El aprendizaje supervisado es una categoría de aprendizaje automático en la que un modelo se entrena con un conjunto de datos de ejemplos que emparejan cada entrada con una salida correcta conocida, o etiqueta, y el objetivo del modelo es aprender una asignación general de entradas a salidas que se generalice a ejemplos nuevos y no vistos. La palabra "supervisado" se refiere al hecho de que una clave de respuestas etiquetada, típicamente producida por anotadores humanos o recopilada de registros históricos, supervisa el proceso de aprendizaje indicando al modelo exactamente cuál debería haber sido la respuesta correcta para cada ejemplo de entrenamiento.
Tareas principales
Los problemas de aprendizaje supervisado se dividen en dos categorías generales. Las tareas de clasificación predicen una categoría discreta, como si un correo electrónico es spam, qué objeto aparece en una imagen o qué sentimiento expresa una reseña. Las tareas de regresión predicen un valor numérico continuo, como el precio de una casa o un pronóstico de temperatura. Ambas se entrenan de la misma manera: el modelo hace una predicción, una función de pérdida mide cuánto se aleja esa predicción de la etiqueta verdadera, y el descenso de gradiente, calculado mediante retropropagación en el caso de una red neuronal, ajusta los parámetros del modelo para reducir ese error, repitiéndose a lo largo de muchos ejemplos y pasadas por los datos.
Historia
El aprendizaje supervisado precede al aprendizaje profundo por décadas e incluye algoritmos clásicos como la regresión lineal y logística, los árboles de decisión, las máquinas de vectores de soporte, desarrollados y formalizados en gran parte por Vladimir Vapnik, y los k-vecinos más cercanos. La técnica ganó un enorme impulso con la disponibilidad de grandes conjuntos de datos etiquetados y cómputo barato; la competencia ImageNet de 2012, donde AlexNet superó drásticamente a los métodos anteriores en un gran conjunto de datos de imágenes etiquetadas, es ampliamente reconocida por demostrar que el aprendizaje profundo supervisado podía escalar para superar a los enfoques diseñados manualmente, desencadenando el resurgimiento más amplio del aprendizaje profundo.
Datos y etiquetado
El principal cuello de botella práctico del aprendizaje supervisado es la necesidad de datos etiquetados, que a menudo son costosos y lentos de producir, requiriendo que anotadores humanos categoricen, transcriban o marquen de otro modo un gran número de ejemplos. Esta limitación motivó el desarrollo de paradigmas alternativos que reducen o eliminan la necesidad de etiquetas, incluyendo el aprendizaje no supervisado, que encuentra estructura en datos no etiquetados, y el aprendizaje autosupervisado, que genera su propia señal de entrenamiento a partir de datos no etiquetados, un enfoque que subyace al preentrenamiento de los modernos grandes modelos de lenguaje. El aprendizaje supervisado sigue siendo esencial en otras etapas del pipeline moderno de IA, sin embargo, especialmente en el ajuste fino supervisado, donde un modelo preentrenado se adapta usando ejemplos etiquetados del comportamiento de entrada-salida deseado, un paso utilizado para convertir un modelo de lenguaje base en un asistente que sigue instrucciones.
Evaluación
El rendimiento de un modelo en el aprendizaje supervisado se mide típicamente en un conjunto de prueba reservado que no se usó durante el entrenamiento, con el fin de estimar qué tan bien se generaliza en lugar de simplemente memorizar sus datos de entrenamiento, un modo de fallo llamado sobreajuste. Las métricas de evaluación comunes incluyen exactitud, precisión, exhaustividad y puntuación F1 para clasificación, y error cuadrático medio para regresión, dependiendo la métrica adecuada en gran medida de la tarea y del costo relativo de diferentes tipos de errores, como falsos positivos frente a falsos negativos en un contexto de diagnóstico médico.
Importancia y limitaciones
El aprendizaje supervisado ha sido el paradigma dominante detrás de la mayoría de los sistemas de aprendizaje automático desplegados durante décadas, desde filtros de spam y puntuación de crédito hasta diagnóstico de imágenes médicas y reconocimiento de voz. Su limitación central es una dependencia estricta de la calidad y cobertura de sus datos de entrenamiento etiquetados: un modelo solo puede ser tan bueno como sus etiquetas, y las etiquetas que reflejan sesgos humanos históricos o una cobertura incompleta de escenarios del mundo real producirán un modelo que hereda o amplifica esos defectos, una preocupación central en la investigación sobre sesgo algorítmico. A medida que los enfoques no supervisados y autosupervisados han madurado, el aprendizaje supervisado se ha convertido cada vez más en una etapa dentro de un pipeline más grande, en lugar de ser todo el proceso de entrenamiento para los sistemas de IA modernos más capaces.