¿Qué es el aprendizaje en IA?

Seguramente has escuchado el término aprendizaje cuando se habla de Machine Learning o Inteligencia Artificial, ¿Pero sabes a qué se refiere este proceso? En este artículo te lo explicamos. 

De forma general podemos decir que un método de ML o IA está compuesto de dos partes: el modelo y sus parámetros. Un modelo es el conjunto de operaciones matemáticas, lógicas o estadísticas que se aplican sobre los datos de entrada para llevar a cabo diferentes tareas, como clasificar o predecir. Los parámetros son aquellos valores o argumentos (si lo vemos de una óptica de programación) que definen a las operaciones dentro del modelo.  

Para entender mejor estos componentes partamos del siguiente ejemplo: Supongamos que tenemos un modelo definido por la siguiente operación: y = A*x1 + B*x2 + C donde “x1” y “x2” son los datos de entrada, “y” es la salida de nuestro modelo y los parámetros del modelo son A, B y C. Los valores de estos parámetros se pueden definir de muchas formas, desde asignarlos manualmente hasta determinarlos de forma automática. Aunque es válido asignarlos de forma manual, no siempre es posible hacerlo, en especial para los modelos más complejos que pueden llegar a tener millones de parámetros a ajustar. Por lo que se tiene la necesidad de tener procesos que permitan ajustar estos valores de forma automática. 

Entonces cuando decimos que un método “aprende”, nos referimos al proceso de ajustar los valores de los parámetros para que se lleve a acabó la tarea deseada de la mejor manera posible. Estos procesos de aprendizaje dependen del tipo de modelo que se estén utilizando, la tarea que se quiera realizar y los datos que se tengan disponibles para aprender de ellos. En el ejemplo anterior, esto implicaría tener un método que nos diga que valor asignar a A, B y C en función de los valores de entrada y la tarea deseada. 

Los procesos de aprendizaje también tienen valores que nosotros ajustamos para mejorar la estimación de los parámetros del modelo. A estos valores se les conoce como hiperparámetros (para diferenciarlos de los parámetros de un modelo). Ejemplos de estos hiperparámetros son el número de iteraciones de ajuste o la rapidez para ajustar los parámetros del modelo. Aunque este proceso pueda resultar abrumador, las librerías de ML actuales ya nos permiten realizar todo este proceso de una manera más sencilla.  

PhD. Alejandro Maldonado.