El Aprendizaje Automático es un subconjunto de la Inteligencia Artificial que trabaja con datos y algoritmos para mejorar la capacidad de la IA de imitar el modo en que aprenden los humanos. El Aprendizaje Automático se cruza estrechamente con el Aprendizaje Profundo, su subconjunto, que exploramos en otro artículo. Con el tiempo, los informáticos pueden entrenar los modelos de Aprendizaje Automático para aumentar su precisión. Los algoritmos de Aprendizaje Automático forman la columna vertebral de los sistemas de Aprendizaje Automático, que a su vez determinan el tipo de modelo que producen. En la vida cotidiana, el Aprendizaje Automático ha producido tecnologías de reconocimiento del habla, chatbots en línea y motores de recomendación determinados algorítmicamente. El potencial del Aprendizaje Automático para dar forma a un nuevo paradigma de vida y trabajo en una sociedad tecnológicamente capacitada plantea cuestiones éticas sobre la privacidad, la parcialidad y la responsabilidad, que exploraremos en el siguiente artículo.
¿Qué es el aprendizaje automático?
El Aprendizaje Automático es un subconjunto de la IA y opera en un contexto más estrecho que la IA general. A su vez, el Aprendizaje Profundo es un subconjunto del Aprendizaje Automático. Como vemos en un artículo relacionado sobre el Aprendizaje Profundo, lo que distingue al Aprendizaje Automático y al Aprendizaje Profundo entre sí es que el Aprendizaje Profundo implica al menos tres capas de redes neuronales, que son Modelos de Aprendizaje Automático diseñados para reflejar las vías neuronales y los procesos de elaboración de predicciones del cerebro humano.
Los algoritmos de Aprendizaje Automático constan de tres partes principales. En primer lugar, los algoritmos de Aprendizaje Automático toman datos de entrada y analizan los patrones que forman para elaborar una predicción. A continuación, una función de error de un algoritmo de Aprendizaje Automático puede comparar la predicción que ha generado con cualquier ejemplo conocido, evaluando así la precisión del modelo. Por último, el algoritmo se ajusta a los puntos de datos del conjunto de entrenamiento, para alinear la predicción del modelo más estrechamente con el ejemplo conocido. De este proceso inicial puede resultar un ciclo iterativo, que producirá una optimización del modelo que alcanzará incrementalmente un umbral de precisión. A continuación consideraremos varios modelos de Aprendizaje Automático que intervienen en este proceso de optimización del modelo:
1. Métodos de aprendizaje supervisado
Los métodos de aprendizaje supervisado utilizan conjuntos de datos etiquetados, que consisten en datos brutos a los que se asignan etiquetas para proporcionar contexto, en el proceso de entrenamiento de algoritmos para clasificar datos o predecir resultados. El modelo de aprendizaje supervisado recibe datos de entrada y ajusta sus ponderaciones en consecuencia para ajustarse a los datos. En esta parte del proceso, el paso de ajuste es crucial para permitir que el modelo se ajuste a los datos sin relacionarse demasiado estrecha o ampliamente con ellos y perder la capacidad de predecir resultados con precisión. Herramientas como la clasificación del spam en una bandeja de entrada de correo electrónico son un ejemplo de aprendizaje supervisado. Los métodos de aprendizaje supervisado también pueden implicar redes neuronales. En el caso de focalx, nuestro software de escaneado de vehículos con IA mejora su precisión cuantos más datos de vehículos se introducen en el sistema, lo que permite a los algoritmos afinar exponencialmente sus capacidades de escaneado.
2. Métodos de aprendizaje no supervisado
Los métodos de aprendizaje no supervisado son un reflejo de los métodos de aprendizaje supervisado en el sentido fundamental de que entrenan algoritmos para trabajar con conjuntos de datos. La diferencia con el aprendizaje no supervisado es que los datos sobre los que trabajan no están etiquetados y forman conjuntos de datos también conocidos como clusters. En el caso del aprendizaje no supervisado, los algoritmos exponen patrones ocultos o conglomerados de datos, revelando similitudes y diferencias en la información. Como herramienta, el aprendizaje no supervisado se presta bien al análisis exploratorio de datos (AED), un método de investigación útil para probar hipótesis y detectar anomalías. En este caso, el análisis de componentes principales (ACP) y la descomposición de valores singulares (DVE) son técnicas habituales del AED. En un contexto de marketing, el aprendizaje no supervisado puede informar sobre estrategias de venta cruzada y permitir la segmentación de clientes. Al igual que los métodos de aprendizaje supervisado, los métodos de aprendizaje no supervisado pueden implicar algoritmos como las redes neuronales, así como métodos específicos del dominio, como los algoritmos de agrupación probabilística.
3. Métodos de aprendizaje semisupervisado
Los métodos de aprendizaje semisupervisado son un híbrido de los métodos de aprendizaje supervisado y no supervisado. Los algoritmos de aprendizaje semisupervisado entrenan conjuntos de datos etiquetados más pequeños para dirigir la clasificación mientras extraen de un conjunto de datos más grande y sin etiquetar. En este sentido, los métodos de aprendizaje semisupervisado pueden equilibrar el sesgo en las etiquetas que puede surgir en los métodos de aprendizaje supervisado, al tiempo que priorizan el mayor grado de precisión en el uso de los resultados objetivo claros de los métodos de aprendizaje supervisado, en contraste con los métodos de aprendizaje no supervisado. Además, una ventaja de dar prioridad a los métodos de aprendizaje semisupervisado es la adaptación a contextos en los que no existen suficientes datos etiquetados para entrenar algoritmos de aprendizaje supervisado. Como solución para economizar recursos cuando el etiquetado de datos resulta costoso, los métodos de aprendizaje semisupervisado pueden permitir la incorporación de la IA en empresas y organizaciones más pequeñas.
4. Métodos de aprendizaje por refuerzo
Los métodos de aprendizaje por refuerzo están estrechamente relacionados con los métodos de aprendizaje supervisado, con la diferencia de que los métodos de aprendizaje por refuerzo no entrenan algoritmos utilizando datos de muestra. En su lugar, los modelos de aprendizaje por refuerzo aprenden por ensayo y error, generando la mejor solución a un problema dado tras encontrarse con varios desajustes por el camino. Un ejemplo reciente de aprendizaje por refuerzo se encuentra en el ámbito de la locomoción robótica, donde los robots humanoides siguen la dirección de las entradas del aprendizaje por refuerzo, navegando con éxito por entornos interiores y exteriores.
Aplicaciones comunes del Aprendizaje Automático en la vida cotidiana
Las aplicaciones habituales del Aprendizaje Automático en la vida cotidiana se dan en contextos basados en el lenguaje, donde los modelos lingüísticos pueden transformar las señales del habla en órdenes, por ejemplo en tecnologías de reconocimiento del habla como Siri, o en asistentes personales virtuales como Alexa de Amazon. En ambos contextos, el procesamiento del lenguaje natural (PLN) combina un modelo del lenguaje humano basado en reglas con modelos de Aprendizaje Automático. Otro ejemplo real de Aprendizaje Automático es el uso de motores de recomendación basados en datos que descubren el comportamiento de los consumidores para impulsar modelos predictivos.
1. Tecnologías de reconocimiento del habla
El reconocimiento del habla, también conocido como reconocimiento automático del habla (ASR, por sus siglas en inglés), conversión del habla al texto o reconocimiento informático del habla, aprovecha las capacidades de la PNL para transformar el habla humana en un formato escrito. Los dispositivos móviles y las tabletas suelen incorporar ASR en sus sistemas, como Siri o Google Assistant. Las funciones ASR permiten mejorar la accesibilidad de los mensajes de texto. En el contexto de la industria del automóvil, los reconocedores del habla pueden utilizar los sistemas de navegación activados por voz y las funciones de búsqueda integradas en las radios de los coches para mejorar la seguridad del conductor.
2. Chatbots online y agentes virtuales
Los chatbots online y los agentes virtuales son otra aplicación cotidiana del Aprendizaje Automático. En áreas de atención al cliente como la banca online, los chatbots potenciados por IA pueden sincronizarse con los sistemas de Gestión de Relaciones con el Cliente (CRM). Aquí, estos chatbots pueden integrarse con plataformas de datos de clientes en la predicción de problemas comunes y proporcionar a los clientes un servicio de asistencia personalizada 24 horas al día, 7 días a la semana. Además, los chatbots online sirven a los vendedores para promocionar sus productos a través de la participación de los clientes en sitios web y plataformas de redes sociales. Una de las funciones más útiles de los chatbots es que pueden responder a las FAQ (Preguntas Frecuentes), proporcionando ayuda relevante a los clientes relacionada con consejos, envíos y otras recomendaciones de productos relevantes. Al entrenar modelos de IA para trabajar con conjuntos de datos de clientes, las empresas pueden utilizar la predicción para mejorar la relevancia y utilidad de sus mensajes para los clientes. Algunos de los bots de mensajería más comunes son Slack o Facebook Messenger. Por tanto, la IA conversacional representa la frontera de cómo la IA puede imitar el habla y la conversación humanas.
3. Motores de recomendación basados en datos de consumidores
Los motores de recomendación basados en datos de consumidores son un medio útil de utilizar algoritmos de IA para identificar patrones en los datos y mejorar las estrategias de venta cruzada. Al basarse en datos que reflejan el historial del comportamiento de un consumidor y su interacción con los productos, estos algoritmos pueden hacer recomendaciones de productos específicas para mejorar la experiencia general del cliente, fomentando la lealtad y la repetición del negocio. Un ejemplo de este tipo de herramienta es Rosetta, una herramienta impulsada por IA que utiliza funciones de predicción de aprendizaje automático para transformar el compromiso del cliente. En este ejemplo, las marcas pueden utilizar las recomendaciones de comercio electrónico que genera Rosetta para comprender mejor las necesidades de los clientes y mejorar su fidelidad. Por último, un ejemplo común de motores de recomendación centrados en el consumidor es eds y mejorar la retención. Por último, un ejemplo común de motores de recomendación centrados en el consumidor es la función de análisis predictivo informada por datos de Amazon.
Al aprovechar los algoritmos de aprendizaje automático para hacer recomendaciones de productos relevantes a los clientes en la caja, los enfoques de venta cruzada de Amazon se dirigen a los clientes en el momento en que es más probable que consideren hacer una compra adicional. De forma similar, los motores de recomendación de Amazon recuerdan las compras anteriores de los clientes, lo que también mejora la calidad de la predicción para futuras recomendaciones de compra.
Pros y contras del Aprendizaje Automático: nuevas oportunidades e impactos imprevistos
1. Alteraciones del mercado laboral actual
La alteración del mercado laboral actual es el área de la IA que mencionan los críticos de la IA en los debates sobre los contras de los algoritmos de Aprendizaje Automático. El Aprendizaje Automático ya ha creado un nuevo paradigma de trabajo, aportando beneficios imprevistos de la automatización. Aunque la automatización suscita preocupación, esta disrupción crea nuevas vías de empleo. Un ejemplo de ello es la industria del automóvil, donde muchos fabricantes como General Motors están haciendo el cambio a la producción de vehículos eléctricos para cumplir las normas más ecológicas de los objetivos de sostenibilidad.
A medida que los vehículos pasen del gas a la electricidad, habrá muchas oportunidades para que la IA potencie la transición a un nuevo paradigma. En una línea similar, la IA creará una demanda de puestos de trabajo en otras áreas, incluida la necesidad de manos humanas que apoyen la gestión de los complejos sistemas de IA. Además, la IA dará forma a la creación de nuevos empleos que aborden los problemas técnicos emergentes relacionados con las industrias a las que afecta. El servicio de atención al cliente es un ejemplo de industria en la que la IA aprovechará el Aprendizaje Automático para cambiar la forma en que las empresas atienden las necesidades de sus clientes, desde la promoción de productos hasta la fidelización y retención de clientes. En este ámbito, existe la posibilidad de que las empresas utilicen las capacidades de la IA para automatizar campañas de marketing de productos y utilizar la predicción de datos para crear una mejor experiencia de producto.
En general, el mayor reto de la integración de la IA en el mundo laboral será apoyar la transición de las personas a nuevas funciones demandadas debido al impacto de la IA en los cambios de demanda de la industria.
2. Seguridad de los datos
La seguridad de los datos es otro aspecto del Aprendizaje Automático en el que las alteraciones del paradigma actual de interacción digital han provocado cambios en la política reciente. Un ejemplo de cambio político resultante es la legislación del Reglamento General de Protección de Datos (RGPD) de 2016 para proteger los datos personales de las personas en la Unión Europea y el Espacio Económico Europeo. Además, en el estado de California, EE.UU., las autoridades introdujeron una ley de protección de datos específica para el consumidor, la Ley de Privacidad del Consumidor de California (CCPA). La CCPA exige que las empresas informen a los consumidores sobre la recogida de datos de su Información Personal Identificable (IPI).
A pesar de los contras de adaptarse a un nuevo paradigma, en el que el impacto de los algoritmos de Aprendizaje Automático sobre la protección de datos y la privacidad plantea retos complejos, la aparición de la IA y el Aprendizaje Automático en este ámbito tiene sus pros. Por ejemplo, aunque la IA añade una capa de complejidad y vulnerabilidad a los modelos existentes de seguridad de los datos, existen igualmente varias oportunidades de utilizar algoritmos de IA y modelos de predicción para resolver los retos de la ciberseguridad.
Si se utilizan con habilidad, los algoritmos de aprendizaje automático pueden resolver los mismos problemas que plantean a la seguridad. Mientras que los ciberdelincuentes podrían manipular ChatGBT para sus propios fines y perturbar los sistemas empresariales internos, los desarrolladores de IA, las empresas y los responsables políticos pueden colaborar para formar a una generación de nuevos profesionales de la ciberseguridad con el fin de mejorar la infraestructura mundial de ciberseguridad. De este modo, puede surgir un nuevo sector de funciones dentro del sector de la ciberseguridad y convertirse en una atractiva carrera profesional para los solucionadores de problemas, con una escasez mundial estimada de 4 millones de profesionales de la ciberseguridad.
Según un artículo de 2023 del Foro Económico Mundial, el continente africano tiene la mayor demanda de formación para prevenir las amenazas de la ciberdelincuencia relacionada con la IA. Esta estadística es importante porque refleja la importancia de la ciberseguridad como problema global que tiene implicaciones estructurales en las economías locales e internacionales en un mundo hiperconectado.
3. Prejuicios, discriminación y zonas grises éticas
El sesgo, la discriminación y las zonas grises éticas son una tercera preocupación relacionada con el uso generalizado de algoritmos de Aprendizaje Automático en el mundo actual. La principal preocupación con respecto a la discriminación relacionada con el Aprendizaje Automático es que los modelos de Aprendizaje Automático pueden heredar el sesgo de la influencia humana y amplificarlo en los principales aspectos de la sociedad [1].
El sesgo es especialmente relevante en el ámbito de los modelos de aprendizaje supervisado, donde los profesionales de la IA entrenan modelos de Aprendizaje Automático utilizando conjuntos de datos etiquetados, lo que presupone un sesgo de selección antes de que los modelos hayan analizado los datos. Otro ejemplo de los contras de los modelos de Aprendizaje Automático está en los procesos de contratación de personal para empresas transnacionales. Un estudio demostró que Amazon tuvo que descartar una herramienta experimental de Aprendizaje Automático utilizada para examinar los CV de los solicitantes e identificar a los mejores talentos, ya que la herramienta resultó discriminatoria, penalizando los CV que incluían la palabra «femenino», como en frases como «capitana de club de ajedrez femenino».
Además, los críticos han señalado las turbias aguas del uso de modelos de aprendizaje automático en las prácticas de contratación, incluida la falta de una política clara sobre la cantidad de datos sobre un candidato a los que puede acceder una organización. En otro contexto, IBM suspendió sus productos de reconocimiento y análisis facial ante los riesgos de aplicaciones poco éticas de las herramientas de reconocimiento facial de IA para la vigilancia masiva y la elaboración de perfiles raciales, que violan derechos humanos básicos.
Por otra parte, algunas organizaciones apoyan el argumento de que los modelos de aprendizaje automático permiten a sus reclutadores ir más allá de las redes habituales de candidatos y dirigirse a un conjunto de talentos más amplio. Por ejemplo, Goldman Sachs creó una herramienta de análisis de CV para canalizar a los candidatos hacia la división en la que encajarían mejor.
Al igual que ocurre con los retos de seguridad de los datos que plantean los algoritmos de aprendizaje automático, las funciones potencialmente discriminatorias de las prácticas de contratación basadas en la IA requieren una colaboración entre los responsables políticos, los sistemas de gestión empresarial y los investigadores para garantizar que las prácticas de contratación sigan siendo lo más justas posible. Según Reuters, el panorama jurídico se está adaptando con nueva legislación a estos retos, incluida la Ley de Responsabilidad Algorítmica de EE.UU. y la Ley de Inteligencia Artificial de la UE, que proporcionan un marco para garantizar la responsabilidad y la neutralidad en las aplicaciones de IA.
Conclusión
Los modelos de Aprendizaje Automático son un aspecto fundamental de la Inteligencia Artificial que puede revolucionar la forma en que los seres humanos interactuamos en la vida cotidiana, automatizando diversas funciones. Como hemos explorado en este artículo, los pros y los contras de los algoritmos de Aprendizaje Automático interactúan de forma compleja, lo que significa que los juristas, los responsables políticos y las organizaciones se están adaptando rápidamente a las zonas grises éticas que plantea su impacto en ámbitos clave de la vida, como el mercado laboral.
Lo que extraemos de este análisis es que el impacto de los modelos de Aprendizaje Automático y sus pros y contras para los dominios humanos no se limita a un área específica. En cambio, las implicaciones generalizadas de los modelos de Aprendizaje Automático para la seguridad de los datos, las oportunidades laborales, el software de seguridad para el reconocimiento facial y los algoritmos de las redes sociales significan que la ética y los valores de la IA son un tema esencial de debate y colaboración. Por tanto, es primordial que los especialistas en ética, los investigadores y los juristas se unan para elaborar una legislación adecuada que regule las prácticas de la IA y aproveche sus beneficios.
