Machine Learning para niños

Si tuvieramos que explicar Machine Learning a un niño de primaria, ¿cómo lo harías? pensando que solo tenemos como herramientas las matemáticas básicas como operaciones de suma, resta, multiplicación, y un cuadrante para graficar una función linear como y = ax+b.
En este post les voy a contar cómo funciona Machine Learning tomando estos parámetros para que pueda ser entendido por cualquiera.

Lo básico

Tenemos que empezar con lo más básico, y eso es posicionar Machine Learning de otras áreas de aplicación parecidas. La imagen de arriba resume perfectamente entre qué extremo se encuentra. Mientras que todo empieza con el universo de inteligencia artificial que permite a la tecnología actuar con comportamientos humanos, con lógica y decisiones basados en hechos.

Cuando hablamos propiamente de Machine Learning nos referimos a un sub conjunto de la IA donde se incluyen técnicas estadísticas para mejorar las tareas de una máquina. Y por último tenemos al Deep Learning, el cual consiste en tener algoritmos y modelos que se entrenen solos para realizar tareas. Como un resumen, podemos decir que deep learning es el entrenamiento de algoritmos, machine learning es la mejora de esos algoritmos para realizar tareas, e inteligencia artificial es la toma de decisiones.

¿Cómo aprende una máquina?

El modelo más basico que se usa en ML es el de y = mx + b, esta función es una función lineal por la variable X y está desplazada por la constante b.

La imagen representa cómo funciona una función lineal, es la función fundamental más básica que nos enseñan en la escuela, y con ella hacíamos una tablita donde colocabamos valores para X, por ejemplo, de -3 a 3, y empezabas a sustituir X con esos valores en tu función, de tal forma que el resultado es el valor en Y. Ahora con esos dos valores vas a una gráfica y empiezas a pintar puntitos en esas coordenadas, para que al final las uncas con una línea. El resultado es esa función lineal, y es lineal porque el resultado siempre va a ser una línea.

En la vida real este ejemplo pasa a ser muy sencillo, pero puede servir de ejemplo de cómo se usa la estadística para entrenar un modelo. Si escogieramos una cantidad lo suficientemente significativa de dos rasgos, por ejemplo, qué tanta relación tienen las horas invertidas en videojuegos con la edad del jugador, podríamos tener en una gráfica puntos donde se encuentran esos dos parámetros. Si quisieramos tener un modelo de ML que te dijera por tu edad la cantidad de horas que juegas videojuegos lo que de fondo tiene que hacer ese modelo es crear una función de la forma y = ax + b, pero lo interesante es que esa función tiene que crearse a partir de las muestras de datos recolectadas, a fin de que se cree una función lineal que trate de abarcar todas las muestras, o al menos, el espacio donde las muestras se concentran más, ya que de esa forma el modelo de ML puede calcular con base en una edad, la cantidad de horas que posiblemente juegas videojuegos.

 Estos pasos se vuelven a repetir confirme el modelo se equivoca o acierta en la predición que hace. Esto funciona para muchos aspectos donde se entrena un modelo en donde se requiere de una confirmación sobre un resultado, ya que le permite volver a calcular y entrenarse de nuevo con la nueva información proporcionada. De la misma forma funciona un detector de rostros, se analizan millones de fotos en busca de un rostro, y si se puede tener interacción para confirmar si lo que se encuentra es un rostro o no, al algoritmo le sirve para añadir esa información de nuevo y volver a hacer ajustes en la forma en que se identifican los rostros.

¿Facil, verdad?

A simples rasgos, este es un ejemplo sumamente sencillo pero bastante acercado a la realidad de cómo Machine Learning funciona. Hay varios algoritmos que se usan, el que se presenta es uno de los más sencillos, y el proceso se llama regresión. Hay otros más que se pueden explotar y que funcionan para diferentes escenarios, pero también la complejidad varía mucho por la cantidad de operaciones matemáticas necesarias para estar recalculando y entrenando un modelo.