El aprendizaje automático es un subcampo de la inteligencia artificial en el que los sistemas informáticos mejoran su rendimiento en una tarea aprendiendo patrones estadísticos a partir de datos, en lugar de seguir reglas programadas explícitamente a mano. Sustenta la mayoría de las aplicaciones contemporáneas de inteligencia artificial, desde filtros de spam hasta grandes modelos de lenguaje.
El término se atribuye generalmente a Arthur Samuel, quien lo utilizó en 1959 para describir un programa de juego de damas que mejoraba mediante el auto-juego.
Paradigmas
El aprendizaje automático se divide comúnmente en tres paradigmas. En el aprendizaje supervisado, un modelo aprende de ejemplos emparejados con etiquetas correctas, como imágenes etiquetadas con categorías de objetos. En el aprendizaje no supervisado, un modelo encuentra estructura en datos no etiquetados, por ejemplo agrupando elementos similares. En el aprendizaje por refuerzo, un agente aprende tomando acciones en un entorno y recibiendo recompensas o penalizaciones, un paradigma que produjo resultados destacados como AlphaGo. Un cuarto enfoque, el aprendizaje autosupervisado, genera su propia señal de entrenamiento a partir de datos no etiquetados, por ejemplo prediciendo una palabra oculta a partir de su contexto, y es el método detrás del preentrenamiento de los modelos de lenguaje modernos.
Métodos principales
La mayoría de los modelos de aprendizaje automático se entrenan definiendo una función de pérdida que mide cuán incorrectas son las predicciones del modelo, y luego ajustando los parámetros del modelo para reducir esa pérdida mediante descenso de gradiente o un procedimiento de optimización relacionado. Los enfoques estadísticos que preceden a la era del aprendizaje profundo, como las máquinas de vectores de soporte desarrolladas por Vladimir Vapnik y sus colegas, siguen en uso para problemas más pequeños o más interpretables. Desde la década de 2010, los modelos de redes neuronales, particularmente las arquitecturas de aprendizaje profundo, se han convertido en el método dominante para tareas que involucran imágenes, audio y texto, dado suficiente datos de entrenamiento y cómputo.
Preocupaciones prácticas
Un desafío central en el aprendizaje automático es el sobreajuste, donde un modelo memoriza patrones específicos de sus datos de entrenamiento en lugar de aprender patrones que generalizan a nuevos ejemplos. Los profesionales abordan esto mediante técnicas como la regularización, la validación cruzada y la reserva de datos de prueba. La calidad y escala de los datos de entrenamiento, junto con la elección de la arquitectura del modelo, son típicamente determinantes más grandes del rendimiento en el mundo real que cualquier truco algorítmico individual.
Adopción
El aprendizaje automático pasó de ser una disciplina académica a una práctica de ingeniería convencional durante la década de 2010, impulsado en parte por marcos de trabajo disponibles públicamente, computación en la nube y educadores como Andrew Ng, cuyos cursos en línea introdujeron el campo a una audiencia amplia. Ahora sustenta la clasificación en motores de búsqueda, la detección de fraude, el análisis de imágenes médicas, los sistemas de recomendación y el entrenamiento de grandes modelos de lenguaje que impulsan los asistentes conversacionales modernos.
La distinción entre el aprendizaje automático y el software basado en reglas anterior no siempre es nítida en la práctica, ya que muchos sistemas de producción combinan componentes aprendidos con lógica de negocio codificada a mano, pero la característica definitoria de un sistema de aprendizaje automático sigue siendo que su comportamiento está moldeado sustancialmente por los datos con los que fue entrenado, en lugar de por reglas que un programador escribió directamente.
Desarrollos recientes
En 2012, AlexNet, desarrollado por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton, logró resultados sustancialmente mejorados en la competencia de reconocimiento de imágenes ImageNet, contribuyendo a la adopción más amplia de redes neuronales profundas. En 2013, Tomáš Mikolov y sus colegas introdujeron Word2vec, técnicas para aprender eficientemente representaciones vectoriales distribuidas de palabras a partir de grandes corpus de texto. En 2014, Ian Goodfellow y sus colegas introdujeron redes generativas adversariales (GANs), un marco para entrenar modelos generativos mediante un proceso adversarial. En 2016, AlphaGo se convirtió en el primer programa informático en derrotar a un jugador profesional humano de Go sin handicaps en un tablero de tamaño completo, utilizando redes neuronales profundas y aprendizaje por refuerzo. En 2017, Ashish Vaswani y sus colegas introdujeron el Transformer, una arquitectura de red neuronal basada principalmente en atención en lugar de recurrencia o convolución.