FM21

34 INTELIGENCIA ARTIFICIAL de buscar solución con ayuda de la computación hace inviable progra- mar manualmente cada paso a seguir para el análisis de volúmenes masi- vos de datos, pero puede realizarse a la inversa: programar a la máquina para que extraiga patrones, busque estructuras ocultas, clasifique, etc., a través de distintos tipos de algo- ritmos (los bayesianos, por ejemplo, están siendo muy utilizados). Con el machine learning hemos hallado el modo de expresar nuestras instruccio- nes a la máquina, de comunicarnos con ella, porque con la computación tradicional ya no es posible ir más allá en la relación hombre-máquina. Existen varias maneras de enseñar a los sistemas a aprender por sí mismos. El aprendizaje supervisado es uno de los más extendidos. Se proporciona al sistema miles de datos etiquetados, es decir, se incluye en ellos la respuesta correcta o de destino, sobre aquella función en la que se le vaya a entrenar. Para entrenar una IA a solucionar, por ejemplo, la recepción de correo spam, se le proporcionan los datos –miles de correos electrónicos– y se etiqueta cada uno indicando si es o no spam, lo que unido a variables –llamadas características– como el remitente, el asunto, la hora de envío, etc., per- mitirá al sistema, una vez entrenado, identificar patrones que le llevarán a predecir correctamente la respuesta de destino cuando reciba nueva infor- mación. Progresivamente irá refinando los resultados, o sea, aprendiendo. Existen otros tipos de aprendizaje, como el semi-supervisado, el no supervisado, o el aprendizaje por refuerzo, el más parecido al proceso de aprendizaje humano, basado en la obtención de recompensas. En el no supervisado, los datos no indican nada al sistema, no están etiquetados; el algoritmo trata de agrupar datos que son parecidos entre sí. Su misión es descifrar conexiones desconocidas para descubrir conoci- mientos relevantes. Este es también el cometido de la minería de datos, que se está utilizando para obtener agru- paciones en bruto con las que dar a la IA que vamos a entrenar información un poco más filtrada. La minería de datos, o datamining, se viene aplicando en múltiples sectores para segmentar mercados como la banca, el gran con- sumo, en turismo, seguros, industria minorista, telecomunicaciones o bio- tecnología. Si en el ejemplo del párrafo anterior, con la IA supervisada, sabía- mos la respuesta –sabemos si un mail es spam o no–, en el aprendizaje no supervisado partimos de un problema del que no conocemos la respuesta; el objetivo es que el sistema ponga al descubierto conocimientos relevantes, por ejemplo, que un fármaco ya exis- tente podría funcionar en una nueva enfermedad o en una enfermedad conocida sin tratamiento. El reposi- cionamiento de fármacos mediante IA ya se utilizó durante la pandemia de la COVID-19. Mención especial requiere uno de los modelos utilizados para desarrollar el aprendizaje automático, el deep lear- ning o aprendizaje profundo. Son las técnicas de machine learning que emplean redes neuronales artificiales (RNA); estos algoritmos jerarquizan la información mediante una segmen- tación de patrones categorizados por niveles y en cada capa se añade un nivel de complejidad mayor. Dentro