El aprendizaje automático y las redes neuronales son técnicas informáticas que permiten enseñar el comportamiento humano a una computadora o robot a través de programas de aprendizaje automático. El aprendizaje automático, en el sentido tradicional de la informática, es un proceso que se refiere a la capacidad de las máquinas para aprender sin haber sido programadas previamente. El aprendizaje automático permite a los ordenadores aprender de la experiencia, hay aprendizaje cuando el programa consigue mejorar su rendimiento tras realizar o completar una acción, incluso equivocada, ya que el principio de “mal aprende” es válido.
Desde la ciencia informática todo esto significa que en lugar de escribir un código de programación con el que se le diga al ordenador qué hacer, al programa se le dan solo bloques de datos que son procesados de forma independiente por los algoritmos, de esta manera la máquina desarrollará la lógica propia para llevar a cabo la tarea requerida.
El aprendizaje automático es un proceso que puede funcionar en base a dos tipos principales de enfoques, el aprendizaje supervisado y el aprendizaje no supervisado. La primera, la supervisada, se refiere al hecho de que al ordenador se le dan ejemplos completos a seguir para llevar a cabo la tarea requerida; el aprendizaje no supervisado, por otro lado, requiere que el programa se deje trabajar sin ningún tipo de ayuda.
El aprendizaje automático y las redes neuronales son técnicas informáticas que permiten enseñar el comportamiento humano a una computadora o robot
Veamos con más detalle estos dos tipos y los diversos subconjuntos que los caracterizan:
Aprendizaje supervisado
Con este tipo de aprendizaje automático, tanto un conjunto de información como los datos de resultados deseados se dan a la máquina. El objetivo final es que el sistema encuentre una regla general que conecte los datos entrantes con los datos sobresalientes, de modo que encuentre el vínculo lógico entre la información expuesta para crear una regla que luego se pueda aplicar a casos similares.
Aprendizaje no supervisado
En esta categoría de aprendizaje automático, solo se establecieron conjuntos de datos a la máquina sin ninguna indicación del resultado deseado. El propósito de este método es rastrear patrones o esquemas ocultos y, a continuación, identificar dentro de las entradas una estructura lógica que aún no se ha etiquetado.
Aprendizaje por refuerzo
Para el aprendizaje reforzado, se hace referencia al tipo de Machine Learning, en el que el sistema debe interactuar con un entorno dinámico (del que extrae datos de entrada) y lograr un objetivo, obteniendo así una recompensa. Con este tipo de método, el algoritmo también aprende de los errores, que se identifican mediante castigo. En resumen, el esquema de aprendizaje se basa en una “rutina” de recompensa y castigo.
Con este tipo de modelos, por ejemplo, el ordenador aprende a vencer a un oponente en un juego centrándose en realizar una tarea precisa con el objetivo de maximizar la recompensa; el sistema entonces jugando será incorrecto y será castigado, ya no repetirá las acciones equivocadas y el rendimiento mejorará.
Con este tipo de método, el algoritmo también aprende de los errores, que se identifican mediante castigo
Aprendizaje semi-supervisado
Se trata de un modelo híbrido, en el que el equipo se proporciona un conjunto incompleto de datos. Algunos de estos luego tienen su propia producción como en el aprendizaje supervisado, mientras que otros carecen de ella, como en los no supervisados. El objetivo final, sin embargo, sigue siendo el mismo, identifica reglas y funciones para resolver problemas con los respectivos modelos de datos para lograr objetivos particulares.
Aprendizaje automático y redes neuronales
Por último, tenemos modelos basados en redes neuronales artificiales que utilizan algoritmos inspirados en la estructura y el funcionamiento de las redes neuronales biológicas, como el cerebro humano, para el aprendizaje. También hay redes neuronales multicapa que se relacionan con la categoría de aprendizaje profundo, por lo que el aprendizaje profundo y más en capas. Una red neuronal artificial recibe señales externas (entrada) en una capa de nodos de entrada (comparables a las neuronas), cada uno de los cuales está conectado con numerosos nodos internos, organizados en varios niveles. Cada nodo procesa las señales recibidas y transmite el resultado a los nodos subsiguientes.
Aplicaciones de aprendizaje automático
Las aplicaciones de esta tecnología son numerosas, muchas de las cuales ya forman parte de nuestra vida cotidiana sin que nos demos cuenta.
Primer ejemplo de todo un motor de búsqueda, a través de palabras clave devuelven resultados que son el resultado de un algoritmo de aprendizaje no supervisado. Otro ejemplo muy común son los filtros de spam de correo electrónico, cuyos sistemas de aprendizaje automático aprenden continuamente a reconocer correos electrónicos sospechosos y actúan en consecuencia, luego eliminarlos antes de que se coloquen dentro de las bandejas de entrada principales.
La demencia de Alzheimer puede ser difícil de detectar en etapas tempranas, porque los síntomas a menudo comienzan bastante sutiles
Los sistemas de recomendación también se basan en el aprendizaje automático, cuando navegamos por sitios web o aplicaciones particulares, tal vez las compras o la transmisión de video se nos sugieren productos con el tiempo seleccionado sobre la base de nuestra investigación pasada.
Otra posible aplicación del aprendizaje automático es en la medicina clínica. Así, la demencia de Alzheimer puede ser difícil de detectar en etapas tempranas, porque los síntomas a menudo comienzan bastante sutiles y pueden confundirse con problemas relacionados con la memoria, típicos de la edad avanzada. Pero, cuanto antes se detecten los problemas potenciales, antes los pacientes podrán comenzar a tomar medidas.
Investigaciones recientes en la Universidad de Alberta en Canadá (UAC) se esfuerzan por hacer posible el diagnóstico temprano de la demencia de Alzheimer con un aprendizaje automático modelo que algún día podría convertirse en una simple herramienta de detección que cualquier persona con un teléfono inteligente. Se ha desarrollado un modelo capaz de distinguir a los pacientes de Alzheimer de los controles sanos con una precisión del 70 al 75 por ciento.
"Antes, se necesitaban análisis de laboratorio e imágenes médicas para detectar cambios cerebrales; esto lleva tiempo, es costoso y nadie se hace la prueba tan temprano", dice Eleni Stroulia, profesora del Departamento de Ciencias de la Computación de la UAC que ha participado en la creación del modelo.
Si se pudieran usar teléfonos móviles para obtener un indicador temprano, eso permitiría ayudar a mejorar la información del paciente hacia su médico
Si se pudieran usar teléfonos móviles para obtener un indicador temprano, eso permitiría ayudar a mejorar la información del paciente hacia su médico. Potencialmente comenzaría el tratamiento antes, e incluso podríamos comenzar con intervenciones simples en casa, también con dispositivos móviles, para frenar la progresión.
Los investigadores comenzaron con las características del habla que los médicos notaron que eran comunes en pacientes con demencia de Alzheimer. Estos pacientes tendían a hablar más lentamente, con más pausas o interrupciones en su habla. Por lo general, usaban palabras más cortas y, a menudo, tenían una inteligibilidad reducida en su discurso. Los investigadores encontraron formas de traducir estas características en características del habla que el modelo podría detectar.
"Una persona habla en la herramienta, hace un análisis y hace una predicción: o sí, la persona tiene Alzheimer, o no, no lo tiene", dice Russ Greiner, colaborador del artículo y profesor en el Departamento de Ciencias de la Computación de la UAC. Esa información puede ser llevada a un profesional de la salud para determinar el mejor abordaje para la persona con posible demencia de Alzheimer.
Tanto Greiner como Stroulia lideran el grupo de investigación de Psiquiatría Computacional en la UAC, cuyos miembros han elaborado modelos y herramientas de inteligencia artificial similares, para detectar trastornos psiquiátricos como el trastorno por estrés postraumático (TEPT), la esquizofrenia, la depresión o el trastorno bipolar.
Por último, compartir esta reflexión del escritor británico Terry Pratchett: “La estupidez real siempre vence a la inteligencia artificial”.
