Inteligencia artificial: qué es y cómo aprende una máquina
Aprende
Un programa con reglas hace lo que una persona le escribió: «si pasa esto, entonces haz aquello». Sirve cuando las reglas se pueden decir con claridad, como calcular una media. Pero nadie sabe escribir las reglas para reconocer un gato en cualquier foto: hay demasiados gatos y posturas.
La inteligencia artificial (IA) reúne programas que hacen tareas que antes parecían pedir inteligencia humana, como reconocer imágenes, traducir o recomendar. La mayoría de la IA de hoy aprende de ejemplos, encontrando un patrón que sirve para casos nuevos: es el aprendizaje automático. El nombre «inteligencia artificial» se propuso en 1955. En 1959, Arthur Samuel describió un programa de damas que mejoraba jugando partidas.
con reglas aprende de ejemplos quién decide las escribe una persona las saca de ejemplos qué necesita reglas claras muchos ejemplos sirve para calcular una media reconocer un gato Dos maneras de hacer un programa Para enseñar a una máquina se usan datos de entrenamiento: muchos ejemplos, cada uno con su etiqueta, que es la respuesta correcta, como una foto de un gato con la etiqueta «gato». Muchas veces las ponen personas, que también eligen los ejemplos y revisan cómo acierta el modelo. Entrenar es repetir un ciclo: el programa responde, se compara con la etiqueta y se ajusta un poco para equivocarse menos. Lo que queda ajustado se llama modelo. El acierto sube deprisa al principio y después cada vez menos.
Un paso del entrenamiento, repetido muchas veces Después se prueba el modelo con ejemplos nuevos, que no vio al entrenar. Si probara con los mismos, podría acertar solo por haberlos visto. Se mide la tasa de acierto: aciertos entre pruebas, en porcentaje. Si acierta 45 de 50, su acierto es el 90 % y sus fallos, el 10 %. En una tarea real, ningún modelo acierta siempre.
Un modelo solo conoce lo que había en sus datos. Si los ejemplos son pocos, repetidos o no cubren todos los casos, o llevan etiquetas equivocadas, el modelo aprende esos errores: es un sesgo de los datos. Con la letra de una sola persona, un programa fallará más con la de otras. Más ejemplos ayudan si son variados y están bien etiquetados.
tarea con qué aprende reconocer imágenes fotos con etiqueta traducir textos y su traducción recomendar lo que eligió mucha gente escribir texto muchísimos textos Cada tarea aprende de sus datos Una IA no entiende ni siente como una persona: no ha vivido nada de lo que dicen sus datos, solo encuentra patrones, y no siempre los esperados: puede fijarse en el fondo de una foto y no en el gato. Un programa que escribe texto aprende de muchísimos textos qué palabras suelen ir juntas y elige las que encajan. Si escribe «estoy triste», no siente tristeza. Y puede equivocarse con mucha seguridad, así que lo importante se comprueba.
Ejemplos
Ejemplo 1
Mara escribe una regla para el filtro de correo de su tienda: «si el mensaje dice «gratis», es basura». Un cliente escribe «El envío gratis llegó bien, gracias». ¿Qué hace el filtro?
Mensaje de un cliente (inventado)
El envío gratis llegó bien, gracias.
- La regla mira solo la palabra «gratis».
- El mensaje del cliente tiene esa palabra, así que el filtro lo manda a basura.
- Para arreglarlo con reglas, hay que escribir otra regla, y otra, por cada caso raro.
- Un filtro que aprende de miles de mensajes marcados como «basura» o «no basura» saca patrones más variados, aunque también se equivoca a veces.
El filtro con reglas se equivoca con ese mensaje.
¡Ojo! Aquí muchos creen que una regla más lo arregla todo.
Ejemplo 2
Toño entrena un programa para distinguir fotos de bicis y de patinetes. Lo prueba con 80 fotos nuevas y acierta 68. ¿Cuál es su tasa de acierto?
| pruebas | aciertos | tasa |
|---|---|---|
| 80 | 68 | ? |
- La tasa de acierto es aciertos entre pruebas.
- 68 ÷ 80 = 0,85.
- En porcentaje, 0,85 es el 85 %.
- Al revés, el 85 % de 80 pruebas son 80 × 0,85 = 68 aciertos.
El programa de Toño acierta el 85 %.
¡Ojo! Aquí muchos dicen 68 %, porque toman el número de aciertos como si fuera el porcentaje.
Ejemplo 3
Guni entrena un programa para leer las direcciones de su cuaderno de reparto, solo con 500 ejemplos de su propia letra. Julita escribe una dirección y el programa falla. ¿Por qué?
- Todos los ejemplos eran de una sola letra.
- El modelo no vio otras formas de escribir.
- Con ejemplos de la letra de más personas, y volviendo a entrenar, suele fallar menos.
Los datos de Guni no cubrían otras letras: es un sesgo de los datos.
¡Ojo! Aquí muchos creen que el programa es malo, y no que a sus datos les faltaban casos.
Un reto para pensar
Piensa en una función de tu móvil que parezca adivinar cosas, como corregir una palabra o proponerte una canción. Escribe con qué ejemplos crees que aprendió y un caso en el que podría equivocarse porque a sus datos les faltaba algo.
Practica
Rondas de 10 preguntas. Elige el nivel:
Tu nota en este tema:Sin nota aúnHaz una ronda del nivel Básico para tener nota.