Fundamentos del aprendizaje automático

01

En qué se diferencian la IA, el aprendizaje automático y el aprendizaje profundo

Mucha gente usa estos tres términos como si fueran lo mismo, pero en realidad van uno dentro del otro. La inteligencia artificial (IA) es todo el campo que busca que las máquinas perciban y decidan como las personas. Dentro de ella está el aprendizaje automático, que aprende a partir de datos. Y dentro del aprendizaje automático está el aprendizaje profundo (deep learning), que aprende con redes neuronales de muchas capas. La IA generativa de la que tanto se habla hoy es un tipo de modelo de aprendizaje profundo que crea textos o imágenes nuevos. Elige una capa en la escena de abajo.

La pregunta clave del aprendizaje automático es: ¿quién escribe las reglas? En un programa tradicional, una persona escribe una regla como "si el asunto contiene 'gratis' y 'ganador', es spam". Con aprendizaje automático, le muestras a la computadora muchísimos correos de spam y correos normales, y ella misma encuentra las reglas. Brilla cuando las reglas son demasiadas, demasiado complicadas o cambian tan seguido que nadie podría escribirlas todas.

Cuándo no conviene usar aprendizaje automático

• Las reglas ya están claras y siempre deben dar el mismo resultado (cálculo de impuestos, una política de descuentos fija)
• No hay datos de los que aprender, o hay muy pocos
• No se admiten errores y hay que explicar cada decisión, pero no puedes verificar el modelo hasta ese punto
• Construirlo y mantenerlo costaría más de lo que aporta

Dijimos que el aprendizaje automático aprende de los datos. Entonces, ¿cómo deberían ser esos datos?

02

Datos, características y etiquetas

Imagina una empresa que quiere saber de antemano qué clientes se van a dar de baja (lo que se llama abandono o churn). Reúne en una tabla los registros de clientes anteriores. Cada fila es un cliente, y las columnas guardan su edad, cuántos meses lleva suscrito y cuánto gasta al mes. Los valores que el modelo mira para decidir se llaman características (features). La última columna dice si ese cliente se fue de verdad. Esa respuesta, lo que el modelo tiene que predecir, se llama etiqueta (label).

No entrenas con todos los datos. Primero los separas en tres conjuntos. Si lo piensas como estudiar para un examen, el conjunto de entrenamiento es tu libro y tu cuaderno de ejercicios, el de validación es un simulacro y el de prueba es el examen de verdad.

• Conjunto de entrenamiento: el modelo aprende de estos datos.
• Conjunto de validación: sirve para decidir cómo construir el modelo. Por ejemplo, ¿el árbol de decisión que verás en el capítulo 4 debería hacer dos preguntas o tres? ¿Cuántas pasadas debería dar el entrenamiento? Construyes un modelo para cada opción y te quedas con el que mejor funciona en el conjunto de validación. Los valores como estos, que fijas antes de entrenar, se llaman hiperparámetros. Volverás a verlos en el capítulo 6.
• Conjunto de prueba: se usa una sola vez, al final de todo, cuando ya terminaste de elegir, para medir el rendimiento.

¿Por qué separar validación y prueba? Aquí es donde mucha gente se confunde. Elegiste el modelo que mejor puntuó en el conjunto de validación, así que ya está ajustado a esos datos, y su puntuación de validación sale un poco mejor de lo que realmente es. Por eso mides su capacidad real con un conjunto de prueba que nunca usó ni para entrenar ni para elegir. Es como ver las preguntas del examen antes de estudiar: la nota ya no dice lo que de verdad sabes.

Cuando tienes pocos datos, puedes usar validación cruzada. Divide los datos en, por ejemplo, cinco partes. Usa por turnos una parte para validar y las otras cuatro para entrenar, y luego promedia los cinco resultados. Así tu puntuación depende menos de cómo se repartieron los datos por casualidad. Esto se llama validación cruzada de k iteraciones (k-fold).

Esta tabla tenía respuestas (si el cliente se dio de baja o no). Pero muchos datos no vienen con respuestas. Que las tengan o no cambia la forma en que aprende el modelo.

03

Aprendizaje supervisado, no supervisado y por refuerzo

El aprendizaje automático se divide en tres grandes tipos, según lo que le das al modelo para aprender. La escena de abajo coloca 18 frutas según su peso y su dulzor. Cambia entre los tipos.

En el aprendizaje supervisado, si predices una categoría (spam o no, manzana / mandarina / uva), es clasificación. Si predices un número (ventas, precio de una vivienda), es regresión. En el aprendizaje no supervisado, el agrupamiento (clustering) junta las cosas parecidas, pero una persona todavía tiene que averiguar qué significa cada grupo. Las reglas de asociación encuentran cosas que ocurren juntas, como "quien compra pañales también compra cerveza". Las reglas se eligen por la frecuencia con que los productos aparecen juntos (soporte), lo fiable que es la regla (confianza) y cuánto más a menudo de lo esperado por azar aparecen juntos (lift).

También hay enfoques intermedios. Cuando solo una parte de los datos tiene etiquetas, se habla de aprendizaje semisupervisado. En el aprendizaje autosupervisado, el modelo crea sus propias respuestas a partir de los mismos datos. El preentrenamiento de un LLM, en el que aprende a predecir el siguiente token de un texto, es un ejemplo. RLHF (aprendizaje por refuerzo a partir de retroalimentación humana), que ajusta un LLM usando las valoraciones de personas como recompensa, es una aplicación del aprendizaje por refuerzo.

Una vez que sabes el tipo, tienes que elegir un modelo concreto. Empecemos por el más fácil de entender.