En mi blog anterior, me enfoqué en responder a la pregunta, "¿Qué es la inteligencia artificial?" y discutí el paradigma de la "Constelación de la inteligencia artificial" para comprender los por qués y los cómos del funcionamiento de un programa empresarial de inteligencia artificial. En esta entrega de la serie, voy a diferenciar aún más los diversos métodos de machine learning para ayudar a comprender cuándo puede aplicarse cada una de estas técnicas.

Diferentes maneras en que una máquina puede aprender

El aprendizaje por machine learning se encuentra en el núcleo de los sistemas de inteligencia artificial. La capacidad de esta tecnología para aprender de los datos en bruto impulsa a las aplicaciones cotidianas de IA que son cada vez más frecuentes.

En una conversación reciente con Ary Bressane, director de ciencia de datos en Aspen Technology, intentamos capturar la definición de machine learning con la que más nos podemos identificar. Es probable que la idea se transmita mejor con lo expresado por el Prof. Pedro Domingos de la Universidad de Washington: "Los algoritmos de machine learning pueden descubrir cómo realizar tareas importantes generalizando a partir de ejemplos."

La capacidad de la inteligencia artificial para aprender es fundamental. Y cuando los mejores sistemas de inteligencia artificial industrial están preparados para aprender por sí mismos, los resultados pueden mejorar drásticamente el rendimiento del negocio. Lo que hace que el aprendizaje por machine learning sea tan poderoso y efectivo en el contexto industrial actual, es su capacidad para:

• Aprender y mejorar con el tiempo.
• Identificar patrones entre grandes cantidades de datos, de forma rápida.
• Extraer características de datos estructurados (hojas de cálculo, series de tiempo) y datos no estructurados (texto, imágenes, videos).

Como tal, la tecnología de machine learning escala muy bien y se ha convertido en un pilar fundamental para permitir la transformación digital basada en datos en las empresas globales en la actualidad.

Esto lleva a la pregunta, "¿Cuáles son las diferentes formas en las que una máquina puede aprender?" Una de las fortalezas reales del aprendizaje por machine learning es que existen diferentes tipos de algoritmos que se pueden utilizar, incluidos los supervisados, los no supervisados y por refuerzo. Revisemos cada uno de estos.


Aprendizaje supervisado

Este tipo de algoritmo utiliza datos de entrenamiento y retroalimentación por parte de los humanos (los datos han sido previamente organizados y descritos) para conocer la relación entre entradas definidas con una salida asignada.

Este método se usa si se sabe cómo clasificar los datos de entrada y el tipo de comportamiento que se desea predecir. Pero se necesita el algoritmo para calcularlo en función de los datos nuevos. Por ejemplo, uno puede mostrarle al algoritmo una gran cantidad de fallas etiquetadas de los datos de activos industriales, y éste va a aprender a reconocer un "evento de falla" y detectar uno nuevo dentro de un conjunto completamente diferente de datos del activo.


Aprendizaje sin supervisión

Este tipo de algoritmo explora los datos de entrada sin tener una variable de salida explícita. Es decir, no se requieren etiquetas predefinidas en los datos. Este método es aplicable si no se sabe cómo clasificar los datos y se desea que el algoritmo encuentre patrones y clasifique por sí mismo los datos.

Por ejemplo, se puede mostrar al algoritmo un conjunto amplio de datos sin etiquetar relacionados con un equipo crítico que contenga comportamientos operativos anómalos y normales. Aquí, el algoritmo clasificaría los datos con características similares en diferentes grupos sin saber cuál pertenece al grupo con "anomalías" y cuál al "normal."


Aprendizaje por refuerzo

Este algoritmo aprende a realizar una tarea simplemente tratando de maximizar las recompensas que recibe por sus acciones. Es decir, funciona por prueba y error, utilizando un ciclo de retroalimentación de "recompensas" y "castigos." Este método se usaría cuando no se tienen muchos datos de entrenamiento, o cuando no se puede definir claramente el estado final ideal, o también cuando la única forma de aprender sobre el entorno es interactuando con él.

Esta gráfica creada por Cognub ilustra las diversas técnicas y aplicaciones para cada uno de los métodos de Machine Learning, discutidos anteriormente:

 

Esta información de referencia se entiende bien en la actualidad y prevalece en muchas aplicaciones cotidianas. Junto con los métodos y herramientas de machine learning que se democratizan rápidamente y con la inteligencia artificial convirtiéndose paulatinamente en una tecnología convencional, muchas industrias tradicionales, con uso intensivo de los activos, están invirtiendo fuertemente para encabezar una transformación digital impulsada por la inteligencia artificial.

La clave para que funcione en aplicaciones del mundo real es obtener el aprendizaje correcto, y lo más importante, hacerlo valioso y práctico en un contexto empresarial. Aquí es donde llegamos al paradigma de la inteligencia artificial para la industria, que combina la ciencia de datos y la inteligencia artificial con el conocimiento de software y dominio, para obtener resultados comerciales integrales para las necesidades específicas del negocio en industrias que requieren una gran inversión de capital.

Ahí es donde se alcanza el verdadero valor potencial: cuando las empresas pueden aplicar la inteligencia artificial para obtener resultados comerciales medibles. ¡Exploraremos la inteligencia artificial para la industria y sus principales casos de uso en las industrias con uso intensivo de los activos durante nuestra próxima publicación!

Mientras tanto, si desea tener una idea más clara de cómo las soluciones digitales pueden ayudarlo a desbloquear nuevos niveles de rendimiento para su negocio, lea el reporte ejecutivo escrito por nuestro CEO, Antonio Pietri, sobre Tecnologías operativas de última generación para Smart Enterprise en un mundo en constante cambio.