Page 25 - Revista 2018 ultima

Revista de la Facultad de Ingeniería, Año 5, Número 1

En los párrafos anteriores expusimos algunos conceptos introductorios de
inteligencia artificial. A lo largo del artículo, nos centraremos en exponer una breve
introducción a Machine Learning para luego presentar el enfoque de clasificación.
Posteriormente se expondrán los indicadores relevantes y los mecanismos de
evaluación necesarios para evaluar el enfoque de clasificación. Finalizaremos el
artículo se presentando las conclusiones finales.

Machine Learning (o Aprendizaje automático)

En el campo del aprendizaje artificial existen dos ramas bien diferenciadas: Machine
Learning o aprendizaje automático, que hace referencia al aprendizaje a través del
ejemplo y Deep Learning o aprendizaje profundo, que se enfoca en la idea que el
aprendizaje es libre (sin utilizar ningún ejemplo). Nos ocuparemos aquí de exponer
algunos aspectos constitutivos del aprendizaje automático.
Para entrar en el terreno de aprendizaje automático es necesario definir el concepto
de aprendizaje. Tomaremos como punto de partida dos definiciones:
1. Robbins P. define que “el aprendizaje es cualquier cambio de la conducta,
relativamente permanente, que se presenta como consecuencia de una
experiencia”.(Robbins, 2004)
2. Kolb D. define que “el aprendizaje sería la adquisición de nuevos
conocimientos a un grado de generar nuevas conductas”.(Alonso, 1997)
Aplicando estas definiciones a los sistemas informáticos, podemos decir que el
aprendizaje automático no es otra cosa que brindarle a un sistema la capacidad de
adquirir nuevos conocimientos, que en definitiva generan nuevas conductas a través
de la experiencia previa.

Durante mucho tiempo, la humanidad ha debatido cuál es el mecanismo que
permite a un ser humano aprender. Rudin C., en su curso de Machine Learning,
comenta lo siguiente:
Muchos pueden creer que la flexibilidad del cerebro propicia su capacidad de
detectar nuevos patrones, es lo que brinda la posibilidad de aprender, sin embargo
es lo opuesto.

El cerebro humano es muy bueno reconociendo cierto tipo de patrones, imágenes,
sonidos, comportamientos, etc.; en particular aquellos que espera. Esto se debe a
que no es tan flexible como se cree sino inflexible y es esta inflexibilidad lo que le
permite aprender.
El ser humano es realmente malo aprendiendo en grandes volúmenes de datos,
simplemente porque no puede procesarlos y de esa forma encontrar patrones
conocidos.

El aprendizaje automático justamente limita la flexibilidad de las computadoras
brindando estructuras rígidas que les permiten aprender; el modelado estadístico
hace justamente eso.(Rudin & Elston, 2018)
Los algoritmos de machine learning son utilizados por las grandes empresas en
forma habitual y aunque la mayoría de las personas lo desconocen, los utilizan en
forma directa o indirecta en algún sistema que los aplica en su funcionamiento. Los
servidores de correo electrónico son un ejemplo de sistemas que aplican machine
learning. Los correos marcados como spam (en forma automática) no son otra cosa
que el resultado de la aplicación de un algoritmo de machine learning, que como
resultado es capaz que predecir si un correo es spam o no. Este mismo ejemplo
demuestra que la confiabilidad de los algoritmos nunca es perfecta.

25