Machine learning
Enseñarle a una computadora con ejemplos en lugar de escribirle cada regla.
El machine learning (aprendizaje automático, ML) es la parte de la IA en la que un programa aprende de ejemplos en lugar de seguir reglas que escribió una persona. Le das muchos datos donde la respuesta ya se conoce, se va ajustando hasta acertar la mayoría, y después aplica lo aprendido a casos nuevos que nunca vio. El término viene de 1959, cuando Arthur Samuel lo usó para un programa que aprendía a jugar a las damas.
Pensá en un filtro de spam. Escribir reglas a mano ('bloqueá todo lo que diga PLATA GRATIS') no termina nunca, porque los spammers cambian las palabras más rápido que vos. Con machine learning juntás miles de correos que la gente ya marcó como spam o no, y el sistema aprende qué combinaciones de palabras, remitentes y links suelen ir con el spam. Cuando llega un correo nuevo, te da una probabilidad, no una certeza.
La misma receta está en todos lados: predecir qué pago con tarjeta es un fraude, qué clientes pueden darse de baja, cuánto va a tardar un envío, qué película te va a gustar. Aprender de ejemplos tiene una trampa: el modelo es tan bueno como sus datos. Si los ejemplos son pocos, viejos o sesgados, las predicciones también. El deep learning y los grandes modelos de lenguaje de hoy son machine learning a una escala mucho mayor.
Para quedarse
- Aprende patrones de ejemplos donde la respuesta correcta ya se conoce.
- Lo que da son predicciones con una probabilidad, no garantías.
- Datos malos, escasos o sesgados dan predicciones malas.
- Dos etapas: el entrenamiento arma el modelo y la inferencia lo usa.
