Aprendizaje automático

3.2. Aprendizaje no supervisado

Otro tipo de aprendizaje utilizado es el aprendizaje no supervisado, que sería el más adecuado si los datos que tenemos no siguen una estructura y no tenemos información suficiente como para clasificarlos. Se utiliza, por ejemplo, para que el algoritmo decida por sí mismo la estructura de una base de datos o las categorías en las que dividir los datos. La mayor diferencia con el aprendizaje supervisado es que las datos no son etiquetados previamente. Nosotros le podemos proporcionar una serie de indicaciones para tomar las decisiones y controlar una parte del aprendizaje pero las decisiones las tomará el algoritmo sin ningún tipo de confirmación por nuestra parte.

El algoritmo clasifica y proporciona soluciones pero no es capaz de interpretarlas y se hace necesario que una persona especializada termine el trabajo. El modelo se limita a observar los datos que tiene y generar posibles conclusiones. Hay aplicaciones que se basan en el aprendizaje no supervisado para determinar las características principales que definen a un conjunto de datos suministrado. Por ejemplo, para describir diferentes tipos de prendas de vestir y llegar a diferenciarlas en una imagen, se detectarían previamente las características que hacen diferente a una camisa de un pantalón o cualquier otra prenda.

Los modelos que utilizan el aprendizaje no supervisado pueden realizar tareas más complejas como reconocimiento facial o reconocimiento de voz. Pero también pueden ser más impredecibles al no contar con supervisión humana durante el aprendizaje. No en todos los casos se llega a realizar una clasificación correcta como en el caso de la IA de Google Photos en en año 2015, que etiquetó por error una foto de personas de raza negra como “gorilas”. Google pidió perdón por la equivocación de su software, un error que se conoce como error de sesgo y que ocurre cuando los datos que se utilizan para el aprendizaje no son lo suficientemente variados.

Procesamiento de imágenes. Licencia: Pixabay.