As computadoras non se fan cargo, pero cada día están máis intelixentes
Nos termos máis sinxelos, a aprendizaxe automática (ML) é a programación de máquinas (computadoras) para que poida realizar unha tarefa solicitada mediante o uso e análise de datos (información) para realizar esa tarefa de forma independente, sen a entrada específica adicional dun desenvolvedor humano.
Aprendizaxe automática 101
O término "aprendizaxe automática" foi acuñado nos laboratorios de IBM en 1959 por Arthur Samuel, un pionero en intelixencia artificial (AI) e xogos de ordenador. A aprendizaxe automática, como resultado, é unha rama da Intelixencia Artificial. A premisa de Samuel foi darlle volta o modelo informático do tempo e deixar de darlle ordenadores para aprender cousas.
No seu canto, el quería que as computadoras comezasen a descubrir as cousas por conta propia, sen que os humanos teñan que ingresar ata a peza máis mínima de información. Entón, pensou, as computadoras non só realizarían tarefas senón que poderían decidir en definitiva as tarefas a realizar e cando. Por que? Para que as computadoras poidan reducir a cantidade de traballo que necesitaban os humanos para realizar en calquera área determinada.
Como funciona a aprendizaxe de máquinas
A aprendizaxe da máquina funciona mediante o uso de algoritmos e datos. Un algoritmo é un conxunto de instrucións ou directrices que indican a unha computadora ou programa como realizar unha tarefa. Os algoritmos empregados en ML recompilan datos, recoñecen patrones e usan análises destes datos para adaptar os seus propios programas e funcións para completar tarefas.
Os algoritmos de ML usan conxuntos de regras, árbores de decisión, modelos gráficos, procesamento de linguaxe natural e redes neuronais (por citar algúns) para automatizar o procesamento de datos para tomar decisións e realizar tarefas. Mentres ML pode ser un tema complexo, a Teachable Machine de Google ofrece unha demostración práctica simplificada de como funciona ML.
A forma máis poderosa de aprendizaxe de máquinas empregada hoxe, chamada aprendizaxe profunda , constrúe unha estrutura matemática complexa chamada rede neuronal, baseada en grandes cantidades de datos. As redes neuronais son conxuntos de algoritmos en ML e AI modelados despois do camiño das células nerviosas do cerebro humano e información do proceso do sistema nervioso.
Intelixencia artificial vs máquina de aprendizaxe vs minería de datos
Para entender mellor a relación entre AI, ML e minería de datos, é útil pensar nun conxunto de parasoles de diferentes tamaños. AI é o paraugas máis grande. O paraugas ML é un tamaño máis pequeno e cabe debaixo do paraugas AI. O paraugas de minería de datos é o máis pequeno e cabe debaixo do paraugas ML.
- AI é unha rama de informática que ten como obxectivo programar ordenadores para realizar tarefas de maneira máis "intelixente" e "humana", utilizando técnicas de razoamento e toma de decisións modeladas despois da intelixencia humana.
- ML é unha categoría de computación dentro da AI centrada en máquinas de programación (computadoras) para aprender (reunir os datos ou exemplos necesarios) para tomar decisións intelixentes e máis automatizadas por datos.
- A minería de datos usa estatísticas, ML, AI e inmensas bases de datos de información para atopar patróns, proporcionar información, crear clasificacións, identificar problemas e entregar datos detallados.
O que a aprendizaxe de máquinas pode facer (e xa o fai)
A capacidade de ordenadores para analizar grandes cantidades de información en fraccións de segundo fai que ML sexa útil en varias industrias onde o tempo ea precisión son esenciais.
- Medicina: a tecnoloxía ML está a ser implementada nunha variedade de solucións para o campo médico, incluído axudar aos médicos do departamento de emerxencia cun diagnóstico máis rápido de pacientes con síntomas pouco comúns. Os médicos poden inserir unha lista dos síntomas do paciente no programa e utilizar ML, o programa pode gastar billóns de terabytes de información da literatura médica e de internet para devolver unha lista de diagnósticos potenciais e probas ou tratamentos recomendados en tempo récord.
- Educación: ML utilízase para crear ferramentas educativas que se adapten ás necesidades de aprendizaxe do alumno, como asistentes de aprendizaxe virtual e libros de texto electrónicos que sexan máis interactivos. Estas ferramentas usan ML para descubrir cales son os conceptos e as habilidades que o alumno entende usando pequenas preguntas e exercicios prácticos. As ferramentas proporcionan vídeos breves, exemplos adicionais e material de fondo para axudar o alumno a aprender as habilidades ou conceptos necesarios.
- Automoción: ML tamén é un compoñente clave no campo emerxente de autocontrol (tamén chamados coches sen condutor ou coches autónomos). O software que opera con auto-condución usa ML durante as probas de estrada e as simulacións para detectar as condicións da estrada (como as estradas xeadas) ou identificar os obstáculos na estrada e aprender as tarefas de condución adecuadas para navegar con seguridade.
Probablemente xa atopou ML moitas veces sen darse conta. Algúns dos usos máis comúns da tecnoloxía de ML inclúen o recoñecemento de voz práctico ( Samsung Bixby , Siri de Apple e moitos programas de conversación a texto que agora son estándar en PC), o filtrado de spam para o seu correo electrónico, a construción de novas, a detección de fraude e a personalización. recomendacións de compras e proporcionando resultados de busca web máis efectivos.
ML aínda está involucrado no teu feed de Facebook . Cando lle gusta ou fai clic sobre as publicacións dun amigo frecuentemente, os algoritmos e ML detrás das escenas "aprenden" das súas accións ao longo do tempo para priorizar determinados amigos ou páxinas no seu Newsfeed.
Que aprendizaxe de máquinas non podo facer
Non obstante, hai límites para o que ML pode facer. Por exemplo, o uso da tecnoloxía ML en diferentes industrias require unha importante cantidade de desenvolvemento e programación por parte de humanos para especializarse nun programa ou sistema para os tipos de tarefas esixidos por esa industria. Por exemplo, no noso exemplo médico anterior, o programa de ML empregado no departamento de emerxencia foi desenvolvido específicamente para a medicina humana. Actualmente non é posible levar ese programa exacto e implementalo directamente nun centro de emerxencia veterinario. Esta transición require unha extensa especialización e desenvolvemento dos programadores humanos para crear unha versión capaz de realizar esta tarefa para a medicina veterinaria ou animal.
Tamén require cantidades increíblemente elevadas de datos e exemplos para "aprender" a información que necesita para tomar decisións e realizar tarefas. Os programas de ML tamén son moi literal na interpretación de datos e loitan co simbolismo e tamén con algúns tipos de relacións nos resultados dos datos, como causa e efecto.
Os avances continuados, sen embargo, fan que ML sexa máis unha tecnoloxía básica que crea computadores máis intelixentes cada día.