¿En qué se diferencia el aprendizaje automático del software normal?
El software normal sigue reglas que escribió una persona. A un modelo se le muestran ejemplos ya resueltos y deduce la regla solo, por eso detecta patrones que nadie pensó en buscar.
¿Cuántos ejemplos hacen falta?
Miles, no docenas, y cada uno debe traer ya la respuesta correcta. Etiquetar esos registros antiguos suele ser el mayor coste oculto de todo el proyecto.
¿Puede equivocarse el modelo?
Siempre, y debería decirte cuánta seguridad tiene. Tú eliges la raya entre aceptar una respuesta y revisarla a mano, y esa raya es una decisión de negocio, no técnica.
¿Hay que mantener un modelo después de construirlo?
Sí. Poco a poco deja de encajar, porque los precios, las costumbres y los competidores cambian. Acuerda desde el principio quién lo reentrena, cada cuánto y cuánto cuesta al año.
¿Un modelo puede heredar nuestros errores antiguos?
Sí, y es el problema más común. Copia lo que hay en los registros viejos, incluidas costumbres y prejuicios, así que alguien debe contrastar sus decisiones con casos reales cada pocos meses.

¿Sigue sin ver cómo se aplica esto a su proyecto?

Cuéntenos qué está construyendo y le responderemos en lenguaje claro.