Diferencia principal entre los dos tipos de machine learning
En la complejidad de la Inteligencia Artificial podemos encontrar dos tipos de machine learning: el aprendizaje supervisado y el no supervisado.
En este artículo me gustaría acercarte a una primera definición y ejemplos de cada uno de los dos tipos de machine learning o aprendizaje automático.
De entrada, la diferencia principal es que en el aprendizaje automático supervisado la máquina dará un resultado (output) a partir de una petición (input). Y esta petición se realiza sobre datos clasificados (también se dice “datos etiquetados”). Sin embargo, en el aprendizaje automático no supervisado, los datos que contiene la máquina no están clasificados (etiquetados). En este caso, el resultado que da la máquina, dada una petición, es a partir de la identificación de unos patrones en sus datos.
Primero de todo me gustaría insistir en el mecanismo básico de la máquina entrenada con Machine Learning, para que identifiques bien los conceptos de input y ouput.
¿Qué es input y out en machine learning?
Fíjate en la siguiente imagen. Pongamos, por ejemplo, que estamos ante un software de reconocimiento de imágenes de animales. El software, la máquina, antes de ser utilizada por nosotros, usuarios, le fue introducida una gran cantidad de datos relacionados con las apariencias de los distintos animales.
Después, las personas que entrenaron a la máquina para que fuera capaz de identificar un tipo de animal dada una imagen, añadieron etiquetas a los datos. Por ejemplo: se añadió la etiqueta “gato” para los datos relacionados con este animal, la etiqueta “perro” para los datos asociados con características de perros.
Una vez la máquina está entrenada será capaz, si se le muestra una imagen de un gato, identificarla con este animal correctamente. Es un ejemplo muy básico pero puede ayudarte a entender que el input, en este caso, es la imagen del gato y el output es el texto que indica “es un gato”, es decir, el output es el resultado.
En los dos tipos de aprendizaje automático, los algoritmos matemáticos procesan los datos de entrada (input) y devuelven resultados probabilísticos (output). Los algoritmos matemáticos son los cálculos que realiza la máquina para dar con el resultado óptimo.
¿Qué es el Machine Learning supervisado?
El ejemplo de más arriba sobre la imagen del gato es un ejemplo de machine learning supervisado. Tal como te ilustraba, esta técnica implica entrenar un modelo con datos etiquetados. Estos datos ya contienen la información necesaria para predecir resultados futuros y el modelo se utiliza para “aprender” estas relaciones. Tal como te indicaba en el ejemplo, si tenemos datos etiquetados sobre animales, podemos usar los datos para entrenar un modelo que pueda clasificar imágenes de perros y gatos. El objetivo del aprendizaje supervisado es generalmente ajustar un modelo con los datos de entrada para predecir resultados deseados.
¿Qué es el Machine Learning no-supervisado?
Por otro lado, el aprendizaje no supervisado se utiliza cuando los datos no están etiquetados o clasificados previamente. En este tipo de aprendizaje, las máquinas se entrenan en identificar patrones sin recibir ninguna ayuda externa. Un buen ejemplo de este tipo de aprendizaje es el procesamiento de lenguaje natural (PNL), donde los algoritmos PNL intentan comprender el significado del texto ingresado por medio de análisis sintáctico y semántico. El objetivo del aprendizaje no supervisado es descubrir la estructura interna subyacente en los datos sin ninguna dirección externa.
Un ejemplo de procesamiento de lenguaje natural (PNL) lo encontramos en cualquier tipos de buscador.
Ejemplos de uso de machine learning supervisado y machine learning no supervisado
Ejemplos de uso de machine learning supervisado
El aprendizaje supervisado se utiliza para predecir resultados futuros, como los precios de una acción u otros eventos financieros, así como el rendimiento de un producto o servicio. Por ejemplo, un modelo puede entrenarse con datos etiquetados sobre precios de acciones en el pasado para predecir los precios futuros. Asimismo, esta técnica también se usa en la medicina para diagnosticar enfermedades y recomendar tratamientos apropiados.
La primera vez que asistí a una sesión explicativa sobre machine learning me acordé del software de BI (Business Intelligence) que había utilizado durante años. Investigando y experimentando vi que las posibilidades del machine learning son infinitas al lado del BI y que, al lado del machine learning, las predicciones del BI son tendencias generalistas. Son dos herramientas para usos distintos y no podemos subestimar la potencia y posibilidades de un buen BI pero, a primera vista, asocié intuitivamente ambos tipos de máquinas.
Ejemplos de uso de machine learning no-supervisado
En cuanto al aprendizaje no supervisado, este se usa ampliamente para diversas tareas relacionadas con la agrupación y la segmentación. Como mencioné al principios de este artículo, de los dos tipos de aprendizaje automático, éste útimo se utiliza para descubrir patrones sin ninguna ayuda externa. Por ejemplo, un análisis de clustering puede ser realizado sobre datos sin etiquetar para encontrar grupos similares dentro del conjunto de datos.
Esta información es útil para identificar comportamientos comunes entre diferentes grupos y detectar tendencias que puedan ser utilizadas en marketing u otros campos relacionados. La segmentación basada en el comportamiento es otra forma en que esta tecnología se ha beneficiado enormemente a las empresas modernas.
En resumen, el aprendizaje automático ofrece soluciones innovadoras a problemas complejos que antes eran difíciles o imposibles de resolver por métodos tradicionales. El machine learning supervisado y no supervisado proporcionan herramientas versátiles que permiten a los profesionales tomar decisiones informadas basadas en datos razonables y fiables; ya sea para mejorar procesos internamente o generar nuevas ideas externamente con fines comerciales.
¿Quieres seguir aprendiendo sobre nuevas tecnologías aplicadas al mundo empresarial?
You must log in to post a comment.