Un­su­pe­r­vi­sed learning: apre­n­di­za­je au­to­má­ti­co sin re­s­tri­c­cio­nes

El un­su­pe­r­vi­sed learning o apre­n­di­za­je no su­pe­r­vi­sa­do sirve para entrenar un modelo de in­te­li­ge­n­cia ar­ti­fi­cial (IA) uti­li­za­n­do datos sin etiquetar para descubrir patrones, co­rre­la­cio­nes y si­mi­li­tu­des ocultos. Sigue leyendo para saber más sobre el apre­n­di­za­je no su­pe­r­vi­sa­do. [TOC]

¿En qué consiste el un­su­pe­r­vi­sed learning?

El apre­n­di­za­je no su­pe­r­vi­sa­do (en inglés, un­su­pe­r­vi­sed learning o un­su­pe­r­vi­sed machine learning) es un método de análisis de datos que pertenece al campo de la in­te­li­ge­n­cia ar­ti­fi­cial. En este caso, una red neuronal ar­ti­fi­cial se basa en las si­mi­li­tu­des que presentan los di­fe­re­n­tes valores de entrada. Con el apre­n­di­za­je no su­pe­r­vi­sa­do, el ordenador intenta reconocer de forma autónoma los patrones y es­tru­c­tu­ras que comparten dichos valores.

Por tanto, el apre­n­di­za­je no su­pe­r­vi­sa­do sería lo contrario del apre­n­di­za­je su­pe­r­vi­sa­do, un pro­ce­di­mie­n­to en el que los de­sa­rro­lla­do­res están to­ta­l­me­n­te al mando y marcan el objetivo de apre­n­di­za­je. Sin embargo, con el apre­n­di­za­je su­pe­r­vi­sa­do, los datos deben eti­que­tar­se o ca­te­go­ri­zar­se ma­nua­l­me­n­te antes de usarlos para entrenar la IA y eso lleva una cantidad de tiempo co­n­si­de­ra­ble.

¿Cómo funciona el apre­n­di­za­je no su­pe­r­vi­sa­do?

Explicado de forma sencilla, este método de apre­n­di­za­je consiste en una red neuronal ar­ti­fi­cial que analiza y utiliza una enorme cantidad de in­fo­r­ma­ción para de­te­r­mi­nar contextos, patrones y si­mi­li­tu­des entre los datos. Este proceso se basa en di­fe­re­n­tes pro­ce­di­mie­n­tos. Una de las técnicas que se emplean en esta forma de apre­n­di­za­je es el análisis de grupos o clu­s­te­ri­ng. En este caso, los al­go­ri­t­mos se encargan de formar grupos de manera autónoma para, fi­na­l­me­n­te, asi­g­nar­los a los datos.

Por ejemplo, si los datos son fotos de perros y gatos, el programa co­m­pa­ra­ría y agruparía estas fotos en función de sus ca­ra­c­te­rí­s­ti­cas en el apre­n­di­za­je no su­pe­r­vi­sa­do. A di­fe­re­n­cia del apre­n­di­za­je su­pe­r­vi­sa­do, no se le indica al algoritmo de antemano si debe di­fe­re­n­ciar entre fotos de perros y fotos de gatos, pero es posible que lo haga. Los al­go­ri­t­mos del apre­n­di­za­je au­to­má­ti­co no su­pe­r­vi­sa­do toman sus de­ci­sio­nes basándose en si­mi­li­tu­des y di­fe­re­n­cias entre las fotos, como el color del pelaje del animal, por ejemplo.

Otro método es la aso­cia­ción: en este caso, para ordenar los datos, el sistema los combina basándose en los atributos que comparten. De esta manera, la tarea de los al­go­ri­t­mos es encontrar las re­la­cio­nes que hay entre los objetos, sin necesidad de que exista un parecido entre ellos. Una vez más, podemos tomar el ejemplo de las fotos de perros: mediante la aso­cia­ción, el algoritmo del apre­n­di­za­je no su­pe­r­vi­sa­do no agruparía todos los perros juntos, sino que, por ejemplo, re­la­cio­na­ría las correas con los perros.

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

¿Dónde y cuándo se utiliza el apre­n­di­za­je no su­pe­r­vi­sa­do?

Hay muchos ejemplos de apre­n­di­za­je no su­pe­r­vi­sa­do. Gracias a este método de apre­n­di­za­je, los programas son capaces de aprender las reglas de un juego y diseñar es­tra­te­gias ganadoras, por lo que pueden uti­li­zar­se en el mercado de valores para conseguir be­ne­fi­cios. De este modo, es posible ofrecerle a un programa datos sin procesar sobre las co­ti­za­cio­nes bu­r­sá­ti­les para que, por sí mismo, pueda reconocer las ac­ti­vi­da­des de la bolsa y anticipar te­n­de­n­cias.

La in­te­li­ge­n­cia ar­ti­fi­cial y, en pa­r­ti­cu­lar, el apre­n­di­za­je no su­pe­r­vi­sa­do, ya se utilizan en muchas otras áreas. Por ejemplo, en el marketing es posible de­te­r­mi­nar los públicos objetivo más re­le­va­n­tes mediante el método del clu­s­te­ri­ng. En este ámbito, la atención se centra en los grupos de personas, que forman la base para de­sa­rro­llar las es­tra­te­gias pu­bli­ci­ta­rias. Los al­go­ri­t­mos pueden aprender de forma in­de­pe­n­die­n­te a agrupar personas con los pro­ce­di­mie­n­tos del un­su­pe­r­vi­sed learning.

Un área en la que ya se ha co­n­so­li­da­do fi­r­me­me­n­te el principio del apre­n­di­za­je no su­pe­r­vi­sa­do es el re­co­no­ci­mie­n­to de voz, im­pre­s­ci­n­di­ble para el fu­n­cio­na­mie­n­to de asi­s­te­n­tes de voz como Siri, Alexa o el Asistente de Google. Estos programas aprenden los hábitos de habla del pro­pie­ta­rio y, con el tiempo, pueden entender ex­pre­sio­nes cada vez más precisas, aunque la persona hable un dialecto o tenga un im­pe­di­me­n­to del habla.

También muchos sma­r­t­pho­nes in­co­r­po­ran el un­su­pe­r­vi­sed learning y permiten así ordenar la galería de imágenes. El apre­n­di­za­je in­de­pe­n­die­n­te y sin su­pe­r­vi­sión permite que el di­s­po­si­ti­vo reconozca a una misma persona en varias fotos o ide­n­ti­fi­que mediante los metadatos que dos in­s­ta­n­tá­neas han sido tomadas en la misma ubicación. Gracias a este sistema, podemos ordenar las fotos según el lugar donde se tomaron o las personas re­tra­ta­das en ellas.

En los chats también se ha probado la eficacia del apre­n­di­za­je no su­pe­r­vi­sa­do. La mayoría de los usuarios de Internet ya se ha topado con algún chatbot o bot co­n­ve­r­sa­cio­nal, que se encarga de regular la in­ter­ac­ción social en las co­n­ve­r­sa­cio­nes virtuales: así, cuando los bots detectan au­to­má­ti­ca­me­n­te insultos, in­ci­ta­ción al odio, di­s­cri­mi­na­ción o insultos raciales, eliminan a dicho usuario del chat o le llaman la atención. Aquí la in­te­li­ge­n­cia ar­ti­fi­cial también desempeña un papel im­po­r­ta­n­te. Los chats au­to­ma­ti­za­dos que ofrecen servicio al cliente durante los pedidos en línea funcionan de forma similar: ya sea por me­n­sa­je­ría o por teléfono, los bots aprenden de forma autónoma y, en parte, sin su­pe­r­vi­sión.

Un ejemplo negativo: chatbot en redes sociales

En 2016, Microsoft se dio cuenta de que el apre­n­di­za­je sin su­pe­r­vi­sión también podía tener un efecto negativo. La empresa creó una cuenta de Twitter para su bot Tay, con in­te­li­ge­n­cia ar­ti­fi­cial, que aprendía co­mu­ni­cá­n­do­se con otros usuarios de la pla­ta­fo­r­ma. Aunque al principio el programa era bastante sencillo, pronto comenzó a utilizar emo­ti­co­nos e, incluso, a construir frases complejas. Sin embargo, la in­te­li­ge­n­cia ar­ti­fi­cial no calibraba el contenido de sus mensajes y rá­pi­da­me­n­te comenzó a incitar al an­ti­fe­mi­ni­s­mo y a la xenofobia, di­fu­n­die­n­do además teorías co­n­s­pi­ra­to­rias. Todo sucedió en menos de 24 horas. El programa en sí mismo no tenía mo­ti­va­cio­nes racistas o políticas, sino que si­m­ple­me­n­te aprendió de las pu­bli­ca­cio­nes de las personas. Se desconoce el número de usuarios de Twitter, si es que lo había, que se pe­r­mi­tie­ron alimentar a Tay con este tipo de datos solo por hacer la gracia.

Un ejemplo positivo: in­ve­s­ti­ga­ción genética

Es indudable el efecto positivo del apre­n­di­za­je no su­pe­r­vi­sa­do en la in­ve­s­ti­ga­ción genética: en este ámbito, el método del clu­s­te­ri­ng sirve de ayuda para analizar el material genético. Los sectores médico y técnico evo­lu­cio­nan con fuerza y al unísono gracias a la in­te­li­ge­n­cia ar­ti­fi­cial y a sus métodos de apre­n­di­za­je, y la in­ve­s­ti­ga­ción se acelera eno­r­me­me­n­te, lo que permitirá que en­fe­r­me­da­des he­re­di­ta­rias como la anemia fa­l­ci­fo­r­me o la ceguera de origen genético puedan ser tratadas y curadas en el futuro.

Ventajas del un­su­pe­r­vi­sed learning en co­m­pa­ra­ción con otros métodos

El apre­n­di­za­je au­to­má­ti­co no solo se aplica al de­sa­rro­llo te­c­no­ló­gi­co, sino que también co­n­tri­bu­ye a aliviar y facilitar muchas áreas de nuestra rutina diaria, en­ri­que­cie­n­do la vida cotidiana, la economía y la in­ve­s­ti­ga­ción. A di­fe­re­n­cia de los otros dos métodos de apre­n­di­za­je (su­pe­r­vi­sa­do y por refuerzo), los de­sa­rro­lla­do­res no están in­vo­lu­cra­dos en el propio en­tre­na­mie­n­to, lo que, además de un posible ahorro de tiempo, supone otra ventaja: el apre­n­di­za­je no su­pe­r­vi­sa­do permite reconocer patrones que nadie ha sido capaz de percibir pre­via­me­n­te. Así, basándose en el apre­n­di­za­je au­to­má­ti­co no su­pe­r­vi­sa­do, los al­go­ri­t­mos también tienen la po­si­bi­li­dad de de­sa­rro­llar ideas creativas.

Di­fe­re­n­cias con el apre­n­di­za­je su­pe­r­vi­sa­do y el se­mi­su­pe­r­vi­sa­do

Además del apre­n­di­za­je no su­pe­r­vi­sa­do, también existe el apre­n­di­za­je su­pe­r­vi­sa­do, que ya hemos me­n­cio­na­do an­te­rio­r­me­n­te, y el apre­n­di­za­je se­mi­su­pe­r­vi­sa­do, que se di­fe­re­n­cian del apre­n­di­za­je no su­pe­r­vi­sa­do en varios aspectos. A co­n­ti­nua­ción, ana­li­za­mos bre­ve­me­n­te esas di­fe­re­n­cias.

Apre­n­di­za­je no su­pe­r­vi­sa­do vs. apre­n­di­za­je su­pe­r­vi­sa­do

A di­fe­re­n­cia del apre­n­di­za­je no su­pe­r­vi­sa­do, con el apre­n­di­za­je su­pe­r­vi­sa­do tanto los datos de entrada como los re­su­l­ta­dos co­rre­s­po­n­die­n­tes se saben desde el principio. No obstante, el apre­n­di­za­je su­pe­r­vi­sa­do tiene objetivos di­fe­re­n­tes al apre­n­di­za­je no su­pe­r­vi­sa­do. Como en el apre­n­di­za­je su­pe­r­vi­sa­do ya existe una respuesta “correcta” para cada dato, este método de apre­n­di­za­je pretende ga­ra­n­ti­zar que la IA pueda responder “co­rre­c­ta­me­n­te” una vez fi­na­li­za­do el en­tre­na­mie­n­to.

Además de sus di­fe­re­n­tes objetivos y posibles apli­ca­cio­nes, estos dos tipos de apre­n­di­za­je difieren mucho en cuanto a su efi­cie­n­cia y claridad. El apre­n­di­za­je no su­pe­r­vi­sa­do solo necesita datos en bruto para entrenar y reconocer patrones. Por ello, los re­su­l­ta­dos suelen ser muy ab­s­tra­c­tos en co­m­pa­ra­ción con el apre­n­di­za­je su­pe­r­vi­sa­do y, en ocasiones, deben ana­li­zar­se ma­nua­l­me­n­te. Por otro lado, los costos iniciales del apre­n­di­za­je su­pe­r­vi­sa­do son bastante altos, ya que el en­tre­na­mie­n­to solo puede rea­li­zar­se con datos co­m­ple­ta­me­n­te eti­que­ta­dos. La ventaja del apre­n­di­za­je su­pe­r­vi­sa­do es que los objetivos del en­tre­na­mie­n­to se definen cla­ra­me­n­te al etiquetar los datos y eso se traduce en unos re­su­l­ta­dos, por lo general, más co­m­pre­n­si­bles.

Apre­n­di­za­je no su­pe­r­vi­sa­do vs. apre­n­di­za­je se­mi­su­pe­r­vi­sa­do

En el apre­n­di­za­je se­mi­su­pe­r­vi­sa­do se utilizan tanto datos eti­que­ta­dos como no eti­que­ta­dos para el en­tra­mie­n­to de la IA. Primero, el modelo aprende los datos eti­que­ta­dos para generar un modelo de cla­si­fi­ca­ción ru­di­me­n­ta­rio. A co­n­ti­nua­ción, se utiliza este modelo para hacer pre­di­c­cio­nes sobre los datos no eti­que­ta­dos. Después, se vuelve a entrenar el modelo, esta vez uti­li­za­n­do los datos eti­que­ta­dos y las pre­di­c­cio­nes, que se tratan como etiquetas. Este proceso puede repetirse de manera iterativa.

En de­fi­ni­ti­va, el apre­n­di­za­je se­mi­su­pe­r­vi­sa­do, al igual que el su­pe­r­vi­sa­do, es más adecuado para problemas de cla­si­fi­ca­ción, mientras que el apre­n­di­za­je no su­pe­r­vi­sa­do se utiliza pri­n­ci­pa­l­me­n­te para clu­s­te­ri­ng y aso­cia­ción. Una similitud entre el apre­n­di­za­je se­mi­su­pe­r­vi­sa­do y el no su­pe­r­vi­sa­do sería que ambos tienen unos costos iniciales re­la­ti­va­me­n­te bajos.

Otros métodos de apre­n­di­za­je de IA: apre­n­di­za­je por refuerzo

Entre el apre­n­di­za­je su­pe­r­vi­sa­do y el no su­pe­r­vi­sa­do en­co­n­tra­mos el apre­n­di­za­je por refuerzo. En este caso, los de­sa­rro­lla­do­res solo pro­po­r­cio­nan impulsos para influir en el en­tre­na­mie­n­to de los al­go­ri­t­mos. Con este método, un ordenador aprende a través de ensayo y error qué de­ci­sio­nes son correctas. Por cada decisión, el ordenador recibe una reacción positiva o negativa de su entorno de en­tre­na­mie­n­to. De esta manera, la in­te­li­ge­n­cia ar­ti­fi­cial puede reconocer patrones y de­sa­rro­llar es­tra­te­gias a largo plazo para obtener el mayor número posible de reac­cio­nes positivas.

Por ejemplo, se podría entrenar un robot mediante apre­n­di­za­je con refuerzo para encontrar un objeto en una ha­bi­ta­ción y colocarlo cada vez en un lugar diferente. El robot recibiría feedback negativo por cada colisión y tiempo perdido. Con el tiempo, el robot de­sa­rro­lla­ría es­tra­te­gias para optimizar su método de búsqueda.