Inteligencia artificial y big data

De las reglas a los datos: el aprendizaje automático

La programación tradicional sirve cuando las reglas son claras: calcular el IVA del 13 % de una compra. El aprendizaje automático sirve cuando las reglas son imposibles de escribir a mano: reconocer una cara o una voz.

Servicios cotidianos que usan aprendizaje automático

Redes neuronales

Una red neuronal artificial es una cadena de capas de «neuronas». Cada neurona recibe números, los multiplica por pesos ajustables, los suma y pasa el resultado a la siguiente capa. Durante el entrenamiento se ajustan los pesos para que las salidas se parezcan cada vez más a las respuestas correctas: eso es lo que significa que la red «aprende».

Qué es la IA, cómo evolucionó y qué tan «inteligente» es

La inteligencia artificial (IA) es el conjunto de técnicas que permiten a una máquina hacer tareas que suelen requerir inteligencia humana: reconocer, decidir, traducir, conversar. El término nació en la década de 1950. Los primeros sistemas seguían reglas escritas a mano; desde los años 2000, con más datos y computadoras más potentes, dominó el aprendizaje automático, y en los últimos años el aprendizaje profundo y la IA generativa.

Toda la IA que existe hoy es IA débil (o estrecha): resuelve muy bien una tarea concreta, como recomendar rutas o filtrar spam, pero no puede hacer otra sin un nuevo entrenamiento. La IA fuerte (o general) sería un sistema capaz de aprender y razonar en cualquier tarea como lo hace una persona; por ahora es una idea, no una realidad.

Visión por computadora y lenguaje natural

Dos áreas de la IA que usás todos los días. La visión por computadora enseña a un modelo a interpretar imágenes: por ejemplo, reconocer una cara en una foto para desbloquear el celular o detectar la placa de un carro en una cámara de tráfico de San Salvador. El procesamiento de lenguaje natural (PLN) trabaja con texto y voz: traducir un mensaje, corregir lo que escribís o transcribir un audio. En ambos casos el modelo convierte la imagen o el texto en números y busca patrones aprendidos de muchos ejemplos.

Modelos preentrenados

Entrenar un modelo desde cero cuesta mucha computación y muchos datos. Por eso muchas veces se usa un modelo preentrenado: otra persona u organización ya lo entrenó con una enorme cantidad de ejemplos, y vos lo reutilizás tal cual o lo adaptás con pocos datos propios. Por ejemplo, en un proyecto de tu centro escolar podés tomar un modelo que ya reconoce objetos en fotos y enseñarle con unas pocas fotos a distinguir los residuos de los contenedores de reciclaje de tu colonia.

IA generativa

La IA generativa usa redes neuronales muy grandes para crear contenido nuevo (texto, imágenes, audio o código) en vez de solo clasificar o predecir un número. Aprende los patrones de enormes cantidades de ejemplos y luego genera algo nuevo que se les parece, palabra por palabra o punto por punto. Un chatbot de IA, por ejemplo, calcula cuál es la continuación más probable del texto. Por eso puede sonar muy seguro y equivocarse: genera lo verosímil, no necesariamente lo verdadero.

La cadena de un sistema de aprendizaje automático

Un sistema de aprendizaje automático no es solo «el modelo»: es una cadena de bloques. Por ejemplo, una app que recomienda rutas de microbús en San Salvador.

• Recolectar: viajes, horarios, GPS de los buses, tráfico.

• Preparar y limpiar: quitar errores, completar huecos, convertir todo a números.

• Entrenar: el modelo ajusta sus parámetros con esos datos preparados.

• Evaluar: se mide con datos que no vio.

• Usar: el modelo recibe datos nuevos y predice.

Si falta el bloque de entrenamiento, el sistema tiene datos limpios pero no ha aprendido nada de ellos: dentro de ese bloque se ajustan los parámetros del modelo, y necesita recibir los datos ya preparados (con sus etiquetas, si es supervisado).

Tipos de datos y preprocesamiento

Los datos pueden ser numéricos (la temperatura, el precio de un pasaje), categóricos (la ruta, «sano» o «avería»), texto, imágenes o audio. Un modelo solo trabaja con números, así que el preprocesamiento arregla y convierte los datos antes de entrenar: eliminar duplicados, completar o descartar valores que faltan, corregir errores y pasar las categorías y el texto a números. Los datos mandan: si son pocos, sucios o no representan a todos los casos, el modelo sale malo aunque el algoritmo sea muy bueno.

Modelado predictivo

El modelado predictivo consiste en usar datos del pasado para predecir algo que todavía no se conoce: cuánta gente subirá al bus mañana o si una máquina va a fallar. Se entrena un modelo con casos conocidos y luego se le piden predicciones para casos nuevos. Una predicción es una estimación, no una certeza: siempre hay error, y por eso se evalúa con datos que el modelo no vio.

Ingeniería de variables

Las variables de entrada (también llamadas características) son los datos que el modelo recibe para predecir. La ingeniería de variables es el trabajo de seleccionar cuáles sirven, construir nuevas a partir de las que hay y transformarlas a una forma que el modelo pueda usar. Suele pesar más que el algoritmo elegido porque el modelo solo puede aprender de lo que le mostrás: con variables que no se relacionan con lo que querés predecir, ni el algoritmo más sofisticado acierta; con buenas variables, hasta uno sencillo funciona bien.

Tipos de aprendizaje: supervisado, no supervisado y por refuerzo

Ejemplos de conjuntos etiquetados: foto → gato/perro, correo → spam/no spam, lectura de un sensor → sano/avería. Las etiquetas suelen ponerlas personas (a veces miles, en trabajos mal pagados), y eso cuesta tiempo y dinero: es uno de los mayores costos del aprendizaje supervisado.

Clasificación y regresión

Dentro del supervisado, predecir una categoría (¿fractura o no?) es clasificación; predecir un número (¿cuánto costará un apartamento?) es regresión.

Algoritmos de clasificación: reglas, árbol de decisión y k-NN

Un sistema de reglas decide con condiciones «si… entonces…» escritas por una persona. Un árbol de decisión es parecido, pero las preguntas se aprenden de los datos: cada nodo hace una pregunta de sí o no sobre una variable y cada rama lleva a otra pregunta o a una respuesta final. El algoritmo k-NN (k vecinos más cercanos) clasifica un dato nuevo mirando a sus $k$ vecinos más parecidos entre los datos etiquetados y eligiendo la categoría que más se repite.

Regresión lineal simple

La regresión lineal simple predice un número a partir de una sola variable, ajustando la recta $y = mx + b$ que mejor se acerca a los datos. La pendiente $m$ dice cuánto sube $y$ por cada unidad que sube $x$. Una vez ajustada la recta, se usa para predecir.

Agrupamiento

El agrupamiento es el ejemplo típico del aprendizaje no supervisado: el algoritmo separa los datos en grupos de elementos parecidos sin que nadie le diga qué grupos hay. Un método clásico es k-medias: se eligen $k$ centros, cada dato se asigna al centro más cercano, los centros se mueven al promedio de su grupo y se repite hasta que casi no cambian. Después una persona interpreta qué significa cada grupo.

Evaluar un modelo: sobreajuste y matriz de confusión

Se detecta comparando errores: error muy bajo en entrenamiento y mucho más alto en prueba es la señal de sobreajuste.

Validación cruzada

Con pocos datos, una sola división puede dar una estimación «con suerte» (la prueba salió fácil) o «con mala suerte» (salió difícil). En la validación cruzada se dividen los datos en varias partes y se rota cuál se usa para probar; el error final es el promedio. Así la estimación depende menos del azar.

Matriz de confusión

Conjuntos desbalanceados

Big data: volumen, velocidad, variedad y su costo

En una app de transporte urbano: volumen = millones de viajes registrados; velocidad = la posición GPS de cada bus cada pocos segundos; variedad = GPS, registros de pago del pasaje, reportes de usuarios en texto y fotos.

Datos, sesgo y ética: mirar la IA con ojo crítico

La IA y la ciencia de datos ofrecen muchas oportunidades, pero un modelo solo es tan justo como los datos con que aprende.

Privacidad, uso de los datos y atención

• Privacidad: quitar nombres no anonimiza: combinar código postal, fecha de nacimiento y sexo puede reidentificar a una persona al cruzar bases de datos. Los datos de salud y las fotos de otras personas son especialmente sensibles: cuidá los datos propios y los de terceros, y activá la autenticación en dos pasos.

• Colonialismo de datos: empresas de unos pocos países extraen los datos de millones de usuarios de otros países, los procesan y obtienen el valor, mientras las personas que los generan casi no tienen control ni beneficio.

• Mercantilización de la atención: muchas plataformas ganan dinero con tu tiempo de pantalla; sus recomendadores se optimizan para retenerte, no necesariamente para beneficiarte.

Volvé al principio: tu celular sugiere rutas y tu correo filtra spam porque modelos entrenados con datos aprendieron los patrones; sirven si se evalúan bien con datos de prueba y si los datos no reproducen sesgos ni vulneran tu privacidad.

Resumen