XM78 - Fábrica digital y automatizada

INTELIGENCIA ARTIFICIAL 15 ‘modelo’ se utilizan incorrectamente de forma intercambiable, incluso por los expertos en Machine Learning. Paso 4: Usar y mejorar el modelo El paso final es utilizar el modelo con nuevos datos y, en el mejor de los casos, para que mejore en precisión y eficacia con el tiempo. De dónde procedan los nuevos datos depen- derá del problema que se resuelva. Por ejemplo, un modelo de Machine Learning diseñado para identificar el spam ingerirámensajes de correo elec- trónico, mientras que un modelo de Machine Learning que maneja una aspiradora robot ingerirá datos que resulten de la interacción en el mundo real con muebles movidos o nuevos objetos en la habitación. ¿QUÉ TIPO DE ENFOQUES OFRECE EL MACHINE LEARNING? Otra clasificación que se hace den- tro del Machine Learning es el tipo de enfoque que se aplica, pudiendo ser este: supervisado, parcialmente supervisado o no supervisado. Esto hace referencia a sí hay que dar pis- tas al algoritmo o no, en función de qué enfoque se use servirá para una aplicación u otra. 1. Machine Learning supervisado: este se entrena con un conjunto de datos etiquetados. Es decir, los datos están etiquetados con infor- mación que el modelo de Machine Learning está construyendo para determinar y que incluso puede ser clasificada de manera que el modelo se supone que clasifique los datos. Por ejemplo, un modelo de visión computarizada diseñado para identificar herramientas de corte desgastadas podría ser entre- nado en un conjunto de datos de varias imágenes de herramientas etiquetadas. El Machine Learning supervisado requiere menos datos de entrenamiento que otros métodos de Machine Learning y facilita el entrenamiento porque los resultados del modelo pueden compararse con los resultados reales etiquetados. Pero, los datos etiquetados adecuadamente son caros de preparar, y existe el peligro de que se sobreajusten, o de crear un modelo tan estrechamente ligado y sesgado a los datos de entrenamiento que no maneje con precisión las variaciones de los nuevos datos. 2. Machine Learning no supervisado : este método ingiere datos no eti- quetados -muchos y muchos- y utiliza algoritmos para extraer características significativas nece- sarias para etiquetar, clasif icar y ordenar los datos en tiempo real, sin intervención humana. El aprendizaje no supervisado no tiene tanto que ver con la automatización de decisiones y predicciones, sino con la identi- ficación de patrones y relaciones en los datos que los humanos no verían. Tomemos la detección de spam, por ejemplo: la gente genera más correo electrónico que lo que un equipo de científicos de datos podría esperar etiquetar o clasi- ficar en su vida. Un algoritmo de aprendizaje no supervisado puede analizar grandes volúmenes de correos electrónicos y descubrir las características y los patrones que indican el spam (y seguir mejo- rando en la señalización del spam con el tiempo). El entrenamiento del algoritmo es un proceso iterativo. El algoritmo resultante, entrenado y preciso, es el modelo de Machine Learning Figura 1: Aplicaciones del Machine Learning.