¿Qué es el machine learning?

La Fundéu recomienda desde 2018 aprendizaje automático como alternativa al anglicismo machine learning y desaconseja el calco aprendizaje de máquinas.

Arthur Samuel publicó en 1959, en el IBM Journal of Research and Development, un estudio sobre un programa que jugaba a las damas. El programa aprendió a jugar mejor que la persona que lo había escrito, con ocho a diez horas de juego en la máquina. Samuel escribió que enseñar a los ordenadores a aprender de la experiencia debería acabar ahorrando gran parte del trabajo de programación detallada.

Tom Mitchell lo definió en 1997 en su manual: un programa aprende de una experiencia E respecto a una clase de tareas T y una medida de rendimiento P si su rendimiento en las tareas de T, medido con P, mejora con la experiencia E. Su ejemplo vuelve a ser las damas: la tarea es jugar, la medida es el porcentaje de partidas ganadas y la experiencia son las partidas contra sí mismo.

El machine learning es una parte de la inteligencia artificial, no toda. El Reglamento de IA de la UE distingue en su considerando 12 dos tipos de técnicas para los sistemas de IA: estrategias de aprendizaje automático, que aprenden de los datos cómo alcanzar objetivos, y estrategias basadas en la lógica y el conocimiento, que infieren a partir de conocimiento codificado. El deep learning es a su vez una parte del machine learning. Según LeCun, Bengio y Hinton (2015), en él los modelos formados por varias capas de procesamiento aprenden representaciones de los datos con varios niveles de abstracción. Un LLM es uno de esos modelos profundos, entrenado con grandes volúmenes de texto.

En el entrenamiento, un algoritmo ajusta los parámetros de un modelo para que sus salidas encajen con los datos de entrenamiento. Después, el modelo se aplica a datos nuevos. Google distingue en su introducción cuatro tipos: aprendizaje supervisado, no supervisado y por refuerzo, y la IA generativa, que crea contenido.

Aprendizaje supervisado: el modelo ve muchos ejemplos en los que se conoce la respuesta correcta y descubre las relaciones que llevan a esa respuesta. Después puede predecirla en casos nuevos. Un ejemplo son los correos marcados como spam o no spam, de los que un filtro aprende a clasificar los correos que llegan.

Aprendizaje no supervisado: los datos no traen respuestas. El modelo busca patrones por su cuenta, por ejemplo grupos de clientes que se comportan de forma parecida. Qué significan esos grupos no lo dice el modelo.

Aprendizaje por refuerzo: Sutton y Barto lo describen como aprender qué acción tomar en cada situación para maximizar una señal numérica de recompensa. Nadie le dice al sistema qué hacer. Descubre probando qué acciones dan más recompensa, y la recompensa a menudo llega más tarde. Un ejemplo de personalización: en 2010, investigadores de Yahoo probaron un bandido contextual para seleccionar los artículos de la portada de Yahoo, un método que Sutton y Barto tratan en el capítulo 2 de su manual. La recompensa era el clic. En la evaluación offline con más de 33 millones de eventos registrados, el método logró un 12,5 % más de clics que un bandido sin datos del usuario.

En los tres casos, el modelo solo aprende lo que está en los datos. Hereda sus errores, sus huecos y sus sesgos.

En Smart Bidding, según la ayuda de Google Ads, algoritmos de aprendizaje automático se entrenan con grandes volúmenes de datos para predecir cómo afectan distintas pujas a las conversiones o al valor de conversión. El sistema optimiza hacia las conversiones que declara la cuenta. Quien cuenta mal ahí entrena al sistema hacia un objetivo equivocado.

Las recomendaciones son el segundo gran campo. Investigadores de Google describieron en 2016 el sistema de recomendaciones de YouTube como uno de los más grandes y sofisticados de la industria e informaron de mejoras de rendimiento notables gracias al deep learning.

También la búsqueda lo usa. Google describe RankBrain como un sistema de IA que ayuda a entender cómo se relacionan las palabras con los conceptos, y neural matching como un sistema de IA que capta los conceptos de consultas y páginas y los relaciona entre sí. Para el SEO, eso significa que Google evalúa qué quiere decir una página y no solo qué palabras contiene.

• Comprobar primero si basta una regla fija; el machine learning compensa cuando los patrones son demasiado complejos para reglas manuales.
• Fijar la tarea y la medida de rendimiento antes de entrenar un modelo, como la T y la P de Mitchell.
• Revisar los datos de entrenamiento en busca de huecos, errores y sesgos antes de confiarles un modelo.
• Probar un modelo con datos que no haya visto durante el entrenamiento.
• En Google Ads, declarar como objetivo solo las conversiones que cuentan para el negocio.
• Contrastar los resultados con las cifras del negocio de forma periódica, porque los datos cambian con el tiempo.

• Usar machine learning, IA y LLM como si fueran lo mismo.
• Suponer que un modelo entiende causas, cuando lo que encuentra son relaciones en los datos.
• Entrenar con pocos datos o con datos sesgados y generalizar el resultado.
• Optimizar hacia un indicador que no coincide con el objetivo del negocio.
• Evaluar un modelo solo con los datos con los que se entrenó.
• Cambiar sin parar las estrategias de puja automática y reiniciar así el aprendizaje una y otra vez.