Así, si hace dos días nos planteábamos qué es eso del aprendizaje, ahora damos por hecho que ya sabemos lo que es ese aprendizaje y lo que nos preguntamos es ¿y para qué queremos que un algoritmos o una máquina aprendan? ¿No podemos seguir trabajando con algoritmos tradicionales sin aprendizaje y que sean los diseñadores o desarrolladores de ese algoritmo los que vuelquen todo su conocimiento (y ética) en definir el comportamiento?
Esa es la pregunta que se hacen Stuart Russell y Peter Norvig, en su libro 'Artificial Intelligence. A modern approach' cuando abren el primer capítulo dedicado al machine learning.
Y los autores nos aportan dos razones, solo dos razones, y bastante sencillas por las que nos interesa ese aprendizaje automático:
- En primer lugar, porque hay problemas en que simplemente, una persona no puede anticipar todos los estados posibles y, por tanto, decir al programa o robot qué es lo que tienen que hacer en cada uno de esos estados. Y los autores nos aportan dos ejemplos: un robot que tenga que salir de un laberinto o la predicción de los valores de acciones. E, incluso, yo diría que esos no son los problemas más complejos, ni mucho menos, que se pueden plantear. El movimiento de un vehículo autónomo conviviendo con otros vehículos (autónomos o no) y con personas y animales me parece un caso mucho más extremo de imposibilidad de predecir todas las situaciones posibles y dar un tratamiento específico para cada una de ellas (atención, por cierto, en este punto, a la 'máquina moral).
- La segunda razón es aún más expeditiva: porque hay problemas en que los diseñadores del algoritmo, simplemente, no tienen ni idea de cómo se resuelve. Se trata muchas veces de tareas que los humanos hacemos de manera inconsciente, como reconocer la cara de un amigo o familiar...pero que no tenemos ni la más remota idea de cómo lo hacemos y, por tanto, ningún diseñador o programador es capaz de proporcionar las instrucciones precisas para conseguir ejecutar esa tarea en una máquina.
Sin embargo, los algoritmos de machine learning son buenos en eso. Reconocen ellos mismos (a veces un poco orientados por el diseñador, pero sólo 'un poco') patrones subyacentes a los datos, datos que pueden proceder de sistemas o bien obtenerse del entorno físico mediante sensores y eso les permite reaccionar ante diferentes estados o 'averiguar' cómo hacemos los humanos esas tareas que no sabemos explicar o, más que averiguar cómo las hacemos, encontrar una forma de hacerlas de resultados similares.
Quizá valga la pena que terminar este breve post haciendo ver que, al recurrir al aprendizaje automático, los ingenieros, los científicos de datos o los matemáticos, no se están marcando una 'frivolité', o un jugar a ser Dios haciendo que una máquina aprenda. Es, más bien, un enfoque muy pragmático, una estrategia para intentar conseguir soluciones reales, para la vida real, en situaciones reales y, en el fondo, las más de las veces, para la mejora de nuestras condiciones y bienestar.
No hay comentarios:
Publicar un comentario