¿Cómo aprende una máquina?
Aprender con ejemplos
En la lección 1 vimos que la IA moderna aprende patrones a partir de ejemplos. Ahora vamos a ver cómo ocurre eso, con un caso tan sencillo que podrías hacerlo con papel y lápiz: predecir si mañana llevarás paraguas.
Imagina que durante un mes apuntas cada mañana tres cosas: si el cielo está nublado, si la previsión anuncia lluvia y si al final llovió. Esa libreta es tu conjunto de datos. Cada fila es un ejemplo, las dos primeras columnas son las características (lo que observas) y la última es la etiqueta (la respuesta correcta).
El modelo empieza sin saber nada
Un modelo es, en el fondo, una fórmula con «botones» ajustables que los especialistas llaman parámetros o pesos. Al principio esos botones están en posiciones arbitrarias, así que el modelo predice casi al azar.
El entrenamiento consiste en repetir un ciclo muy simple:
- Predecir: el modelo mira un ejemplo y da una respuesta («lloverá» o «no lloverá»).
- Comparar: se compara la predicción con la etiqueta real y se mide el error.
- Ajustar: se giran un poco los botones en la dirección que reduce ese error.
Tras muchas vueltas, el modelo «descubre» por sí mismo que la previsión de lluvia pesa más que un cielo simplemente nublado. Nadie le ha escrito esa regla: la ha deducido de los datos. Con modelos grandes, el principio es el mismo, solo que con muchísimos más ejemplos y parámetros, y con métodos matemáticos (como el llamado descenso del gradiente) que deciden cuánto girar cada botón.
Entrenar y examinar por separado
Hay una trampa clásica: un modelo puede memorizar los ejemplos en lugar de aprender el patrón, como el alumno que se sabe las respuestas del examen del año pasado pero no entiende la materia. A esto se le llama sobreajuste.
Para detectarlo, los datos se dividen en dos partes. Con la mayor se entrena; la otra se guarda y solo se usa al final, como un examen con preguntas nuevas. Si el modelo acierta mucho en el entrenamiento pero falla en el examen, ha memorizado en vez de aprender.
Los datos mandan
Un modelo solo puede ser tan bueno como los datos con los que aprende. Si tu libreta solo recoge días de verano, el modelo no sabrá qué hacer en otoño. Si los datos están mal apuntados, aprenderá errores. Y si reflejan prejuicios, el modelo los repetirá. Por eso, en IA, preparar y revisar los datos suele llevar más trabajo que el propio entrenamiento.
Tres formas de aprender
- Supervisado: con ejemplos etiquetados, como nuestra libreta del paraguas.
- No supervisado: sin etiquetas; el modelo busca grupos o parecidos por su cuenta, por ejemplo agrupar clientes con gustos similares.
- Por refuerzo: el modelo prueba acciones y recibe recompensas o penalizaciones, como quien aprende un videojuego a base de partidas.
Ejercicio rápido
Elige algo que quieras «predecir» en tu día a día (si habrá atasco, si te apetecerá cocinar). Escribe qué características apuntarías y cuál sería la etiqueta. Acabas de diseñar tu primer conjunto de datos.