Entrenar a tu robot te dará una ventaja competitiva enorme ya que ocupa a las personas en actividades más creativas y de mayor impacto para tu negocio o empresa.
Los humanos aprendemos viendo, escuchando, leyendo, enseñando, jugando, interactuando, cometiendo errores, etc. Lo cierto es que existen muchas más formas de aprender y solo vemos la punta del iceberg. Lo mismo ocurre con las máquinas.
Examinaremos algunos métodos que son usados por las máquinas para aprender (y que puedes sacar provecho).
Le muestras a la máquina la conexión entre un resultado conocido y las variables que afectan ese resultado. En otras palabras, en un trayecto de tu casa al centro de la ciudad, el tiempo de viaje (variable dependiente) sería afectado por el clima (variable independiente).
Creas tu training data(tiempo de conducción, tráfico, clima y tiempo del día) y luego alimentas tu máquina con este. La idea es que la máquina identifique patrones. Ejemplo: Si hay un tráfico pesado y un día lluvioso tu máquina podría predecir que llegarías 20 minutos más tarde de lo usual.
Después, puedes alimentar a tu máquina con test data (información más cercana al contexto real en el que quieres que tu máquina trabaje). Mediante iteraciones tu máquina hará predicciones (modelos) más acertados.
Imagina que quieres aprender a conducir. Al principio el instructor te lleva a una calle cerrada donde te explica la información básica (encender el motor, acelerar, frenar, girar y retroceder). Luego cuando te sientes más confiado, el instructor te llevará a un barrio con señales, tráfico ligero y más actividad. Mejorarás gradualmente. Así ocurre con tu máquina.
Recuerda usar Supervised Machine learning cuando tienes idea general de la relación entre variables independientes y dependientes.
Los humanos aprendemos mediante observación, prueba y error. Cuando somos bebés aprendemos a gatear, hablar y manipular cosas mediante la experimentación. Lo mismo ocurre cuando usas Unsupervised Machine Learning.
La mayor diferencia con Supervised machine learning es que alimentas a la máquina con algoritmos y datos no etiquetados (Información no clasificada anteriormente, existen variables independientes pero no dependientes). Entonces no sabes exactamente cuál será el output.
Imagina que eres un niño que llega a la casa después de Halloween. Ahora quieres que la máquina organice tus dulces en grupos (¡ojo! No sabes exactamente la forma de agrupación de la máquina). La máquina puede organizarlos por color, tamaño, nombre, etc. ¡Incluso categorías que no conoces!
Usa este método cuando tienes cantidades gigantescas de información y no estás seguro cómo están relacionados tus datos, la máquina buscará estas relaciones por su cuenta.
Este método es una combinación de los dos anteriores. al principio le das una pequeña dirección a la máquina y luego le permites a ella solita trabajar.
Ejemplo:
tienes un programa que convierte mensajes de voz a texto. Crear un training set (Supervised Machine learning) con todas las variables posibles que definen cada palabra y expresión local sería interminable. Usar únicamente Unsupervised Machine learning llevaría a la máquina a patrones locos con tanta información (texto y audio).
¿Posible solución?
Puedes crear un training set pequeñito (palabras comunes y frases con su audio respectivo). Luego alimentas a la máquina para darle alguna idea de cómo tratar el resto de información no etiquetada.
Recuerda usar Semi-Supervised machine learning cuando tienes una pequeña cantidad de información etiquetada y una enorme cantidad de información no etiquetada que tu máquina necesita relacionar (información etiquetada significa que tus datos son clasificados con anterioridad).
¡Recompensa a la máquina por su rendimiento!
En el 2013, el proyecto Deepmind de Google experimentó con varios juegos clásicos para ver si podían enseñarle a una máquina a jugar alguno. Usaron Pong, un juego basado en tenis de mesa. Había una recompensa cada vez que la máquina le pegaba a la pelota y cada vez que el oponente fallaba.
Después, la máquina podía jugar contra sí misma. Podía obtener tantas recompensas como fuera posible. En un abrir y cerrar de ojos, la máquina pudo perfeccionar su habilidad y hasta ganarle a jugadores humanos.
Finalmente, usa Reinforcement Learning cuando quieras que la máquina aprenda una tarea compleja por su propia cuenta y pueda mejorar su rendimiento en esa tarea con cada iteración (máquinas mejorandose a sí mismas, ¿en dónde vi esto?).
Ahora piensa, ¿cómo usar la IA en mi vida o en mi trabajo? En el presente existen muchas herramientas, una de ellas es IBM Watson. Donde puedes enfocarte en trabajo de alto valor y más creativo, dejando de lado tareas aburridoras y repetitivas.
Toma el curso de IBM Watson ¡Da un paso adelante y obtén una ventaja competitiva usando poderosas herramientas de IA!. Descubre el concepto de serverless.
Increíble todo lo que podemos hacer con IA, espero superar mis expectativas con estos cursos 💪