¿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.