¿Qué se entiende por su­pe­r­vi­sed learning?

En el su­pe­r­vi­sed learning o apre­n­di­za­je su­pe­r­vi­sa­do, un modelo de IA se entrena uti­li­za­n­do datos eti­que­ta­dos para hacer pre­di­c­cio­nes o cla­si­fi­ca­cio­nes sobre nuevos datos de­s­co­no­ci­dos. Sigue leyendo para saber más sobre este tipo de apre­n­di­za­je.

¿Qué es el su­pe­r­vi­sed learning?

En el apre­n­di­za­je au­to­má­ti­co, los or­de­na­do­res aprenden a reconocer patrones y reglas. En vez de reac­cio­nar úni­ca­me­n­te a las entradas de los usuarios humanos, las máquinas aprenden a tomar de­ci­sio­nes de forma autónoma, basadas en las reglas que han aprendido. Por ejemplo, los al­go­ri­t­mos pueden aprender a reconocer co­rre­c­ta­me­n­te un mensaje de spam o a in­te­r­pre­tar el contenido de una imagen. Los de­sa­rro­lla­do­res y cie­n­tí­fi­cos emplean distintos métodos para el apre­n­di­za­je, entre los cuales el más utilizado es, pro­ba­ble­me­n­te, el su­pe­r­vi­sed learning o apre­n­di­za­je su­pe­r­vi­sa­do.

En el su­pe­r­vi­sed machine learning, los de­sa­rro­lla­do­res pro­po­r­cio­nan a los al­go­ri­t­mos un conjunto de datos pre­pa­ra­dos para en­tre­nar­los. De este modo, los al­go­ri­t­mos ya conocen el resultado y solo tienen que reconocer el patrón: ¿por qué esta in­fo­r­ma­ción pertenece a la categoría A y no a la categoría B?

El apre­n­di­za­je su­pe­r­vi­sa­do se utiliza, por tanto, para al­go­ri­t­mos de­s­ti­na­dos a ca­te­go­ri­zar los datos naturales (fotos, escritura, habla, etc.). Otro campo de apli­ca­ción típico del apre­n­di­za­je su­pe­r­vi­sa­do son los llamados problemas de regresión. Con ellos, los al­go­ri­t­mos aprenden a hacer pre­di­c­cio­nes, por ejemplo, sobre la evolución de los precios o el cre­ci­mie­n­to de la clientela.

Por otro lado, el semi-su­pe­r­vi­sed learning o apre­n­di­za­je se­mi­su­pe­r­vi­sa­do es una forma mixta de apre­n­di­za­je en la que solo se etiqueta parte del conjunto de datos. El resto permanece sin cla­si­fi­car y los al­go­ri­t­mos deben emprender esta tarea motu proprio. Un buen ejemplo de este método es el algoritmo de re­co­no­ci­mie­n­to de rostros de Facebook. Basta con etiquetar algunas fotos con los nombres de los amigos: el algoritmo se encargará de encontrar a los demás.

Ejemplo de apre­n­di­za­je su­pe­r­vi­sa­do

Su­po­n­ga­mos que quieres entrenar a al­go­ri­t­mos para que aprendan a di­s­ti­n­guir imágenes de gatos de imágenes de perros. Para esto, los de­sa­rro­lla­do­res preparan un enorme conjunto de datos. Este contiene imágenes que tendrían ya una etiqueta, es decir, que ya pe­r­te­ne­ce­rían a una categoría. Se podrían es­ta­ble­cer tres grupos di­fe­re­n­tes: perro, gato, otro. Es im­po­r­ta­n­te que el conjunto de datos también contenga la mayor variedad posible. Por ejemplo, si en el set de en­tre­na­mie­n­to solo hay fotos de gatos negros, el algoritmo pensará que todos los gatos tienen el pelo negro. Por esto, el conjunto de datos deberá ser lo más variado posible.

Durante el en­tre­na­mie­n­to, el algoritmo recibe primero el contenido (sin cla­si­fi­car), toma una decisión y luego la compara con el resultado pro­po­r­cio­na­do por los de­sa­rro­lla­do­res. El sistema compara su propio resultado con el correcto y saca co­n­clu­sio­nes para ajustar sus futuras eva­lua­cio­nes en el en­tre­na­mie­n­to. El en­tre­na­mie­n­to continúa hasta que las eva­lua­cio­nes de la máquina se acercan lo su­fi­cie­n­te a los re­su­l­ta­dos correctos.

Para mostrar este video, se requieren cookies de terceros. Puede acceder y cambiar sus ajustes de cookies aquí.

Ventajas e in­co­n­ve­nie­n­tes del apre­n­di­za­je su­pe­r­vi­sa­do

El método de apre­n­di­za­je apropiado depende en gran medida de cuál sea la tarea que rea­li­za­rán luego los al­go­ri­t­mos. El su­pe­r­vi­sed learning está re­co­me­n­da­do para problemas de ca­te­go­ri­za­ción y regresión. En general, este método de apre­n­di­za­je au­to­má­ti­co permite entrenar a los al­go­ri­t­mos para que se adapten a su tarea a la pe­r­fe­c­ción. Al tener el control total sobre el material de en­tre­na­mie­n­to, solo se necesitan las entradas y el tiempo su­fi­cie­n­tes para co­n­fi­gu­rar los al­go­ri­t­mos co­rre­c­ta­me­n­te. Lo más im­po­r­ta­n­te es compilar la mayor variedad de datos posible. Puesto que se deben etiquetar todos los elementos, es necesario un esfuerzo co­n­si­de­ra­ble por parte de los de­sa­rro­lla­do­res y cie­n­tí­fi­cos.

Aunque requiere bastante esfuerzo, el proceso es también re­la­ti­va­me­n­te fácil de co­m­pre­n­der. Mientras que, con el apre­n­di­za­je no su­pe­r­vi­sa­do, muchos de los procesos son im­po­si­bles de analizar porque los al­go­ri­t­mos funcionan por sí mismos sin in­s­tru­c­cio­nes reales, con el apre­n­di­za­je su­pe­r­vi­sa­do, las acciones de la máquina se pueden reconocer con precisión. Sin embargo, esto tiene el in­co­n­ve­nie­n­te de que los al­go­ri­t­mos solo funcionan dentro de las re­s­tri­c­cio­nes que se les han impuesto, es decir, este método no pro­po­r­cio­na so­lu­cio­nes creativas.

Di­fe­re­n­cias con el un­su­pe­r­vi­sed learning y el semi-su­pe­r­vi­sed learning

Además del apre­n­di­za­je su­pe­r­vi­sa­do, también existen el un­su­pe­r­vi­sed learning o apre­n­di­za­je no su­pe­r­vi­sa­do y el semi-su­pe­r­vi­sed learning o apre­n­di­za­je se­mi­su­pe­r­vi­sa­do. A co­n­ti­nua­ción, ana­li­za­re­mos las di­fe­re­n­cias entre estos dos métodos de apre­n­di­za­je y el apre­n­di­za­je su­pe­r­vi­sa­do.

Su­pe­r­vi­sed learning vs. un­su­pe­r­vi­sed learning

Mientras que el su­pe­r­vi­sed learning o apre­n­di­za­je su­pe­r­vi­sa­do utiliza conjuntos de datos donde se conocen tanto las entradas como las salidas co­rre­s­po­n­die­n­tes, en el un­su­pe­r­vi­sed learning o apre­n­di­za­je no su­pe­r­vi­sa­do solo se conocen las entradas. Por lo tanto, el apre­n­di­za­je no su­pe­r­vi­sa­do, a di­fe­re­n­cia del su­pe­r­vi­sa­do, tiene como objetivo descubrir patrones o es­tru­c­tu­ras de­s­co­no­ci­das en los datos. Además, también es adecuado para otros tipos de tareas distintas al apre­n­di­za­je su­pe­r­vi­sa­do, como el clu­s­te­ri­ng o agru­pa­ción de puntos de datos sin cla­si­fi­car­los en ca­te­go­rías.

Dado que las salidas del conjunto de en­tre­na­mie­n­to en el apre­n­di­za­je no su­pe­r­vi­sa­do no están eti­que­ta­das, el esfuerzo para los de­sa­rro­lla­do­res es mucho menor que en el apre­n­di­za­je su­pe­r­vi­sa­do. Sin embargo, tanto el proceso de en­tre­na­mie­n­to como el resultado final son mucho más opacos. Por lo tanto, es difícil evaluar el re­n­di­mie­n­to y la precisión de los modelos en­tre­na­dos.

Su­pe­r­vi­sed learning vs. semi-su­pe­r­vi­sed learning

Una gran de­s­ve­n­ta­ja del apre­n­di­za­je su­pe­r­vi­sa­do es el co­n­si­de­ra­ble tiempo que los de­sa­rro­lla­do­res deben invertir en etiquetar los datos. El semi-su­pe­r­vi­sed learning o apre­n­di­za­je se­mi­su­pe­r­vi­sa­do utiliza tanto datos eti­que­ta­dos como no eti­que­ta­dos para co­n­tra­rre­s­tar esta de­s­ve­n­ta­ja. De esta manera, este modelo aprende primero de los datos eti­que­ta­dos y luego se mejora mediante el uso de los datos no eti­que­ta­dos, re­co­no­cie­n­do patrones y es­tru­c­tu­ras.

La principal ventaja del apre­n­di­za­je se­mi­su­pe­r­vi­sa­do es la efi­cie­n­cia, ya que se requieren menos datos eti­que­ta­dos y el método todavía puede mostrar una precisión re­la­ti­va­me­n­te alta. Por lo tanto, se puede utilizar para problemas de cla­si­fi­ca­ción similares a los del apre­n­di­za­je su­pe­r­vi­sa­do, pero busca optimizar el esfuerzo de en­tre­na­mie­n­to. Sin embargo, la co­m­ple­ji­dad de la co­n­s­tru­c­ción del modelo y el ajuste del equi­li­brio entre los datos eti­que­ta­dos y no eti­que­ta­dos pueden ser un desafío.

Otros métodos de apre­n­di­za­je

El su­pe­r­vi­sed, un­su­pe­r­vi­sed y semi-su­pe­r­vi­sed learning no son los únicos métodos de machine learning que se utilizan para entrenar in­te­li­ge­n­cias ar­ti­fi­cia­les.

El deep learning es un método de apre­n­di­za­je en el que los modelos ya en­tre­na­dos aprenden a partir de sus entradas y se de­sa­rro­llan co­n­ti­nua­me­n­te. Estos modelos se basan en redes neu­ro­na­les, que están in­s­pi­ra­das en el cerebro humano.

Además, existe el re­in­fo­r­ce­me­nt learning o apre­n­di­za­je por refuerzo, donde un ordenador aprende a través de prueba y error qué de­ci­sio­nes son correctas. El objetivo es de­sa­rro­llar una política que tome las mejores de­ci­sio­nes para lograr el resultado óptimo a largo plazo. Un ejemplo de esto es una IA que aprende a jugar un vi­deo­jue­go. La IA recibe re­tro­ali­me­n­ta­ción del entorno de en­tre­na­mie­n­to sobre cada decisión y, a partir de esto, de­sa­rro­lla es­tra­te­gias de juego.