Cada vez que un CAPTCHA te pide que identifiques señales de tráfico, semáforos o vehículos en una fotografía estás entrenando a una inteligencia artificial para que aprenda a identificarlos en un futuro. Y como que uno de los hitos que quiere resolver la inteligencia artificial (IA) es la de hacer circular vehículos autónomos, no es ninguna casualidad que las escenas vinculadas al tráfico sean las que más abundan en estos tipos de CAPTCHA.
De hecho, no es una cuestión menor. Dentro del proceso de desarrollo de estos sistemas, la parte más costosa es la recopilación de las denominadas datasets, es decir, la información o experiencia que el algoritmo tiene que analizar de forma masiva para encontrar correlaciones y resolver el problema que se le plantea. Por lo tanto, se trata de una información con un alto valor económico que las empresas tecnológicas están compilando a través de unos usuarios, nosotros, que contribuimos de forma totalmente inconsciente y gratuita.
En cualquier caso, esta información que hemos considerado interesante explicaros por si no estábais al corriente, nos sirve para hacer una introducción a las maneras principales que tienen las IA de aprender y que, tal como se narra en el curso de Ciutadania.cat, son las siguientes:
¿Cómo funciona el machine learning?
El término Machine Learning se usó por primera vez el 1959 y ha acontecido una disciplina del campo de la Inteligencia Artificial que, mediante algoritmos, dota los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Este aprendizaje permite a las computadoras hacer tareas específicas de forma autónoma, es decir, sin necesidad de ser programados.
Sus algoritmos se dividen en tres categorías:
Estos algoritmos basan su aprendizaje en un sistema de hashtags asociados a unos datos que les permiten tomar decisiones o hacer predicciones.
Ejemplo: un detector de correo basura que hashtag un correo electrónico como correo basura o no dependiente de los patrones que ha aprendido del histórico de correos (remitente, palabras clave, relación texto/imágenes…
Estos algoritmos no tienen un conocimiento previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan organizarlos de alguna manera, en la línea del ‘clustering’ que comentábamos antes.
Ejemplo: Patrones extraídos de Big Fecha proveniente de las redes sociales y crear campañas de publicidad altamente segmentadas.
El algoritmo aprende a partir de la propia experiencia, es decir, es capaz de tomar la mejor decisión ante diferentes situaciones según un proceso que hace en términos ensayo-error en el cual se recompensan las decisiones correctas.
Ejemplo: Actualmente se está utilizando en ámbitos como el reconocimiento facial o la elaboración de diagnósticos médicos.
Y una última curiosidad por si no lo sabéis. Muchas de las aplicaciones en que “el juego’ es modificar la imagen de nuestra cara (añadir elementos dibujados, envejecernos, hacernos más jóvenes…), ¿sabéis qué hacen en realidad además de entretenernos? ¡Exacto! Entrenar a una IA a adquirir un montón de datos sobre las características faciales humanas para poder aplicar después en dispositivos de reconocimiento facial.
Artículos relacionados