El aprendizaje no supervisado es una categoría de aprendizaje automático en la que un modelo recibe datos sin salidas etiquetadas y debe descubrir estructura, patrones o agrupaciones por sí mismo, en lugar de ser entrenado para reproducir una respuesta correcta conocida como en el aprendizaje supervisado. Debido a que los métodos no supervisados no requieren etiquetas anotadas por humanos, pueden aplicarse directamente a las vastas cantidades de datos crudos y no etiquetados disponibles en el mundo, como texto no estructurado, imágenes o registros de transacciones, lo que hace que el enfoque sea atractivo siempre que el etiquetado sea costoso, lento o simplemente imposible a escala.
Tareas principales
La tarea no supervisada más común es la agrupación en clústeres, que agrupa puntos de datos similares sin categorías predefinidas, utilizando algoritmos como k-means o agrupación jerárquica; un minorista podría agrupar clientes por comportamiento de compra sin saber de antemano cuáles deberían ser los segmentos resultantes. Las técnicas de reducción de dimensionalidad, incluido el análisis de componentes principales y el autoencoder, comprimen datos de alta dimensionalidad en un número menor de variables mientras preservan tanto como sea posible su estructura subyacente, a menudo útiles para visualización o como paso de preprocesamiento para otros modelos. La detección de anomalías utiliza métodos no supervisados para señalar puntos de datos que difieren sustancialmente del grueso de un conjunto de datos, aplicada en detección de fraude y monitoreo industrial. La estimación de densidad y el modelado generativo, ejemplificados por la red generativa adversarial y el modelo de difusión, aprenden la distribución de probabilidad subyacente de un conjunto de datos lo suficientemente bien como para generar nuevas muestras realistas a partir de él.
Historia
Las técnicas no supervisadas como la agrupación en clústeres y el análisis de componentes principales tienen raíces en la estadística que se remontan mucho antes del aprendizaje automático moderno, y los enfoques neuronales del aprendizaje no supervisado, incluidos los primeros autoencoders y las redes de Hopfield desarrolladas por John Hopfield en la década de 1980, preceden a la era del aprendizaje profundo. Sin embargo, durante gran parte de los años 2000 y principios de los 2010, el aprendizaje supervisado en grandes conjuntos de datos etiquetados superó a los enfoques no supervisados en la mayoría de los puntos de referencia prácticos, y el aprendizaje no supervisado se consideraba principalmente una herramienta para análisis exploratorio o como un paso de preprocesamiento, más que un camino hacia resultados de vanguardia.
Relación con el aprendizaje autosupervisado
La distinción entre aprendizaje no supervisado y aprendizaje autosupervisado es una fuente de confusión frecuente. El aprendizaje autosupervisado a veces se describe como un subconjunto o un replanteamiento moderno del aprendizaje no supervisado: ambos trabajan con datos no etiquetados, pero los métodos autosupervisados construyen una tarea de predicción explícita y generada automáticamente a partir de los propios datos, como predecir una palabra enmascarada o el siguiente token en una secuencia, lo que les proporciona una señal de entrenamiento clara similar en mecánica al aprendizaje supervisado, aunque ningún humano haya etiquetado los datos. Esta distinción importa porque el pretraining autosupervisado, no el aprendizaje no supervisado clásico en el sentido de agrupación o reducción de dimensionalidad, es lo que impulsa el entrenamiento de los modernos grandes modelos de lenguaje y otros modelos fundacionales.
Aplicaciones e importancia
El aprendizaje no supervisado sigue siendo ampliamente utilizado para análisis exploratorio de datos, segmentación de clientes, modelado de temas, pretraining de sistemas de recomendación y como componente de tuberías de detección de anomalías y fraude. En el aprendizaje profundo específicamente, su rama generativa, las GAN y posteriormente los modelos de difusión, se convirtieron en la base de los sistemas modernos de texto a imagen y texto a video al aprender a modelar y muestrear distribuciones de datos complejas, como el espacio de las imágenes naturales.
Limitaciones
Debido a que el aprendizaje no supervisado no tiene una respuesta de verdad fundamental contra la cual verificar, evaluar sus resultados es inherentemente más difícil y más subjetivo que evaluar modelos supervisados: un resultado de agrupación no puede puntuarse simplemente como "correcto" o "incorrecto" como puede hacerlo una predicción de clasificación, y diferentes algoritmos no supervisados aplicados a los mismos datos pueden producir agrupaciones significativamente diferentes e igualmente defendibles. Esta ambigüedad es parte de por qué los mayores éxitos recientes del campo, particularmente en generación de lenguaje e imágenes, han dependido del paradigma autosupervisado más estructurado en lugar de los métodos clásicos de agrupación y estimación de densidad no supervisados.