En termes més simples, l'aprenentatge automàtic (ML) és la programació de màquines (ordinadors) perquè pugui realitzar una tasca sol·licitada mitjançant l'ús i l'anàlisi de dades (informació) per dur a terme aquesta tasca de forma independent, sense cap entrada específica addicional des d'un desenvolupador humà.
Aprenentatge automàtic 101
El terme aprenentatge automàtic Va ser encunyat en els laboratoris d'IBM el 1959 per Arthur Samuel, pioner en intel·ligència artificial (AI) i jocs d'ordinador. L'aprenentatge automàtic, per tant, és una branca de la Intel·ligència Artificial. La premissa de Samuel va ser invertir el model de computació del temps cap per avall i deixar de donar a les computadores coses per aprendre.
En lloc d'això, volia que les computadores comencessin a definir les coses per si soles, sense que els humans hagin d'introduir ni tan sols la informació més íntima. Aleshores, pensava, els ordinadors no només durien a terme tasques, sinó que finalment podrien decidir quines tasques realitzar i quan. Per què? De manera que els ordinadors podrien reduir la quantitat de treball que els humans necessitaven per realitzar en qualsevol àrea determinada.
Com funciona l'aprenentatge automàtic
L'aprenentatge automàtic funciona mitjançant l'ús d'algorismes i dades. Un algorisme és un conjunt d'instruccions o directrius que informa a un ordinador o programa com dur a terme una tasca. Els algoritmes utilitzats en ML recullen dades, reconeixen patrons i utilitzen l'anàlisi d'aquestes dades per adaptar els seus propis programes i funcions per completar les tasques.
Els algorismes ML utilitzen conjunts de regles, arbres de decisió, models gràfics, processament de llenguatge natural i xarxes neuronals (per anomenar-ne alguns) per automatitzar el processament de dades per prendre decisions i realitzar tasques. Tot i que ML pot ser un tema complex, Google Teachable Machine ofereix una demostració pràctica simplificada de com funciona ML.
La forma més poderosa de l'aprenentatge automàtic que s'utilitza actualment, anomenada aprenentatge profund, construeix una complexa estructura matemàtica anomenada xarxa neuronal, basada en quantitats grans de dades. Les xarxes neuronals són conjunts d'algoritmes en ML i AI modelats després de la forma en què les cèl·lules nervioses del cervell humà i la informació del procés del sistema nerviós.
Intel·ligència Artificial vs. Aprenentatge en Màquina vs Mineria de Dades
Per comprendre millor la relació entre AI, ML i mineria de dades, és útil pensar en un conjunt de paraigües de mida diferent. AI és el paraigua més gran. El paraigua ML és una mida més petit i s'adapta a sota del paraigua AI. El paraigües de mineria de dades és el més petit i s'adapta a sota del paraigua ML.
- AI és una branca de la informàtica que té com a objectiu programar ordinadors per realitzar tasques de manera més "intel·ligent" i "humana", utilitzant tècniques de raonament i presa de decisions modelades després de la intel·ligència humana.
- ML és una categoria de computació dins de l'AI centrada en màquines de programació (computadores) per aprendre (recopilar dades o exemples necessaris) per a prendre decisions intel·ligents, basades en dades, de forma més automàtica.
- La mineria de dades utilitza estadístiques, ML, IA i immenses bases de dades d'informació per trobar patrons, proporcionar informació, crear classificacions, identificar problemes i oferir analítiques de dades detallades.
Què aprenentatge a màquina pot fer (i ja ho fa)
La capacitat per a les computadores d'analitzar grans quantitats d'informació en fraccions de segon fa que ML sigui útil en una sèrie d'indústries on el temps i la precisió són essencials.
- Medicina: La tecnologia ML s'està implementant en una sèrie de solucions per al camp mèdic, incloent ajudar els metges del departament d'urgències amb un diagnòstic més ràpid de pacients amb símptomes inusuals. Els metges poden introduir una llista dels símptomes del pacient al programa i utilitzar ML, el programa pot obtenir trillions de terabytes d'informació de la literatura mèdica i d'Internet per retornar una llista de possibles diagnòstics i proves o tractaments recomanats en temps rècord.
- Educació: ML s'utilitza per crear eines educatives que s'adaptin a les necessitats d'aprenentatge de l'estudiant, com ara ajudants d'aprenentatge virtual i llibres de text electrònic que són més interactius. Aquestes eines utilitzen ML per descobrir quins conceptes i habilitats que l'estudiant entén utilitzant petites preguntes i exercicis pràctics. A continuació, les eines proporcionen vídeos curts, exemples addicionals i material de fons per ajudar l'alumne a aprendre les habilitats o conceptes necessaris.
- Automoció: ML també és un component clau en l'emergent camp dels cotxes autocontrolats (també anomenats cotxes sense conductor o automòbils autònoms). El programari que opera automòbils de conducció automàtica utilitza ML durant les proves de la carretera real i simulacions per detectar condicions de carretera (com ara carreteres gelades) o identificar obstacles a la carretera i aprendre les tasques de conducció adequades per navegar amb seguretat aquestes situacions.
És probable que ja hagi trobat ML moltes vegades sense adonar-se'n. Alguns dels usos més habituals de la tecnologia ML inclouen el reconeixement pràctic de veu (Bixby de Samsung, Siri d'Apple i molts programes de conversa a text que ara són estàndard a les PC), el filtratge de correu brossa per al vostre correu electrònic, la creació de notícies, la detecció de fraus, la personalització recomanacions de compra i proporcionar resultats de cerca web més eficaços.
ML està inclòs en el vostre feed de Facebook. Quan vulgueu o feu clic a les publicacions d'un amic amb freqüència, els algorismes i ML darrere de les escenes "aprenen" de les vostres accions al llarg del temps per prioritzar determinats amics o pàgines a les vostres notícies.
El que l'aprenentatge automàtic no pot fer
No obstant això, hi ha límits al que pot fer ML. Per exemple, l'ús de la tecnologia de ML en diferents indústries requereix una important quantitat de desenvolupament i programació per part dels humans per especialitzar un programa o sistema per als tipus de tasques requerides per aquesta indústria.En el nostre exemple mèdic anterior, el programa ML utilitzat en el departament d'emergències es va desenvolupar específicament per a la medicina humana. Actualment no és possible prendre aquest programa exacte i aplicar-lo directament en un centre d'emergències veterinària. Aquesta transició requereix una especialització i desenvolupament extensos per part dels programadors humans per crear una versió capaç de fer aquesta tasca per a la medicina veterinària o animal.
També requereix sumes increïblement vàlides de dades i exemples per aprendre la informació que necessita per prendre decisions i realitzar tasques. Els programes de ML també són molt literals en la interpretació de dades i lluiten amb el simbolisme i també alguns tipus de relacions entre els resultats de les dades, com ara la causa i l'efecte.
Els avenços continuats, però, fan que ML sigui més una tecnologia bàsica que crea ordinadors més intel·ligents cada dia.
