Aprendizaje automático: Pasado, presente y futuro

Cuando la mayoría de la gente piensa en el aprendizaje automático o en la IA, tienen una visión negativa del término. Piensan en robots que le quitan el trabajo a los humanos o piensan en Skynet o HAL 9000, siniestros seres centinela que están listos para dominar el mundo. En realidad, usamos el aprendizaje de las máquinas todos los días con nuestros teléfonos y sus asistentes inteligentes Siri y Cortana, o coches inteligentes que analizan los alrededores. Incluso mientras navegamos por la web nos llegan anuncios basados en nuestros hábitos de compra. El aprendizaje automático está a nuestro alrededor y es la fuerza motriz de la IA. Pero para entender completamente el impacto del aprendizaje de la máquina en la sociedad, necesitamos mirar el pasado, el presente y el futuro.

¿Qué es el aprendizaje de la máquina?

El aprendizaje automático es el estudio científico de los algoritmos y modelos estadísticos que los sistemas informáticos utilizan para realizar una determinada tarea sin depender de una instrucción específica, sino de patrones e inferencias. El término aprendizaje automático fue acuñado por primera vez por Arthur Samuel en 1959 mientras trabajaba en IBM. Su objetivo final era crear inteligencia artificial (IA) y el aprendizaje automático se convirtió en un subconjunto de su búsqueda. Después de su descubrimiento, hubo una ruptura entre las teorías y no fue hasta la década de 1990 que el aprendizaje automático realmente despegó. Este período fue conocido como el AI Winter. El campo cambió su enfoque de lograr la IA a resolver problemas de naturaleza más práctica tomando prestados modelos de la estadística y la teoría de la probabilidad. El aprendizaje automático también se benefició enormemente de la invención de la World Wide Web al tener acceso a una gran cantidad de datos.

Diferentes tipos de aprendizaje por máquina

Para que el aprendizaje de la máquina funcione, se necesitan muchos datos para predecir los resultados futuros o para entrenar a una máquina para realizar tareas. Si bien el aprendizaje automático comenzó con una cantidad masiva de datos estáticos no modificados, ha pasado a modelos de aprendizaje que procesan los datos en tiempo real.
Hay cuatro enfoques principales del aprendizaje automático:

1. Aprendizaje supervisado: datos de entrenamiento para realizar una determinada salida
2. Aprendizaje no supervisado: datos de entrenamiento sin resultados claros
3. Aprendizaje semisupervisado: datos de capacitación con pocos resultados deseados
4. Aprendizaje de refuerzo: recompensar al agente artificial en base a lo que hace

¿Quién está usando el aprendizaje automático?

Probablemente ni siquiera noten el aprendizaje automático que está ocurriendo en sus vidas diarias. ¿Ese filtro de spam en tu bandeja de entrada? Eso es aprendizaje automático. El aprendizaje automático también está en la mayoría de nuestros hogares en forma de altavoces inteligentes, enchufes inteligentes y termostatos inteligentes. Solo en los Estados Unidos, hay 47,3 millones de adultos que tienen acceso a un altavoz inteligente. Sin embargo, el aprendizaje automático tiene un gran impacto en ciertas industrias de nuestro mundo.

Financiero

El aprendizaje automático puede racionalizar los procesos internos muy fácilmente dentro del sector financiero debido a la gran cantidad de datos que este sector recoge. Los bancos y las instituciones financieras utilizan el aprendizaje automático para detectar el fraude con la minería de datos (un tipo de aprendizaje no supervisado que se utiliza para descubrir patrones de datos). A informe reciente indicó que en los próximos 15 años, los robots serán capaces de realizar el 75% de los trabajos de servicios financieros con el aprendizaje de la máquina.

Gobierno

Un artículo reciente de Deloitte dice, "Los gobiernos reúnen una gran cantidad de datos sobre todo lo relacionado con la atención de la salud, la vivienda y la educación, así como con la seguridad nacional, tanto directamente como a través de las organizaciones sin fines de lucro a las que prestan apoyo. Los gobiernos también producen datos, como los del censo, información laboral, información sobre los mercados financieros, datos meteorológicos y datos del sistema de posicionamiento global (GPS)". Con estos datos, gLas agencias de gobierno en áreas como los servicios públicos, el ejército y la infraestructura utilizan el aprendizaje automático para aumentar la eficiencia, detectar el fraude y ahorrar dinero. Algunos organismos de infraestructura utilizan estos datos para predecir cuándo baches se formarán en las calles de la ciudad, mientras que los militares utilizan la máquina de aprender a predecir fallas mecánicas en los tanques.

Salud

Los dispositivos y sensores que se pueden usar hacen que el aprendizaje de las máquinas sea una tendencia de rápido crecimiento en la industria de la salud. Estos dispositivos ayudan a los profesionales médicos a identificar cualquier tendencia que pueda ayudar a diagnosticar a un paciente, lo que resulta en mejores opciones de tratamiento. Con grandes bases de datos de imágenes en radiología, el aprendizaje automático puede evaluar rápidamente imágenes que los expertos médicos tardarían más tiempo en procesar. Por ejemplo, con el aprendizaje automático, la formación de Google computadoras para detectar el cáncer en los pacientes con un 89% de precisión. Stanford está usando un aprendizaje profundo algoritmo para predecir el cáncer de piel y cuando los pacientes morirán para dar mejores cuidados de hospicio.

Transporte

El aprendizaje automático no sólo se utiliza para los vehículos autónomos, sino que también tiene un gran impacto en la forma en que se entregan sus paquetes. El aprendizaje automático analiza el GPS de los conductores, dónde se está entregando el paquete cuando el cliente recibe el paquete, su velocidad y el clima para encontrar la ruta más eficiente posible para el conductor de la entrega.

Críticas al aprendizaje automático

Con todos los logros sobresalientes del aprendizaje de la máquina, tiene que haber alguna crítica a la aplicación. De acuerdo con El Dr. Allen de la Universidad de RiceEl aprendizaje automático está creando una crisis en la ciencia. El argumento de Rice es que una cantidad creciente de investigación científica está utilizando el aprendizaje automático con datos que ya han sido recogidos. Ella argumenta que las soluciones que estos científicos proponen son erróneas porque sólo son aplicables en ese conjunto de datos, no en el mundo real. La Dra. Allen afirma, "Hay un reconocimiento general de una crisis de reproducibilidad en la ciencia en este momento. Me atrevería a argumentar que una gran parte de eso proviene del uso de técnicas de aprendizaje automático en la ciencia." Ella llama a esto una crisis de reproducibilidad.
El Dr. Rice no es el único crítico del aprendizaje de las máquinas. Gary Marcus, un profesor de psicología de la Universidad de Nueva York tiene un una larga lista de quejas contra el aprendizaje profundo. Incluyen una gran dependencia de grandes conjuntos de datos por su susceptibilidad a los sesgos de las máquinas y su incapacidad para manejar el razonamiento abstracto. Marcus declaró que su mayor temor es que la IA se encasille como un "mínimo local, centrándose demasiado en la exploración detallada de una clase particular de modelos accesibles pero limitados", concluyendo además que "uno de los mayores riesgos de la actual exageración de la IA es otro invierno de IA".

¿Cuál es el siguiente paso en el aprendizaje de la máquina?

Cuantos más datos creamos y más estudiamos el aprendizaje de las máquinas y su impacto en la tecnología, se hace evidente que también hay responsabilidades éticas que debemos respetar como sociedad. En este momento, sólo unas pocas empresas tecnológicas están totalmente invertidas en el aprendizaje automático y la recopilación de datos. ¿Qué pasa si esta tecnología se convierte en un monopolio? ¿Será esta tecnología sólo accesible para aquellos con riqueza? ¿Qué pasa si los críticos del aprendizaje automático tienen razón y otro invierno de la IA llegará a buen puerto? Será difícil predecir lo que el futuro sabe.